La revolución digital está ofreciendo hoy en día, cada vez más tecnologías y avances en materia de mantenimiento preventivo y predictivo. Cada vez más se podrá minimizar la posibilidad de falla de las instalaciones y equipos. Esto, brinda una oportunidad inmensa en materia del mantenimiento predictivo, ya que se puede llegar a predecir una falla futura en nuestros equipos.

En la actualidad, estos avances tecnológicos permiten incrementar los flujos de información y datos que se pueden obtener de un proceso. Se hace importante poder catalogar, filtrar e interpretar estos datos con un fin. El Machine Learning o “aprendizaje automático” nace de esta necesidad, de reunir la mayor cantidad de datos posibles para poder realizar predicciones. El Machine Learning lo que realmente “aprende” es aplicar un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Entre mayor cantidad de datos se puedan reunir, el “Machine Learning”  puede ser más exacto en el aspecto de que pueda pasar. La Inteligencia Artificial o IA, ha recibido su impulso definitivo gracias a la aparición del “aprendizaje automático”.

En el caso de los grupos electrógenos, en Suigeneris, vamos a telegestionar todo el conjunto: motor, alternador y control, obteniendo la mayor información posible por medio de sensores miniaturizados (lo menos intrusivos posibles) y equipos de transmisión inalámbrica. Estos sensores y la transmisión inalámbrica nos permiten obtener datos de cada grupo electrógeno en tiempo real, donde estos datos son transmitidos a la nube.

Ahora, teniendo una base de históricos de esta información para ser filtrada y analizada; aquí entra a operar el “algoritmo” de Machine Learning, que gracias a ese histórico de datos que se tiene de cada equipo; teniendo en cuenta la operación y la experiencia de Suigeneris en el mantenimiento de grupos electrógenos, podemos llegar a predecir LA ACTITUD DE ARRANQUE DEL SISTEMA EN TODO MOMENTO.

Por ejemplo, cada fabricante de grupo electrógeno por temas de garantías no permite que se intervenga el PLC o cuadro de control del grupo. Por ello, en Suigeneris usamos sensores miniaturizados no intrusivos tales como: sensor de baterías (mide la capacidad real de arranque de las baterías y su voltaje) y sensores de temperatura de bloque de motor, entre otros. En primer lugar, el sensor de batería está controlando una de las condiciones más importantes en tiempo real: el estado de la o las baterías. Este sensor tiene una característica importante y es la capacidad de comprobar la corriente de arranque vs voltaje.  En segundo lugar, con el sensor de temperatura estamos leyendo datos constantes de temperatura del bloque del motor, lo que puede darnos un panorama de la temperatura del motor antes del arranque (y que opere su sistema de pre caldeo de motor) y después del arranque (predicción falla sistema de refrigeración, etc.). El Machine Learning aplica este algoritmo que revisa estos datos y realiza predicciones.

En este mismo enfoque, se puede aplicar el Machine Learning a cualquier maquina o herramienta del mercado,  teniendo en cuenta que se debe disponer de una base de datos importante para que se realice el algoritmo de “aprendizaje automático”. Por supuesto, cada equipo tiene una forma de operación totalmente distinta a otros, por lo que se hace necesario que cada implementación de Machine Learning sea personalizada.

En definitiva, el Machine Learning llegó para quedarse y facilitar la vida de los procesos en la industria. El “aprendizaje automático” es uno de los grandes pilares en los que se apoyará la Transformación Digital de los próximos años, ya dependerá de cada empresa en la industria estar a la vanguardia de esta transformación y entrar en la época de la revolución digital.