Detección de anomalías en accionamientos servo
Fagor Arrasate
Sector: Industria
Business Case
A veces los accionamientos de nuestras automatizaciones suelen degenerarse por causa de desgastes, holguras, cambios de condiciones de trabajo, etc. En este proyecto se pretende definir ciclos correctos de trabajo según datos de funcionamiento, y detectar ciclos anómalos.
Objetivos
Detectar ciclos anómalos de nuestra automatizaciones, dejando abierta la opción de clasificar los fallos a medida que se vayan generando.
Use case
Realizar un aprendizaje de cuál es la evolución de par de un motor según los parámetros de funcionamiento (Recorridos, ángulos, gpm), y avisar cuando un ciclo sale del patrón estándar, y valorar por cuánto ha salido del patrón estándar.
Infraestructura
Edge, Cloud
Tecnologías utilizadas
Machine Learning y Deep Learning.
Datos utilizados
StrokeData: dataset con condiciones normales de la automatización DegreeData: dataset con la evolución del par motor ValidationData: dataset de validación.
Recursos utilizados
Equipo de ciencia de datos y experto del dominio
Dificultades y aprendizaje
KPIs (impacto en el negocio y métricas del modelo)
Realizar un aprendizaje de cuál es la evolución de par de un motor según los parámetros de funcionamiento (Recorridos, ángulos, gpm), y avisar cuando un ciclo sale del patrón estándar, y valorar por cuánto ha salido del patrón estándar.
Financiación
DATATON EUSKADI 2023.
Colaboradores
INETUM, BAIC.
