Excelencia en el mantenimiento predictivo con MongoDB Atlas

Análisis de criticidad y priorización de máquinas

Figura 2. Diagrama del sistema de IA para recomendaciones de priorización de máquinas.

Esta etapa utiliza RAG para determinar qué máquinas requieren mantenimiento predictivo. El sistema procesa dos tipos de datos de entrada:

• Datos estructurados, como parámetros de producción y frecuencia de averías de la máquina.

• Datos no estructurados, como el conocimiento institucional almacenado en documentos PDF.

El flujo de trabajo agrega y operacionaliza ambos tipos de datos como incrustaciones vectoriales en MongoDB Atlas. Posteriormente, utiliza la Búsqueda Vectorial para realizar búsquedas semánticas en la base de datos. Los resultados de la búsqueda proporcionan contexto relevante a un LLM, a través de Amazon Bedrock o Cohere, que genera respuestas a consultas de priorización. Esto ayuda a los equipos de mantenimiento a tomar decisiones basadas en datos sobre qué máquinas requieren atención primero.

Predicción de fallos

Figura 3. Supervisión de sensores en tiempo real con MongoDB Atlas

Esta etapa procesa los datos de sensores en tiempo real de las máquinas para la predicción de fallas a través de seis etapas clave:

1. Recopilación de datos: una máquina priorizada captura métricas como el tipo de producto, la temperatura, la velocidad y el desgaste de la herramienta.

2. Procesamiento de flujo: el sistema transforma los datos sin procesar del sensor.

3. Almacenamiento de datos: Los datos se almacenan en MongoDB Atlas.

4. Detección de cambios: los flujos de cambio monitorean los datos para detectar cambios significativos.

5. Inferencia de ML: un modelo entrenado predice posibles fallas.

6. Salida dual: Atlas Charts visualiza los datos y Change Streams habilita las notificaciones móviles.

Generación de planes de mantenimiento

Figura 4. Diagrama del sistema de generación de órdenes de trabajo impulsado por IA

Esta etapa automatiza la creación de órdenes de trabajo de mantenimiento a través de la siguiente arquitectura:

1. Procesamiento de documentos: la solución divide los manuales de las máquinas y las órdenes de trabajo antiguas en fragmentos y los convierte en vectores utilizando modelos de integración Cohere.

2. Almacenamiento vectorial: la solución almacena incrustaciones en MongoDB Atlas.

3. Generación de órdenes de trabajo: una aplicación especializada utiliza LLM para generar plantillas de órdenes de trabajo, extrae información de inventario y recursos a través de un canal de agregación y crea planes de reparación detallados.

Generación de guías de mantenimiento

Figura 5. El flujo de trabajo de RAG mejora las instrucciones de reparación del técnico.

Esta etapa usa RAG para mejorar las instrucciones del operador con la siguiente arquitectura:

1. Procesamiento de notas de servicio: convierte notas de servicio PDF multilingües en texto.

2. Traducción: procesa contenido que no está en inglés a través de modelos de traducción.

3. Generación de instrucciones: utiliza LLM para combinar notas de servicio traducidas con planes de reparación originales.

4. Entrega: Provee a los técnicos instrucciones actualizadas de mantenimiento a través de una aplicación móvil.