Petronor – Promise, mejora de la fiabilidad de máquinas
Petronor
Sector: Industria
Business Case
Mejora de la fiabilidad de máquinas y de procesos mediante la aplicación de modelos para el diagnóstico y el pronóstico de fallos.
Objetivos
Aumentar la vida útil de los dispositivos y minimizar las paradas no planificas Mejora de la seguridad
Use case
Creación de Algoritmos diagnosis y prognosis. Diseño de un algoritmo que mida la huella de salud de los activos e identifique fallos y degradación en los mismos.
Infraestructura
Hibrida On Premise Cloud
Tecnologías utilizadas
Machine Learning y Deep Learning
Datos utilizados
Dataset privado
Recursos utilizados
Se ha involucrado a los departamentos de Fiabilidad, Mantenimiento y Sistemas. La arquitectura desplegada ocupa recursos internos. La prueba de concepto ha durado 2 años.
Dificultades y aprendizaje
La sensórica utilizada no ha sido de la calidad esperada ni en términos de robustez, calidad en las comunicaciones ni precisión. El envío del espectro entero para su posterior análisis y procesado ofrece beneficios en la calidad de la algoritmia, a costa de una necesidad mayor de fiabilidad y ancho de banda en las comunicaciones.
KPIs (impacto en el negocio y métricas del modelo)
La parte HW se evalúa en términos de pérdida de conexión y paquetes en el envío. Los algoritmos se miden en la calidad de medición de la degradación de la huella de salud y comprobación posterior en planta. Medición del RUL (remaining useful life) de los activos.
Financiación
Recibidas ayudas fiscales por proyectos de Investigación en colaboración con agentes de la CAV
Colaboradores
Tecnalia
