El mantenimiento predictivo es un método tecnológico proactivo que rastrea el rendimiento de los equipos en tiempo real y predice los fallos de las máquinas para que tu empresa pueda solucionarlos antes de que provoquen un tiempo de inactividad.
Para ello, analiza constantemente las condiciones de los equipos durante su funcionamiento normal, detectando las irregularidades y notificándolas inmediatamente al propietario de la máquina para disminuir la probabilidad de que se produzcan fallos imprevistos en la misma, utilizando datos en tiempo real recibidos a través del Internet Industrial de las Cosas (IIoT), que está ampliamente considerado como un componente clave de la revolución de la Industria 4.0.
De este modo, se supervisan dinámicamente los procesos, detectando posibles fallos futuros y regulándolos antes de que tengan consecuencias mayores que puedan afectar a la producción y, en consecuencia, tengan un impacto económico.
Imagen: Keepler
Mantenimiento predictivo frente a mantenimiento preventivo
Aunque a menudo se utilizan indistintamente, hay diferencias significativas entre el mantenimiento predictivo y el preventivo.
- El mantenimiento preventivo se produce a intervalos regulares basados en el ciclo de vida de la máquina, independientemente del uso, para garantizar que no surjan problemas
- El mantenimiento predictivo se produce cuando es necesario, basándose en la información de la máquina proporcionada por los sensores del IoT, de modo que, a medida que se desgastan con el tiempo, los fabricantes pueden programar el mantenimiento de forma proactiva y evitar una avería costosa e inesperada.
La diferencia entre el mantenimiento basado en el estado y el mantenimiento predictivo
Aunque ambas formas de mantenimiento proactivo tienen como objetivo prevenir los fallos de las máquinas, hay una diferencia significativa entre el mantenimiento basado en el estado y el mantenimiento predictivo.
El mantenimiento basado en el estado (CBM por sus siglas en inglés -Condition-Based Maintenance-) utiliza sensores para recoger mediciones en tiempo real de un equipo sobre diversas condiciones, como la temperatura, la presión o la vibración. El servicio se presta entonces sólo cuando el estado de las condiciones lo exige, es decir, cuando tu máquina ha alcanzado un nivel de parámetro umbral especificado.
Aunque el mantenimiento predictivo es un tipo de mantenimiento basado en la condición, utiliza el flujo constante de datos de los sensores del IIoT a una escala mucho mayor. En lugar de tener en cuenta únicamente el estado de la máquina, el mantenimiento predictivo aprovecha la metodología del big data para predecir la degradación de la maquinaria basándose en el historial de los activos y los datos relacionados. El mantenimiento predictivo permite a los técnicos detectar los posibles problemas incluso antes, por lo que el servicio puede programarse de forma más eficiente. Por otro lado, el mantenimiento basado en el estado suele correr el riesgo de que varias máquinas requieran servicio al mismo tiempo.
¿Qué papel juega el mantenimiento predictivo en la Industria 4.0?
Las organizaciones industriales no pueden permitirse ninguna avería. Tiene un impacto en la productividad y la tasa de crecimiento de las empresas. Un solo tornillo suelto provoca un desgaste excesivo, una reducción de la vida útil del equipo y un tiempo de inactividad no planificado.
Las tecnologías inteligentes, como el big data, el internet de las cosas y los métodos de comunicación máquina a máquina (M2M), están en el centro de la Cuarta Revolución Industrial (4IR), cuyo objetivo es ofrecer una automatización óptima.
El mantenimiento predictivo (PdM) combina tres de los elementos principales de la 4IR.
- Emplea captación de datos en tiempo real para estudiar la naturaleza y el grado de deterioro de los servicios de una organización, extrae información mediante algoritmos de aprendizaje automático y genera informes sobre el estado actual de la máquina y las dificultades que se avecinan.
- Con las herramientas de PdM adecuadas, se pueden abordar con éxito estas cuestiones antes de que se conviertan en un problema, ahorrando tiempo, dinero y esfuerzo en gestión de calidad
Proporciona un informe detallado sobre la durabilidad de la maquinaria y el tiempo de parada. De este modo, se podrán recibir recambios a tiempo y evitar cualquier problema futuro relacionado con el trabajo.
Imagen: Keepler
La creciente popularidad del mantenimiento predictivo entre las organizaciones puede atribuirse al hecho de que prácticamente todas las empresas que lo han implantado han experimentado resultados positivos.
Los sistemas ciberfísicos (CPS) están en el centro de la Industria 4.0. Los algoritmos informáticos guían la consolidación de los componentes físicos y de software en los SPC.
Beneficios del mantenimiento predictivo en la cuarta Revolución Industrial
- Los gastos son menores.
- Escalabilidad.
- Todos los equipos están monitorizados.
- Información en tiempo real.
- Transparencia.
- Enfoques proactivos.
El mantenimiento predictivo gestiona y supervisa eficazmente unidades industriales a gran escala. Las herramientas de PdM proporcionan a la empresa una hoja de ruta clara para hacer frente al creciente volumen de trabajo.
Se puede obtener una imagen precisa de la salud de los equipos y de las causas de las interrupciones de la producción mediante el despliegue de sensores de monitorización de estado.
Las aplicaciones analíticas avanzadas impulsan los esfuerzos de mantenimiento predictivo
La aplicación de este tipo de estrategia de mantenimiento predictivo requiere un conocimiento profundo de cómo y por qué fallan los activos, así como la detección temprana de posibles problemas o fallos.
Muchos de estos criterios están ocultos en los datos del historial de procesos de una organización. Junto con los esfuerzos previos de mantenimiento preventivo y reactivo, el mantenimiento predictivo proporciona al personal de la planta los conocimientos necesarios para ahorrar costes y maximizar el tiempo de actividad. Según los planteamientos habituales, una certeza es que, para hacer la transición del mantenimiento preventivo al predictivo, es imprescindible disponer de una gran cantidad de datos limpios y contextualizados, así como su correcta aplicación.
Un modelo predictivo de la salud de los activos debe tener en cuenta tantas variables como sea posible, así como predecir la vida útil de un activo, para definir los programas de mantenimiento. Una aproximación al problema bien ejecutada reduciría costosos tiempos de inactividad y proporcionará programas de mantenimiento preventivo adecuados, pero es más fácil decirlo que hacerlo, y algunas soluciones son más eficaces que otras.
Con este objetivo, Keepler inició un enfoque de aprendizaje profundo y modelos generativos (GAN), con el objetivo de generar nuevas imágenes a partir de un conjunto de datos limitado proporcionado por el cliente. De este modo, se podrían hacer viables los proyectos que presentaran un conjunto de datos reducido y con datos actuales que funcionaran bien. La solución desarrollada por Keepler eliminaría esta barrera, y los primeros resultados son prometedores, aunque todavía hay que avanzar en el proceso para producir una solución viable con enfoques de modelización más complejos. La única barrera a la innovación, en última instancia, es el tiempo.
Aprovechar el mantenimiento predictivo basado en el IoT para obtener una ventaja competitiva
El mantenimiento predictivo ofrece muchos beneficios que aprovechan el IIoT, desde la reducción del tiempo de inactividad y menos retrasos en la productividad hasta las ventajas de ahorro de costes. Los beneficios del mantenimiento predictivo se extenderán más allá del departamento de servicio para convertirse en beneficios para toda la empresa. No hará falta esperar a que las máquinas estén averiadas para arreglarlas. Es importante empezar a mostrar proactivividad en la industria con mantenimiento predictivo y optimizar la eficiencia de la plantilla. Para aquellas empresas que quieran mejorar su servicio y ahorrar costes y necesiten una solución totalmente personalizable para dar la mejor respuesta a los problemas de rendimiento y mantenimiento, Keepler ofrece una solución basada en nube que se apoya en aprendizaje automático para optimizar continuamente el algoritmo predictivo.
0 comentarios