Gestión inteligente de activos: cómo aprovechar la ola del mantenimiento predictivo

Las operaciones de mantenimiento y reparación (MRO) se encuentran entre las actividades más importantes de las organizaciones industriales modernas. Permiten a las empresas operar sin problemas y tienen un impacto significativo en la productividad y los resultados. Una parte importante de MRO se ocupa de la gestión y el mantenimiento de activos físicos como las máquinas y herramientas utilizadas en las operaciones de producción. Es por eso que las empresas invierten mucho en formas novedosas e inteligentes para administrar sus activos.

El enfoque más simple para mantener los activos es el mantenimiento reactivo. En el mantenimiento reactivo, los activos se reparan o reemplazan cuando se descomponen. El mantenimiento reactivo no es muy efectivo; a menudo conduce a un tiempo de inactividad de la producción, ya que las operaciones deben detenerse mientras se reemplaza el activo. Esta es la razón por la que la mayoría de las empresas emplean un modelo de mantenimiento alternativo para los activos clave, denominado mantenimiento preventivo. Este método reemplaza o mantiene los activos antes de su final de vida nominal. Al ser proactivos, se evitan tiempos de inactividad catastróficos, ya que nunca se llega al final de la vida útil de los activos. Este no es el método más rentable, ya que la vida útil del producto puede acortarse, razón por la cual el mantenimiento basado en la condición también es una opción.

El mantenimiento basado en la condición reemplaza o mantiene un activo en función de su condición real. Se utiliza para mantener el activo antes de que ocurra una avería. Uno de los tipos más populares de mantenimiento basado en condiciones es el mantenimiento predictivo. Aprovecha las predicciones sobre la vida útil restante (RUL) y el final de la vida útil (EoL) del activo al programar el mantenimiento en el momento más apropiado. El mantenimiento predictivo evita tiempos de inactividad catastróficos, al tiempo que optimiza la eficiencia general del equipo (OEE). Sin embargo, la implementación de un enfoque de mantenimiento predictivo es un desafío, ya que no existe una manera fácil de predecir y anticipar las fallas de los activos industriales.

En los últimos años, la llegada de Industry 4.0 permite a las empresas recopilar grandes cantidades de datos digitales sobre sus sistemas de producción. Esto facilita la implementación del mantenimiento predictivo y genera beneficios económicos tangibles. El mantenimiento predictivo es una de las aplicaciones más populares de la Industria 4.0 por dos razones: su retorno de la inversión (ROI) comprobado y su amplia aplicabilidad en casi todos los sectores industriales, incluidos la fabricación, el petróleo y el gas, la minería, los edificios inteligentes y más.

Estimación de vida útil restante con análisis predictivo

El desarrollo de soluciones de mantenimiento predictivo aprovecha grandes volúmenes de datos digitales de sensores, sistemas de producción y aplicaciones empresariales. Estos datos son procesados por algoritmos analíticos avanzados como Machine Learning (ML) e Inteligencia Artificial (AI), para ayudar a evaluar el estado del equipo. Los algoritmos de análisis predictivo se aplican a los datos de varios dispositivos, como sensores de vibración, sensores de temperatura, sensores de consumo de energía, sensores acústicos, dispositivos ultrasónicos y dispositivos de imágenes térmicas. Se aprovecha la información adicional de los sistemas de información comercial (p. ej., sistemas ERP (Enterprise Resource Planning)), que incluye, por ejemplo, información sobre la calidad de la producción y datos de análisis del aceite de las máquinas. La información mencionada anteriormente proporciona información útil sobre el funcionamiento y el estado del activo.

Un sistema integrado de mantenimiento predictivo comprende los siguientes subsistemas:

Un subsistema de recopilación de datos , que garantiza la recopilación confiable de datos de sensores y sistemas de producción. En la mayoría de los casos, el sistema de recopilación de datos es un sistema Big Data que maneja datos de transmisión con alta ingesta y datos en reposo. El sistema cuenta con una sólida infraestructura de red, que está configurada para admitir las necesidades de ancho de banda de los diversos flujos de datos.
Un subsistema de análisis predictivo , que procesa los datos del sensor para proporcionar estimaciones de tiempo para el mantenimiento. Este subsistema comprende algoritmos analíticos avanzados, como análisis estadístico y técnicas de minería de datos, como aprendizaje automático y aprendizaje profundo (DL). En los últimos años, las técnicas DL se prefieren a las técnicas ML convencionales debido a su precisión. Sin embargo, el uso de modelos DL requiere más datos que los algoritmos ML tradicionales.
Un subsistema de visualización , que presenta información predictiva a los ingenieros y técnicos de mantenimiento. Por ejemplo, las predicciones sobre el estado de salud de los activos se visualizan en paneles adecuados. La información se puede visualizar en forma de representaciones cibernéticas de Realidad Aumentada (AR) y Realidad Virtual (VR).
Un subsistema de actuación y control , que aprovecha los conocimientos predictivos para programar operaciones de mantenimiento o configurar el funcionamiento de los sistemas de producción. Este subsistema puede interactuar con aplicaciones empresariales (p. ej., ERP y sistemas de gestión de activos) para identificar el mejor momento para programar el mantenimiento. En este sentido, se considera el estado de las órdenes de producción pendientes. Asimismo, el subsistema de actuación y control, configura el funcionamiento de las máquinas para prolongar su vida útil.

El auge de los activos como servicio

Más allá de la reducción de los tiempos de inactividad y el aumento de la OEE, el mantenimiento predictivo permite una gama de nuevos modelos comerciales de mantenimiento empresarial basados en el paradigma de Activo como servicio (AaaS). Este paradigma permite a los OEM cobrar por sus productos de acuerdo con su uso, en lugar de basarse en un precio fijo por adelantado. Con este fin, aprovechan los conocimientos sobre la condición y el estado de salud de los activos para planificar las operaciones de mantenimiento, reparación y servicio de campo. Asimismo, ofrecen visibilidad del estado de los activos y las operaciones de mantenimiento que se deben realizar sobre los mismos. En este contexto, también es posible implementar modelos de mantenimiento como servicio (MaaS), que cobran a los clientes por la provisión de información de mantenimiento y reparación sobre el activo.

En el futuro, MaaS y AaaS proporcionarán a las empresas industriales una mayor flexibilidad para la planificación de sus operaciones de MRO. Por ejemplo, los fabricantes ya no tendrán que disponer de costosos contratos de mantenimiento. Más bien, podrán pagar los servicios de mantenimiento de acuerdo con el uso del activo.

Las infraestructuras y tecnologías digitales, como las infraestructuras de redes de alta velocidad, las plataformas de Big Data y las tecnologías de análisis avanzado, son los pilares principales de las soluciones de mantenimiento predictivo. Las soluciones de Allied Telesis brindan sólidas propuestas de valor cuando se trata de implementar plataformas confiables de adquisición de datos para el mantenimiento predictivo. Como ejemplo destacado, la solución de red autónoma total de Allied Telesis permite a las empresas de fabricación centralizar el control y la gestión de múltiples dispositivos, al tiempo que respalda los siempre importantes servicios de recuperación y aprovisionamiento. La solución proporciona capacidades de configuración de red versátiles basadas en el análisis del tráfico inalámbrico. Específicamente, el análisis de tráfico se emplea para comprender cómo configurar mejor la red para satisfacer la demanda. También facilita el establecimiento de soluciones WAN de alto rendimiento, que garantizan que los datos de mantenimiento de diferentes dispositivos se puedan transmitir de manera confiable a la nube.

Otra opción es la solución de seguridad Allied Telesis Self-Defending Networks, que automatiza la configuración y el cumplimiento de políticas de seguridad complejas tanto en el borde como en la nube de las soluciones de mantenimiento predictivo. Esto puede aumentar en gran medida la confiabilidad y confiabilidad de las implementaciones de mantenimiento predictivo, lo cual es muy importante para proteger a las empresas industriales de dispositivos no confiables y ataques de adversarios.

En general, Allied Telesis proporciona la base para una infraestructura de red industrial robusta, segura y de alto rendimiento, que garantiza el flujo adecuado de datos de mantenimiento desde el taller hasta la nube. Esta es una base sólida para una implementación de mantenimiento predictivo exitosa y rentable.