Hackathon the 5 min pitch - a base for development v1.0
1. Privado y Confidencial - Ver nota en la primera pagina
HACKATHON ORGANIZADO POR
RETOLAB
SEGUNDA CONVOCATORIA
RETO ECOPETROL
Septiembre 15 y 16, 2020
EQUIPO: STRATECHSYS SAS, con APOYO DE PHOENIX AMC INC.
P R E D I C T
2. Privado y Confidencial - Ver nota en la primera pagina
El Reto de Ecopetrol
¿Cómo identificar comportamientos anómalos
en las condiciones operacionales para disminuir
las fallas en equipos como turbocompresor
centrífugo (turbomaquinaria), que permita
tener una operación continua, toma de
decisiones y hacer ajustes operacionales
oportunos?
NECESITAMOS 50 OJOS Y 20 CEREBROS!!!
P R E D I C T
3. Privado y Confidencial - Ver nota en la primera pagina
IDENTIFICACION DE LA
SOLUCION
• Nombre de la Solución: PREDICT
• Descripción de la Solución:
• Solución inteligente para la detección de anomalías en
maquinarias críticas en plantas industriales en el marco de
Industry 4.0.
• El Equipo de Trabajo:
• Ricardo Gutierrez – Líder del Equipo y Arquitecto de la
Solución
• Juan Carlos Albornoz – Desarrollador
• Dean Sisler – Líder de Negocios del Equipo y especialista
en mantenimiento y confiabilidad
• Tecnologías utilizadas:
• Microsoft Azure Data Explorer; Jupyter Notebooks;
Anaconda
P R E D I C T
4. Privado y Confidencial - Ver nota en la primera pagina
El Producto Desarrollado – Hoja de
Ruta
• Lo que hemos hecho
• Investigación de Mercado
• Prueba de concepto
• Lo que nos pidieron:
• Identificación de anomalías (constituye el Producto
Mínimo Viable)
• Visualización
• Alimentación automática del modelo
• Predicción de fallas
• Estrategias de mantenimiento
P R E D I C T
This Photo by Unknown Author is licensed under CC BY-NC
5. Privado y Confidencial - Ver nota en la primera pagina
Diagrama Arquitectónico Mostrando la Interacción de los
Componentes de Tecnología y de Mantenimiento y Confiabilidad
Recibir datos necesarios
de acuerdo al propósito y
alcance del proyecto
Cargar datos en la nube.
Limpiar, analizar
Datos históricos para
Entrenar al Modelo (ML)
Microsoft Azure Data Explorer
Algoritmo de Anomalías en Series
De Tiempo - ML
Microsoft Azure Data Explorer
Herramientas de Carga (ingestión)
Científicos de
datos
Expertos en
Mantenimiento
y Confiabilidad
Desarrollo y
Análisis del
Arbol de Fallas
Identificación
De las variables
en los P&IDs
Identificación
De las variables
En los datos
recibidos
Analizar datos
Efectuar Análisis
De Fallas y Efectos
(FMEA)
Analizar y
Aprobar
El Modelo
Visualización de anomalías
Plantillas ayuda
Para Tipos de
Equipos
Plantillas ayuda
Para Tipos de
Equipos
Monitorear
Reportes y
Tomar acción
Microsoft Azure Data Explorerrer
Tableros de Control
P R E D I C T
Jupyter Notebooks
Microsoft Azure Data Explorer
Tecnologías de Streaming
Datos de producción (streaming)
6. Privado y Confidencial - Ver nota en la primera pagina
Diferenciación
•Dos equipos:
• Negocio.
• Tecnología
• Experiencia
• Años en oil& gas y Azure
• Modelo Escalable en tecnología y en el
número de máquinas a atender.
• Unión persistente
P R E D I C T
7. Privado y Confidencial - Ver nota en la primera pagina
Modelo de Negocio
• Stratechsys contribuye sus conocimientos de tecnología Industry 4.0
• Phoenix AMC contribuye sus conocimientos en mantenimiento IAM, ISO 55000, ISO 14224 y otros
estándares y normas)
• Desarrollo de Negocios en: Colombia, Canadá, Medio Oriente (Península Arábica)
• Prueba de concepto Península Arábica. Es extensible a otros tipos de maquina en cualquier sector de la
industria
P R E D I C T