Detección de Anomalías

La Detección de Anomalías es el sistema de monitoreo inteligente de Rela AI. En lugar de depender únicamente de umbrales fijos ("alerta si la temperatura supera 85°C"), este sistema aprende cómo se comporta normalmente cada equipo y detecta cuando algo es diferente — aunque no haya superado ningún umbral. Es la diferencia entre esperar a que ocurra el problema y anticiparlo.

¿Para qué sirve?

Los umbrales fijos tienen un problema fundamental: el mismo valor puede ser normal en un contexto y anómalo en otro. Una vibración de 4.5 mm/s en un compresor durante arranque matutino puede ser completamente normal. La misma vibración a las 3 AM, cuando el equipo lleva 8 horas en operación estacionaria, puede indicar que algo está cambiando.

La Detección de Anomalías resuelve esto aprendiendo el comportamiento normal del equipo en diferentes contextos (hora del día, día de la semana, condiciones de operación) y alertando cuando el comportamiento se desvía de lo normal, incluso antes de que cruce un umbral crítico.

Casos donde esto es crítico:

• Detectar desgaste gradual de rodamientos antes de la falla catastrófica
• Identificar ineficiencias energéticas que aparecen lentamente (consumo que sube 3% por semana)
• Detectar cambios de proceso que afectan calidad sin llegar a alarmas de límite
• Anticipar fallas en equipos cuyo comportamiento es difícil de parametrizar con umbrales simples

¿Cómo funciona?

El sistema usa dos métodos estadísticos complementarios:

Z-Score

El Z-Score mide cuántas desviaciones estándar se aleja un valor de la media normal del equipo. Piénsalo así: si la temperatura normal de un motor oscila entre 68°C y 72°C (media 70°C, desviación estándar 1°C), un valor de 73°C tiene Z-Score de 3 — está a 3 desviaciones estándar de la media. Esto es estadísticamente inusual.

El sistema usa por defecto un umbral de 3 desviaciones estándar para detectar anomalías — esto significa que en condiciones normales, solo el 0.3% de las lecturas activarían una alerta por variación natural.

IQR (Rango Intercuartil)

El IQR es más robusto para datos que no siguen una distribución simétrica. Calcula el rango entre el percentil 25 y el percentil 75 de los datos históricos y marca como anómalos los valores que quedan muy por fuera de ese rango. Este método funciona bien con equipos que tienen ciclos de operación variables.

Contexto temporal

El sistema aprende el comportamiento según la hora del día y el día de la semana. Sabe que el consumo energético los lunes a las 8 AM es diferente al de los domingos a las 3 AM. Una anomalía se evalúa siempre en su contexto temporal, no contra una media global.

Entrenamiento del modelo

Para que el sistema aprenda el comportamiento normal de un equipo, necesita datos históricos:

• Mínimo recomendado: 500 lecturas de datos y 30 días de historial
• Con menos datos, el modelo funciona pero puede generar más falsas alarmas
• El modelo se re-entrena periódicamente para adaptarse a cambios graduales del equipo

¿Cómo usarlo?

Configurar la detección para un equipo

1. Ve a Calidad > Detección de Anomalías en la barra lateral.
2. Haz clic en Nueva Configuración.
3. Selecciona la fuente de datos (el sensor o fuente de eventos conectada).
4. Selecciona la métrica a monitorear (ej: vibración_rms, temperatura, consumo_kw).
5. Define la sensibilidad:

6. Selecciona los métodos de detección: Z-Score, IQR, o ambos (recomendado usar ambos).
7. Define la ventana de entrenamiento — cuántos días de datos históricos usar para aprender el comportamiento normal.
8. Activa la configuración.

Entrenar el modelo

Después de crear la configuración, inicia el entrenamiento:

1. Abre la configuración creada.
2. Haz clic en Entrenar Modelo.
3. El sistema procesará los datos históricos. Este proceso toma de segundos a minutos según la cantidad de datos.
4. Cuando el entrenamiento completa, la detección queda activa.

Revisar anomalías detectadas

Una vez activo, el sistema muestra las anomalías detectadas con:

Los activos con criticidad "crítica" tienen un multiplicador en el score — la misma desviación en un equipo crítico genera una alerta de severidad mayor que en uno de baja criticidad.

Tres tipos de anomalías

Dar retroalimentación al sistema

Cuando el sistema detecta una anomalía, puedes indicarle si fue correcta o un error:

El sistema usa esta retroalimentación para ajustar el modelo en el próximo re-entrenamiento, reduciendo gradualmente las falsas alarmas.

Beneficios clave

• Detección sin umbrales manuales — el sistema aprende solo lo que es normal
• Detecta desviaciones graduales que los umbrales fijos nunca captarían
• Contexto temporal — sabe que el comportamiento normal es diferente a las 3 AM que a las 3 PM
• La criticidad del activo afecta la severidad — más sensible en equipos críticos
• Mejora con retroalimentación — cada corrección hace el modelo más preciso
• Alertas tempranas antes de que el problema llegue a ser una falla costosa

Casos de uso comunes

Escenario 1: Anticipar falla de rodamiento El sensor de vibración del motor M-04 lleva 3 semanas mostrando valores dentro del límite (3.8 mm/s, umbral de alarma 7.5 mm/s). Pero la detección de anomalías nota que la vibración ha estado subiendo gradualmente a razón de 0.15 mm/s por semana — una deriva que un umbral fijo no captaría. Genera una alerta de "deriva gradual" con severidad media. El jefe de mantenimiento la revisa, confirma la tendencia en el gráfico histórico, y programa el cambio preventivo de rodamientos para el siguiente sábado. La falla catastrófica que hubiera ocurrido en 2-3 semanas se evitó.

Escenario 2: Detectar consumo energético anómalo nocturno El sistema aprende que el consumo energético de la Línea B es de ~45 kW durante producción diurna y ~8 kW en las noches (equipos en standby). Un miércoles a las 1 AM, el consumo registra 38 kW — dentro del rango diurno pero completamente anómalo para ese horario. La detección genera una anomalía contextual. La investigación revela que alguien dejó un horno de curado encendido por error. Se corrige el problema y se evita un costo energético innecesario.

Escenario 3: Reducir falsas alarmas con retroalimentación Al configurar la detección del compresor C-02 con sensibilidad alta, el sistema genera 8 falsas alarmas en la primera semana — todas durante las rutinas de limpieza diaria (cuando el compresor tiene un comportamiento distinto al normal). El operador marca cada una como "falsa alarma" con la nota "limpieza programada". En el siguiente ciclo de entrenamiento, el modelo aprende que ese comportamiento durante ese horario específico es normal, y las falsas alarmas desaparecen.