Detección de fallos en celdas de energia mediante Machine Learning

Caso de Uso

Las celdas de energía son dispositivos que se utilizan en hospitales en ciertos equipos especiales, estas celdas generan información en tiempo real (temperatura, corriente, resistencia, voltaje) si uno de los parámetros esta fuera del rango normal es posible que se produzca una fallo en la celda y por tanto en el equipo. Se requiere entrenar un modelo de machine learning que aprenda a identificar un fallo y emitir una alerta, adicionalmente se considera entrenar al modelo para predecir fallos y tener una respuesta proactiva.

Diseño

1. Se generan los datos para entrenar el modelo de machine learning, incluyendo datos con cuando las celdas funcionen de manera correcta o con error

2. El diseño del algoritmo se implementa la nube de aws mediante sagemaker, creando un notebook de Jupyter. Se entrena el modelo mediante un algoritmo de clasificación

3. Luego de entrenar el modelo, se despliega un end-point el cual escala el modelo, logrando la integración con la operación del negocio

4. Los datos de cada celda se envían en tiempo real al end-point para determinar si el modelo detecta una falla o un nivel de alerta, si detecta alguna anomalía el end-point envía un sms a un supervisor para corregir la celda.

Resultado

El diseño del algoritmo, el entrenamiento y su implementación se logró en 2 semanas. El despliegue se realizo 100% en cloud, permitiendo escalar la solución en caso de picos de demanda, garantizando la disponibilidad 100% de la solución.

El cliente no necesita registrar ni analizar de manera manual las celdas de energía, con machine learning la captura y predicción de fallas se hace en tiempo real y totalmente automatizado.

Detalle Técnico

En el video puede encontrar el detalle paso a paso de la implementación del caso de uso