Esta Plataforma IoT ayuda a dotar a las Redes Industriales (OT) la tecnolgía y potencia de las Redes Informáticas (IT).
Permite tener una visibilidad completa de tus activos , con herramienta que facilitan la comprensión de los procesos y máquinas de tu negocio. Convierte tus datos en conocimiento organizado, comprensible y optimizado.
La tecnológica basada en Industrial IoT, Cloud computing, Artificial Intelligence y Big Data. Utiliza estas tecnologías para el mantenimiento predictivo de activos industriales a través de la monitorización y análisis de parámetros eléctricos. Además, recoge todo el comportamiento eléctrico de cada uno los activos conectados a la plataforma. A través de equipos, analiza en tiempo real más de 200 parámetros eléctricos para detectar cualquier anomalía significativa.
Informa al usuario sobre el origen y posibles causas de las anomalías y propone acciones correctivas para restaurar el óptimo funcionamiento de su maquinaria.
Utilización de sensores de muy alta resolución capaces de recoger cientos de parámetros eléctricos de manera automática, conectado a la nube.
Los datos, recogidos de manera continua, se utilizan para generar, en la plataforma, modelos de funcionamiento óptimo a partir de la comparación del funcionamiento de si mismo en el tiempo.
El propio equipo realiza el análisis de onda eléctrica y distorsiones de alta frecuencia y almacena información instantánea.
Predictive-sigma compara de manera continua los modelos de funcionamiento de un equipo a lo largo del tiempo y cientos de equipos similares.
Los algoritmos de Predictive-sigma permiten identificar desviaciones o tendencias negativas sobre comportamiento óptimo de la maquinaria en estados muy prematuros, pudiendo incluso detectar la causa de dicha tendencia.
El sistema es capaz de mejorar sus predicciones de fallo a partir de la validación de predicciones anteriores por parte del personal técnico que utiliza la plataforma.
Informes personalizados sobre la salud de los diferentes activos industriales conectados a Predictive-sigma.
Preditive-sigma genera alarmas de detección de fallos para la correcta planificación de acciones de mantenimiento en los activos. También notifica de cualquier anomalía detectada en la alimentación eléctrica de la instalación para tomar medidas correctivas. De esta forma, se disminuye el riesgo de fallo en la maquinaria.
Predictive-sigma dispone de pasarelas de comunicación para el envío de la información relevante a cada uno de los sistemas de información de los que disponga la organización.
Machine Learning aplicado en mantenimiento
En los últimos años, el abaratamiento de los sensores y su menor tamaño han facilitado la obtención de información valiosa sobre el estado de las máquinas. En concreto, midiendo diferentes puntos y características de una máquina, es posible tener una visión casi a tiempo real sobre su estado. Gracias al Machine Learning, se crean modelos a partir de esos datos con el fin de detectar posibles anomalías antes de que se produzcan. Esto se denomina mantenimiento predictivo, y su aplicación es una de las formas más fiables para evitar que las máquinas fallen y perjudiquen al proceso productivo.
A pesar de que el concepto de mantenimiento predictivo no supone una novedad, el desarrollo tanto de las tecnologías de obtención y almacenamiento de datos como el de las aplicaciones de Machine Learning, han contribuido a crear una nueva perspectiva sobre este término. De este modo, la contribución de datos procedentes de muchas fuentes es tratada con algoritmos más complejos que han permitido una reducción en los costes de mantenimiento de entre un 10-15 %.
Aunque el Machine Learning consiga analizar datos y aprender de forma extremadamente eficaz, es importante resaltar el papel de los humanos a la hora de desarrollar y mejorar las herramientas relacionadas con en el mantenimiento. Tanto la experiencia del personal como los históricos de datos de las máquinas son información básica para que los sistemas puedan trabajar. Además, se necesita el feedback por parte de una persona experimentada para ajustar los algoritmos y validar los resultados que muestran. Al fin y al cabo, las decisiones las toman los humanos en base a predicciones realizadas por el Machine Learning.