Mantenimiento predictivo mediante la ingesta de datos a cloud

Ingesta de datos a cloud y machine learning

‍

Objetivo

‍

Seat busca trabajar en la línea del mantenimiento predictivo, para reducir tiempos de resolución de problemas, paradas, y hacer más eficiente el trabajo del personal de fábrica.

‍

Por tanto, el objetivo del proyecto es el desarrollo e implantación de una arquitectura que permita estandarizar el proceso de ingesta y procesado de información desde los elementos de campo hasta el Cloud de AWS. Al mismo tiempo, la implementación de 10 casos  de  uso donde se apliquen técnicas de Machine Learning para la resolución de necesidades de mantenimiento predictivo.

‍

Solución

‍

Lectura e ingesta de datos

‍

Las más de 350 sondas Netin ya instaladas monitorizan las instalaciones de Seat, leyendo datos de la multitud de equipos de la planta y por protocolos diferentes.

‍

El siguiente paso fue extender el sistema Netin DS actual con Netin HUB, que permite enrutar los datos hasta la nube.

Netin HUB y aprendizaje automático

‍

Para el procesado de datos se plantearon dos canales diferentes, en función de la tipología y naturaleza del dato:

‍

• Streaming: ingesta y procesado entiempo real y de forma continua.
• En lote: ingesta y procesado delos datos en lotes, cuando se alcanza cierto evento marcado o cada un tiempo determinado.

‍

‍

‍

‍

Para el análisis de datos en cloud, realizamos la integración de sistemas AWS, configurados y programados para distintas funciones en el trato de ese dato.

• Almacenamiento de la información en la base de datos según el tipo de dato y la necesidad de ese dato.
• Procesamiento para la transformación del dato y su aplicación.
• Machine Learning: desarrollo de algoritmos para el aprendizaje automático, definiendo casos de uso concretos.

De esta forma, se monitorizan datos de relevancia para el estado de la máquina como puede ser la temperatura, la fuerza de la soldadura, los milímetros de soldadura, etc. El propio algoritmo desarrollado define en qué instante una variable se convierte en anómala, en base al aprendizaje del histórico de datos. Por tanto, este sistema aprende del estado de funcionamiento habitual.

Resultados

‍

• Seat cuenta con un sistema de mantenimiento predictivo capaz de detectar anomalías en el proceso o funcionamiento de los equipos, para alertar y prevenir de incidencias, antes de que provoquen una detención de la operativa.

‍

• Alimenta de datos y casos de uso al sistema, lo que permite ir ampliando en conocimientos, rutinas, necesidades y problemas de los equipos. Con el objetivo de alcanzar la madurez digital del proyecto y optimizar la capacidad de aprendizaje y predictiva del sistema.

‍

• Escalabilidad del proyecto: lectura de nuevos equipos y envío simultáneo a otros destinos.

‍

‍

‍