Mantener el equipo que impulsa nuestro mundo.



La mayoría de la gente solo piensa en los sistemas que alimentan sus ciudades cuando hay un problema. Desafortunadamente, muchas personas en el área de la Bahía de San Francisco han tenido muchas cosas en que pensar recientemente cuando su compañía de servicios públicos comenzó los apagones programados para evitar incendios forestales. La decisión se tomó después de que se descubrieran incendios devastadores el año pasado debido a equipos defectuosos, incluidos los transformadores.

Los transformadores son los enlaces entre plantas de energía, líneas de transmisión de electricidad y redes de distribución. En el caso de un problema con un transformador, las centrales eléctricas enteras pueden oscurecerse. Para resolver el problema, los operadores trabajan las 24 horas del día para evaluar los diferentes componentes de la fábrica, tener en cuenta las fuentes de datos dispares y decidir qué debe repararse o reemplazarse.

El mantenimiento y la falla del equipo eléctrico es un problema tan grande que es difícil colocarle un signo de dólar. Más allá de la pérdida de ingresos de la fábrica, hay negocios que no pueden operar, personas atrapadas en ascensores y trenes subterráneos, y escuelas que no pueden abrir.

Ahora, la startup Tagup está trabajando para modernizar el mantenimiento de transformadores y otros equipos industriales. La plataforma empresarial permite a los operadores ver todos sus flujos de datos en un solo lugar y utilizar el aprendizaje automático para estimar si los componentes fallarán y cuándo.

Fundado por el CEO Jon Garrity & # 39; 11 y el Director Técnico Will Vega-Brown & # 39; 11, SM & # 39; 13, quien recientemente completó su programa de doctorado en el Departamento de Ingeniería Mecánica del MIT y obtendrá su graduándose este mes: las empresas de energía utilizan actualmente el etiquetado para monitorear alrededor de 60,000 equipos en América del Norte y Europa. Esto incluye, entre otros, transformadores, turbinas eólicas en alta mar y sistemas de ósmosis inversa para filtración de agua.

"Nuestra misión es usar IA para hacer que las máquinas que impulsan el mundo sean más seguras, más confiables y más eficientes", dice Garrity.

Se enciende una bombilla

Vega-Brown y Garrity se han cruzado con MIT de varias maneras a lo largo de los años. Como estudiantes universitarios, tomaron algunos de los mismos cursos, con doble especialización de Vega-Brown en ingeniería mecánica y física y doble especialidad de Garrity en economía y física. También eran hermanos de fraternidad y compañeros de equipo del equipo de fútbol.

Más tarde, cuando Garrity regresó al campus mientras asistía a la Harvard Business School y Vega-Brown estaba cursando su doctorado, nuevamente fueron compañeros de clase durante el MIT en compañías de energía.

Sin embargo, los fundadores no pensaron en iniciar un negocio hasta 2015, después de que Garrity había trabajado en GE Energy y Vega-Brown había ingresado a su doctorado en la computadora y el laboratorio de computación. MIT inteligencia artificial.

En GE, Garrity descubrió un modelo de negocio intrigante a través del cual los clientes alquilaban activos críticos, como motores a reacción, en este caso, aerolíneas, en lugar de comprarlos, y los fabricantes eran responsables del monitoreo y mantenimiento a distancia. El acuerdo permitió a GE y a otros aprovechar su experiencia en ingeniería mientras los clientes se enfocaban en sus propias industrias.

“Cuando trabajaba en GE, siempre me preguntaba: ¿por qué este servicio no está disponible para todos los tipos de equipos? La respuesta es económica ”, dijo Garrity. "Es costoso establecer un centro de monitoreo remoto, instrumentar equipos en el campo, dar personal a 50 o más expertos en ingeniería y brindar la asistencia requerida a los clientes finales . El costo de la falla del equipo, tanto en términos de interrupción del negocio como de falla del equipo, debe ser enorme para justificar el alto costo fijo promedio. "

"Hicimos dos cosas", dice Garrity. "Con la creciente disponibilidad de sensores e infraestructura en la nube, podemos reducir significativamente el costo (de monitorear los activos críticos) en el lado de la infraestructura y las comunicaciones". Y, con los nuevos métodos de aprendizaje automático, podemos aumentar la productividad de los ingenieros que examinan los datos del equipo manualmente. "

Esta realización llevó a Tagup, pero tomaría tiempo probar la tecnología de los fundadores. "El problema con el uso de IA para aplicaciones industriales es la falta de datos de alta calidad", dice Vega-Brown. "Muchos de nuestros clientes tienen conjuntos de datos gigantes, pero la densidad de información en los datos industriales suele ser bastante baja. Esto significa que debemos ser muy cuidadosos en la forma en que buscamos señales y validamos nuestros modelos, para que podamos hacer pronósticos precisos y pronósticos confiables. "

Los fundadores usaron sus vínculos con el MIT para iniciar el negocio. Recibieron asesoramiento del Servicio de Mentoría de Empresas del MIT, y Tagup fue parte de la primera cohorte de nuevas empresas aceptadas en el acelerador STEX 25 del Programa de Enlace Industrial (ILP) del MIT, que conecta nuevas empresas de alto potencial con miembros de l & # 39; industria. Desde entonces, Tagup ha asegurado múltiples clientes a través de ILP, y estas primeras asociaciones han ayudado a la compañía a capacitar y validar algunos de sus modelos de aprendizaje automático.

Hacer el poder más confiable

La plataforma Tagup combina todos los datos del equipo de un cliente en una lista maestra ordenable que muestra la probabilidad de que cada activo cause una interrupción. Los usuarios pueden hacer clic en recursos específicos para ver gráficos de datos históricos y tendencias que alimentan los modelos de etiquetado.

La compañía no implementa ningún sensor limpio. En cambio, combina mediciones de sensores en tiempo real de los clientes con otras fuentes de datos, como registros de mantenimiento y parámetros de la máquina, para mejorar sus modelos de aprendizaje automático patentados.

Los fundadores también comenzaron con un enfoque específico para construir su sistema. Los transformadores fueron uno de los primeros tipos de equipos con los que trabajaron, y se extendieron gradualmente a otros grupos de activos.

El primer despliegue de Tagup tuvo lugar en agosto de 2016 con una planta de energía que da al río Charles cerca del campus del MIT. Pocos meses después de la instalación, Garrity estaba en una reunión en el extranjero cuando recibió una llamada del gerente de la fábrica sobre un transformador que se había desconectado inesperadamente. Desde su teléfono, Garrity pudo inspeccionar datos en tiempo real del transformador y un sensor de gas, y le dio al gerente la información que necesitaba para reiniciar el sistema. Garrity dice que le ha ahorrado a la planta unas 26 horas de inactividad y $ 150,000 en ingresos.

"Estos son eventos verdaderamente catastróficos en términos de resultados comerciales", dijo Garrity, señalando

Se espera que las fallas de los transformadores cuesten $ 23 mil millones al año.

Desde entonces, se han asociado con varias grandes empresas de servicios públicos, incluidas National Grid y Consolidated Edison Company de Nueva York.

En última instancia, Garrity y Vega-Brown están encantados de utilizar el aprendizaje automático para controlar el funcionamiento del equipo. Por ejemplo, una máquina podría manejarse de la misma manera que un automóvil autopropulsado puede detectar un obstáculo y rodearlo.

Estas capacidades tienen implicaciones importantes para los sistemas que aseguran que las luces se enciendan cuando operamos los interruptores por la noche.

"Donde se vuelve realmente emocionante es hacia la optimización", dice Garrity. Vega-Brown está de acuerdo, y agrega: "Se desperdician enormes cantidades de energía y agua ya que no hay suficientes expertos para tratar con ellos". controladores en todas las máquinas industriales del mundo. Si podemos usar IA para capturar parte del conocimiento experto en un algoritmo, podemos reducir la ineficiencia y mejorar la seguridad a gran escala. "

Deja un comentario