Diseño de soluciones avanzadas basadas en técnicas de machine learning para la toma de decisiones en gestión de activos

En la actualidad, el cambio hacia una gestión inteligente del mantenimiento de los activos está siendo un gran reto, llegando a ser uno de los objetivos principales para todas las empresas que siguen el camino de la transformación de sus procesos. Esta nueva gestión del mantenimiento viene acompañada normalmente de la imposición de mejoras en el rendimiento de los planes de mantenimiento, la incorporación de planes de mantenimiento basado en condición y de un modelo del dato que soporte todas las nuevas técnicas de analítica predictiva y minería del dato. Esta tesis intenta dar soporte al camino que es necesario recorrer, para facilitar esa gestión del cambio que el paradigma de la industria 4.0 está imponiendo, alineado en todo momento con los requisitos de la gestión de activos (AM, Asset Management). Esta tesis aborda, desde la gestión de activos y la ingeniería del mantenimiento, por un lado, (i) desarrollar un proceso para la transformación del conocimiento extraído a partir de los datos generados por los activos, en herramientas para la detección de anomalías de los activos. Este proceso tiene en cuenta diferentes técnicas ML, que serán comparadas con la finalidad de poder elegir la que mejor se ajuste a cada caso de uso y para ello se establece una metodología para poder llevarlo a cabo. El otro objetivo fundamental es (ii) desarrollar un proceso para la toma de decisiones a corto y largo plazo mediante el uso de herramientas CBM, a partir del desarrollo de una metodología para la identificación de modos de fallo de los activos, que se darán información para conocer la vida remanente y el grado de desviación respecto al patrón normal de comportamiento del activo. De este modo, la tesis presenta dos resultados principales, (i) metodología para la extracción de información a partir de las bases de datos de los activos, junto con la revisión de técnicas de Machine Learning usadas en CBM para el mantenimiento inteligente de activos y una metodología para la selección de la más apropiada para cada caso, el proceso a seguir para integrarla en la toma de decisiones a corto y largo plazo mediante la identificación de las reglas de interpretación, (ii) recopilación de casos de uso, uno de un activo de alta criticidad y elevada capitalización, donde se aplican los procesos y metodologías propuestos, para la identificación de técnicas ML para la generación de recomendaciones de operación y mantenimiento enfocadas a la mejora de la eficiencia energética del activo y la identificación de desviaciones en el comportamiento que supongan un riesgo para la organización, y otro caso de uso para una flota de activos donde el aporte de la solución propuesta supone un cambio y una mejora en la eficiencia del desarrollo en los planes CBM existentes. Del trabajo de tesis se concluye cómo todo este proceso lleva desde del análisis del dato, la extracción del conocimiento mediante la creación de modelos ML y su uso para la gestión del mantenimiento mediante la generación de recomendaciones, es clave para un proceso de transformación digital hacia la industria 4.0.