Automatización de operaciones de mantenimiento en función de la condición

Abstract

En el marco de la Industria 4.0, el mantenimiento industrial está evolucionando de estrategias reactivas y preventivas hacia enfoques predictivos, apoyados en el análisis de datos en tiempo real y aprendizaje automático. Este trabajo tiene como objetivo desarrollar e integrar modelos de predicción y detección de anomalías en la plataforma industrial Fast Monitoring, desarrollada por la empresa Soincon, utilizada en entornos de monitorización en tiempo real. La metodología seguida está basada en el estándar de facto CRISP-DM, abordando el preprocesamiento de los datos, el entrenamiento de los modelos y su posterior validación. Se implementan tres casos de uso principales: (i) estimación del tiempo de vida útil restante de un motor turbofán mediante XGBoost, (ii) predicción iterativa de señales temporales, y (iii) detección de anomalías en señales de naturaleza acumulativa empleando Isolation Forest. Los modelos fueron desarrollados y validados en Python y posteriormente exportados a formato ONNX e integrados en la plataforma de la empresa. Los resultados obtenidos exponen que los modelos cumplen adecuadamente los criterios definidos demostrando un rendimiento satisfactorio para cada caso de uso analizado. La integración de estos modelos como componentes BPM en Fast Monitoring permite incorporar componentes de predicción y detección de anomalías en flujos industriales y sientan las bases para futuros desarrollos, posibilitando la generación de alertas en tiempo real y optimización de tareas de mantenimiento. En resumen, el trabajo desarrolla tres modelos predictivos aplicando técnicas de aprendizaje automático y valida su aplicabilidad en escenarios industriales reales, contribuyendo a la adopción de un mantenimiento predictivo más eficiente, preciso y escalable.

In the context of Industry 4.0, industrial maintenance is evolving from reactive and preventive strategies towards predictive approaches, supported by real-time data analysis and machine learning. The objective of this work is to develop and integrate prediction and anomaly detection models into the industrial platform Fast Monitoring, developed by the company Soincon and used in real-time monitoring environments. The methodology followed is based on the de facto standard CRISP-DM, addressing data preprocessing, model training, and subsequent validation. Three main use cases are implemented: (i) estimation of the remaining useful life (RUL) of a turbofan engine using XGBoost, (ii) iterative prediction of time series signals, and (iii) anomaly detection in cumulative signals employing Isolation Forest. The models were developed and validated in Python, exported to ONNX format, and subsequently integrated into the company’s platform. The results obtained show that the models adequately meet the defined criteria, demonstrating satisfactory performance for each analyzed use case. The integration of these models as BPM components in Fast Monitoring enables the incorporation of prediction and anomaly detection capabilities into industrial workflows and lays the foundations for future developments, such as real-time alert generation and optimization of maintenance tasks. In summary, this work develops three predictive models using machine learning techniques and validates their applicability in real industrial scenarios, contributing to the adoption of more efficient, accurate, and scalable predictive maintenance.