September 5, 2022 | Author: Anonymous | Category: N/A
Download 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 instrumensta y operador de sala de control en plantas de gas natural en Perú y Ecuador es aquí donde veo la candad 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, Gesón 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 transormación digital en la Industria Tres modelos de esmar el RUL:
Lifeme Data Run to failure Data Threshold Data •
Caso prácco Google Colab o Power BI
•
Preguntas sobre el programa
OBJETIVOS
•
Explicar las diferentes fuentes de información
ulizada •
Manipular datos con Python ulizando Google Colab (online)
•
Realizar el cálculo de conabilidad de un motor de combusón 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.
Matemáca
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 analycs? 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 Lifeme Data
2 Run to failure Data
TRES FORMAS DE ESTIMAR EL RUL 3 Threshold Data
Predecir el RUL de acvos, 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 caracteríscas
Modelos Weibull log normal, redes
Probabilidad acumulada de fallos
neuronales, algoritmos
NUEVAS NECESIDADES
27
CASO PRÁCTICO
CASO PRÁCTICO
hps://colab.research.google.com/drive/1OQ8JyYYhIqSEgWG619N1Opl2B3dqhazS#scrollTo=X6AyYqEyhm1D