Optimización del mantenimiento preventivo de sistemas rotodinámicos (A_BHS)
Inzu Group
Sector: Industria
Business Case
El mantenimiento actual de este tipo de sistemas (como por ejemplo sistemas de inspección de equipaje en bodega) es preventivo (sin tener en cuenta el uso real) o correctivo (con el consiguiente tiempo de inactividad del sistema, menor disponibilidad y mayores costes de reparación). Se trata de ver si es posible optimizarlo.
Objetivos
Generación de un indicador de salud del sistema con la utilización de un único sistema de medición para obtener datos de una línea (hasta 30 sistemas rotodinámicos similares), aplicando algoritmos de clasificación por diferencias de arranque y obteniendo degradación mecánica con mediciones de consumo.
Use case
El sistema de aprovechar el sistema de control existente (aunque también poder funcionar sin estar conectado a él), reduciendo al máximo el número de sensores necesarios para obtener la mejora, y utilizando el consumo de energía para evaluar el comportamiento mecánico.
Infraestructura
Edge Computing.
Tecnologías utilizadas
Machine Learning y Deep Learning.
Datos utilizados
Se han utilizado data sets privados de series temporales.
Recursos utilizados
Ha sido necesaria la participación de personas expertas en desarrollo HW, FW, SW, ingenieros mecánicos y de estructuras, personas expertas en algoritmia e inteligencia artificial. Prácticamente todo el personal de Aingura ha estado implicado en alguna fase del desarrollo.
Dificultades y aprendizaje
La detección de arrancadores para evitar la limitación de estar conectado al sistema de control ha sido el mayor reto del proyecto.
KPIs (impacto en el negocio y métricas del modelo)
Reducción de las paradas no programadas >80%.
Reducción de un 50% el coste del mantenimiento preventivo y de un 20% del correctivo.
PRI menor de 2 años
Financiación
El desarrollo se ha realizado con un 80% de aportación propia y un 20% de proyectos con cliente.
Colaboradores
Múltiples: UPM, BSC, UPC
