1. No category

A FONDO Data driven innovation
Mantenimiento predictivo
SAP HANA y SAP Predictive Analysis
El auge de las nuevas tecnologías de procesamiento de grandes volúmenes de información arroja un horizonte
de novedosas posibilidades en la redefinición de los procesos de negocio actuales. SAP HANA y SAP Predictive
Analysis permiten combinar el procesamiento de datos in-memory con algoritmos de machine learning, desde
diversos y múltiples orígenes de datos, como SCADA, para la creación de alertas de mantenimiento inteligentes, de
manera automática.
El aumento de la complejidad de los procesos
industriales exige la permanente búsqueda de
métodos más eficientes, flexibles y rentables
económicamente. Para maximizar la eficiencia
del proceso es determinante definir protocolos
de mantenimiento que favorezcan y maximicen
los ciclos de producción. Tradicionalmente,
ROBERTO PAJARES
la monitorización de procesos se realiza por
Director SAP
operarios que, en muchas ocasiones, deben
controlar la evolución de múltiples variables del
sistema.
Precisamente, en procesos industriales
complejos, el número de variables es
muy elevado, lo que dificulta la realización de dichas tareas de
mantenimiento mediante las técnicas convencionales. Los sistemas
SCADA son herramientas de supervisión, control y adquisición de
datos y, en la actualidad, son una de las más utilizadas en las tareas de
monitorización remota para los procesos industriales.
Las nuevas tecnologías de la información, en especial las técnicas
denominadas big data, permiten el almacenamiento y procesado
40 | bspreviews · MAYO 2015
de grandes volúmenes de información en tiempo real y, para esta
problemática en particular, permite monitorizar de manera automática
todos los sistemas conectados a SCADA y realizar modelos predictivos
sobre el comportamiento de un determinado componente. Las
principales ventajas derivadas de esta estrategia son la optimización de
la producción, la operación segura de los componentes del sistema, así
como la conservación de los equipos.
La monitorización global de procesos, en muchas ocasiones, puede
gestionarse desde sistemas ERP como SAP, y este puede integrarse con
SCADA a través de diversos procedimientos, como se puede observar
en la figura 1. Cada uno de los datos recogidos en la base de datos de
cada aplicación cliente SCADA se replica en la base de datos HANA de
manera automática para su procesamiento en tiempo real.
MACHINE LEARNING
Las técnicas de machine learning representan una potente herramienta
en la predicción y modelado de datos, y permiten la creación de reglas de
comportamiento mediante el aprendizaje supervisado y no supervisado.
Las librerías PAL (predictive analysis libraries) contienen diversos
algoritmos —y permiten la creación de otros personalizados— mediante
Data driven innovation A FONDO
FIGURA 1. Lógica de integración SAP HANA con los sistemas backend (operacionales, tiempo real).
el lenguaje R (análisis estadístico). De esta forma se pueden combinar
dos poderosas herramientas: el procesamiento en tiempo real y la
creación de modelos de aprendizaje automático.
Algunos autores en la actualidad han afrontado dicha problemática
mediante algoritmos de machine learning con el objetivo de anticipar
de manera automática el fallo de un determinado componente, como
es el caso de Ruchika Malhotra en su artículo “Comparative analysis of
statistical and machine learning methods for predicting faulty modules”.
En cualquier caso, el uso de redes neuronales para la consecución
de estudios predictivos se ha evaluado en algunos trabajos de la
bibliografía que he utilizado para escribir este artículo. Un interesante
estudio compara el número de falsas alarmas generadas por operarios
experimentados, con las que han sido predichas por el sistema de
aprendizaje automático. El estudio refleja cómo la predicción detecta
un porcentaje mejor de falsas alarmas en comparación sistemas
convencionales de creación de alertas (Hydroelectric power plant
management relying on neural networks and expert system integration, de
J.M. Molina, P. Isasi, A. Berlanga y A. Sanchis).
SECTOR ENERGÉTICO
Centrándonos en una industria específica, los factores climatológicos
tienen fuerte impacto en el número de fallos en plantas industriales
energéticas. Los potentes sistemas de medida y predicción
meteorológica sugieren el uso de técnicas que permitan relacionar la
climatología y sus efectos en los componentes del sistema productivo.
Los métodos de clustering EM-loglinear pueden ser usados para
evaluar dicha relación y detectar la vulnerabilidad de un determinado
componente frente al efecto climatológico.
Dentro de esta industria energética, en el sector eólico, resulta
especialmente relevante la monitorización de las palas del
aerogenerador. La detección del posible fallo catastrófico de dicho
componente es determinante en las tareas de mantenimiento de las
centrales. El reconocimiento de patrones de respuesta de la pala,
procesado a través de algoritmos de tipo machine learning como redes
neuronales autoasociativas (AANN) permite la eficiente monitorización
de la salud del componente estructural y, por tanto, la detección
automática de un posible fallo (fuente: On damage diagnosis for a wind
turbine blade using pattern recognition. Dervilis, Choi et al. 2014).
INTEGRACIÓN CON ERP
La integración del control de sistemas de producción mediante SAP
HANA y SAP Predictive Analysis constituye una poderosa herramienta
en la definición de reglas inteligentes dedicadas al mantenimiento del
proceso. Es de especial interés su propia integración con sistemas ERP
para monitorizar, planificar y definir políticas de mantenimiento basadas
en datos obtenidos en tiempo real, y explotados mediante efectivas
técnicas de aprendizaje automatizado.
La evolución natural de los sistemas SAP actuales, apoyados por la
inversión en innovación y evolución de los mismos sobre las nuevas
tecnologías y paradigmas (big data, analytics, UX) permitirá dotar de
inteligencia y real-time a los procesos actuales, consiguiendo reducir los
costes de servicio y mantenimiento, reaccionar de una forma más rápida,
antes de que ocurran los problemas, reduciendo por tanto los tiempos
de reparación y/o reposición de material; maximizar la disponibilidad
de los activos y mejorar, en algunos casos, la calidad del producto y
aumentar la satisfacción del cliente. •••
MAYO 2015 · bspreviews |
41
núm. 14 | MAYO 2015 Precio: 9€
DATA DRIVEN INNOVATION
Analítica empresarial desde una perspectiva práctica
RETRATO | Bill McDermott, CEO de SAP AG
ENTREVISTA | Lucía Álvarez, directora de IBM Analytics para España, Portugal, Grecia e Israel
TENDENCIAS | Lean Management. El camino y no la meta
HABLAMOS CON | Romain Picard, director regional EMEA Sur. Cloudera