Machine Learning
Cubico · Energía Renovable
Mantenimiento Predictivo en más de 12.000 Sensores SCADA
−28% tiempo de inactividad no planificado
91% precisión de detección
3–7 días de alerta temprana
El Reto
Más de 12.000 sensores SCADA generando telemetría continua sin un sistema para identificar patrones de degradación antes del fallo. Los fallos sólo se descubrían tras la avería.
Lo Que Construimos
Un pipeline de detección de anomalías de alta frecuencia procesa todos los sensores de forma continua. Los modelos de ML entrenados en líneas de base de operación saludable detectan indicadores de fallo 3–7 días antes de la avería. Las órdenes de trabajo de mantenimiento se generan y priorizan automáticamente.
Impacto Operacional
Reducción del 28% interanual en fallos de equipos no planificados. 91% de precisión de detección con menos del 4% de tasa de falsos positivos. £2.1M en costes de intervención de emergencia evitados en el Año 1.
Tecnología Utilizada
Python
PyTorch
scikit-learn
Azure ML
Grafana
PostgreSQL
