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
Arquitectura de una solución de IoT.
NodoIoT
Comunicación
Nube
Arquitectura de una solución de IoT.
NodoIoT
Comunicación
Nube
Arquitectura de una solución de IoT.
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
29
Arquitectura de una solución de IoT.
NodoIoT
Comunicación
Nube 1.Visualización 2.Analíticadedatos
5.Sensado 6.Acción/Decisión
3.Conectividad 4.Cobertura
AzuredeMicrosof,AmazonWebServices,…
Operadorescelulares,SigFox,LoRa
Arquitectura de una solución de IoT.
NodoIoT
Comunicación
Nube 1.Visualización 2.Analíticadedatos
5.Sensado 6.Acción/Decisión
3.Conectividad 4.Cobertura
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
Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento
51
Fallasquesequierenevitar
DeteccióndeunaFallaIncipiente
Prediccióndela
ConsecuenciasProbables
Prediccióndeltiempodelafallafuncional
Accióncorrectiva
recomendada
Accióncorrectivatomada
SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity
• 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
Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento
52
DeteccióndeunaFallaIncipiente
Prediccióndela
ConsecuenciasProbables
Prediccióndeltiempodelafallafuncional
Accióncorrectiva
recomendada
Accióncorrectivatomada
SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity
• Requiererecolectaryanalizardatosprovenientesdelactivo• Lastécnicasdeanálisismascomunesson:
• Técnicasderegresión• TécnicasdeMachineLearning
• Requieretenerdatosdefallasparaanalizar
Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento
53
Prediccióndela
ConsecuenciasProbables Prediccióndel
tiempodelafallafuncional
Accióncorrectiva
recomendada
Accióncorrectivatomada
SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity
• 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
Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento
54
Prediccióndeltiempodelafallafuncional
Accióncorrectiva
recomendada
Accióncorrectivatomada
SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity
Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento
55
Accióncorrectiva
recomendada
Accióncorrectivatomada
SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity
• Determinarlamedidacorrectivamásapropiadaquedebetomarse• Utilizar lamejor informaciónquetenemoscomoresultadode
Big Data, Predictive Analytics y los modelos asociados paratomar una decisión mucho más informada con respecto alcursodeacciónmásapropiado
Modelo de Internet de las Cosas y Big Data en la Gestión de Activos y Mantenimiento
56
Accióncorrectivatomada
SandyDunn,BigData,PredictiveAnalyticsandMaintenance-Assetivity
• 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
64