Power BI Aplicado Al Mantenimiento

 

SESIÓN 1 Power BI Aplicado al Mantenimiento

 

RESEÑA EXPOSITOR • Actual consultor de ciencia de datos en los sectores retail e industrial. • Por muchos años trabajé como instrumensta y operador de sala de control en plantas de gas natural en Perú y Ecuador es aquí donde veo la candad de data que genera el SCADA y mi primer acercamiento a ML. • Actual docente de centros de capacitación tecnológica de cursos de Big Data, diplomados de BI, Ciencia de datos, Gesón de mantenimiento. • Ahora junté mis 2 pasiones enseñar y el machine learning.

https://www.facebook.com/DSProfessional/  [email protected]

https://www.linkedin.com/in/orlando-belli/ 992705887

 

TEMARIO •

Ciencia de datos

•

Ciclo de fujo de decisiones en base a data (data driven)

• •

Conceptos y transormación digital en la Industria Tres modelos de esmar el RUL:

Lifeme Data Run to failure Data Threshold Data •

Caso prácco Google Colab o Power BI

•

Preguntas sobre el programa

 

OBJETIVOS

•

Explicar las diferentes fuentes de información

  ulizada •

Manipular datos con Python ulizando Google Colab (online)

•

Realizar el cálculo de conabilidad de un motor de combusón interna.

 

CIENCIA DE DATOS Es una técnica también conocida como data mining o minería de datos. Existe un arduo trabajo de análisis de data para obtener “Oro” (valor)

Pilares de DS: 1.

Matemáca

2. Pr Prog ogrram amac ació ión n 3.

Teo eoría ría de Mante Mantenim nimien iento to

 

CONCEPTOS

 

INDUSTRIA 4.0

 

IIOT – INDUSTRIA 4.0

•   Monitoreo •   Control •   Optimización •   Automatización

 

Para qué sirve el analycs? Para analy cs?

Analítica

1 Generar Conocimiento

autónoma Analítica prescriptiva

2 Tomar decisiones informadas

Analítica predictiva

3 Ventajas competitivas

Analítica descriptiva Nivel de inteligencia sofisticada

 

MODELOS DE ML Input: Variables predictoras Son vectores X1,X2,X3, X4 ……

Output: Es la variable a predecir y_pred ~ y y_pred es creada por el modelo ‘y’ es un vector de data Error = ‘y’ – ‘y_pred’

VS Sensor 1

Sensor 2

Sensor 3

Sensor 4

0.88

1.25

5.4

1.1

1

0.89

1.55

4.9

1.09

0

0.88

1.89

5.1

0.99

0

 

Falla

 

CAMPOS DE APLICACIÓN CIENCIA DE DATOS

 

¿CÓMO ENTRENAR MODELOS?

Entrenamiento 80% De los registros u observaciones

Datos Contiene información estructurada en columnas

Y ~ f(x1,x2,x3,….xn)

De todas las variables hay una que depende de otras

x1,x2,x3,x4, y Son variables reales

Y ~ f(x1,x2,x3,….xn) Test 20% De los registros u observaciones Y ~ f(x1,x2,x3,….xn)

y_pred ~ y Es la variable que predice el modelo y – y_pred = error ~ 0

 

PERCEPTRÓN MULTICAPA MLP Etapa de entrenamiento ½ (error)^2 x1 x2

y_pred [0, 1]

x3 x4

Épocas

Entrenamiento 80% De los registros u observaciones Y ~ f(x1,x2,x3,….xn)

X1 X2 X3 X4 Y

: Vi Vibr brac acio ione ness : Flujo Flujo de com combus bustib tible le : Pr Pres esió ión n : Temp empera eratur tura a : Fall Falla a o no fall falla a

Sensor 1

Sensor 2

Sensor 3

Sensor 4

0.88

1.25

5.4

1.1

1

0.89

1.55

4.9

1.09

0

0.88

1.89

5.1

0.99

0

 

Falla

 

CÓMO SE VALIDA UN MLP x1 x2 y_pred x3 x4

etiqueta = y_pred

Real

Modelo

Test 20% De los registros u observaciones

0

0

Puede equivocarse porque los modelos no son perfectos

0

1

la idea Es que y e y_pred sean iguales en todos los casos

Y ~ f(x1,x2,x3,….xn)

1

1

0

0

1

1

1

1

O que coincidan en un % a discreción puede ser 70 %

 

HERRAMIENTAS DE BBDD Y ALMACENAMIENTO

16

 

HERRAMIENTAS DE VISUALIZACIÓN , EDA Y ML

17

 

 CICLO DE FLUJO DE ANÁLISIS R o Python?

DECISIONES

 

PERSPECTIVA DE VER DATOS

 

  RUT RUTA A ANALÍT ANALÍTICA ICA DE LOS NEGOCIOS

01

Paso 1

20

02

Paso 2

03

Paso 3

Paso 4

BBDD

Pre – procesamiento

Dashboards

Toma de decisiones

En principio toda la materia prima para hacer analytics se deriva de datos que están en BBDD

y Analytics

La data extraída de las BBDD se analizan con herramientas visuales que permiten describir lo sucedido.

Debido a que la información se transforma en conocimiento se puede tomar decisiones basado en los datos.

 Si se tiene suficiente data histórica para hacer modelos de ML podemos predecir el futuro

 

FORMAS DE ESTIMAR EL RUL

 

ADVANCED ANALYTICS

Forecasting

Sistemas de Recomendación Estadística Inferencial

Clustering

23

 

TRES FORMAS DE ESTIMAR EL RUL 1 Lifeme Data

2 Run to failure Data

 

TRES FORMAS DE ESTIMAR EL RUL 3 Threshold Data

Predecir el RUL de acvos, cambio de ltros de aire de Turbinas, ya que es muy variable, depende de las condiciones ambientale ambientales, s, presión diferencial

 

TRES FORMAS DE ESTIMAR EL RUL

Clusterización por Clusterización caracteríscas

Modelos Weibull log normal, redes

Probabilidad acumulada de fallos

neuronales, algoritmos  

NUEVAS NECESIDADES

27

 

CASO PRÁCTICO

 

CASO PRÁCTICO

hps://colab.research.google.com/drive/1OQ8JyYYhIqSEgWG619N1Opl2B3dqhazS#scrollTo=X6AyYqEyhm1D