Según la Sociedad Internacional de Automatización, cada año se pierden 647,000 millones de dólares en todo el mundo debido al tiempo de inactividad por fallas de máquinas. Las organizaciones de los sectores aeroespacial, de manufactura, energía y otros sectores industriales están revisando los procesos de mantenimiento para minimizar los costos y mejorar la eficiencia. Con la IA y machine learning, las organizaciones pueden aplicar un mantenimiento predictivo a su funcionamiento, ya que procesan enormes cantidades de datos de sensores para detectar fallas en los equipos antes de que ocurran. En comparación con el mantenimiento de prevención basado en la rutina o basado en el tiempo, el mantenimiento predictivo se adelanta al problema y puede ahorrarle a una empresa un costoso tiempo de inactividad.
En este workshop, aprenderás a identificar anomalías y fallas en los datos de series temporales, a calcular la vida útil restante de las piezas correspondientes y a asignar las anomalías a las condiciones de fallos. Aprenderás a preparar datos de series temporales para el entrenamiento de modelos de IA, a desarrollar un modelo de árbol de ensamble XGBoost, a crear un modelo de deep learning con una red de memoria a corto plazo (LSTM) y a crear un autocodificador que detecte anomalías para el mantenimiento predictivo. Al final del workshop, podrás usar la IA para estimar el estado del equipo y predecir cuándo debe realizarse el mantenimiento.
Objetivos de Aprendizaje
Al participar en este workshop, lograrás lo siguiente:
- Usar el mantenimiento predictivo basado en la IA para evitar fallas y tiempos de inactividad no planificados
- Identificar los desafíos clave en torno a la detección de anomalías que pueden generar costosas fallas
- Usar datos de series temporales para predecir resultados con modelos de clasificación de machine learning basados en XGBoost
- Usar un modelo basado en LSTM para predecir fallas en los equipos
- Usar la detección de anomalías con autocodificadores de series temporales para predecir fallas cuando los datos de ejemplo de falla limitados están disponibles.
Descargar la hoja de datos del workshop (PDF 298 KB)