Predicción de fallas en grúas portacontenedores utilizando algoritmos de Machine Learning

Abstract

Prognostics and Health Management, PHM en adelante, es cada vez más utilizado en la industria, siendo parte de la cuarta revolución industrial, la toma de decisiones en base a datos es central y cada vez más solicitada en la industria para lograr mejores resultados y ser un ente más competitivo dentro del mercado. Dentro de PHM se encuentra la predicción de fallas, para esto el uso de diversos modelos de Machine Learning y Deep Learning se han convertido en un elemento fundamental. El mundo logístico se caracteriza por la rapidez y alta demanda. En este rubro se encuentra SAAM Logistics, un operador logístico cuya actividad gira en torno al almacenaje y transporte de contenedores, actividad en la cual son fundamentales las Grúas Portacontenedores, máquinas capaces de levantar y movilizar los contenedores. Estas grúas se consideran maquinaria pesada y tienen elevados costos de mantención y renovación. El correcto funcionamiento de estas es esencial, por lo que, un plan de mantenimiento adecuado también lo es. Este trabajo se desarrolla entonces para la empresa SAAM Logistics, en concreto en el área de ingeniería, siendo el principal beneficiario al área de Equipos y Mantención. Con el uso de herramientas de Data Science y Machine Learning se puede crear un plan de mantenimiento predictivo, con el fin de minimizar los tiempos de inactividad de las máquinas y reducir los costos de mantención. A partir de modelos de clasificación se busca predecir el estado de las máquinas en el futuro, con el objetivo de predecir las fallas para poder realizar los mantenimientos necesarios previo a que estas ocurran. El presente trabajo, desarrolla 3 modelos de predicción de falla a partir de los registros de mantención de las grúas portacontenedores. En específico, se modelan 2 clasificadores de Machine Learning tradicional, utilizando Random Forest y AdaBoost y, una red recurrente LSTM, debido a la naturaleza secuencial de los datos. Para realizar lo anterior, se debe construir un dataset con el fin de complementar la información proveniente de los mantenimientos, con información de volúmenes operativos a los que las máquinas se enfrentan, para caracterizar de mejor manera el estado actual y nivel de estrés de los equipos. Además, se propone un framework para generar las instancias de entrenamiento y prueba a partir de los registros de mantenimientos. De esta forma, este trabajo propone una metodología adaptable y robusta para poder modificar la importancia de la temporalidad y ventana de predicción de los resultados. Los resultados muestran que el modelo Random Forest, con una ventana de observación de 8 períodos y una ventana de predicción de 15 días, supera el rendimiento de los otros modelos en términos de Accuracy, F1-Score y beneficios reportados a la empresa. Por lo que, se convierte en el modelo propuesto como solución.