Mantenimiento Predictivo: Utopía o sólo el futuro de la industria 4.0?
Ya hablamos aquí sobre qué es la industria 4.0, y la industria 4.0 en la práctica. En el post industria 4.0 en la práctica mostramos un ejemplo realista de cómo la industria 4.0 hace una enorme diferencia en las pérdidas por rotura / mantenimiento de máquinas. En el caso utópico citado en el post, una de las tecnologías usadas es el Mantenimiento Predictivo. Pero será que ella es tan utópica así?
Echa un vistazo!
¿Qué es Mantenimiento Predictivo?
Mantenimiento predictivo permite que el equipo informe la necesidad de mantenimiento.
Es horrible cuando estás en tu coche y él se rompe, ¿no? Incluso con todas esas revisiones caras, acaba dejándote en la mano, y casi siempre en momentos en que no se puede retrasar el compromiso al que estaba en camino. Ahora, imagínese que su coche fuera «inteligente» suficiente para percibir cuando alguno de sus componentes está cerca de romperse. Y si él pudiera avisarte para visitar el mecánico, y aún indicarle qué pieza necesita reparación?
En la fábrica, situaciones parecidas ocurren, las máquinas se rompe al final del mes, retrasando la producción cuando la línea ya está sobrecargada, corriendo detrás de la meta. Y peor, el tiempo que se dedica a la investigación y la solución del problema hace que otras máquinas que dependen de la que se rompió también paren. Y en este caso, si la máquina era «inteligente» suficiente para percibir que está cerca de romperse, y podría avisar al responsable del mantenimiento que necesita servicio en la pieza X?
Estas «inteligencias» citadas en ambos ejemplos son lo que llamamos Mantenimiento Predictivo.
La comprensión de los tipos de mantenimiento
Hay tres tipos de mantenimiento, son:
- Mantenimiento Correctivo: Cuando el equipo tiene algún pane, y necesita reparaciones para volver a funcionar. Normalmente toma mucho tiempo, pues el equipo queda inutilizable mientras los expertos investigan la causa del problema. Además, por ser inesperado, puede causar muchos problemas en la cadena de producción
- Mantenimiento Preventivo: Se realiza utilizando algún parámetro externo la máquina para determinar cuándo debe ocurrir. Por ejemplo, se realiza cada 480 horas de equipo operando, o cada 10000 km rodados por el automóvil. No necesariamente garantizan que el equipo no falla, pero reducen mucho esa posibilidad. Como el intervalo entre mantenimientos está predeterminado, es posible que no reflejen todo el contexto en el que se inserta el equipo. Por consiguiente, puede llevar a gastos con mantenimiento innecesario, desperdicio de partes que todavía estaban buenas para operar, etc.
- Mantenimiento Predictivo: El equipo se monitorea, sabiendo en todo momento el estado de sus componentes. Con esto también prevé cuando hay un fallo inminente, avisando que necesita mantenimiento y dando informaciones que ayudan al técnico a saber qué parte del equipo necesita de mantenimiento. Con el uso del Mantenimiento Predictivo se reduce el riesgo de falla y también el desperdicio de tiempo y material con mantenimiento preventivo.
¿Cómo se puede aplicar Mantenimiento Predictivo?
Como se explicó en el post IoT and predictive maintenance, do Bosch ConnectedWorld Blog, el Mantenimiento Predictivo se viabiliza a partir de tres pasos:
- Captura de datos de sensores: Colocar varios sensores en el recurso a ser monitoreado. Diversas magnitudes en el equipo deben ser medidas con frecuencia, y disponibles para procesamiento. Debido al gran volumen de datos adquiridos, estos datos pueden ser considerados Big Data. En la mayor parte del tiempo, la medición seguirá un patrón, pero una desviación de este patrón puede indicar un evento.
- Facilitar la comunicación de datos: Los datos recopilados en el recurso deben transferirse a una central de procesamiento de datos. Para un buen tiempo de respuesta a cambios en el patrón de medición de los sensores, es ideal que la transferencia de los datos a la central no se demore.
- Hacer predicciones (IA): Los datos de los sensores se evalúan constantemente, y se comparan con los patrones históricos. Cuando un patrón similar a aquel que suele suceder antes de un evento (una ruptura, por ejemplo), el sistema reporta el comportamiento. Con ello, acciones deben ser tomadas por el sistema para revertir el evento, como por ejemplo, avisar al responsable del mantenimiento que la función X tiende a presentar el defecto Y en la pieza Z en las próximas horas.
¿Cómo entender tantos datos?
Ninguno de los tres pasos descritos es tarea fácil, pero el más desafiante es el tercero: hacer predicciones.
Para ello, se inicia por la selección y preprocesamiento de los datos a ser procesados (Data Mining). En el algoritmo de Data Mining, los expertos en el recurso y los científicos de datos pueden representar explícitamente conocimientos adquiridos por la experiencia. El algoritmo ampliará este conocimiento, encontrando relaciones entre las variables disponibles.
Después del preprocesamiento, viene la parte de análisis de comportamiento y patrones. Esta parte se hace con algoritmos de Inteligencia Artificial, que son capaces de aprender cómo son los patrones que generan cada evento. Se utilizan para monitorear y detectar estos eventos.
Detectado el evento, el programa verifica si es necesaria una acción, y se inicia. Esta acción puede ser desde un control en la máquina hasta el envío de mensajes al personal responsable.
¿Cómo empezar?
Implementar el Mantenimiento Predictivo en una fábrica entera ciertamente no es tarea fácil (o barata), pero hemos visto que los beneficios son muchos. Un proyecto ambicioso de este tamaño requiere pequeños pasos para su implementación con éxito.Sugerimos que empiece evaluando qué herramientas usadas en el Mantenimiento Predictivo su fábrica ya posee y listan los equipos con mayor nivel de conectividad y mayor cantidad de sensores disponibles.
¿Usted ya centraliza los datos recopilados por estos equipos? Compruebe también si el fabricante recoge, almacena y proporciona datos sobre sus equipos. Estos datos se pueden utilizar para la comparación y el entrenamiento de un algoritmo de Inteligencia Artificial.
Y su fábrica, posee sistemas que pueden ser utilizados / adaptados para implantación del Mantenimiento Predictivo? Cuéntanos en los comentarios.
Recuerde que podemos ayudarle en estos proyectos a su fábrica, basta con ponerse en contacto con nosotros.
Estudiante de Ingeniería Mecánica de la Universidad Federal de Santa Catarina, trabaja desde 2017 en HarboR con el desarrollo e implantación de sistemas MES.