Se ha creado un modelo de inteligencia artificial que, con base en datos provenientes de sensores instalados en maquinaria puede clasificar las señales entre 5 tipos de estados, diferenciando entre un estado normal de operación y cuatro estados de falla. El modelo y proyecto propuestos permiten la implementación de metodologías de mantenimiento predictivo como una herramienta complementaria para estrategias de mantenimiento preventivo ya establecidas en la industria manufacturera, generando ahorros para las organizaciones Según el 2021 Plant Engineering industrial maintenance study en el año 2021 alrededor de un 88% de las organizaciones manufactureras a nivel mundial emplearon metodologías de mantenimiento preventivo mientras que sólo alrededor de un 40% empleaban herramientas de mantenimiento predictivo. A pesar de ser estrategias ampliamente utilizadas, el mantenimiento preventivo va un paso por detrás de metodologías predictivas, siendo estas últimas mejores para la toma de decisiones, capaces de generar ahorros, disminuir el downtime y aumentar la vida útil de los equipos. Lo anterior nos abre las puertas a un gran espacio de mercado en el que la solución puede escalar y crecer por la fácil implementación y compatibilidad que tiene esta herramienta con las estrategias preventivas prácticamente hegemónicas en esta era. Para el desarrollo del proyecto se han utilizado 3 tipos de redes neuronales, teniendo como base un modelo de redes neuronales recurrentes, un modelo de redes neuronales convolucionales y un modelo híbrido combinando ambas metodologías, utilizando python como nuestro lenguaje de programación raíz y empleando herramientas de uso libre como la librería de Tensor Flow. Se espera que la herramienta en desarrollo tenga la capacidad de ser combinada fácilmente con estrategias de mantenimiento preventivo ya existentes en la mayoría de las industrias, y agregar valor. Es decir, la herramienta no busca sustituir al mantenimiento preventivo, sino complementarlo y poner a las organizaciones en vías de convertirse en organizaciones guiadas por datos. (Data Driven Organizations) El alcance del proyecto hasta el momento contempla únicamente el desarrollo funcional del modelo predictivo, para lo cual los recursos necesarios para avanzar van directamente relacionados con nuestra capacidad técnica y el acceso a asesoría y fuentes de información, así como al acceso de suficiente poder computacional para la mejora de nuestros modelos. La solución impacta directamente en la transformación de procesos de mantenimiento de organizaciones locales, de reactivos y preventivos a predictivos, encaminado a la industria a la adopción de toma de decisiones con base en análisis de datos, disminuyendo los costes de mantenimiento en un ~12%, aumentando la disponibilidad de las máquinas en un ~9%, aumentando la vida útil de los equipos en un ~20% y reduciendo riesgos de seguridad, ambiente y salud en las organizaciones en un ~14%. (PCW, Predictive Maintenance 4.0 – Beyond the Hype: PdM delivers results, 2018)
Freddy Sebastián Silva Culcay A00828792@tec.mx Sergio Zamora Rueda A01730433@tec.mx