FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO

Tamaño: px

Comenzar la demostración a partir de la página:

Download "FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO"

María Concepción Lagos Toro
hace 5 años
Vistas:

1 OTEAres FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO EXPERTO BASADO EN EL SOFTWARE OTEA innovation programme under grant agreement No (Fortissimo 2 project).

2 Objetivos de OTEAres

diseña un modelo predictivo orientado a la industria 4.0.

3 OTEARES OBJETIVO instalaciones +100 variables por local Tendencia creciente de locales Se diseña un modelo predictivo orientado a la industria 4.0. El objetivo final es detectar fallos inminentes y pronosticar el momento óptimo para el mantenimiento. Gestión innovadora a tiempo real hace necesario el uso de HPC y ML

NIVEL CRÍTICO DISEÑO METODOLÓGICO MANTENIMIENTO PREDICTIVO Cuatro estados cíclicos que se desarrollan en el siguiente orden: MANTENIMIENTO CORRECTIVO MANTENIMIENTO CORRECTIVO MANTENIMIENTO PREDICTIVO

4 NIVEL CRÍTICO DISEÑO METODOLÓGICO MANTENIMIENTO PREDICTIVO Cuatro estados cíclicos que se desarrollan en el siguiente orden: MANTENIMIENTO CORRECTIVO MANTENIMIENTO CORRECTIVO MANTENIMIENTO PREDICTIVO FALLO COSTE MANTENIMIENTO FALLO MANTENIMIENTO PREVENTIVO MANTENIMIENTO PREVENTIVO MANTENIMIENTO PREDICTIVO DEMASIADO PRONTO DEMASIADO TARDE DISPONIBILIDAD El PdM se entiende como un conjunto de técnicas instrumentadas de medida y análisis de variables para caracterizar los modos de fallos potenciales de los equipos productivos.

5 DISEÑO METODOLÓGICO PDM EN OTEA

6 DISEÑO METODOLÓGICO NIVELES DE ALERTA OTEA Algoritmos desarrollados mediante Machine Learning El análisis de riesgos de este modelo permite establecer niveles jerárquicos en instalaciones y equipos en función de los impactos que generan.

7 Big Data y Machine Learning

8 BIG DATA Y MACHINE LEARNING BASE DE DATOS Y PRUEBA DE ALGORITMOS o o o o o Los datos sin procesar provienen de los PLC a la base de datos SQL. Más de 2 TB de datos históricos tuvieron que transformarse en archivos HDF5. Este proceso requería capacidad de computación y memoria para convertir archivos de instalaciones por un período inicial de dos años. Los conjuntos de datos HDF5 se cargan en los sistemas de Big Data en los clústeres de Gompute, listos para ser procesados y trazados. Los datos se cargaron en una base de datos NoSQL (Apache Cassandra) Los modelos de ML finales se alimentaron con los datos de diferentes instalaciones para permitir que el sistema produzca alertas de antemano y reduzca el número de fallos. +2 TB de datos El problema se abordó de forma jerárquica al dividirlo en tres subobjetivos: Patrones de comportamiento de consumo para cada instalación. Predicción de consumo para cada instalación. Validación de rendimiento para cada máquina.

BIG DATA Y MACHINE LEARNING PATRONES DE COMPORTAMIENTO DE

Comparación de valores reales de consumo de clima con los

Limitaciones: Estas predicciones están hechas con todo el

9 BIG DATA Y MACHINE LEARNING PATRONES DE COMPORTAMIENTO DE CONSUMO POR INSTALACIÓN Regresión Random Forest Resultado: Comparación de valores reales de consumo de clima con los predichos. Limitaciones: Estas predicciones están hechas con todo el histórico, por lo que si cambian las condiciones de operación de la tienda las predicciones van a presentar errores sistemáticos.

10 BIG DATA Y MACHINE LEARNING PREDICCIÓN DE CONSUMO POR INSTALACIÓN Redes Neuronales Los modelos ML utilizados para esta parte fueron Neural Networks (NN). Son modelos muy adaptables capaces de encontrar relaciones flexibles entre datos. Para seleccionar el mejor modelo para cada instalación, se realizó un estudio hiper-paramétrico utilizando las capacidades de computación de Gompute. Parámetros Valores Capas ocultas 1,2,3,4 Neuronas en capas ocultas 64, 126, 256, 512, 1024 Tasa de aprendizaje 0.01, 0.005, 0.001, Impulso 0.0, 0.2, 0.4, 0.6, 0.8, 0.9 Épocas 30, 60, 80, 100 Función de activación selu, relu, elu Modo de iniciación glorot_normal, uniform, normal Restricción de peso 1, 3, 5 Dropout rate 0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 Batch size 256, 512, 1024

BIG DATA Y MACHINE LEARNING VALIDACIÓN DE RENDIMIENTO PARA CADA MÁQUINA Datos: Observamos que la máquina tiene dos estados de funcionamiento, enfriamiento y

Regresión cuantílica en estado de enfriamiento Clasificación de anomalías Puntuamos anomalías con 1 si supera el cuantil 95 y 100 si supera el cuantil 99.

11 BIG DATA Y MACHINE LEARNING VALIDACIÓN DE RENDIMIENTO PARA CADA MÁQUINA Datos: Observamos que la máquina tiene dos estados de funcionamiento, enfriamiento y ventilación. Incluimos en el gráfico mas información como la temperatura ambiente o de consigna. Regresión cuantílica en estado de enfriamiento Clasificación de anomalías Puntuamos anomalías con 1 si supera el cuantil 95 y 100 si supera el cuantil 99. Tras filtrar los datos para el entrenamiento probamos distintos modelos de regresión cuantil para detectar datos anómalos. Filtro inicial: Diferencial Tª ambiente y consigna superior a 1,5ºC. Filtro final: Se están buscando filtros alternativos y automáticos.

12 BIG DATA Y MACHINE LEARNING EJEMPLO La incidencia, registrada el 28 de enero de 2017, dice: Hemos detectado que las bombas de calor se han puesto en alarma y han dejado de impulsar el agua fría. Por esta razón, las máquinas en la tienda no se están enfriando lo suficiente y la temperatura de la habitación está aumentando (24.5ºC). Hemos enviado un aviso sobre este incidente." El modelo, ya en el día 27 tiene un riesgo_2 lo que indica que algo está sucediendo anticipando el fallo de la bomba de calor. A causa de esta incidencia, el modelo espera un consumo de clima mucho más elevado y así bajar la temperatura ambiente y alcanzar la temperatura consigna establecida. El riesgo de incidencia está indicado en 5 niveles, el riesgo 1 es más leve y el riesgo 5 es el más grave.

13 BIG DATA Y MACHINE LEARNING EJEMPLO

14 Beneficios

BENEFICIOS ECOMT Reducir los costos en el

15 BENEFICIOS ECOMT Reducir los costos en el mantenimiento preventivo mediante la optimización del calendario de visitas. Obtener una mayor comodidad para el cliente y el trabajador Reducir los costes de mantenimiento correctivo prediciendo fallos del sistema. Mayor vida útil de los equipos y menos coste de hardware. Reducir la demanda de energía y las emisiones de CO2. Mejora de la competitividad aplicando inteligencia artificial al monitoreo del sistema.

16 HABLAMOS? GRACIAS POR SU ATENCIÓN Anxo Feijóo (General Manager) Nerea Vilela (I+D+i) Damián Bazarra (I+D+i)

Documentos relacionados

Soluciones en Mantenimiento Basado en la Condición y Líneas de Investigación

Soluciones en Mantenimiento Basado en la Condición y Líneas de Investigación Mantenimiento Predictivo Diciembre 2010 INDICE 01 Breve Presentación de Indra 02 Sistema de Mantenimiento Predictivo - GIDAS