Mantenimiento predictivo: Cómo la tecnología anticipa fallos y maximiza la producción

Los sistemas de mantenimiento predictivo basados en condición utilizan datos para anticipar fallos en equipos. Los enormes avances en la miniaturización de la electrónica y su abaratamiento en costes hacen posible la incorporación de sensores de vibración o temperatura en máquinas rotativas y en muchos equipos y elementos susceptibles de fallos mecánicos o térmicos. Por otro lado, la incorporación de estrategias de IA en la gestión de toda esta información operacional proporciona a los responsables del mantenimiento de la planta herramientas ya imprescindibles para evitar paradas o pérdidas productivas no controladas. De todo ello hablamos con expertos de IBM, WEG y Schaeffler.

PREGUNTAS

1. ¿Cuáles son las principales tecnologías y algoritmos utilizados en estos sistemas?

2. ¿Cuáles son los beneficios económicos y operativos más destacables en el uso del mantenimiento predictivo?

3. ¿Cómo se integran estos sistemas en la operativa diaria de una planta industrial?

4. ¿Qué tendencias futuras se anticipan en el desarrollo y adopción de tecnologías de mantenimiento predictivo?

Jesús Sierra, Subject Matter Expert IBM Asset Lifecycle Management

1. Desde IBM ofrecemos a nuestros clientes un enfoque integral de todo el mantenimiento predictivo que se divide en varias etapas:

• Monitorización inteligente: Una monitorización avanzada de los activos, que incorpora modelos de machine learning para identificar anomalías en las señales y generar alertas inteligentes para los ingenieros de fiabilidad.

• Cálculo de salud de los activos: Combinamos la información operacional con el histórico de las órdenes de trabajo y el conocimiento experto de los ingenieros de fiabilidad para generar puntuaciones de salud para los distintos activos. Estas puntuaciones permiten optimizar la planificación de las tareas de mantenimiento y priorizarlas según su importancia.

• Enriquecimiento de puntuaciones: Posteriormente, enriquecemos la puntuación de salud con información procedente de modelos de mantenimiento predictivo. La suite Maximo Application Suite Predict incluye cinco tipologías de modelos de mantenimiento predictivo que se enfocan en:

◦ Predicción del número de días antes del siguiente fallo.

◦ Predicción de la probabilidad de fallo en un periodo de tiempo determinado.

◦ Detección de anomalías.

◦ Identificación de los factores operacionales que más contribuyen al fallo.

◦ Cálculo de la curva de probabilidad de fallo a lo largo de tiempo.

Dichos modelos seleccionan el mejor algoritmo de entre una amplia gama, que incluye autoregresión, autoclasificación, selección de características, predicción de series temporales, redes neuronales y modelos deep learning.

• Precisión en los códigos de fallo: Para predecir fallos con precisión es vital mantener una información precisa sobre los códigos de fallo. Para ello, desde IBM hemos incluido un asistente basado en IA generativa que verifica, corrige y sugiere el código de fallos adecuado en una orden de trabajo, lo cual sirve como base fiable para aplicar mantenimiento predictivo.

• Reconocimiento visual: También utilizamos modelos de reconocimiento visual computerizado para la identificación de fallos y errores de fabricación o ensamblaje mediante el reconocimiento de imágenes, automatizando los procesos de inspección y sirviendo como input para mejorar los scores de salud y el mantenimiento predictivo, así como mejorar la calidad de la producción.

2. El mantenimiento predictivo nos permite anticipar fallos, pasando de un modelo de mantenimiento reactivo a uno predictivo. Algunos de los beneficios económicos y operativos más destacados son: mejora de la fiabilidad y el rendimiento de los activos; reducción de las paradas no planificadas; reducción de los costes de mantenimiento; aumento de la disponibilidad y la vida útil de los activos; incremento de la producción: con menos interrupciones y fallos, la producción puede aumentar significativamente; mejora en la utilización de los activos; y optimización de la planificación del mantenimiento.

3. El mantenimiento predictivo es una parte integral de las herramientas de gestión de activos inteligentes. Para que sea efectivo, debe estar completamente integrado con los sistemas de mantenimiento y monitorización de la planta industrial. Esto incluye la integración con sistemas SCADA, PLCs, sensores, cámaras y otros dispositivos de monitorización.

Es fundamental que el resultado de los scores de salud y mantenimiento predictivo esté al alcance de los usuarios de mantenimiento y de los ingenieros de fiabilidad para que puedan tomar las decisiones adecuadas, además de optimizar y planificar adecuadamente las tareas de mantenimiento y ejecutarlas.
 

4. El mantenimiento predictivo está evolucionando rápidamente y las tendencias apuntan hacia una integración más profunda de tecnologías emergentes y una adopción más generalizada en diversos sectores industriales.

En el ámbito tecnológico, la convergencia del Internet de las Cosas (IoT) y el análisis de big data está revolucionando la capacidad de monitorización y predicción. Los sensores cada vez más sofisticados y económicos permiten una recopilación de datos más precisa y exhaustiva, mientras que las tecnologías de almacenamiento en la nube facilitan el procesamiento de grandes volúmenes de información. La inteligencia artificial y el machine learning están evolucionando para ofrecer modelos predictivos más precisos y adaptables, capaces de identificar patrones sutiles que podrían indicar fallos potenciales.

La transformación digital, acelerada por la pandemia global, ha creado un entorno más receptivo a la implementación de soluciones de mantenimiento predictivo. Las organizaciones buscan cada vez más sistemas integrados que proporcionen información en tiempo real y permitan una toma de decisiones más ágil y fundamentada. Esta tendencia se ve impulsada por el creciente reconocimiento del alto coste asociado con el tiempo de inactividad no planificado.

En cuanto a las tecnologías emergentes específicas, podríamos destacar algunas como:

• Los sistemas de inspección robótica automatizada, que están revolucionando el monitoreo de equipos en entornos peligrosos o de difícil acceso, mejorando tanto la seguridad como la eficiencia operativa.

• Las tecnologías de realidad aumentada (RA) y realidad virtual (RV), que están transformando la forma en que los técnicos realizan inspecciones y mantenimiento, permitiendo una identificación más temprana y precisa de posibles fallos.

• Los gemelos digitales, que representan una evolución significativa en la simulación de activos, permitiendo predecir y optimizar el rendimiento de los equipos en diversos escenarios operativos.

• Las soluciones IoT integradas, que se están volviendo más sofisticadas, ofreciendo una interoperabilidad mejorada con sistemas de gestión de activos empresariales (EAM) y sistemas de gestión de mantenimiento computarizado (CMMS).

• Una tendencia particularmente prometedora es el surgimiento del "mantenimiento predictivo como servicio" (MPaaS), que democratiza el acceso a estas tecnologías avanzadas. Este modelo permite a organizaciones de diferentes tamaños implementar soluciones de mantenimiento predictivo sin necesidad de grandes inversiones iniciales en infraestructura.

Hugo Gustavo Gomez Mello, del departamento de Tecnología de Productos Digitales de WEG

1. En soluciones de mantenimiento predictivo basado en condición, se destaca el uso de tecnologías de vanguardia como los sensores MEMS, que son dispositivos miniaturizados y de alta precisión capaces de medir parámetros críticos como la vibración y la temperatura. Estos innovadores sensores utilizan comunicación inalámbrica BLE (Bluetooth Low Energy), garantizando la transmisión de datos en tiempo real de manera eficiente y con bajo consumo energético. La electrónica de consumo ultrabaja, combinada con baterías de alta densidad energética, garantiza el funcionamiento continuo de los sensores durante largos períodos, minimizando la necesidad de mantenimiento frecuente y maximizando la confiabilidad del sistema. Además, estas soluciones integran algoritmos avanzados de aprendizaje automático y estadístico para analizar los datos recopilados, identificar patrones y predecir fallas con una precisión extremadamente alta. Esta combinación de tecnología avanzada e inteligencia artificial proporciona a los gerentes de mantenimiento información valiosa y útil, lo que les permite evitar tiempos de inactividad inesperados y reducir pérdidas de producción. Por ello, soluciones como WEGscan se vuelven imprescindibles para quienes buscan maximizar la eficiencia operativa y la competitividad en el mercado.

2. El uso de soluciones digitales, en especial sensores IoT wireless y software de gestión de activos que usan IA, para el acompañamiento de la salud de las máquinas rotativas y otros activos, para mediciones de los niveles de vibración, temperatura, campo magnético, etc., trae algunos de los siguientes beneficios para el mantenimiento predictivo basado en condición:

En lo económico, la posibilidad de aumentar el OEE (Eficacia Global de Equipos Productivos) de la planta industrial. En una de nuestras fábricas de producción de alambres magnetos, que opera 24 horas por día, después de la implantación de nuestras soluciones digitales, tuvimos, en 4 años, el aumento del OEE de 76% a 89%. Esto representó una reducción de costos de aproximadamente 3,5 millones de dólares.

En lo operativo, con los bajos costes de estas soluciones digitales, es posible instalar los sensores IoT en prácticamente todas las máquinas de una fábrica. Con esto, la gestión de los activos es hecha de forma online, con informaciones en tiempo real del estado de las máquinas. De esa forma, se evitan paradas de procesos inesperadas y se optimiza el plan de mantenimiento que puede ser ejecutado con pocos operadores. Además de proporcionar reducción de stock de spare parts.

3. Estos sistemas (soluciones digitales) pueden operar de forma independiente o integrados a los sistemas MES (Manufacturing Execution System) y ERP (Enterprise Resource Planning) de las empresas. En nuestra empresa desarrollamos un sistema de control de mantenimiento. Es un ambiente/plataforma que recibe informaciones de entrada de los sensores, que hacen el monitoreo de las máquinas, y datos de producción. Como salida, se genera una gestión autónoma de las órdenes de mantenimiento. Con el diagnóstico inteligente de la solución digital (sensores + software) se identifica el tipo de problema y se disparan órdenes autónomas.

4. Creo que el uso masivo de sensores IoT con algoritmos de IA integrados a los sistemas de producción es una importante tendencia para que las empresas ganen velocidad, eviten paradas no planeadas de producción y optimicen recursos.

Dr. Philipp Jussen, Vice President Predictive Maintenance de Schaeffler

1. Las soluciones de mantenimiento predictivo (PdM) aprovechan diversas tecnologías y algoritmos avanzados. Entre los componentes clave suele haber la adquisición de datos y la tecnología de sensores, a menudo basados en la Internet de las Cosas (IoT). Se emplean tecnologías de aprendizaje automático y de IA para identificar patrones o anomalías que indiquen un defecto o fallo de la máquina. Algunos enfoques avanzados combinan el aprendizaje automático, el procesamiento de señales y los enfoques basados en simulaciones con el propósito de mejorar la calidad y precisión de las alarmas. Las mejores soluciones de mantenimiento predictivo, como Schaeffler OPTIME, ofrecen un enfoque global integrado, desde el dispositivo de medición hasta el análisis en el entorno cloud.
 

2. La implantación del mantenimiento predictivo proporciona varias ventajas económicas y operativas de consideración. Un valor clave suele ser reducir las paradas no programadas. Asimismo, los objetivos habituales consisten en optimizar el aprovechamiento de los recursos, reducir los costes generales o incrementar la duración de vida útil de la maquinaria.
 

3. Cuando se cambian las operaciones en una planta industrial para pasar del mantenimiento reactivo o preventivo al mantenimiento predictivo, el verdadero reto consiste en lograr una transformación relevante de la organización. Es preciso que las soluciones de mantenimiento predictivo tengan la capacidad de suministrar información relevante a gran escala para cambiar las operaciones diarias de una planta industrial. Normalmente, se adopta un enfoque de proyecto por etapas. Sin embargo, ahora las soluciones de mantenimiento predictivo son bastante más fáciles de utilizar y de implantar, de modo que un rápido éxito puede impulsar la transformación de la estrategia de mantenimiento.
 

4. Se prevé que el futuro de las tecnologías de mantenimiento predictivo vendrá determinado por varias tendencias:

• El uso de la inteligencia artificial continuará creciendo y permitirá análisis más complejos y predicciones más precisas.

• Las tecnologías de realidad aumentada pueden desempeñar un papel importante cuando sea necesario visualizar datos y asistir al personal de mantenimiento para llevar a cabo las reparaciones.

• La tendencia hacia la adquisición y el análisis de datos totalmente automatizados podría aumentar aún más la eficiencia.

• Es probable que la migración a sistemas basados en el entorno cloud mejore la accesibilidad y la flexibilidad, lo que permitiría acceder a los datos y los análisis desde cualquier lugar.

• Los sistemas del futuro se adaptarán cada vez más a las especificaciones del cliente para responder a requisitos de producción y condiciones de funcionamiento específicos.

Estas tendencias contribuirán colectivamente a mejorar la implantación y los beneficios de las soluciones de mantenimiento predictivo en la industria.

----

Este artículo aparece publicado en el nº 561 de Automática e Instrumentación págs. 60 a 63.