El mantenimiento predictivo no es solo una cuestión de inteligencia artificial

El mantenimiento predictivo consiste en utilizar datos nuevos e históricos de las máquinas para comprender y anticipar problemas de rendimiento antes de que se produzcan. Mediante el uso de sofisticadas técnicas de aprendizaje automático e inteligencia artificial para analizar los datos generados en la fábrica moderna, el análisis predictivo puede reducir el tiempo de inactividad, optimizar el rendimiento de los activos y prolongar la vida útil de las máquinas.

Las promesas que se hacen en torno al mantenimiento predictivo (PdM) son ambiciosas. Aumentos de dos dígitos en la utilización de los activos. Máquinas inteligentes que detectan problemas de rendimiento antes de que se produzcan. Mejoras significativas en los índices OEE, TEEP y OPE.

Para la mayoría, ese mundo aún queda lejos. Y lo que es más importante, no es algo que los algoritmos predictivos adecuados puedan resolver por sí solos.

En este artículo pondré el mantenimiento predictivo en contexto. Explicaré por qué el mantenimiento predictivo no es solo una cuestión de inteligencia artificial y describiré los pasos concretos que puede seguir para sacar el máximo partido a su programa de monitorización de máquinas.

La mayoría de los programas de mantenimiento actuales en el sector manufacturero son de carácter preventivo. El mantenimiento preventivo (MP) se lleva a cabo a intervalos regulares o cuando las máquinas superan los umbrales de producción establecidos.

El mantenimiento preventivo es importante para garantizar el buen estado de los activos, pero es un método poco preciso. El mantenimiento preventivo no tiene en cuenta las condiciones en las que funciona cada máquina, el desgaste diferencial de las distintas piezas de la máquina ni otros factores que podrían predecir una avería. A menudo da lugar a programas de mantenimiento más o menos frecuentes de lo necesario. (El ejemplo clásico es cambiar el aceite del coche cada 5000 km, independientemente de su rendimiento).

El mantenimiento predictivo, por el contrario, utiliza los datos generados por una máquina concreta para obtener una visión más detallada de los ciclos de vida de las piezas y los activos. En teoría, el mantenimiento predictivo elimina las conjeturas a la hora de programar el mantenimiento. Al ofrecer información sobre cómo se deteriorará una máquina determinada, el mantenimiento predictivo permite a los fabricantes gestionar el mantenimiento de forma más eficaz.

El éxito de cualquier iniciativa de mantenimiento predictivo depende de la calidad y la cantidad de los datos disponibles en un conjunto de entrenamiento.

Es decir, se necesita: 1) datos suficientes para crear una muestra representativa del rendimiento de la máquina a lo largo del tiempo, y 2) datos que reflejen con precisión el rendimiento y el uso de la máquina en las condiciones locales.

Para explicar por qué es importante tanto disponer de datos suficientes como de datos de calidad, voy a analizar cada uno de estos aspectos. Empecemos por la cantidad.

Es un mito que se necesiten petabytes y más petabytes de datos de máquinas para entrenar con éxito los algoritmos predictivos. También es un mito que cuantos más datos, mejor. Estoy seguro de que muchos de vosotros habéis oído la expresión «si entran datos erróneos, salen datos erróneos» para describir cómo un conjunto de entrenamiento deficiente conduce a resultados subóptimos.

Lo que sí se necesita para el PdM es una cantidad suficiente de datos que constituya una muestra representativa del rendimiento de la máquina, de modo que refleje su uso en una operación concreta.

Según un profesor de ingeniería industrial, obtener una muestra representativa no es tarea fácil. «Cuando hay miles de variables, normalmente se necesitan datos de cientos de miles, o incluso millones, de piezas para poder establecer relaciones estadísticas significativas entre los problemas y sus causas fundamentales».

Esto es especialmente cierto si se tienen en cuenta esas palabras que matizan el significado: «uso en una operación concreta».

He aquí el motivo: el ciclo de vida de las máquinas se extiende a lo largo de años, si no décadas. Por lo tanto, para recopilar un conjunto de datos representativo es necesario observar el funcionamiento de una máquina durante un periodo de tiempo prolongado. Como ha señalado un grupo especializado en big data al referirse al mantenimiento predictivo (PdM): «La vida útil de las máquinas suele ser de varios años, lo que significa que hay que recopilar datos durante un periodo prolongado para poder observar el sistema a lo largo de todo su proceso de deterioro».

Este problema de cuantificación se ve agravado por el hecho de que muchos fabricantes carecen de datos históricos adecuados. Puede que dispongan de información sobre el tiempo de actividad y de inactividad, las piezas producidas y los registros de mantenimiento. Sin embargo, es muy arriesgado dar por sentado que esta información es precisa, y es probable que no sea lo suficientemente detallada como para ofrecer datos realmente predictivos.

Muchos fabricantes han intentado subsanar esta falta de datos entrenando sus algoritmos predictivos con conjuntos de datos de acceso público. Aunque la mayoría de las empresas privadas protegen celosamente sus datos de producción, existe un intenso intercambio de fuentes científicas y de dominio público, y una rápida búsqueda en Google permite encontrar muchas de ellas en GitHub.

Pero ni siquiera estos datos bastan para que los fabricantes pasen de la fabricación tradicional a la fabricación basada en datos, ya que no reflejan la realidad de la fabricación sobre el terreno. Por muy grande que sea el conjunto de datos, carecen de validez ecológica.

Un ingeniero describió muy bien este dilema relacionado con los datos cuando escribió: «La mayoría de las veces es difícil (por no decir imposible) [sic] disponer de registros de fallos de las máquinas, ya que no se les permite funcionar hasta que se produzcan fallos en condiciones reales. Además, tenemos que lidiar con una gran cantidad de ruido procedente de las actividades de mantenimiento habituales y con las imputaciones imprecisas de las órdenes de trabajo de mantenimiento… la vida real es dura».

Esto me lleva al siguiente punto. No solo se necesitan datos suficientes, sino que también deben ser los datos adecuados.

Quizás otra forma de describir la calidad de los datos en el contexto de la gestión basada en el rendimiento (PdM) sea suficiente para inferir una relación causal.

Es decir, los datos de calidad son aquellos que permiten a los fabricantes salir de la confusión de las correlaciones y llegar a la causa raíz de las averías de las máquinas.

Esto es más fácil de decir que de hacer, ya que hay una gran cantidad de factores de producción que influyen en la rapidez con la que una pieza o una máquina alcanzará su umbral de fallo. La velocidad del husillo, las horas de funcionamiento, la temperatura, las vibraciones, la humedad y el uso son solo algunos de los parámetros que interactúan de formas específicas y que, en conjunto, tienen un impacto variable en la vida útil de la máquina.

Como ha señalado acertadamente un autor: «El estado de un equipo complejo no puede evaluarse de forma fiable basándose únicamente en el análisis de cada medida por separado. Más bien, debemos tener en cuenta la combinación de las distintas medidas para obtener una imagen fiel de la situación».

La buena noticia es que los avances en la tecnología de sensores y la computación periférica han permitido monitorizar una variedad de indicadores de rendimiento más amplia que nunca. La mala noticia es que ni siquiera las máquinas mejor conectadas tienen siempre en cuenta las causas más importantes del deterioro de las máquinas.

Según estudios recientes, entre el 20 % y el 50 % de los errores de fabricación se deben a fallos humanos, y algunas estimaciones llegan incluso al 70 %.

En lo que respecta al mantenimiento predictivo, esto significa que comprender cómo se utilizan las máquinas es tan importante, o incluso más, que comprender cómo funcionan. Para que el mantenimiento predictivo funcione con la mayor eficacia posible, es necesario disponer de un registro de cómo se utilizan las máquinas en el día a día, si están bien configuradas, si los cambios de producción se realizan correctamente y si el mantenimiento se lleva a cabo de forma adecuada.

En otras palabras, se necesita un enfoque centrado en las personas para la supervisión de las máquinas.

Aunque no puedas poner en marcha un programa completo de PdM, dar los primeros pasos hacia un programa de monitorización de máquinas centrado en las personas puede empezar a generar valor casi de inmediato. Los pequeños pasos pueden suponer grandes avances.

Aquí tienes algunas medidas concretas que puedes tomar para empezar.

1.) Ponga su fábrica en funcionamiento lo antes posible. Como ya he explicado aquí, disponer de datos locales fiables es la piedra angular del mantenimiento predictivo. Cuanto antes empiece a recopilar datos de las máquinas mediante IoT, antes podrá aprovechar esos datos para obtener una ventaja competitiva.

Contrariamente a lo que se suele creer, dar los primeros pasos en IoT no IoT ser caro, ni implica necesariamente involucrar a toda la empresa. Existen formas sencillas de conectar a Internet las máquinas más antiguas, y la bajada de los precios de los sensores permite empezar a monitorizar las condiciones ambientales sin necesidad de grandes inversiones.

2.) Considere la nube. Las grandes cantidades de datos necesarias para entrenar y ejecutar algoritmos predictivos pueden suponer una carga excesiva para los servidores y los recursos informáticos. La computación en la nube para el sector manufacturero es una opción cada vez más asequible, segura y escalable para gestionar las necesidades de almacenamiento y potencia de cálculo del análisis predictivo, sin necesidad de invertir en infraestructura local ni de mantenerla.

3.) Comprender qué se puede esperar de los algoritmos de aprendizaje automático. Saber qué pueden predecir los algoritmos de aprendizaje automático resulta útil para priorizar qué departamentos, máquinas o procesos se deben poner en marcha en primer lugar.

Entre las áreas de predicción más habituales se incluyen: el cálculo de la vida útil de una máquina antes de que se produzca una avería; la identificación de un intervalo de tiempo en el que es probable que se produzca una avería; la identificación de los tipos de averías más comunes; y la detección de comportamientos anómalos en las máquinas.

Saber qué puede revelar el aprendizaje automático es clave para establecer las prioridades de la transformación digital.

4.) Realiza un seguimiento del uso de las máquinas. La monitorización de las máquinas funciona mejor cuando los datos de las mismas se complementan con información sobre su uso. La mejor forma de hacerlo es conectar a las personas y las máquinas a través de aplicaciones operativas. Esto ofrece una visión global y ayuda a superar los factores de confusión habituales.

¿Te gustaría saber cómo conectar tu fábrica para obtener información verdaderamente predictiva? Frontline Operations Tulip recopila los datos de personas y máquinas que necesitas para lograr una visibilidad completa de los procesos. ¡Ponte en contacto con nosotros para ver cómo podemos ayudarte a digitalizar tus operaciones!