AI4PM

El mantenimiento predictivo incorpora criterios como el estado de los equipos, los requisitos de producción de la empresa y el posible carácter crítico de la producción en ámbitos como la automoción, el ferrocarril, el procesado de alimentos o la industria farmacéutica, por ejemplo. Aquí hay muchos problemas y retos.

Por un lado, es necesario reducir el impacto sobre el medio ambiente determinando el momento óptimo para realizar las operaciones de mantenimiento limitándolas a lo estrictamente necesario, sin que ello repercuta en la producción.

Por otro lado, es necesario reducir el impacto sobre el medio ambiente determinando el momento óptimo para realizar las operaciones de mantenimiento limitándolas a lo estrictamente necesario, sin que ello repercuta en la producción.

También hay que tener en cuenta los requisitos de producción a la hora de planificar estas operaciones.

Las repercusiones para las empresas regionales son, por tanto, potencialmente muy significativas, dada la alta densidad de actividad industrial en nuestra región.

Las ventajas para las empresas regionales son, por tanto, potencialmente muy significativas.

A partir de los datos recogidos por los sensores I-CARE instalados en los equipos que se van a vigilar, el proyecto AI4PM tiene por objeto estudiar la evolución en el tiempo de los fenómenos vibratorios de estos equipos e identificar los fallos que puedan presentar. En el marco de este proyecto, los equipos objeto de estudio son las máquinas no lineales.

Para ello, uno de los principales retos es poder determinar la velocidad de rotación de la máquina en cada momento mediante algoritmos, y en particular modelos de aprendizaje profundo, con el fin de automatizar el diagnóstico sin tener que recurrir sistemáticamente a un experto.

El objetivo del proyecto AI4PM es estudiar la evolución en el tiempo de los fenómenos vibratorios en estos equipos e identificar las posibles averías.