El futuro del mantenimiento: Una conversación con Pavel Konecny, fundador de Neuron Soundware
¿Qué inspiró a los fundadores de Neuron Soundware a centrarse en este campo y cómo ofrece su tecnología basada en IA un enfoque único en comparación con los métodos tradicionales de mantenimiento?
Llegamos a este tema por una historia real de mi amigo. Conducía su coche y oía un ruido extraño procedente del motor. Incluso paró en la estación de servicio, pero no había ningún error en el ordenador de a bordo. Así que siguió conduciendo. Y unos 100 km después, el cilindro se rompió, reventó todo el motor y el coche sufrió daños por valor de 10.000 EUR. Por suerte para él, faltaban 2 días para que terminara el periodo de garantía. La capacidad humana de aprender cómo suenan las máquinas, de reconocer todo tipo de anomalías, es lo que replicamos en el software utilizando redes neuronales profundas. Estamos utilizando el modelo preentrenado en una base de datos de sonidos muy grande, por lo que podemos monitorizar máquinas rotativas pero también no rotativas con diferentes modos de funcionamiento. Toda la configuración está totalmente automatizada, ya que entrenamos la inteligencia artificial para cada máquina por separado.
A medida que la IA y la computación de borde siguen evolucionando rápidamente, ¿cómo se mantiene Neuron Soundware a la vanguardia de los avances tecnológicos y mejora continuamente la precisión y las capacidades de sus algoritmos de mantenimiento predictivo?
Hemos decidido estratégicamente para computación periférica como característica esencial de nuestra solución. La capacidad de procesar grandes cantidades de datos sin infraestructura en la nube tiene muchas ventajas. En primer lugar, el coste de la computación en nube es bastante elevado. En segundo lugar, el proceso local permite una reacción inmediata y la integración de máquina a máquina. Además, los datos permanecen dentro del perímetro de la red de la fábrica. También podemos analizar cada segundo de cada minuto durante todo el año. Es decir, TB de datos al mes procedentes de una sola máquina. Además, ya no hay problemas con el ancho de banda de las comunicaciones.
A medida que Neuron Soundware ha avanzado en la remodelación del diagnóstico automático, ¿cuáles son las principales lecciones aprendidas y los retos superados en el proceso?
Hemos demostrado que las redes neuronales son muy eficaces en la detección de anomalías. Tenemos cientos de horas de máquinas averiadas de todo tipo en nuestra base de datos. Como también hemos aplicado la heurística de diagnóstico vibro tradicional, como los métodos de envolvente de señal basados en las RPM, podemos comparar el nuevo enfoque y las técnicas tradicionales. El sitio redes neuronales puede detectar problemas venideros con una probabilidad 4 veces mayor y antes que los métodos actuales (89% frente a 19%). Nuestro objetivo ahora es trabajar con grandes empresas y fabricantes de equipos originales que quieran innovar su sistema de supervisión de máquinas. También hemos empezado a trabajar en la creación de una red de distribución de revendedores de valor añadido, para poder desplegar nuestra solución a escala mundial.
La tecnología de Neuron Soundware puede alterar las prácticas tradicionales de mantenimiento. Cómo enfocan el trabajo con los clientes para pasar de estrategias de mantenimiento reactivas a proactivas?
La combinación de IoT e IA permite mantener un mayor número de máquinas en función de su estado real. Sin embargo, parece que se crea más valor en la prevención del mal funcionamiento de la máquina, que conduce a problemas de calidad del producto. Con mayor frecuencia lo más importante es descubrir el atasco del material en el molino que ahorrar en su mantenimiento. Dicho esto, la digitalización de la flota de clientes cambiaría gradualmente el enfoque del mantenimiento, que pasaría de basarse en el tiempo o las averías a una gestión más exhaustiva del estado de las máquinas.
Septiembre de 2023 | Pavel Konečný para TechFounders
Entradas recientes
