Beneficios
Implementa modelos machine learning a través de UbiFunctionsin necesidad de tener conocimientos de ciencia de datos.
Detecte las anomalías con antelación y actúe antes de que los fallos interrumpan sus operaciones.
Planifique el mantenimiento en función de los datos de uso reales, no de intervalos de tiempo arbitrarios.
Detecta al instante comportamientos inesperados en los equipos mediante alertas basadas en promedios móviles.
Comience con reglas de umbral y, a medida que sus datos maduren, vaya desarrollando pipelines de aprendizaje automático completos.
Combina la recopilación, el procesamiento, la visualización y la predicción de datos en un solo lugar.
IoT en acción
Cómo funciona
Ubidots Machine Learning conecta sus activos industriales a un potente sistema de análisis, transformando los datos de series temporales en decisiones de mantenimiento fiables.
Conecta sensores de vibración, temperatura, energía y tiempo de funcionamiento. Ubidots procesa datos de series temporales de cualquier fuente y los organiza para su análisis en tiempo real.
Utilice variables sintéticas y promedios móviles para realizar un seguimiento del comportamiento de los equipos a lo largo del tiempo. Identifique desviaciones de los patrones operativos normales con la detección de anomalías integrada.
Implementa modelos de aprendizaje automático basados en Python mediante UbiFunctionpara predecir fallos antes de que ocurran. Activa alertas automatizadas y flujos de trabajo de mantenimiento en el momento en que se supere un umbral de riesgo.
Características principales
Supervise el uso real de la máquina con variables sintéticas para permitir la programación del mantenimiento en función del uso.
Analizar los datos de vibración en el dominio del tiempo y en el dominio de la frecuencia para detectar los primeros signos de fallos mecánicos.
Detecta automáticamente comportamientos inesperados en los equipos mediante algoritmos de media móvil configurables.
Ejecuta modelos machine learning de Python sin servidor a través de UbiFunctionsin gestionar la infraestructura.
Reciba notificaciones instantáneas cuando las lecturas de los sensores superen los umbrales de funcionamiento seguros previstos.
Ingiere y procesa datos de sensores de alta frecuencia procedentes de cualquier dispositivo o protocoloIoT .
Visualice el estado de los equipos, las predicciones y el estado de mantenimiento en dashboardspersonalizables en tiempo real.
Aplique modelos predictivos a flotas completas de máquinas desde una única vista unificada.
Conecte cualquier sensor, PLC o sistema externo a través de la API REST, MQTT o integraciones nativas.
Quantify Environmental utiliza sensores IoT inalámbricos y dashboards Ubidots para convertir los datos de servicios públicos en información en tiempo real, lo que ayuda a los clientes industriales a controlar el consumo de agua, energía y gas, detectar ineficiencias y actuar antes de que aumenten los costes.
$en ahorros anuales para los clientes gracias a la optimización del consumo de agua, electricidad y gas.
Se han conservado millones de litros de agua dulce y se han evitado toneladas de emisiones de CO₂, lo que ha permitido alcanzar resultados de sostenibilidad cuantificables.
Mejora de la supervisión operativa con visibilidad en tiempo real del consumo de servicios públicos y el rendimiento de los equipos.
Historia de éxito
Casos de uso
Tom Ulanowski
Cofundador
UbidotsUbidotsUbidotsUbidots utiliza UbidotsUbidotsUbidotsUbidots para monitorear los servicios públicos en diferentes instalaciones, lo que ayuda a sus clientes a reducir costos mediante datos y alertas en tiempo real.
Resultados:
Steve Barker
Fundador y director ejecutivo
Prospect Control utiliza Ubidots para brindar monitoreo remoto del nivel de tanques para clientes industriales, reemplazando configuraciones complejas de PLC/SCADA con una solución IoT escalable basada en la web.
Resultados:
Darryl Schembri
Gerente general
AIS Technology utiliza Ubidots para monitorear el consumo de electricidad, agua y gas en edificios con múltiples inquilinos, lo que permite visibilidad en tiempo real, facturación automatizada y una respuesta más rápida a las ineficiencias.
Resultados:
Onofre Tamargo
CEO y cofundador
S4IoT utiliza Ubidots para monitorear de forma remota los sistemas de riego en jardines urbanos, lo que ayuda a los clientes a reducir los costos de mantenimiento, prevenir la pérdida de plantas y pasar de operaciones manuales a un modelo escalable basado en suscripción.
Resultados:
Ayuda y soporte
¿Tienes preguntas sobre Ubidots? Aquí tienes algunas de las consultas más frecuentes para ayudarte a empezar.
No. Ubidots ofrece una progresión desde lo simple hasta lo avanzado. Puedes comenzar con alertas basadas en umbrales y contadores de uso creados con variables sintéticas, sin necesidad de programar. A medida que tus datos maduren, puedes incorporar la detección de anomalías mediante promedio móvil y, finalmente, implementar modelos de aprendizaje automático en Python a través de UbiFunction, todo dentro de la misma plataforma y sin un equipo de ciencia de datos dedicado.
Ubidots admite cuatro enfoques: mantenimiento basado en el uso (seguimiento del tiempo de ejecución mediante variables sintéticas), monitorización de vibraciones (análisis RMS en el dominio del tiempo y FFT en el dominio de la frecuencia), detección de anomalías mediante promedio móvil (señalización de desviaciones de los patrones operativos normales) e implementación de modelos de aprendizaje automático (ejecución de modelos de clasificación o regresión de Python mediante UbiFunctionpara predecir fallos o estimar el tiempo hasta el fallo).
Los modelos se implementan como scripts de Python a través de UbiFunction, el entorno de ejecución sin servidor de Ubidots. El flujo de trabajo típico consiste en recuperar los últimos valores de los sensores, preprocesar los datos y diseñar características como promedios móviles, cargar el modelo entrenado, generar una predicción y escribir el resultado en una variable Ubidots , donde puede activar alertas automatizadas o visualizarse en un dashboard.
Las variables más útiles son el estado de funcionamiento (ENCENDIDO/APAGADO), el número de ciclos, los valores RMS o pico de vibración, la temperatura y el consumo de energía. El contexto ambiental, como la humedad o la calidad del aire, aporta información predictiva adicional. La clave reside en comenzar a registrar datos de inmediato, tanto en condiciones normales como de fallo, ya que los eventos de fallo etiquetados son los que garantizan la precisión de los modelos de aprendizaje automático a lo largo del tiempo.
