Excelencia en el mantenimiento predictivo con MongoDB Atlas

Priorización y Análisis de criticidad de maquinaria

Figura 2. Diagrama de 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 los parámetros de producción y la frecuencia de fallas de las máquinas.

• 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, y luego utiliza la búsqueda vectorial para buscar semánticamente 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 necesitan atención primero.

Predicción de fallas

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. Stream Processing: El sistema transforma los datos brutos del sensor.

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

4. Detección de cambios: los flujos de cambios supervisan los datos en busca de variaciones significativas.

5. Inferencia de aprendizaje automático: Un modelo entrenado predice posibles fallas.

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

Generación de plan de mantenimiento

Figura 4. Diagrama del sistema de generación de órdenes de trabajo basada en inteligencia artificial

Esta etapa automatiza la generación de órdenes de trabajo de mantenimiento mediante la siguiente arquitectura:

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

2. Almacenamiento vectorial: La solución almacena las 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 una pipeline de agregación y crea planes de reparación detallados.

Generación de orientación de mantenimiento

Figura 5. El flujo de trabajo RAG mejora las instrucciones de reparación para los técnicos

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

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

2. Traducción: Procesa contenidos no inglés a través de modelos de traducción.

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

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