Embed Size (px)
Citation preview
Caso de estudio: Detección de anomalías
•
DETECCIÓN
DE ANOMALÍAS
EN MÁQUINAS
INDUSTRIALES
Características
Empresa líder en el sector industrial. Tenía
instalado un plan de mantenimiento preventivo
basado en un histórico en el cual detectaba
cierto margen de mejora en costes, bien sea
por una reducción de la frecuencia de
aprovisionamiento de piezas o por un mal uso
de los recursos humanos del departamento de
mantenimiento
MEJORA DEL MANTENIMIENTO PREDICTIVO EN BASE A LA DETECCIÓN DE ANOMALIAS.
Reto de negocio
La empresa quería poder aprovecharse de la
captura de datos en los parámetros clave de la
máquina gracias a las diferentes herramientas
de análisis de datos, pudiendo predecir eventos
de fallos futuros antes de que se produjeran
Resultados
Con la implantación de estas herramientas, LIS-
Solutions dotó al cliente de un sistema de
detección de anomalías, lo que favoreció la
implantación de un mantenimiento preventivo y
una mejora del uso de los recursos internos,
posicionándose de lleno en el nuevo entorno
competitivo de la Industria 4.0
Descripción del cliente:
Esta compañía, una de las empresas líderes en su sector, disponía de un sistema
de mantenimiento preventivo en las máquinas de su planta, el cual venía
prefijado de antemano en base a un calendario, y no tenía en cuenta el estado
actual de la máquina ni de sus componentes.
Descripción del proyecto:
El mantenimiento instaurado en la empresa consistía en un mantenimiento
preventivo, basado en un calendario fijado de antemano, en el que el histórico
y la experiencia de los integrantes del departamento de Mantenimiento
eran los principales factores.
Este tipo de mantenimiento llevaba asociado altos costes ocultos (cambiando
componentes no gravemente deteriorados), insatisfacción del personal de
mantenimiento (realizando actividades repetitivas y a menudo innecesarias) y,
en general, un mal uso de los recursos internos de la empresa.
La empresa deseaba disponer de un sistema que permitiese alargar las
actuaciones de mantenimiento más allá de lo que el mantenimiento
preventivo establecía, pero que evitase el alto coste de suplantar una pieza
parcial o en su totalidad que provocaría un mantenimiento correctivo.
Caso de estudio: Detección de anomalías
Problemática a resolver:
La compañía quería mejorar el sistema de mantenimiento, aumentado su eficiencia, aprovechándose de las herramientas
disponibles para poder capturar los datos generados por sus máquinas, monitorizarlos, y elaborar planes de actuación en base
a los mismos.
Desarrollo de proyecto:
Para llevar a cabo la implantación de un sistema de detección de anomalías, dispusimos de una máquina piloto donde elaborar
el ensayo. La máquina en cuestión había tenido unas paradas durante el mes de febrero, y habiendo recopilado los datos
generados por la misma, elaboramos una estrategia para comprobar si hubiésemos podido ahorrar estas paradas producidas
por fallos en el deterioro de componentes.
Ilustración 1: Visualización inicial de datos
Como vemos en la Ilustración 1, a través de la herramienta de monitorización de datos Splunk, pudimos observar todos los
datos generados por la máquina. A continuación, visualizamos la evolución de diferentes parámetros durante el mes de
febrero.
Ilustración 2: Visualización de parámetros a lo largo del mes
Viendo los datos, pudimos intuir que algunos de los parámetros presentaban valores anómalos en los días anteriores al
fallo (el 14 de febrero). Aunque podríamos haber detectado esta anomalía en los valores, monitorizando los registros con
Splunk, decidimos utilizar la herramienta Knime, en donde pudimos implementar una estrategia de detección de anomalías.
Caso de estudio: Detección de anomalías
Para ello, el programa iba estudiando los valores de los parámetros cuando el comportamiento de la máquina era el
adecuado, estableciendo un rango dinámico que nos indicaba entre qué valores de dicho parámetro, la máquina funcionaba
bien. Es por ello, que cuando los valores se salían de este rango creado por el programa en base a la experiencia, se
detectaba una anomalía
Ilustración 3: Detalle del workflow implementado
Para reducir los falsos positivos, decidimos establecer varios criterios, como que, si es un fallo por deterioro, la anomalía debe
de darse en eventos sucesivos y en varios de los parámetros capturados (deterioro constante y generalizado).
Fue innegable la colaboración con los expertos en mantenimiento a la hora de tener éxito en la implantación, pues
capturar los parámetros clave fue crucial para tener un mantenimiento predictivo adecuado.
En la siguiente ilustración pudimos observar que, de haber estado implantado esta herramienta, el sistema nos habría
reportado una alarma por anomalía (línea azul) con suficiente antelación respecto al momento del fallo (línea roja), lo cual
habría permitido poder ejecutar un plan de actuación por parte del equipo de Mantenimiento.
Ilustración 4: El momento en que se detecta la anomalía es notablemente anterior al momento en que se da el error.
Además, el programa arrojaba una tabla en donde se identificaban los parámetros que han sobrepasado su rango óptimo de
actuación, permitiendo una intervención eficaz del departamento de Mantenimiento, en lo que denominamos un
Mantenimiento Dirigido.
Ilustración 5: Tabla de actuación para el mantenimiento dirigido
Caso de estudio: Detección de anomalías
Mejoras:
Gracias a nuestra implantación, el mantenimiento pudo tener en cuenta el
estado real de la máquina, utilizar los continuos datos que se generan en su
funcionamiento y sacar ventaja respecto a otros mantenimientos como
el preventivo o el correctivo.
Ahora la empresa dispone de un sistema que facilita el trabajo del
departamento de Mantenimiento, repercutiendo todo ello en una mayor
eficiencia general.
El ahorro proviene del hecho de tener menos actuaciones al mes de
mantenimiento que antes (una reducción en torno a un 15%), de unas
actuaciones menos costosas que en el pasado (solo se suele cambiar aquello
que se ha deteriorado en base a los parámetros anómalos) y, en cualquier
caso, de un coste inferior al que acarrearía un mantenimiento correctivo.
En concreto, gracias a esta implantación se calculó un ahorro entre un 10%-
15% en concepto de mantenimiento.
