Aprendizaje automático vs detección de anomalías basada en reglas: dos enfoques para el mismo problema, distintos compromisos

Conclusiones clave

• Detección de anomalías basada en reglas = umbrales y reglas de patrones escritas por ingenieros.
• Detección de anomalías con ML = modelos que aprenden patrones normales y señalan las desviaciones.
• Las reglas detectan modos de fallo conocidos; ML detecta lo que no se especificó.
• Las reglas son auditables y fáciles de explicar; ML puede rendir mejor en señales multivariantes complejas.
• La mayoría de las plantas se benefician de ambos: reglas para los patrones conocidos, ML para el resto.

Respuesta breve: La detección de anomalías basada en reglas utiliza umbrales y patrones diseñados para señalar modos de fallo conocidos. La detección de anomalías con ML aprende los patrones normales a partir de los datos y señala desviaciones que los ingenieros no especificaron.

Las reglas son auditables y fáciles de explicar; el ML a menudo rinde mejor en señales multivariantes complejas. La mayoría de las plantas se benefician de ambos, reglas para lo conocido, ML para lo desconocido. Véase también Utilización de la máquina frente a la carga .

Lo que hace bien la detección basada en reglas

• Auditable. Cada alerta se puede rastrear hasta una regla específica.
• Explicable. Los operadores entienden qué lo provocó.
• Requiere pocos datos. Funciona desde el primer día.
• Ajustable. Los ingenieros pueden modificar los umbrales.

Lo que la detección basada en reglas no detecta

• Modos de fallo que nadie anticipó.
• Patrones multivariantes que abarcan muchos sensores.
• Derivas sutiles dentro de umbrales individuales.
• Cambios correlacionados a través de múltiples señales.

Lo que hace bien el ML

• Detecta patrones no anticipados.
• Análisis multivariante.
• Se adapta a los regímenes de operación.
• Mejora con más datos.

Con qué tiene dificultades el ML

• Explicabilidad. "¿Por qué alertó?" es más difícil de responder.
• Requisitos de datos. Necesita meses o años de historial.
• Deriva. Requiere reentrenamiento del modelo.
• Tasa de falsos positivos. El ajuste es crítico.

Cuándo son mejores las reglas

• Modos de fallo bien comprendidos.
• Entornos regulados que requieren auditabilidad.
• Nuevas implementaciones sin historial de datos.
• Normas basadas en umbrales (vibración ISO 10816).

Cuándo es mejor el ML

• Procesos multivariantes complejos.
• Plantas con abundantes datos históricos.
• Modos de fallo que los ingenieros no pueden especificar completamente.
• Operaciones en las que las detecciones fallidas son muy costosas.

El patrón híbrido

La mayoría de las plantas maduras emplean ambos:

• Las reglas cubren los modos de fallo conocidos con alta confianza.
• El ML detecta lo desconocido.
• Los desacuerdos entre ambos desencadenan investigaciones.
• Las alertas de ML confirmadas mediante la investigación basada en reglas a menudo se convierten en nuevas reglas.

La combinación supera a cualquiera de los dos por separado.

Errores comunes

1. ML sin historial. Los modelos entrenados con datos insuficientes fallan.

2. Reglas sin cobertura. Los ingenieros no especifican todos los modos de fallo.

3. Reemplazar reglas por ML. Se pierde la auditabilidad.

4. Sin ajuste. La tasa de falsos positivos perjudica a ambos enfoques si no se gestiona.

El problema de la auditabilidad

El ML en entornos regulados requiere explicabilidad. Enfoques:

• Usar modelos interpretables (árboles de decisión, modelos lineales generalizados).
• Usar aprendizaje profundo con mecanismos de atención o visualización de la importancia de características.
• Usar ML para señalar candidatos, verificación basada en reglas antes de actuar.
• Documentar los datos de entrenamiento y la validación del modelo.

La aceptación regulatoria del ML está aumentando, pero no es universal.

El problema de la deriva

Los procesos cambian, los equipos envejecen y las recetas evolucionan. Los modelos entrenados con el "normal" antiguo se comportan de forma diferente frente al "normal" nuevo.

Mitigación:

• Reentrenamiento periódico.
• Detección de deriva.
• Ventana deslizante o aprendizaje en línea.

Errores comunes

1. Alertas de ML que nadie investiga. Como en cualquier sistema de detección, las alertas deben ser atendidas.

2. Sin referencia para lo que significa la precisión del modelo. Sin comparación, el rendimiento del modelo es opaco.

3. Tratar el ML como "enchufar y listo". Los modelos requieren ingeniería de datos, validación y supervisión.

Integración con CMMS

Tanto las alertas basadas en reglas como las de ML deberían generar automáticamente WOs (órdenes de trabajo) en el CMMS. Los niveles de confianza pueden determinar la prioridad (alta confianza a WO inmediato; confianza menor a la cola de investigación).

Cómo se relaciona con el OEE

Ambos enfoques alimentan la monitorización de condiciones que afecta al OEE. Los problemas detectados se convierten en mantenimiento planificado; los problemas no detectados se convierten en paradas no planificadas.

Las plantas que comparan la disponibilidad del OEE antes y después de un programa maduro de detección de anomalías suelen ver cómo aumenta la disponibilidad.

Cómo una plataforma moderna de OEE soporta ambos

Una plataforma moderna de OEE admite umbrales basados en reglas para patrones conocidos y detección de anomalías con ML para patrones no anticipados, con ambos alimentando el flujo de trabajo del CMMS.

El módulo OEE de Fabrico admite tanto la detección de anomalías basada en reglas como la basada en ML, y ambas alimentan el flujo de trabajo del CMMS para investigación y acción.

Vea cómo Fabrico captura esto automáticamente, explorar OEE para la fabricación o reservar una demo.

Lecturas relacionadas

• Utilización de la máquina frente a la carga
• Fabricantes de máquinas frente a integradores de sistemas

Preguntas frecuentes

¿Debo usar siempre ML?

No. Las reglas funcionan bien para patrones conocidos; el ML aporta valor para lo no anticipado.

¿Cuántos datos necesita el ML?

Muy variable. Regla común: lo suficiente para cubrir la variación normal de operación (estacional, mezcla, etc.).

¿Es la detección basada en reglas demasiado simple?

No. Las reglas manejan bien la mayoría de los modos de fallo conocidos. El ML es para el resto.

¿Cómo evito los falsos positivos?

Ajustar los umbrales de confianza; requerir múltiples señales; aprender de la retroalimentación de los operadores.

¿Puede el ML predecir modos de fallo específicos?

Si se entrena con datos de fallos etiquetados, sí. Sin etiquetas, solo detecta anomalías sin especificar el tipo.