Benefícios
Implante modelos machine learning por meio do UbiFunctionsem precisar de conhecimento prévio em ciência de dados.
Detecte anomalias precocemente e aja antes que as falhas interrompam suas operações.
Programar a manutenção com base em dados reais de utilização, e não em intervalos de tempo arbitrários.
Identifique instantaneamente comportamentos inesperados do equipamento com alertas baseados em médias móveis.
Comece com regras de limite e evolua para pipelines de aprendizado de máquina completos à medida que seus dados amadurecem.
Combine a coleta, o processamento, a visualização e a previsão de dados em um só lugar.
IoT em ação
Como funciona
Ubidots Machine Learning conecta seus ativos industriais a um poderoso pipeline de análise, transformando dados de séries temporais em decisões de manutenção confiáveis.
Conecte sensores de vibração, temperatura, energia e tempo de execução. Ubidots ingere dados de séries temporais de qualquer fonte e os organiza para análise em tempo real.
Utilize variáveis sintéticas e médias móveis para monitorar o comportamento do equipamento ao longo do tempo. Identifique desvios dos padrões normais de operação com a detecção de anomalias integrada.
Implante modelos de aprendizado de máquina baseados em Python por meio de UbiFunctionpara prever falhas antes que elas ocorram. Acione alertas automatizados e fluxos de trabalho de manutenção no momento em que um limite de risco for ultrapassado.
Principais características
Monitore o uso real da máquina com variáveis sintéticas para permitir o agendamento de manutenção com base no uso.
Analise dados de vibração nos domínios do tempo e da frequência para detectar sinais precoces de falha mecânica.
Sinalize automaticamente comportamentos inesperados do equipamento usando algoritmos de média móvel configuráveis.
Execute modelos machine learning em Python sem servidor por meio de UbiFunction, sem precisar gerenciar a infraestrutura.
Receba notificações instantâneas quando as leituras dos sensores excederem os limites operacionais seguros previstos.
Ingerir e processar dados de sensores de alta frequência provenientes de qualquer dispositivo ou protocoloIoT .
Visualize o estado de saúde dos equipamentos, previsões e status de manutenção em dashboardspersonalizáveis em tempo real.
Aplique modelos preditivos em frotas inteiras de máquinas a partir de uma única visão unificada.
Conecte qualquer sensor, PLC ou sistema externo via API REST, MQTT ou integrações nativas.
Quantify Environmental utiliza sensores IoT sem fio e dashboards Ubidots para transformar dados de serviços públicos em insights em tempo real, ajudando clientes industriais a monitorar o uso de água, energia e gás, detectar ineficiências e agir antes que os custos aumentem.
$Economia anual superior a através da otimização do consumo de água, eletricidade e gás.
Milhões de litros de água doce foram conservados e toneladas de emissões de CO₂ foram evitadas, gerando resultados mensuráveis em termos de sustentabilidade.
Melhoria na supervisão operacional com visibilidade em tempo real do consumo de energia e do desempenho dos equipamentos.
História de sucesso
Casos de uso
Tom Ulanowski
Cofundador
UbidotsUbidotsUbidotsUbidots utiliza UbidotsUbidotsUbidotsUbidots para monitorar serviços públicos em diversas instalações, ajudando os clientes a reduzir custos por meio de dados e alertas em tempo real.
Resultados:
Steve Barker
Fundador e CEO
A Prospect Control utiliza Ubidots para fornecer monitoramento remoto do nível de tanques para clientes industriais, substituindo configurações complexas de PLC/SCADA por uma solução IoT escalável e baseada na web.
Resultados:
Darryl Schembri
Director Geral
A AIS Technology utiliza Ubidots para monitorar o consumo de eletricidade, água e gás em edifícios com múltiplos inquilinos, permitindo visibilidade em tempo real, faturamento automatizado e resposta mais rápida a ineficiências.
Resultados:
Onofre Tamargo
CEO e cofundador
A S4IoT utiliza Ubidots para monitorar remotamente sistemas de irrigação em jardins urbanos, ajudando os clientes a reduzir custos de manutenção, evitar a perda de plantas e migrar de operações manuais para um modelo escalável baseado em assinatura.
Resultados:
Ajuda e suporte
Tem dúvidas sobre Ubidots? Aqui estão algumas das perguntas mais frequentes para ajudar você a começar.
Não. Ubidots oferece uma progressão do simples ao avançado. Você pode começar com alertas baseados em limites e contadores de uso construídos com variáveis sintéticas — sem necessidade de programação. À medida que seus dados amadurecem, você pode adicionar detecção de anomalias por média móvel e, eventualmente, implantar modelos de aprendizado de máquina em Python por meio de UbiFunction, tudo dentro da mesma plataforma e sem uma equipe dedicada de ciência de dados.
Ubidots suporta quatro abordagens: manutenção baseada no uso (rastreamento do tempo de execução por meio de variáveis sintéticas), monitoramento de vibração (análise RMS no domínio do tempo e FFT no domínio da frequência), detecção de anomalias por média móvel (sinalização de desvios dos padrões normais de operação) e implantação de modelos de aprendizado de máquina (execução de modelos de classificação ou regressão em Python por meio de UbiFunctionpara prever falhas ou estimar o tempo até a falha).
Os modelos são implementados como scripts Python por meio do UbiFunction, o ambiente de execução sem servidor da Ubidots. O fluxo de trabalho típico consiste em: recuperar os valores mais recentes dos sensores, pré-processar os dados e criar recursos como médias móveis, carregar o modelo treinado, gerar uma previsão e gravar o resultado de volta em uma variável Ubidots — onde ele pode acionar alertas automatizados ou ser visualizado em um dashboard.
As variáveis mais úteis são o status de funcionamento (ligado/desligado), a contagem de ciclos, os valores RMS ou de pico de vibração, a temperatura e o consumo de energia. O contexto ambiental, como umidade ou qualidade do ar, adiciona informações preditivas adicionais. O essencial é começar a registrar os dados imediatamente — incluindo dados de condições normais e de falha — já que os eventos de falha rotulados são o que tornam os modelos de aprendizado de máquina precisos ao longo do tempo.
