internet de las cosas y big data en el mantenimiento · la gestión de activos y mantenimiento 50...

Internet de las Cosas y Big Data en el mantenimiento y gestión de activos. 9 DE MAYO DE 2018

JoséLuisVillaRamírez.HugoSantiagoAguirreMayorga.LuisCarlosTrujilloArboleda.

Contenido. 1.  CentrosdeExcelenciayApropiación,CEAs2.  Industria4.03.  InternetdelasCosas4.  BigData5.  IoTyBigDataenelmantenimientoylagestióndeactivos

6.  Casos

2

3

Líderestecnológicos

EmpresasAncla

Universidades

1. Centros de Excelencia y Apropiación.

4

Líderestecnológicos

EmpresasAncla

Universidades

6

Fortalezas Generación de diseño electrónico propio, escalabilidad y flexibilidad.

Orientado a soluciones integrales.

Estrategia de generación de productos y plataformas de servicios.

Amplia red de soporte de los integrantes del Centro.

2. Industria 4.0

7

ChristophRoseratAllAboutLean.com

Industria 4.0  “INDUSTRIE 4.0 connects embedded system productiontechnologies and smart production processes to pave theway to a new technological age which will radicallytransform industry and production value chains andbusinessmodels.” —GermanyTradeandInvest

8

Objetivo: creación de valor a partir de la información

Tomardecisiones

CrearnuevosProductos,Servicioso

funcionalidades

Sensar

AgregarDatos

Analizar

Las tecnologías de Industria 4.0

10

3. Internet de las Cosas

11

Definiciones.

12

“3.1.9 Internet of things (IoT): A globalinfrastructure for the information societyenabling advanced services by interconnecting(physical and virtual) things based on existingand evolving, interoperable information andcommunicationtechnologies.”

UniónInternacionaldeTelecomunicacionesITU-TY.2060(2012)

“Wedefine“theInternetofThings”assensorsandactuatorsconnectedbynetworkstocomputingsystems.Thesesystemscanmonitorormanagethehealthandactionsofconnectedobjectsandmachines.Connectedsensorscanalsomonitorthenaturalworld,people,andanimals.”

MckinseyGlobalInstituteReportIoT(2015)

Potencial del IoT.

14

Hogar.

16

v Seguridaddelacasayseguridadpersonal(porejemploniñosenpiscina).

v Gestióndecalefacción/aireacondicionado/iluminación.

v Medicióndeconsumodeserviciospúblicos.

v Dispositivosautónomos.

v Diseñobasadoenpatronesdeutilización.v Analíticadepreventa.

Oficina.

17

v Seguridaddeedificiosyoficinas.

v Gestióndecalefacción/aireacondicionado/iluminación.

v Productividadysaludorganizacional.v Rediseñoconbaseenanalítica.

Retail.

18

v Pagoautomático.

v Trazabilidaddecompradores.

v Promocionespersonalizadasentiemporeal.

v Optimizacióndeespacioyubicacióndeproducto.

v Inventarioautomatizado,incluyendoelproductoenestantería.

Factorías. (Fábricas, data center, granjas, hospitales)

19

v Monitoreodeprocesos.

v Gestióndeactivos.v Mantenimientopredictivo.

v Optimizacióndelacadenadesuministros.

v Seguridadlaboral.

Worksites (Oil&gas, minería, construcción).

20

v Gestióndeoperaciones.

v Gestióndeactivos(equiposmóviles).

v Mantenimientopredictivo.

v Productividaddetrabajadores.v Seguridadlaboral.

Ciudades.

21

v Distribuciónenergíaeléctrica(SmartGrid).

v Deteccióndefugasdeagua.v Gestióndetráficoygestióndetransporte.v Monitoreoambiental.

v Monitoreoyprevencióndelcrimen.

Outside (transporte, contenedores, mercancía).

22

v Navegaciónconectada.

v Trazabilidaddebienes.v Mantenimientopredictivo.

v Productividaddetrabajadores.v Seguridadlaboral.

Salud.

23

v Monitoreoytratamientodepacientesconenfermedadescrónicasyenáreasrurales.

v Mejoramientodecondicionesdesaludcomoactividadfísicaysueño.

v Seguridadlaboral.

Vehículos.

24

v Mejorasenseguridadyconfiabilidad.

v Mantenimientopredictivo.

v Modelosdepreciodesegurosporuso.

v Optimizacióndeoperacióndeflotas.

Arquitectura de una solución de IoT.

NodoIoT

Comunicación

Nube


NodoIoT

Comunicación

Nube 1.Visualización 2.Analíticadedatos

5.Sensado 6.Acción/Decisión

3.Conectividad 4.Cobertura

FUNCIONES

1. Visualización2.Analíticadedatos

3.Conectividad

4.Sensando

5.Acción/decisión


NodoIoT

Comunicación




AzuredeMicrosof,AmazonWebServices,…

Operadorescelulares,SigFox,LoRa


NodoIoT

Comunicación




DESAFIOS

1.  Interoperabilidad2.Escalabilidad

3.Cobertura

4.Escalabilidad

5.Autonomía,interoperabilidad,seguridad,complejidad

6.Escalabilidad

Internet de las Cosas en la Industria

32

OT

UtilizaciónEficienciaConsistenciaContinuidadConfiabilidad

IIoT

ConectividadDatosAnalíticaOptimización

IT

Agilidad y VelocidadFlexibilidadReducción de costoVisión ComercialSeguridad

Arquitectura de Internet de las Cosas en la Industria

33

Sensores PLC

SCADADCS

GatewayIoTIndustrial

Almacenamiento Procesamiento visualización

ERP/MES

Instrumentaciónycontrol

Integración

InteligenciaClientes

4. Big Data.

34

Definición Big Data  Bigdata(Volumen,Variedad,Velocidad)Esuntérminoquedescribeelgranvolumendedatos–estructuradosynoestructurados–quetienenlasorganizacionesactualmente.

Habilidadparahacerusoeinterpretarlosgrandesvolúmenesdedatosdeunavariedaddefuentes(redessociales,procesos,sistemasempresariales,dispositivos).“Turnbigdataintovalue”.

Loimportantenoeselgranvolumendedatos,sinoloquehacenlasorganizacionesconlosdatos.

35

Big data: Volumen, Velocidad, Variedad

36Fuente:TeradataInc.2014

Definición Analítica

Eselprocesodetransformacióndedatosendescubrimientos(insights)paratomarmejoresdecisiones.

37

Fuente:CammJ.,etal.EssentialsofBusinessAnalytics.CengageLearning.2015

Analítica

38

ERP

CRM

Redessociales

IoT

ETL DataWarehouse

Infraestructuradedatos

Visualizaciónydashboards

MineríadeDatosytexto

Mineríadeprocesos

•  Reportes•  KPIs•  Dashboards•  Cuadrosdemando

•  Riesgos•  Deteccióndefraude•  Segmentaciónclientes•  Predicciones

•  Descubrimientoprocesos•  Análisisdeconformidad•  Monitoreodeprocesos•  PrediccionesFuente:Aguirre,Santiago.Cursoanálisisdedatos.PontificiaUniversidadJaveriana,2018

Analítica

Caso estudio minería de procesos - compras

Unidades

SecretariaFacultadoUnidad

Proveedor

Solicitud AprobaciónSolicitud

Pedido AprobaciónPedido

EnvíoPedidoProveedorProveedor

SolicitudAprobada

SolicitudNecesidad

Suministros/Junta

Pedido

RecepciónBien

PedidoAprob

Tiempos A B C D E

2500SolicitudesdecompraanualesPresupuesto50millonesUSD

Análisis de tiempo de ciclo y volumen

40

2452Anuales

<50%30días

Ruta mas frecuente (Happy path)

41

Demoras y reprocesos

42

Aplicación: Caso proceso compras Cuellos de botella

Usuariosmayoresdemorasaprobación

Aplicación: Caso proceso compras Productividad del personal

Comprasnacionales

Importaciones

Dashboard Minería de Procesos

45

5. IoT y Big Data en el mantenimiento y la gestión de activos

46

SnappyData.io

Definición  Lastécnicasdemantenimientopredictivo(PdM)estándiseñadasparaayudaradeterminarlacondicióndelequipoenservicioafindepredecircuándosedeberealizarelmantenimiento.

47

48

Losant.com

Monitoreo de Condición  Monitoreodecondiciones(o,coloquialmente,CM)eselprocesodemonitoreodeunparámetrodecondiciónenlamaquinaria(vibración,temperatura,etc.),paraidentificaruncambiosignificativoqueesindicativodeunafallaendesarrollo.

49

Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento

50

Fallasquesequierenevitar

DeteccióndeunaFallaIncipiente

Prediccióndela

ConsecuenciasProbables

Prediccióndeltiempodelafallafuncional

Accióncorrectiva

recomendada

Accióncorrectivatomada

SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity


51

Fallasquesequierenevitar


Prediccióndela



Accióncorrectiva

recomendada



•  Lafallaquedebeevitarseesuneventodefallaespecíficoconunacausadefalla asociada (modo de falla), para un elemento de equipo específico (oclasedeequipo)

•  Típicamente estas fallas se identifican siguiendo alguna versión de lametodologíadeAnálisisdemodosyefectosdefalla(FMEA)

•  Tenga en cuenta que no todos los modos de falla pueden predecirseutilizandotécnicasdemantenimientopredictivo


52


Prediccióndela



Accióncorrectiva

recomendada



•  Requiererecolectaryanalizardatosprovenientesdelactivo•  Lastécnicasdeanálisismascomunesson:

•  Técnicasderegresión•  TécnicasdeMachineLearning

•  Requieretenerdatosdefallasparaanalizar


53

Prediccióndela

ConsecuenciasProbables Prediccióndel

tiempodelafallafuncional

Accióncorrectiva

recomendada



•  Unavezquecomprendequeunafalladelequiposeencuentraen sus primeras etapas de desarrollo, pronosticar la posibleconsecuencia es importante para garantizar que se tome ladecisióncorrectaconrespectoacómoproceder

•  Estas consecuencias deben actualizarse a medida que loshistóricosdelactivoseactualizan


54


Accióncorrectiva

recomendada




55

Accióncorrectiva

recomendada



•  Determinarlamedidacorrectivamásapropiadaquedebetomarse•  Utilizar lamejor informaciónquetenemoscomoresultadode

Big Data, Predictive Analytics y los modelos asociados paratomar una decisión mucho más informada con respecto alcursodeacciónmásapropiado


56



•  Una vez se ha determinado que una falla va a suceder y secuenta con la informacióndequéhacerdebemos asegurarnosquelasaccionesapropiadasserealicen

•  Si nuestros modelos nos dicen que debe tomarse una accióncorrectivaantesdeunafechaespecífica,estosereflejaráenlasfechas de vencimiento para la orden de trabajo en nuestrosistemadeGestióndeMantenimiento.

Retos de la implementación exitosa Organizacionales SuficienciadeModelos/DatosConfianzaenlaInformación FaltadeDatosCosto Calidad/IntegridaddelosDatosEstablecimientodebeneficiosdelprogramademantenimientopredictivo

VolumendelosDatos

Conflictosdeprioridadesentredepartamentos(TIyOperaciones)

UsabilidaddelosModelos

Recursos:serequiereunconjuntoespecíficodehabilidades

ComplejidaddelosModelos

Implementación/Integración:impactoenelprocesoylaculturaorganizacional

SeguridaddelosDatos

57

Ruta de Implementación

58

Escogerunpardeactivosclavesenelproceso

Definirlasfallasquesequierendetectarapartirdelhistóricodefallasdelactivo

ImplementarlosnodosdemediciónIoTyGenerarloshistóricos

Diseñaryvalidarlosmodelospredictivos

AprenderyRetroalimentarelproceso

Casos  

59

Caso Práctico: Subestaciones eléctricas en manejo de refrigerados – El Problema

Caso Práctico: Subestaciones eléctricas en manejo de refrigerados – Arquitectura de la solución

Caso Práctico: Subestaciones eléctricas en manejo de refrigerados – La prueba de concepto

SIEMENSSENTRONPAC3200 RASPBERRYPI2MODELB

MODBUSTCP

ALERTASENTELEGRAM

ANDROIDAPP

Caso Práctico: Subestaciones eléctricas en manejo de refrigerados – La prueba de concepto

internet de las cosas y big data en el mantenimiento · la gestión de activos y mantenimiento 50...

Documents