Pasar los datos de masivos a inteligentes

  • Artículo

    2017 febrero 22, 09:00 CEST

    La recopilación de datos de proceso y su uso correcto son una parte vital de los programas de mantenimiento predictivo, y prueba el adagio que sostiene que el conocimiento es poder, según explica Erwin Weis, jefe de tecnología IoT de SKF

    Una cosa es recopilar datos, pero lo que realmente agrega valor es que tengan sentido. En el discurso industrial moderno, se trata de transformar datos masivos (Big Data) en datos inteligentes (Smart Data).

    Los datos masivos suelen considerarse simplemente como una enorme cantidad de datos, generados por sensores, dispositivos, sistemas y otros equipos de medición, a los que se debe dar sentido. Sin embargo, en realidad se trata de algo más que eso.

    No todos los datos toman la misma forma. Algunos son “estructurados”, como salidas de sensores, por ejemplo, que en general pueden organizarse en un formato de base de datos. Otros datos son “no estructurados”, y pueden incluir texto, imágenes, audio o video. La mezcla de estos dos grupos de datos muy diferentes es parte de la complejidad de los datos masivos.

    En general estos datos se caracterizan por un nuevo nivel de complejidad y por los requerimientos en términos de volumen, velocidad, variedad y veracidad, y requieren nuevos sistemas de base de datos para analizar y usar los datos.

    El desafío entonces es darles sentido y convertirlos en datos inteligentes. La manera de lograrlo es enriqueciendo los datos no procesados con conocimiento y experiencia. En un contexto industrial, este proceso suele aplicarse a operaciones y a mantenimiento. La recopilación de grandes cantidades de datos de proceso y su interpretación brindan a los operadores la información que necesitan para mejorar las condiciones operativas. El filtrado y la interpretación correctos de estos datos pueden ayudar a mejorar el rendimiento de la máquina o a prolongar su vida útil, mediante el ajuste de las condiciones en función de los resultados. En su nivel más simple, un operador experimentado puede tomar varias lecturas (temperatura, presión y vibraciones, por ejemplo) y hacer un “diagnóstico”.

    Estos datos estructurados son la base del monitoreo basado en la condición (condition based monitoring, CBM) y el mantenimiento predictivo. La toma de mediciones correctas, y la acción en cuanto estos datos se salen de la norma, ayuda a mantener las máquinas en operación durante más tiempo. Un ejemplo simple es el del monitoreo de las vibraciones de los rodamientos, en el cual un grupo de datos simples puede ayudar a prolongar la vida útil de la máquina y aumentar la confiabilidad.

    Los ingenieros de SKF han ayudado recientemente a Scuderia Ferrari de F1 a recopilar datos de sus cámaras de prueba en tiempo real. Una plataforma basada en la plataforma IMx de SKF monitoreó continuamente el comportamiento de las vibraciones de los componentes de la transmisión en la cámara de prueba, y procesó hasta 100 000 observaciones por segundo. Estos datos fueron reunidos hasta 20 veces por segundo, para dividirlos en grupos más manejables, y analizados. Esto, explicaron desde Scuderia, ayudó al equipo a “concentrarse en resultados en lugar de en datos”.

    Antes del monitoreo continuo, el equipo tenía que entrar a cada una de las cámaras de prueba por separado para ver qué sucedía exactamente en su interior. La verificación en línea de los datos de alta frecuencia en tiempo real era imposible. Esto hacía que la solución de problemas fuera un proceso lento, e imposibilitaba la creación de predicciones en cuanto a la vida útil de los componentes a partir de los valores de las tendencias. 

    SKF adaptó su plataforma IMx para que se adecue a esta aplicación, ya que estaba más acostumbrada a monitorear aplicaciones tales como turbinas eólicas que requerían cantidades de datos mucho menores, menor cantidad de canales y velocidades de computadoras más bajas.

    Progreso estructurado
    Los datos estructurados pueden interpretarse automáticamente: si un determinado parámetro aumenta, por ejemplo, puede identificarse el comportamiento normal y anormal, y es posible ajustarlo, o puede hacerse un diagnóstico. El desafío constante es automatizar todo, incluidos los datos no estructurados.

    En la actualidad, los clientes suelen recibir un informe escrito del comportamiento de la máquina. En función de la experiencia, los especialistas en ingeniería como SKF entregan gran cantidad de informes de este tipo a sus clientes cada año. Por lo tanto, ¿qué sucede si estos resultados pudieran producirse automáticamente y usarse para mejorar las capacidades analíticas?

    Existen precedentes. Los sistemas de visión de las máquinas, por ejemplo, “conocen” si un defecto es grave porque se les han "mostrado” muchos ejemplos. El principio se usa para verificar todo tipo de cosas, desde productos hasta inspección de calidad. En el pasado no tan lejano, estos defectos solo podrían haber sido reconocidos por un operador humano.

    En la actualidad, hay funcionando un principio similar para problemas más complejos en las máquinas. Los sistemas automatizados pronto serán capaces de interpretar una masa de datos estructurados y no estructurados, y de diagnosticar automáticamente el problema. Podría comparar una fotografía actual con una histórica, por ejemplo, o extraer datos directamente de un informe escrito. Con cada texto, imagen, audio o video, el sistema automatizado aprenderá y mejorará. Al mismo tiempo, los expertos pueden concentrarse en problemas que el sistema aún no conoce y pueden iniciar un aprendizaje supervisado.

    Por supuesto, hay obstáculos para superar antes de llegar a este punto. Si bien el nivel de implementación del hardware y el software es bastante alto, aún es necesario que todos los sistemas (producidos por diferentes proveedores) se comuniquen entre sí sin problemas. El acceso, el intercambio y la interoperabilidad de los datos ha sido un problema durante largo tiempo, pero hay signos de que la situación se está tornando más abierta. Los usuarios finales en especial, que reciben servicios de múltiples proveedores, están presionando a los sistemas para que trabajen en armonía entre sí.

    Pasar de datos masivos a datos inteligentes implica pasar de saber lo que está pasando a saber lo que pasará, por qué sucede y qué debe hacerse. Si somos capaces de llevar esta idea al tiempo real, entonces somos capaces de generar beneficio y valor para la industria.

    Aktiebolaget SKF
    (publ.)

    Para obtener más información, comuníquese con:
    Departamento de Relaciones con la Prensa: Nia Kihlström, +46 706 67 28 97; nia.kihlstrom@skf.com

    SKF es uno de los principales proveedores mundiales de rodamientos, sellos, mecatrónica, sistemas de lubricación y servicios, entre los que se incluyen asistencia técnica, servicios de mantenimiento y confiabilidad, asesoramiento en el campo de la ingeniería y capacitación. SKF tiene representaciones en más de 130 países y cuenta con, aproximadamente, 17 000 distribuidores en todo el mundo. Las ventas anuales en 2015 ascendieron a 75 997 millones de coronas suecas, y el número de empleados fue de 46 635. www.skf.com

    ® SKF es una marca registrada del Grupo SKF.
    ™ BeyondZero es una marca comercial del Grupo SKF.

  • Imagen

Descargar kit de prensa

Kit de prensa (1.6 MB)

SKF logo