中芸汇科技
LogísticaIoTAIAutomatizaciónChina

Mantenimiento predictivo IoT+AI para logística de cadena de frío en el este de China

Mantenimiento predictivo IoT+AI para logística de cadena de frío en el este de China

Contexto del proyecto

El cliente es una de las 10 principales empresas de logística de China, con más de 50 centros de clasificación en todo el país y activos en equipos que superan los 1.000 millones de RMB. El modelo tradicional de mantenimiento correctivo provocaba fallos frecuentes, con pérdidas superiores a 20 millones de RMB al año por paradas de equipos.

Principales dificultades

  • Fallos impredecibles: Los fallos en los equipos ocurrían de forma repentina, sin mecanismos de alerta temprana.
  • Mantenimiento excesivo: Se realizaba mantenimiento en intervalos fijos, sin considerar el estado real del equipo, desperdiciando recursos humanos y materiales.
  • Datos inutilizados: Los datos de los sistemas PLC/SCADA no se aprovechaban de manera efectiva.
  • Baja eficiencia en reparaciones: Tras un fallo, la localización manual de la avería suponía un tiempo medio de reparación de 4 horas.

    • Solución

    Construimos un sistema integral de mantenimiento predictivo IoT+AI para el cliente:

    1. Capa de adquisición de datos IoT

  • Despliegue de sensores de vibración, temperatura y corriente en equipos críticos (motores de cintas transportadoras, clasificadores, elevadores).
  • Soporte para múltiples protocolos: Modbus, OPC-UA, MQTT.
  • Pasarelas edge realizan preprocesado de datos y extracción de características, reduciendo los costos de transmisión a la nube.

    • 2. Motor de predicción con IA

  • Modelo de detección de anomalías temporales basado en LSTM+Transformer.
  • Predicción de fallos con 7 días de antelación y una precisión del 92%.
  • Identificación automática del tipo de fallo (desgaste de rodamientos, desequilibrio, desalineación, etc.).
  • Proporciona ventanas de mantenimiento y prioridades recomendadas.

    • 3. Panel de control visual de operaciones

  • Visualización en tiempo real del estado de salud de todos los equipos (niveles verde/amarillo/rojo).
  • Línea de tiempo de predicción de fallos, facilitando la planificación anticipada del equipo de mantenimiento.
  • Archivado automático de registros de mantenimiento, creando un historial completo del ciclo de vida del equipo.

    • 4. Sistema automatizado de órdenes de trabajo

  • Generación automática de órdenes de mantenimiento al detectar anomalías la IA.
  • Asignación automática del ingeniero de mantenimiento más adecuado según el tipo de fallo.
  • Verificación automática del inventario de repuestos, activando solicitudes de compra cuando hay escasez.

    • Datos de resultados

    IndicadorAntesDespuésMejora
    Tasa de paradas por fallos12%1,5%87,5%
    Costo de mantenimiento anual8 millones4,4 millones-45%
    Tiempo medio de reparación4 horas1,5 horas62,5%
    Rotación de inventario de repuestos90 días45 días50%
    Paradas no planificadas36 veces/año5 veces/año86%

    Stack tecnológico

  • IoT: Protocolos Modbus/OPC-UA/MQTT, pasarela edge (ARM Linux)
  • AI/ML: Python, PyTorch, LSTM, Transformer
  • Backend: Go, InfluxDB (base de datos de series temporales), PostgreSQL
  • Frontend: React, ECharts (panel de visualización)
  • Despliegue: Docker, Kubernetes, nube híbrida

    • “Tras medio año de funcionamiento del sistema de mantenimiento predictivo, hemos evitado 3 fallos importantes en los equipos, cada uno de los cuales habría supuesto pérdidas de millones. Esta es una verdadera toma de decisiones basada en datos.”

    Responsable del proyecto del cliente

    Oficina de Transformación Digital

    Casos relacionados

    Despliegue privado de un LLM y aplicación de control de riesgos en un banco por acciones
    FinanzasAIDespliegue privadoAutomatización

    Despliegue privado de un LLM y aplicación de control de riesgos en un banco por acciones

    Before

    Aprobación de crédito: 3 días, tasa de omisión de riesgos: 3%

    After

    Aprobación de crédito: 4 horas, tasa de omisión de riesgos: 0.5%

    Proyecto de optimización de operaciones MLOps para el sistema de recomendación de IA de una plataforma de comercio electrónico
    MinoristaAIMLOpsAutomatización

    Proyecto de optimización de operaciones MLOps para el sistema de recomendación de IA de una plataforma de comercio electrónico

    Before

    Utilización de GPU: 35%, costo mensual: 800.000

    After

    Utilización de GPU: 82%, costo mensual: 440.000

    Proyecto de Integración de Entrada Inteligente ERP+IA del Grupo Farmacéutico Huadong
    ManufacturaIAIntegraciónAutomatización

    Proyecto de Integración de Entrada Inteligente ERP+IA del Grupo Farmacéutico Huadong

    Before

    Entrada manual 2 h/pedido, tasa de error 8%

    After

    Entrada con IA 5 min/pedido, tasa de error 0.5%

    Casos de éxito