img-header

predictive elevator maintenance-machine-learning-ai-edge computingDurante el 2021, el crecimiento del mercado IoT ha estimulado la creación de nuevas fórmulas de aplicación de esta tecnología. Y por si fuera poco, las proyecciones, según varios analistas, sugieren . Para hacernos una idea de esa cifra es parecida a toda la producción bruta interna de Alemania y Japón juntos.

Este espacio, en constante desarrollo para los fabricantes, supone una oportunidad para rentabilizar el esfuerzo en innovación, con soluciones que responden a desafíos actuales como el IoT aplicado al mantenimiento predictivo de ascensores, resolviendo fundamentalmente el problema de costes y eficiencia operativa, procesamiento y analítica de datos en tiempo real gracias al edge computing.

Del mantenimiento reactivo de ascensores al modelo predictivo

Por un lado, la concentración de personas en núcleos urbanos y la movilidad eficiente dentro de estos, genera un impacto positivo en el volumen de la base instalada de ascensores y la forma en que los fabricantes de ascensores y las empresas de mantenimiento enfocan sus capacidades para mejorar la calidad de servicio a sus clientes.

Tradicionalmente, los mantenimientos de prevención suponen el tratamiento de calendarios y fechas de revisión en base a modelos estadísticos de número de horas en funcionamiento del ascensor y estimaciones de detección de fallos y vida útil. El problema que genera este tipo de mantenimiento es la falta de monitorización del estado de salud del ascensor en tiempo real 24 horas al día, 7 días a la semana. Esto supone las siguientes dificultades:

  • Aumento de número de horas fuera del servicio del ascensor.
  • Incremento de costes de desplazamiento del personal técnico.
  • Disminución de la satisfacción de empresas cliente que a su vez afecta al usuario final.

El mantenimiento predictivo de ascensores con tecnología IoT: características

En mantenimiento predictivo, se introducen modelos de aprendizaje basado en IA machine learning (aprendizaje automático) y una serie de componentes que para este caso de uso pueden ser:

  • Sensor edge, encargado de recopilar, analizar y enviar diversos datos de aceleración que reflejan las principales actividades del ascensor en su conjunto, así como su recorrido y horas de funcionamiento.
  • Plataforma que predice y reacciona ante los datos históricos acumulados, haciendo un mantenimiento programado de inteligencia artificial.

Este entorno de computación en el borde se apoya en un menor consumo de energía, ancho de banda y tiempo de respuesta, acercando el procesamiento de la información al origen del dato (antes de viajar a la nube) de forma descentralizada al borde de la red. Es decir, las organizaciones pueden recibir y analizar datos procesados en tiempo real, mejorando la monitorización de telemetría de la base, posicionamiento y detección de fallos.

Como consecuencia, la baja latencia de procesamiento de datos mejora de forma exponencial los procesos internos de las empresas y su capacidad de trabajo:

  • Al disponer de esa visibilidad del parque, el fabricante o empresa de mantenimiento reduce drásticamente sus costes OPEX. Reducción de tiempos respecto a ascensores fuera de servicio.
  • Impacta en la generación de valor en servicio al cliente, por ejemplo, con actualizaciones del sistema de forma remota o a través del móvil por los técnicos, envío de alertas y el diseño de nuevos modelos predictivos gracias al histórico de datos de APIs intuitivas, etc.

predictive elevator maintenance-machine-learning-ai-edge computing

Image 1: Cuatro pasos del mantenimiento predictivo

 

Es previsible esperar que este segmento de industria inteligente y el manejo de grandes volúmenes de datos mejorará las técnicas de explotación de datos generados en origen que aportan valor al ecosistema IoT de los proyectos que despliegan o tienen en roadmap implementar.

En Teldat, las áreas de innovación y producto IoT trabajan constantemente en la investigación, diseño y lanzamiento de nuevas soluciones al mercado que responden a necesidades reales de clientes, con una elevada exigencia tecnológica para optimizar sus costes operativos y, por tanto, rentabilizar sus inversiones (ROI) a corto plazo en su cuenta de resultados.

 

 

 


Sobre el autor

Christian Tovar
Christian Tovar
Licenciado en Ciencias Empresariales y Máster en Comercio Exterior por ESIC. En Teldat, forma parte del departamento de Desarrollo de Negocio Internacional.


Nuestras Soluciones Relevantes