cerrar-sesion editar-perfil marker video calendario monitor periodico fax rss twitter facebook google-plus linkedin alarma circulo-derecha abajo derecha izquierda mover-vertical candado usuario email lupa exito mapa email2 telefono etiqueta

Machine learning en la gestión de activos en utilities

  • Andrés Vargas, responsable de proyectos de machine learning para el sector energía de Cognodata

Escrito por Manuel Navarro el 7 septiembre, 2017 en Tendencias TIC
1 comentario Haz tu comentario
Imagen de logotipo de facebook Imagen de logotipo de Twitter Imagen de Logotipo de Google+ Imagen de logotipo de Linkedin

En los últimos años muchas empresas han desarrollado un modelo de operación, mantenimiento y gestión energética para asegurarse la máxima disponibilidad y rendimiento de los equipos y una óptima operación desde el punto de vista económico, lo que generalmente se conoce como modelos de operación y mantenimiento.

En la actualidad, estos modelos de operación y mantenimiento están mejorando gracias a los grandes avances en el área de las tecnologías de la información y la comunicación (TIC), la informática, las matemáticas y la estadística. La combinación de estas tres ramas del conocimiento da como resultado lo que popularmente se conoce como Big Data, que se usa para optimizar y mejorar los resultados obtenidos en diferentes áreas y sectores empresariales.

Sin embargo, para ser capaces de optimizar los actuales modelos de operación y mantenimiento aplicando tecnologías Big Data se debe tener una información mínima como es:

– Disponer de la información de funcionamiento de los activos: Características nominales de funcionamiento, y modelos constructivos (lo que llamaremos datos estáticos).

– Disponer de un histórico de los planes de mantenimiento: históricos de mantenimientos de los equipos, relevancias económicas y funcionales de los mismos, tipo de mantenimiento hecho, etc.

– Histórico de fallos: Información de los tipos de fallo que han sufrido los activos, e importancias de los mismos.

– Información dinámica: comportamiento temporal de los activos, respecto a parámetros eléctricos de trabajo (tensiones, y potencias de trabajo) número de clientes conectados, tipo de clientes conectados, etc. Información meteorológica.

Llegados a este punto es donde aparecen los principales inconvenientes en la aplicación de estos nuevos modelos, ya que las empresas del sector de la energía (y sobretodo el segmento de regulados) nunca ha estado enfocado a los datos, y no existe una cultura sobre el manejo de la información, y su importancia respeto a lo que un correcto manejo de la información puede llegar a mejorar de las actividades diarias de las compañías. Esto da como resultado grandes problemas de trazabilidad de información a medida que se avanza en el histórico de datos de las compañías, en las BBDD se encuentran un montón de datos perdidos, y hasta grades incoherencias respecto a los parámetros funcionales y estructurales de los activos. Un ejemplo de esto puede ser que al empezar a analizar los datos no se encuentren correlaciones estadísticas significativas en eventos comprobados empíricamente.

La única manera de solventar este tipo de problemas de trazabilidad de momento es (y hasta que se mejore la forma en la que se gestiona la información), hacer mucho trabajo de campo y rascar información de muchos sistemas legacy (esto sí que es minería de datos)…

Una de las herramientas más útiles también a la hora de recuperar información es el textming, ya que ayuda a clasificar y entender muchas se las casuísticas de fallos y mantenimientos, y comportamientos de los activos en datos no estructurados en el pasado.

La aplicación de diversos modelos de técnicas de machine learning clasifican a los activos según sus características de funcionamiento

Una vez salvados los problemas de gestión de la información y lanzadas múltiples recomendaciones de cómo gestionar y estructurar los datos para la gestión de activos tanto en el ámbito funcional (datos de trabajo de los activos), operacional (modelos de fallos y mantenimientos), y financiero (implicaciones económicas de los fallos y los mantenimientos), se deben estructurar toda la información disponible y comprobar su estabilidad en tiempo, para posteriormente poder aplicar las técnicas y algoritmos de optimización adecuados que más se ajusten a la mejora de la gestión de activos.

Al conocer los tipos de fallo que afectan individualmente a un activo se puede anticipar las potenciales acciones a realizar, así como y la disponiblidad de los equipos han de responder a cualquier incidencia que se presente en la red, lo que con lleva a una reducción el riesgo de perdía de suministro para los usuarios, y una reducción los costes de operación y mantenimiento.

Los fallos materiales por deterioro, y/o sobrecarga son los que en su mayoría se pueden anticipar gracias a este tipo de modelos, pero además hay un gran grupo de fallos debidos a causas atmosféricas, o medioambientales que se pueden anticipar, y a su vez solventar al lanzar un mantenimiento preventivo los evite antes de que sucedan.

La aplicación de diversos modelos de técnicas de machine learning clasifican a los activos según sus características de funcionamiento, histórico de fallos, importancia económica, relevancia funcional, etc. Lo que permite reestructurar el plan de mantenimiento de la compañía en función de las restricciones y obligaciones legislativas, probabilidad de fallo, importancia técnica para la red, e importancia económica del potencial fallo de dicho activo, lo cual se traduce en mejoras y beneficios para los usuarios y la empresa.

La importancia de los modelos de machine learning dentro de la gestión de activos se fundamenta en la capacidad este tipo de modelos de clasificar y anticipar fallos, que permitan a la compañía gestionar su funcionamiento con el mínimo riesgo y reducir el gasto innecesario, reduciendo el mantenimiento correctivo al hacer un correcto mantenimiento preventivo, para posteriormente convertir esos ahorros en inversiones que mejoren el funcionamiento de la red.

Todo este proceso queda escondido para el usuario final (responsable de mantenimiento etc.) que debe interaccionar con un cuadro de mando, que hace las veces de recomendador que le indica las acciones que debe tomar para reducir los fallos y los activos que se deben mantener para la mejora de la gestión de las inversiones y gastos.

Compártelo

Noticias relacionadas

Escrito por Redacción Byte TI el 20 abril, 2017 en Actualidad TI

Machine Learning genera reticencias en el ámbito empresarial

Escrito por Redacción Byte TI el 23 febrero, 2017 en Seguridad

Trend Micro TippingPoint, incorpora capacidades de machine learning

Escrito por Redacción Byte TI el 23 enero, 2017 en Actualidad TI

La cuarta revolución industrial ya está aquí

Comentarios
  • El sector de las utilities y el Big Data - cognodata 18 septiembre, 2017

    […] de proyectos de machine learning para el sector energía de Cognodata Consulting, analiza en el siguiente artículo de opinión publicado en la revista Byte, las dificultades e inconvenientes que las compañías del sector utilities tienen que superar para […]

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Debes haber iniciado sesión para comentar una noticia.