Proceso de adquisición de datos de Matlab

Uso de análitica de datos y algoritmos de machine learning en monitoreo de condiciones y mantenimiento predictivo en las plantas de alimentos. Estimados colegas. Junto con saludar y deseando que se encuentren bien junto a sus familias, me gustaría intercambiar experiencias en el foro respecto al uso de nuevas tecnologías en procesos y equipamiento en plantas de alimentos. Específicamente en lo que respecta al mantenimiento predictivo de los equipos y maquinarias. Como sabrán, el uso de la ciencia de datos y aprendizaje automático esta abarcando a toda la industria. El concepto de Inustria 4.0 ha generado una serie de nuevas aplicaciones. En nuestro caso de Farmonitoring Agrotech, hemos utilizado en especifico 2 algoritmos de clasificación para fallas en equipos rotatorios como molinos, motores electricos, ventiladores industriales, motores de bombas, etc. El algortimo K-means y el algrotimo KNN. Con el primero, detectamos en cuántos grupos podemos clasificar una muestra. Por ejemplo, tipos de comportamiento en base a los niveles y espectros en vibración. Con el segundo algoritmo, clasificamos una muestra nueva en alguno de las clases prefefinidas. El uso práctico de utilizar estos algoritmos, es la mejora en la detección de fallas. Como sabrán, tener un experto certificado nivel IV en vibraciones es bastante costoso. Las empresas Por el elevado costo de sensores y horas hombre las empresas suelen realizar un mantenimiento "preventivo" en vez de predictivo. Sin embargo, el riesgo de parar la planta por una falla no detectada a tiempo es muy grande. El otro beneficio de utilizar analitica y machine learning sobre datos recopilados, es la creación de una base de datos del conocimiento. En ella, se registran casos y métodos de solución que permiten lograr una expertiz en la mantención de los activos de la planta. Esa base de datos facilita la identificación de problemas de manera eficiente. Un operador podría hacer un primer diagnóstico sin tener que esperar la visita del consultor de vibraciones o del soporte del proveedor. Además, el uso de estos algoritmos permite detectar estados que son producto de muchas variabes, generalmente relacionadas en forma lineal entre ellas. Es como tener una "caja negra" donde solo se conoce la salida, pero no la relación de las variables de entrada para producir dicha salida. El caso más típico es el ajuste de rodillos de los molinos para regular el tamaño de partícula. Con los algoritmos de machine learning antes mencionados, un operador podría detectar la variación o error en el molino sin tener que tener que esperar que el área de control de calidad y granulometria le indique. Hay empresas donde cada dos días se deben realizar ajustes de rodillos. Esto puede definir la eficiencia de una planta. En el caso de alimentos para cerdos, una falla en el tamaño de partícula genera mermas millonarias debido a enfermedades en los animales. Ojalá puedan compartir sus experiencias y dudas al respecto. La tecnología esta disponible y solamente se debe tener la voluntad de utilizarla. Existen herramientas gratuitas y otras open source para desarrolladores. En Farmonitoring Agrotech, estamos siempre buscando nuevas desarrollos que permitan eliminar la incertidumbre en los procesos y apoyar la toma de decisiones. Saludos y estamos a la orden. Juan Carlos Llanos V.