{"id":2484,"date":"2022-07-18T18:25:54","date_gmt":"2022-07-18T18:25:54","guid":{"rendered":"https:\/\/lisdatasolutions.sidnpre.com\/?post_type=casos_de_uso&p=2484"},"modified":"2023-01-18T12:53:30","modified_gmt":"2023-01-18T12:53:30","slug":"mantenimiento-productivo-cadena-produccion","status":"publish","type":"casos_de_uso","link":"https:\/\/www.lisdatasolutions.com\/es\/casos-de-uso\/mantenimiento-productivo-cadena-produccion\/","title":{"rendered":"Mantenimiento Predictivo en la Cadena de Producci\u00f3n"},"content":{"rendered":"\n
Utilizando algoritmos de predicci\u00f3n somos capaces de identificar el comportamiento habitual de una m\u00e1quina y generar alarmas en el momento en el que se detectan anomal\u00edas. Esto permite realizar mantenimientos dirigidos seg\u00fan la monitorizaci\u00f3n de las m\u00e1quinas, y tener m\u00e1s conocimiento y visibilidad sobre el estado de los activos.<\/p>\n\n\n\n
La monitorizaci\u00f3n de los activos en el sector industrial es una realidad cada vez m\u00e1s presente. La criticidad de su buen funcionamiento, debido al coste de la m\u00e1quinas y las p\u00e9rdidas que ocasionan las paradas, cobra cada vez m\u00e1s importancia, y es fundamental tanto ser capaces de identificar comportamientos an\u00f3malos para prevenir las aver\u00edas, como apoyar en la decisi\u00f3n de cuando y donde son necesarios los mantenimientos.<\/p>\n\n\n\n Identificamos y monitorizamos que activos se deben analizar, y qu\u00e9 sensorizaci\u00f3n y variables est\u00e1n siendo recogidas. Mediante un an\u00e1lisis exploratorio identificamos aquellas que pueden aportar valor, y las necesidades en cuanto a granularidad. Seleccionamos el algoritmo m\u00e1s adecuado y definimos de los par\u00e1metros que generar\u00e1n las alarmas, as\u00ed como a la puesta en marcha de toda la automatizaci\u00f3n y reporting.<\/p>\n\n\n\n Analizamos la calidad del dato y correlaciones entre variables con el objetivo de identificar aquellas m\u00e1s relevantes, corrobor\u00e1ndolo con el conocimiento de negocio del cliente. Esta se realiza utilizando bien matrices de correlaci\u00f3n, informaci\u00f3n mutua o distintos gr\u00e1ficos, o en cuadros de mando intermedios.<\/p>\n\n\n\n Empleamos \u00e1rboles de decision (XGBoost, LightGBM) o redes neuronales (RRNN, LSTM). Tras generar modelos que son capaces de predecir la informaci\u00f3n de una variable, caracterizamos dicho modelo para identificar la normalidad. Con ello somos capaces de verificar si el comportamiento coincide con el patr\u00f3n, o es an\u00f3malo.<\/p>\n\n\n\n Realizamos un cuadro de mando para visualizar los resultados, configurado y adecuado a los requisitos del cliente. Implementamos el sistema de reporting deseado para las alarmas (correos, entradas a bases de datos o su sistema de PI), ajust\u00e1ndolo a las necesidades concretas.<\/p>\n","protected":false},"excerpt":{"rendered":" Utilizando algoritmos de predicci\u00f3n somos capaces de identificar el comportamiento habitual de una m\u00e1quina y generar alarmas en el momento en el que se detectan anomal\u00edas. Esto permite realizar mantenimientos dirigidos seg\u00fan la monitorizaci\u00f3n de las m\u00e1quinas, y tener m\u00e1s conocimiento y visibilidad sobre el estado de los activos. Objetivos Identificar comportamientos an\u00f3malos Realizar mantenimientos […]<\/p>\n","protected":false},"author":1,"featured_media":2489,"comment_status":"open","ping_status":"closed","template":"","meta":{"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0},"casos-de-uso":[80,76,78],"acf":[],"yoast_head":"\n<\/figure>\n\n\n\n
Qu\u00e9 hacemos<\/h2>\n\n\n\n
<\/figure>\n\n\n\n
C\u00f3mo lo hacemos<\/h2>\n\n\n\n
An\u00e1lisis exploratorio<\/h3>\n\n\n\n
Selecci\u00f3n de algoritmos<\/h3>\n\n\n\n
Explotaci\u00f3n de los datos<\/h3>\n\n\n\n