AWS lanza un servicio para mantenimiento predictivo de instalaciones industriales

Amazon Lookout for Equipment está preparado detectar anomalías, reducir falsas alertas y evitar tiempos de inactividad.

Amazon Web Services (AWS) ha puesto en marcha un servicio para empresas industriales y de fabricación que les permitirá detectar anomalías en sus equipos y evitar tiempos de inactividad al tomar medidas antes de que se produzcan fallos.

Amazon Lookout for Equipment, que así se llama el servicio, ya está disponible y también está preparado para reducir las falsas alertas.

Para ello, se basa en modelos de aprendizaje automático que reciben datos de los sensores de los equipos industriales y permiten realizar un mantenimiento predictivo de las instalaciones. Entre esos datos se encuentran la presión, la temperatura y la potencia. A partir de ahí, Lookout for Equipment entrena para predecir señales de advertencia temprana o de bajo rendimiento en tiempo real.

Desde AWS explican que muchas empresas “han realizado grandes inversiones en sensores físicos y otras tecnologías con el objetivo de mejorar el mantenimiento de sus equipos. Pero incluso con estos sistemas, las compañías no están en condiciones de desplegar modelos de aprendizaje automático sobre las ingentes cantidades de datos debido a la falta de recursos y a la escasez de personal especializado en este ámbito”.

“Como resultado, se pierde información crítica y hallazgos prácticos que las ayudarían a gestionar mejor sus operaciones”, lamenta Swami Sivasubramanian, vicepresidente de Amazon Machine Learning en AWS.

La llegada de Amazon Lookout for Equipment “permite a los clientes beneficiarse de modelos de aprendizaje automático personalizados que se desarrollan para su entorno específico con el objetivo de identificar rápida y fácilmente el comportamiento anormal de las máquinas, de modo que puedan tomar medidas para evitar el impacto y el gasto del tiempo de inactividad del equipo”, explica Sivasubramanian.

Los clientes pagarán en función de la cantidad de datos que introduzcan, las horas de computación que se usen para entrenar un modelo personalizado y las horas de inferencia.