Dra. María Guadalupe Villarreal Marroquín

La doctora María Guadalupe Villarreal Marroquín es maestra en ciencias en ingeniería de sistemas y licenciada en matemáticas por la Universidad Autónoma de Nuevo León (UANL). Es doctora en ingeniería industrial y de sistemas por la universidad del estado de Ohio en 2013. Ha participado en proyectos con empresas como Metalsa, Honda of America y Zippy Technologies en Ohio, EE.UU. Además, ha recibido diferentes reconocimientos como el premio estatal de la juventud de Nuevo León en 2008; el premio a mujeres mexicanas inventoras e innovadoras en 2008; el primer lugar en la categoría científica y tecnológica en innovación; y el premio de investigación de la UANL en 2008 en el área de ciencias exactas. Sus principales áreas de investigación son la optimización de procesos de manufactura y optimización multi-objetivo; utiliza técnicas de diseño de experimentos y modelación.

Mantenimiento predictivo utilizando técnicas de inteligencia artificial

 01/octubre/2021  Seminario PISIS-UANL 2021      Asistencia : 21

Introducción

El mantenimiento de los equipos puede ahorrar y traer beneficios económicos y logísticos a las empresas. Los mantenimientos en las mismas pueden ser clasificados en: reactivo, preventivo, predictivo y prescriptivo. Por ejemplo, el mantenimiento reactivo que consiste en arreglar un equipo una vez que ha fallado, con fuertes implicaciones en costos por reparación y paro del proceso productivo. Hablamos de mantenimiento preventivo si este se programa en intervalos de tiempo regulares; se espera que el equipo no falle antes que se realice el mantenimiento. Sin embargo, un mantenimiento con demasiada anticipación puede generar también costos innecesarios.
Recientes avances han permitido evolucionar al mantenimiento predictivo, que intenta estimar cuándo es necesario realizar una revisión o mantenimiento con el beneficio de reducir costos y mantener la producción, mediante la creación de modelos matemáticos a partir de información de los equipos. El mantenimiento prescriptivo requiere la aplicación de herramientas de inteligencia artificial para no solo predecir la falla, sino para ayudar a saber sobre los orígenes de la misma.

Resumen

En esta ocasión la Dra. María Guadalupe nos habla sobre los resultados de una investigación en el tema del mantenimiento predictivo, utilizando herramientas de inteligencia artificial. El contexto del problema se desarrolla dentro de una empresa con diferentes motores, a estos equipos fueron instalados sensores de vibración. El objetivo era encontrar un modelo que relacionara las series de tiempo de las vibraciones con las posibles fallas para clasificar la severidad de estas últimas; además, intentar predecir tanto el tiempo en el que se va a presentar como el nivel de una falla.

La metodología aplicada en esta investigación consistió en la obtención de los datos, segmentación de muestras, caracterización por análisis de series de tiempo y predicción, y finalmente, la aplicación de una red neuronal artificial para clasificar el grado de severidad de las fallas. A continuación describiremos estos pasos.

El paso inicial es la recolección de datos que fueron obtenidos de las señales de vibración de una máquina, señal que contaba con 1.75 billones de datos que se generaban cada 24 horas, por lo que fue necesario reducir el número de datos, para ello se tomó una muestra de un segundo cada 5 minutos. Después, los datos se segmentan tomando aquellos en un tercio de segundo de cada muestra. Posteriormente la caracterización calcula descriptores estadísticos y se grafican las características de las series. Por último, las características pasan por un modelo de red neuronal de doce entradas, doce descriptores estadísticos que además generan pronósticos con la tendencia de los datos. En la salida de la red se tiene la clasificación del tipo de falla que se va a presentar, que se divide en cuatro categorías de acuerdo a su severidad.

Una de los inconvenientes que se mencionaron es que la tendencia proporcionada por los pronósticos no se comporta lo suficientemente apegada a los datos finales que representan las fallas más significativas, se ajustaron los datos de pronóstico con métodos de calibración como una de las estrategias para resolver este inconveniente.

Los resultados preliminares muestran un alto nivel de efectividad en la clasificación de fallas leves y moderadas. Sin embargo, el comportamiento que se muestra tanto en los estadísticos descriptivos como en las gráficas de predicción mostraron que la tendencia de los datos de fallas más graves no es muy parecida a la predicción que se tienen en los datos.

Conclusiones

Los resultados muestran un muy buen desempeño de la metodología para fallas leves y moderadas. Como trabajo a futuro se tiene en proceso la búsqueda de nuevos parámetros para poder mejorar las predicciones de la tendencia de los descriptores estadísticos para las fallas de moderado a grave, las cuales mostraron una menor precisión con respecto a su predicción. Además, se desea agregar el cálculo de la vida útil de la máquina, que requerirá un análisis diferente de los datos que ya se tienen. La aplicación de este proyecto puede generar beneficios económicos, industriales y logísticos, disminuyendo los gastos de mantenimientos en una empresa industrial, así como aumentar el tiempo de producción si un equipo se le brinda el mantenimiento correctamente. Además en el área de logística, el tema de mantenimiento preventivo debe de figurar dentro de la calendarización de un buen programa logístico.