CASO DE USO

Mantenimiento predictivo con redes neuronales

Según un informe de McKinsey, el mantenimiento global en el sector ferroviario puede alcanzar los 50.000 millones de euros. Gracias al mantenimiento predictivo basado en redes neuronales es posible ahorrar entre 2.500 y 5.000 M de euros.

Industrias clave: 
Fabricación, Alimentación y Logística

Problemática a resolver
¿Por qué plantearse un proyecto de mantenimiento predictivo basado en redes neuronales?

  1. Contener los gastos de mantenimiento de la maquinaria (esencial cuando hay una gran inversión en infraestructura y/o equipos). 
  2. Predecir los plazos para eventos de mantenimiento probables como los próximos requisitos de gastos.
  3. Ausencia de planificación y aprovisionamiento de costes de mantenimiento. Riesgo de inactividad.
  4. Clasificar comportamientos inadecuados y anómalos de las piezas. 
  5. Predecir el desgaste de la maquinaria y su rendimiento. 
  6. Detectar fallas en elementos producidos de máquinas y sistemas.

La solución
¿Cómo se implementa  un proyecto de mantenimiento predictivo basado en redes neuronales?

  1. Implantar plataforma de IoT para captura de telemetría
  2. Configurar conectividad con dispositivos o gateways
  3. Almacenamiento y Procesamiento de datos
  4. Entrenamiento de modelos predictivos
  5. Despliegue de modelos en edge

Las ventajas
¿Qué conseguimos mediante un proyecto de mantenimiento predictivo basado en redes neuronales?

  1. Evitar los parones productivos u operativos por necesidad de mantenimiento.
  2. Planificación financiera y operativa del negocio.
  3. Ahorro de costes debido a un menor consumo energético y de materia prima.
  4. Aumento de la calidad de procesos y servicios.
  5. Incremento de la satisfacción de clientes, trabajadores e inversores.
  6. Mejora de imagen pública: mejor servicio y más sostenible gracias a la reducción consumo energético.

El proyecto
¿Cómo es un proyecto de mantenimiento predictivo basado en redes neuronales?

  1. Creación de modelos de IA en base a histórico de datos acumulados.
  2. Tiempo de implementación: en torno a 6 meses en función de la disponibilidad de información existente.
  3. Tecnologías: Servicios de IoT y IA en cloud pública.
  4. Equipo y roles: Ingenieros certificados en la plataforma objetivo.

La solución
¿Cómo se implementa un proyecto de IA aplicada a la  seguridad laboral?

  1. Análisis de lugares y situaciones de riesgo.
  2. Instalación de cámaras en los focos de riesgo, conectados a un centro de seguridad.
  3. Reentrenamiento de servicios de procesamiento de imágenes.
  4. Despliegue rápido: de 3 o 4 meses dependiendo de los focos de alerta.

Casos de uso

¿Deseas saber cómo se pueden aplicar estas tecnologías a tu negocio? Inspírate leyendo algunos de nuestros casos de uso

Ideas & Publicaciones

La inteligencia artificial aplicada a negocios de diferentes sectores

La inteligencia artificial aplicada a negocios de diferentes sectores

La inteligencia artificial aplicada a negocios de diferentes sectores Lo cierto es que estar al día y conocer el potencial para tu negocio de los avances de inteligencia artificial puede resultar abrumador para muchas compañías. No obstante el concepto esencial que no puedes perder de vista se ...
Para qué sirve el Big Data en el sector financiero

Para qué sirve el Big Data en el sector financiero

Para qué sirve el Big Data en el sector financiero Lo cierto es que la tecnología ha evolucionado a pasos agigantados en los últimos años, llegando a incorporarse en nuestro día a día. Esta digitalización de la vida cotidiana supone que se generan todos los días cientos de miles de datos. Esto es ...
Digitalización y Big Data, ¿cómo hacer ambos a la vez?

Digitalización y Big Data, ¿cómo hacer ambos a la vez?

Digitalización y Big Data, ¿cómo hacer ambos a la vez? Antes de la llegada de internet, los ordenadores supusieron una revolución tecnológica y antes de eso, los teléfonos. Gracias a todos los dispositivos tecnológicos nuestra sociedad ha avanzado a pasos agigantados en los últimos años. Todo, ...