Los periodos de inactividad no planificados en la maquinaria representan una significativa pérdida de recursos para empresas como Trans Antarctic. Estudios del sector indican que las averías inesperadas pueden ocasionar a las compañías una disminución de entre un 5% y un 20% en su capacidad de producción.
En una empresa procesadora de alimentos similar a Trans Antarctic, con una producción estimada de 100 toneladas diarias y un margen de beneficio neto del 5%, cada hora de interrupción no planificada podría resultar en pérdidas de entre CLP 500.000 y CLP 2.000.000. Esto se debe a los costos asociados con la mano de obra inactiva, la pérdida de producción, posibles penalizaciones por incumplimiento de contratos y los costos de reparación de emergencia, entre otros.
De igual manera, la interrupción del flujo de trabajo impacta negativamente en la eficiencia general y puede afectar la calidad del producto final, dañando la reputación de la marca. La adopción de estrategias proactivas de mantenimiento predictivo no solo reduce considerablemente estas pérdidas, sino que también optimiza la vida útil de los equipos y mejora la planificación de la producción.
El mantenimiento predictivo proactivo, impulsado por la AutoML de DataRobot y la Inteligencia Artificial (IA), ofrece una solución avanzada para minimizar los costosos tiempos de inactividad. Al integrar datos de sensores en tiempo real, registros históricos y toda la información relevante disponible, DataRobot desarrolla modelos predictivos que identifican patrones y anomalías que podrían ser invisibles para el ojo humano.
Esto permite anticipar fallos en la maquinaria antes de que ocurran, optimizando de manera proactiva las tareas de operación y mantenimiento. Empresas similares a Trans Antarctic han reportado que, además de prolongar la vida útil de los equipos y mejorar la eficiencia operativa, han logrado reducir hasta un 20% el tiempo de inactividad no planificado. Esto, siguiendo el ejemplo mencionado anteriormente, podría representar un ahorro de entre CLP 1.000.000 y CLP 4.000.000 por cada hora de inactividad evitada.
El diagrama presentado en la imagen superior ilustra una propuesta de flujo de trabajo optimizado para la operación y el mantenimiento predictivo en Trans Antarctic, con un enfoque específico en la línea "La Marina". Se aprovecha al máximo la sinergia entre los datos de la empresa, la plataforma DataRobot, la Inteligencia Artificial y el conocimiento especializado de supervisores y operarios. Este enfoque integral proporciona una solución personalizada de alto impacto, minimizando el tiempo de inactividad no planificado y maximizando la eficiencia operativa.
Para ilustrar el concepto general, se presenta a continuación un ejemplo en el que se utilizó un conjunto de datos de sensores, obtenido del repositorio de datos de acceso público Kaggle, para desarrollar un modelo de predicción de fallas en DataRobot.
El proceso se inicia con la extracción de datos relevantes desde el repositorio en la nube de Google (Google Cloud Storage - GCS), donde se ubicaran datos de la empresa. Estos datos, junto con la información en tiempo real de los sensores en tiempo-real de la máquina, forman la base para el análisis predictivo.
Tras la extracción, los datos brutos se refinan, preparan y combinan usando herramientas también impulsadas por IA como Alteryx de Trifacta. Este paso es absolutamente esencial para garantizar la calidad de los datos, gestionando valores faltantes, outliers y realizando las transformaciones necesarias para optimizar el modelado exitoso en DataRobot, y de todo el flujo de trabajo.
Los datos refinados se ingresan a DataRobot, la plataforma de AutoML, donde se construyen y entrenan modelos predictivos de manera automática. DataRobot explora diferentes algoritmos y selecciona el modelo más adecuado para predecir fallos en la maquinaria basándose en los datos históricos y de sensores en tiempo real. La plataforma permite ajustes finos para personalizar el modelo según necesidades específicas o requerimientos particulares.
En particular, DataRobot proporciona la herramienta Prediction Explanations (Explicación de Predicciones) para comprender las razones detrás de una predicción específica realizada por un modelo. En un caso ilustrativo, el modelo estima una probabilidad de fallo del 98.32%, presentando las variables que contribuyeron a esta predicción, organizadas según su impacto. Las variables con impacto positivo (en rojo) incrementan la probabilidad de fallo, mientras que aquellas con impacto negativo (en azul) la disminuyen. Por ejemplo, un valor de VOC de 6 aumenta significativamente la probabilidad de fallo.
En relación con la imagen que se presenta a continuación, la gráfica de distribución de cada variable (columna derecha) ilustra cómo se distribuyen los valores de dicha variable en el conjunto de datos y señala la ubicación del valor actual mediante una línea vertical. Esto proporciona contexto y permite determinar si el valor actual es un outlier o si se encuentra dentro del rango normal. En conjunto, estas visualizaciones facilitan la comprensión de los factores que influyen en la predicción del modelo, permitiendo tomar decisiones informadas tanto en la operación como sobre las acciones de mantenimiento.
En conjunto con la herramienta previamente mencionada, DataRobot ofrece la valiosa herramienta What-if Optimizer (Qué pasaría si), representada en la figura a continuación. Esta herramienta permite simular diversos escenarios mediante la modificación de los valores de las variables, permitiendo así observar cómo cambian las predicciones del modelo.
En la imagen a continuación se muestra el mismo escenario de predicción mencionado anteriormente, con una probabilidad de fallo del 98.28%. A la izquierda, se presenta un gráfico que ilustra la probabilidad de que la predicción cambie a "baja" (azul) o permanezca "alta" (rojo) al modificar el valor de una variable específica. Al ajustar los valores en la tabla central, tanto la predicción como el gráfico se actualizan, evidenciando la sensibilidad del modelo respecto a cada variable.
Esto permite identificar variables críticas para la predicción y optimizar los resultados. Por ejemplo, si la reducción del VOC disminuye el riesgo de fallos, se puede gestionar en el entorno real. El optimizador de DataRobot determina la combinación óptima de valores para minimizar la probabilidad de fallos o maximizar el rendimiento.
Volviendo al diagrama del flujo de trabajo propuesto, un chatbot entrenado, conectado mediante la API del Google AI Studio - Google for Developers (Gemini 1.5 Pro LLM), facilita la retroalimentación y ofrece acceso inmediato a las predicciones y recomendaciones. Esto permite a los supervisores y operarios tomar decisiones informadas y proactivas para optimizar el proceso, así como desarrollar estrategias de mantenimiento de manera anticipada, todo en tiempo real. Este ciclo continuo de retroalimentación entre la inteligencia artificial, los operarios y los expertos en el dominio mejora el modelo y garantiza su eficacia a largo plazo.
Angel Solutions (SDG) es miembro de Google Cloud Partner Advantage y socio de confianza de DATAMATE/DataRobot. Nuestros equipos están formados por profesionales altamente capacitados y equipados con las mejores plataformas y herramientas impulsadas por IA para gestionar y brindar soluciones de manera eficaz a sus proyectos de datos, independientemente del tipo o volumen; soluciones para cualquier empresa, en particular la industria conservera.
No dude en contactarnos directamente o a través de nuestro socio para obtener asistencia rápida y confiable.
Comentários