Optimización predictiva del mantenimiento y la disponibilidad de activos

Mejora el mantenimiento de activos con insights en tiempo real

El mantenimiento predictivo es un componente clave de la Industria 4.0. Contar con estrategias de mantenimiento deficientes pueden afectar dramáticamente a la eficiencia operativa y la rentabilidad de los fabricantes industriales. Para ser competitivas, las empresas de sectores con un uso intensivo de activos deben minimizar el tiempo de inactividad no planificado y optimizar los costos de mantenimiento.

• El 82 % de las empresas han sufrido un tiempo de inactividad no planificado en los últimos tres años, lo que supone un costo de hasta 260 000 dólares por hora, con interrupciones de un promedio de cuatro horas.
• Para las organizaciones que realiza un uso intensivo de activos, la madurez de sus prácticas de mantenimiento es un determinante clave de su capacidad para operar de forma fiable, ininterrumpida y rentable. La mejora de las prácticas, procesos y sistemas de mantenimiento puede generar un elevado retorno de la inversión.
• Las organizaciones pueden utilizar los análisis predictivos para anticiparse a los fallos de los activos y la vida útil fiable, y generar insights útiles en tiempo real.

Para la industria manufacturera, el uso de datos para habilitar y mejorar el mantenimiento predictivo es particularmente relevante ya que el caso de uso se puede aplicar a cualquier tipo de sistema de producción manufacturera, como infraestructura de control numérico computarizado (CNC), sistemas de cadena de suministro y almacén, logística y sistemas de prueba, etc.

Si bien se puede utilizar una amplia variedad de orígenes de datos en función de la aplicación específica, las claves para pasar del mantenimiento reactivo al predictivo son los flujos de datos del Internet de las cosas (IdC) o los mensajes de máquina a máquina (M2M) enviados y recibidos a través de un bróker MQTT (el estándar de mensajería IdC) o proporcionados por historiadores de sistemas de inteligencia operativa. Estas son las fuentes de los datos en bruto que se necesitan para evaluar si es preciso llevar a cabo operaciones de mantenimiento. Sin embargo, también se requieren datos de otras fuentes para establecer un sistema de mantenimiento predictivo adecuado. Por ejemplo, los sistemas de gestión del mantenimiento contienen información sobre las propias piezas de los equipos como los informes de mantenimiento. Otras fuentes de datos incluyen sistemas de control y adquisición de datos de supervisión (SCADA), un repositorio especial que contiene archivos multimedia (como imágenes y emisiones de video), manuales de mantenimiento y previsiones meteorológicas. La variedad de datos que se pueden utilizar en el mantenimiento predictivo es enorme.

Reduce los costos y mejora la eficiencia ajustando el mantenimiento predictivo

La arquitectura que aquí se presenta demuestra cómo se pueden combinar los componentes recomendados de Oracle para crear una arquitectura de análisis completa que abarque todo el ciclo de vida del análisis de datos, desde la detección hasta la acción y la medición, y que ofrezca la amplia gama de ventajas empresariales descritas anteriormente.

En esta imagen se muestra cómo se puede utilizar Oracle Data Platform para el sector industrial con el fin de apoyar el mantenimiento predictivo y la optimización de la disponibilidad de activos. La plataforma incluye estos cinco pilares:

• Orígenes de datos, detección
• Ingerir, transformar
• Conservar, curar, crear
• Analizar, aprender, predecir
• Medir, actuar

El pilar "Orígenes de datos, detección" incluye dos categorías de información.

Los datos de registro de negocio incluyen datos de MES, WHM, CMM (mantenimiento y gestión de activos), IdC, sistemas SCADA y registro de información por parte de historiadores y operadores de datos (incluidos fallos, calidad y observaciones).

Los datos de entrada técnicos incluyen Internet industrial de las cosas (IIdC), imágenes, correo electrónico, videos, documentación en papel (OCR) y hechos puntuales (como una detención de emergencia de la línea de producción).

El pilar "Ingerir, transformar" comprende cuatro capacidades.

La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.

La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.

Para la captura de datos sobre cambios se utiliza OCI GoldenGate.

La ingesta de flujos utiliza Kafka Connect.

Las cuatro capacidades se conectan de forma unidireccional con el almacén de datos de servicio, el almacén de datos transaccionales y el almacenamiento en la nube dentro del pilar "Persistir, curar y crear".

Además, la ingesta de streaming está conectada al procesamiento de streaming dentro del pilar "Analizar, aprender, predecir".

El pilar "Persistir, curar y crear" incluye cinco capacidades.

El almacén de datos de servicio utiliza Autonomous Data Warehouse y Exadata Cloud Service.

El almacén de datos transaccionales utiliza ATP, MySQL, Oracle NoSQL y Exadata Cloud Service.

El almacenamiento en la nube utiliza OCI Object Storage.

El procesamiento por lotes utiliza OCI Data Flow.

La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube está conectado unidireccionalmente al almacén de datos de servicio y al almacén de datos transaccional; también está conectado bidireccionalmente al procesamiento por lotes.

Dos capacidades se conectan al pilar "Analizar, aprender, predecir". El almacén de datos de servicio se conecta a la capacidad de análisis y de visualización, así como a los productos de datos, una capacidad de las API. El almacenamiento en la nube se conecta a la capacidad de machine learning.

El pilar "Analizar, aprender, predecir" incluye cinco capacidades.

La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.

Las API de productos de datos utilizan OCI API Gateway y OCI Functions.

El machine learning utiliza OCI Data Science y Oracle Machine Learning.

Los servicios de inteligencia artificial (IA) utilizan OCI Anomaly Detection, OCI Forecasting, OCI Language, y OCI Vision.

El procesamiento de flujos utiliza GoldenGate Stream Analytics y análisis de flujos de otros proveedores.

El pilar "Medir, actuar" identifica cómo se puede utilizar el análisis de datos: por empleados y socios y aplicaciones y modelos y, específicamente, para actualizar los modelos de servicio de IA.

Los empleados y socios incluyen Control de condiciones y Análisis de datos de sensores, Análisis modal de fallos y efectos (AMFE).

Las aplicaciones incluyen Gestión del rendimiento de activos (APM), Análisis de causas raíz, Mantenimiento centrado en la fiabilidad (RCM).

Los modelos incluyen Modelo de servicio de IA actualizado, Análisis predictivos y Modelos de machine learning.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Conectar, ingerir y transformar los datos

Nuestra solución consta de tres pilares y todo ellos admiten capacidades de plataforma de datos específicas. El primer pilar ofrece la capacidad de conectar, ingerir y transformar datos.

Hay cuatro formas principales de inyectar datos en una arquitectura para permitir que las organizaciones industriales pasen del mantenimiento reactivo al predictivo.

• Para iniciar nuestro proceso, habilitaremos la transferencia masiva de datos de transacciones operativas. Los servicios de transferencia masiva se utilizan en situaciones en las que es necesario mover grandes volúmenes de datos a Oracle Cloud Infrastructure (OCI) por primera vez, por ejemplo, datos de repositorios analíticos locales u otros orígenes en la nube. El servicio de transferencia masiva específico utilizado dependerá de la ubicación de los datos y la frecuencia de transferencia. Por ejemplo, el servicio OCI Data Transfer o OCI Data Transfer Appliance se pueden utilizar para cargar grandes volúmenes de datos locales desde repositorios de planificación histórica o almacén de datos. Cuando se deban mover grandes volúmenes de datos de forma continua, recomendamos utilizar OCI FastConnect, que proporciona una conexión de red privada dedicada y de gran ancho de banda entre el centro de datos del cliente y OCI.
• Se suelen requerir extracciones frecuentes en tiempo real o casi en tiempo real, y los datos se ingieren periódicamente desde sistemas de gestión de almacenes, programación y gestión de pedidos mediante OCI GoldenGate. OCI GoldenGate utiliza la captura de datos de cambios para detectar eventos de cambio en la estructura subyacente de los sistemas que deben ser atendidos (por ejemplo, la adición de un nuevo componente, operaciones de mantenimiento terminadas, cambios climáticos, etc.) y envía los datos en tiempo real a una capa de persistencia y/o a la capa de flujo.
• Para las empresas de fabricación, analizar datos en tiempo real a partir de varias fuentes puede ayudar a proporcionar información valiosa sobre su eficiencia operativa y el rendimiento general. En este caso de uso, utilizamos ingesta de flujos para ingerir todos los datos leídos de los sensores mediante el IdC, comunicaciones M2M y otros medios. La capacidad de capturar y analizar flujos de datos en tiempo real resulta fundamental para que el fabricante pueda realizar un mantenimiento predictivo de sus activos. Los flujos pueden originarse desde diversos sistemas de nivel 2 según la ISA-95, como sistemas SCADA, controles lógicos programables y sistemas de automatización por lotes. Los datos (eventos) se ingerirán y algunas transformaciones/agregaciones básicas se producirán antes de que se almacenen en OCI Object Storage. Se pueden utilizar análisis de flujos adicionales para identificar eventos correlativos, y cualquier patrón identificado se retroalimenta (manualmente) para llevar a cabo un examen de ciencia de datos de los datos en brutos.
• Para analizar estos datos de transmisión de alta frecuencia en tiempo real, utilizaremos el procesamiento de flujo para ofrecer análisis avanzados. Mientras que las herramientas de análisis tradicionales extraen información de datos en reposo, los análisis de flujo evalúan el valor de los datos en movimiento, es decir, en tiempo real. Y ese no es el único beneficio. Dado que los análisis de flujo pueden estar altamente automatizados, los fabricantes pueden ver cómo se reducen sus costos de explotación. Por ejemplo, los análisis de flujo pueden proporcionar datos en tiempo real sobre los costos de los servicios básicos, como la electricidad y el agua. Las fábricas y las plantas pueden utilizar una herramienta de análisis de transmisión automatizada para acceder a información instantánea sobre áreas que podrían optimizarse para reducir los costos de energía y responder adecuadamente a ciertos eventos operativos mediante la inteligencia artificial. La analítica de flujo también puede elaborar predicciones en tiempo real sobre próximas necesidades de mantenimiento de equipos, lo cual permite a las empresas a prepararse con mucha antelación para cualquier reparación futura o mantenimiento rutinario.
• Un componente opcional potencialmente importante de la arquitectura es OCI Roving Edge Infrastructure, que se puede utilizar con Oracle Roving Edge Devices en instalaciones remotas, como una planta de energía o un campo de panel solar. OCI Roving Edge Infrastructure ofrece todos los servicios de OCI para que pueda replicar una arquitectura de mantenimiento predictivo. OCI Roving Edge Infrastructure también se puede utilizar como un hub de datos para transmitir información antes de que se alimente a la ingestión o el procesamiento de flujo en la nube.
• Aunque las necesidades en tiempo real están evolucionando, la extracción más común de los sistemas de ERP, planificación, gestión de almacenes y gestión de transporte es un cierto tipo de ingestión de lotes que sigue un proceso ETL. La ingesta por lotes se utiliza para importar datos de sistemas que no pueden admitir la transmisión de datos (por ejemplo, sistemas de gestión de mantenimiento o SCADA anteriores). Estos extractos se pueden ingerir constantemente, con una frecuencia de 10 o 15 minutos, pero mantienen la naturaleza de lotes, ya que se extraen y procesan grupos de transacciones en lugar de transacciones individuales. OCI ofrece diferentes servicios para manejar la ingesta por lotes, como el servicio nativo de OCI Data Integration y Oracle Data Integrator, que se ejecutan en una instancia de OCI Compute. La elección del servicio se basaría principalmente en las preferencias del cliente y no en los requisitos técnicos.

Conservar, procesar y curar datos

La persistencia y el procesamiento de datos se basan en tres (opcionalmente cuatro) componentes. Los clientes podrán utilizarlos todos o un subconjunto, según cada caso. En función del volumen y la tipología, los datos se pueden cargar en el almacenamiento de objetos o directamente en una base de datos relacional estructurada para almacenamiento persistente. Cuando anticipamos la aplicación de capacidades de ciencia de datos, los datos recuperados de orígenes de datos en su formato raw (como un archivo nativo o extracción no procesado) se suelen capturar y cargar desde sistemas transaccionales a almacenes en la nube.

• El almacenamiento en la nube es la capa de persistencia de datos más común para nuestra plataforma de datos. Se puede utilizar para datos tanto estructurados como no estructurados. OCI Object Storage, OCI Data Flow y Oracle Autonomous Data Warehouse son los componentes básicos. La información recuperada de orígenes de datos en formato en bruto se captura y carga en OCI Object Storage. OCI Object Storage es la capa de persistencia de datos primaria y Spark en OCI Data Flow es el motor principal de procesamiento por lotes. El procesamiento por lotes incluye varias actividades, como tratamiento básico de ruido, gestión de datos ausentes y filtrado basado en conjuntos de datos de salida definidos. Los resultados se vuelven a escribir en varias capas de almacenamiento de objetos o en un repositorio relacional persistente dependiendo del procesamiento que sea necesario y los tipos de datos que se utilicen.
• Todos los tipos de datos almacenados en formato bruto y procesado se mantienen en un almacén de datos transaccional. Una base de datos Oracle, como Oracle Autonomous Database, funciona de manera eficiente en todos los casos de uso, pero algunos clientes pueden pensar que determinados datos se almacenarán mejor en una base de datos NoSQL. Sin embargo, esto no tiene por qué ser así: una base de datos Oracle optimizada con Exadata será más rápida que una base de datos NoSQL para escritura y, al utilizar una base de datos NoSQL, pierdes las ventajas de tener todos tus datos en un solo repositorio con una vista unificada. También puedes aprovechar las particiones híbridas para mantener solo unas pocas particiones en almacenamiento de Exadata y el resto de los datos en almacenamiento de objetos, ya que la mayoría de los paneles de control y análisis operativos utilizan los datos más recientes.
• Ahora utilizaremos un almacén de datos de servicio para mantener nuestros datos seleccionados en un formato optimizado que garantice el rendimiento de las consultas. El almacén de datos de servicio proporciona una capa relacional persistente que se utiliza para proporcionar datos curados de alta calidad directamente a los usuarios finales mediante herramientas basadas en SQL. En esta solución, se crea una instancia de Oracle Autonomous Data Warehouse que funciona como almacén de datos de servicio para el almacén de datos empresariales y, si es necesario, data marts de nivel de dominio más especializados. También puede ser el origen de información para proyectos de ciencia de datos o el repositorio necesario para Oracle Machine Learning. El almacén de datos de servicio puede adoptar una de las diversas formas disponibles, como Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service u Oracle Exadata Cloud@Customer.

Analizar datos, predecir y actuar

Tres enfoques tecnológicos facilitan la capacidad de analizar, predecir y actuar.

• Las capacidades de análisis avanzado son fundamentales para la optimización del mantenimiento. En este caso de uso, confiamos en Oracle Analytics Cloud para ofrecer análisis y visualizaciones. Esto permite a la organización utilizar análisis descriptivos (describe las tendencias actuales con histogramas y gráficos), análisis predictivos (predice eventos futuros, identifica tendencias y determina la probabilidad de resultados inciertos) y análisis prescriptivos (propone acciones adecuadas, lo cual redunda en una toma de decisiones óptima).
• Además de los análisis avanzados, cada vez se utiliza más la ciencia de datos, el machine learning y la inteligencia artificial para buscar anomalías, predecir dónde se pueden producir desgloses y optimizar el proceso de suministro de datos. OCI Data Science, OCI AI Services u Oracle Machine Learning se pueden utilizar en las bases de datos. Utilizamos los métodos de machine learning y ciencia de datos para crear y entrenar nuestros modelos de mantenimiento predictivo. Estos modelos de aprendizaje automático se pueden desplegar para la puntuación mediante API o se pueden integrar como parte del pipeline de análisis de flujo de GoldenGate. En algunos casos, estos modelos se pueden incluso desplegar en la base de datos mediante la API de REST de los servicios de Oracle Machine Learning (para ello, el modelo debe tener el formato Open Neural Network Exchange). Además, se pueden desplegar en el almacén de datos de servicios o transaccionales los blocs de notas centrados en OCI Data Science para Jupyter/Python o Oracle Machine Learning para el bloc de notas y los algoritmos de aprendizaje automático de Zeppelin. Del mismo modo, Oracle Machine Learning y OCI Data Science, solos o por separado, pueden desarrollar modelos de recomendaciones/decisiones. Estos modelos se pueden desplegar como un servicio, y podemos hacerlos detrás de OCI API Gateway para que se entreguen como "productos de datos" y servicios. Por último, una vez creados, los modelos de machine learning se pueden desplegar en aplicaciones que formen parte de un sistema de control distribuido (si está permitido) o desplegarse en el perímetro mediante un dispositivo Oracle Roving Edge Device o similar.

Los distintos modelos creados al combinar la ciencia de datos con los patrones identificados por el machine learning se pueden aplicar a los sistemas de respuesta y toma de decisiones proporcionados por los servicios de IA.

• OCI Anomaly Detection facilita la supervisión en tiempo real las métricas de rendimiento de la cadena de suministro (por ejemplo, inventario de materias primas, rendimiento de producción, trabajo en curso, tiempos de tránsito, rotación de inventario, etc.) para identificar y abordar las interrupciones. En una cadena de suministro compleja, la puntuación de gravedad de las anomalías identificadas puede ayudar a priorizar las interrupciones del negocio observadas para tomar medidas al respecto.
• Con OCI Forecasting, se prevén las métricas de la cadena de suministro, como la demanda, la oferta y la capacidad de recursos, para que se puedan tomar las medidas adecuadas para prepararse con antelación.
• OCI Vision y OCI Language pueden ayudar a comprender documentos, como los informes de calidad de los productos salientes e informes de defectos, para enriquecer los datos de la cadena de suministro.

El último componente, pero no por ello menos importante es la gobernanza de datos. Esta función la brinda OCI Data Catalog, un servicio gratuito que proporciona gobernanza de datos y gestión de metadatos (tanto para metadatos técnicos como de negocio) para todos los orígenes de datos del ecosistema de plataformas de datos. OCI Data Catalog también es un componente fundamental para las consultas de Oracle Autonomous Data Warehouse a OCI Object Storage, ya que acelera la localización de datos independientemente de su método de almacenamiento. Esto permite que los usuarios finales, los desarrolladores y los científicos de datos utilizar un lenguaje de acceso común (SQL) en todos los almacenes de datos persistentes de la arquitectura.

Utiliza tus datos para mejorar las operaciones de fabricación y aumentar la rentabilidad

Gracias al mantenimiento predictivo, solo se realiza el mantenimiento de los equipos cuando resulta necesario, reduciendo de esta forma las interrupciones inesperadas. Esto ofrece múltiples ventajas, como menos reparaciones o sustituciones de mantenimiento programadas, reducción en la utilización de recursos de mantenimiento (incluidas piezas de repuesto y suministros) y, a la vez, menos fallos. Estas predicciones proactivas pueden ayudar a prolongar la vida útil del equipo al tiempo que reducen el riesgo de posibles retrasos en los productos al minimizar los cambios en el equipo y el tiempo de inactividad asociado.

La reducción del tiempo de inactividad no planificado redunda en la optimización de las operaciones empresariales, mejora la eficiencia, la productividad y la velocidad, y ayudar a garantizar que la parte correcta llegue al lugar adecuado en el momento adecuado. Entretanto, la reducción de los costos de mantenimiento, mano de obra y material y la optimización de los costos del ciclo de vida de los activos impulsa el incremento de la rentabilidad.