Aterrizando el paradigma 4.0 en la función de mantenimiento
David López Maganto
Director de Innovación - Sisteplant
Presidente del Comité de Tecnologías del Futuro para el Mantenimiento - AEM
1. INTRODUCCIÓN
La Industria 4.0 ya parece pasado, cuando ni siquiera ha sido presente. La incorporación de los conceptos de Sostenibilidad y “human-centric” han jubilado a la industria 4.0 para sumarle un dígito y convertirla en 5.0. Vamos tan rápido en materia de marketing y etiquetado de tendencias que ni siquiera damos tiempo a que las cosas sucedan de verdad cuando las damos por zanjadas… Más allá de siglas y acrónimos, lo verdaderamente importante es lo tangible, lo que sucede en nuestras plantas, en nuestras infraestructuras, en nuestros edificios, todo aquello que contribuye al sostenimiento y crecimiento del negocio, a mejorar nuestra sociedad y el bienestar de las personas. Y en esto la tecnología juega un papel fundamental.
Comencemos explicando cómo será la planta del futuro (ciberplanta) y, a partir de esta definición, aterricemos su reflejo en el desarrollo de la industria ∞.0 o mantenimiento ∞.0.
Figura 1. Modelo de ciberplanta de Sisteplant (tecnoiplant®).
Según el modelo tecnoiplant® desarrollado por Sisteplant, la planta del futuro debe ser, atendiendo a sus fines:
- Ágil: rápida en la fabricación y entrega de sus productos
- Flexible: capaz de reconfigurarse para adaptarse a los cambios de demanda
- Fiable: garantizar la confiabilidad de sus activos
- Robusta: producir bien a la primera
- Sostenible: operar con finanzas saneadas, mínimo impacto ecológico, alineada hacia una visión de futuro y guiada por valores
Cierto es que cada empresa deberá encontrar el punto de equilibrio entre dichos fines para definir su punto óptimo de competitividad diferencial. Éste no será el mismo para una planta de fabricación de salchichas que para una planta de producción de hidrógeno verde. En uno predominará la agilidad, en otro la robustez y la fiabilidad, por ejemplo. Siempre habrá un vector predominante y otros vectores secundarios que deberán cumplir unos mínimos determinados por el mercado particular en el que opera la empresa.
Ahora bien, los fines mencionados han de lograrse con medios que permitan cumplirlos con eficacia, eficiencia y consistencia (cumpliendo sus objetivos, con los recursos óptimos y de manera estable y duradera en el tiempo). ¿Cuáles son los medios que debemos desplegar? Veamos:
- Cadenas de valor internas y externas optimizadas sobre una base de procesos libres de desperdicio y mínima variabilidad (lean 6-sigma).
- Tecnologías de fabricación y logística que proporcionan automatización rentable y confiable, así como fuentes directas de información para…
- Facilitar una digitalización que permita el incremento radical del nivel de conocimiento físico de los procesos, en un entorno ciberseguro, en el que…
- Las personas despliegan sus capacidades con pasión y convencimiento, aumentadas por la tecnología…
En resumen, la ciberplanta, desde el punto de vista de los fines, debe ser esbelta, humana, inteligente, segura y digital.
Como conclusión de lo anterior, y realizando un ejercicio de síntesis, podríamos definir la ciberplanta como el lugar en el que sucede la perfecta simbiosis entre las cualidades humanas (creatividad, pasión, inteligencia, sensibilidad) y la tecnología (automatización, digitalización), simbiosis propiciada por un modelo organizativo que estimula la innovación y fomenta la consecución de los retos empresariales por medio del incremento continuo de conocimiento.
2. Aterrizando el paradigma ∞.0
¿De qué forma se traslada esta visión de ciberplanta a la función de Mantenimiento? ¿Cómo la “aterrizamos”?
La fiabilidad está en la base del resto de pilares de competitividad. Si la tecnología no es fiable, ¿cómo podemos garantizar una entrega ágil?, ¿cómo podemos asegurar la flexibilidad necesaria para adaptarnos a los cambios de demanda?, ¿cómo produciremos bien a la primera y se manera sostenible? La falta de fiabilidad crea variabilidad e inconsistencia, ineficacia e ineficiencia. Fiabilidad es, por tanto, una función estratégica. De aquí se deriva que Mantenimiento lo sea también.
Primer aterrizaje: sobre las cadenas de valor esbeltas y con mínima variabilidad
La aplicación de tecnología a procesos que albergan desperdicio y variabilidad no eliminados o minimizados implica invertir más y peor. Es condición necesaria, pero no suficiente, realizar un proceso previo de depuración de los procesos de la cadena de valor de mantenimiento antes de plantear cualquier iniciativa de digitalización o automatización. La inversión más rentable es aquella que finalmente no se realiza porque no es necesaria. La búsqueda sistemática de la simplicidad es un valor y la aplicación de tecnología no es una obligación para etiquetarnos como 4.0, sino una necesidad demostrada y justificada que permitirá añadir medios para cumplir nuestros fines u objetivos.
Por ejemplo, podríamos estar planteándome la aplicación de Realidad Aumentada para mejorar los tiempos de ejecución del preventivo, cuando ni siquiera hemos definido unos estándares básicos para su ejecución (secuencia óptima de operaciones, tiempos estándares, instrucciones estándares…). Primero hemos de definir dichos estándares y, fruto de su aplicación, nos cuestionaremos con total objetividad si la Realidad Aumentada añadirá un valor añadido real en eficiencia y eficacia que justifique su coste de implantación.
Figura 2. Implanta básicos y sobre ellos tecnifica.
La implantación de procesos esbeltos (libres de despilfarro) es necesaria, pero no suficiente, porque la aplicación de la cultura lean 6-sigma nos llevará a una asíntota de eficiencia, eficacia y consistencia, asíntota que solo podrá ser superada gracias a la incorporación inteligente de tecnología inteligente.
Segundo aterrizaje: sobre las tecnologías de fabricación y logística
Cumplida la condición de optimización de los procesos de las cadenas de valor, pensemos en cómo la tecnología nos puede ayudar a conseguir un delta de competitividad que supere la asíntota de eficiencia, eficacia y consistencia.
Las máquinas son ahora un conjunto integrado y complejo de elementos mecánicos, eléctricos, electrónicos y digitales. Hasta hace unos años, los requisitos funcionales exigidos a las máquinas se centraban en el cumplimiento de tiempos de ciclo, productividad, porcentajes de mermas, etc. pero no se ponía atención a otros factores que en el contexto actual son claves, como la minimización de los tiempos de cambio, la mantenibilidad, el consumo energético o la aportación de información dirigida para el conocimiento claro de su desempeño y/o falta de desempeño.
Centrándonos en el concepto de mantenibilidad de las máquinas, la evolución constará de diferentes etapas que se solaparán entre sí:
- Mantenimiento predominantemente manual, facilitado por las funciones de autodiagnóstico de las máquinas, la aportación de datos relevantes del proceso y la incorporación de dispositivos IoT.
- Automatización parcial del mantenimiento, por medio de la utilización de robots móviles autónomos con capacidad de inspección y realización de operaciones físicas sencillas (apriete de una válvula, por ejemplo).
- Mantenimiento predominantemente automatizado por robots, el cual podrá ser una realidad solo cuando se cumplan dos condiciones: primera, que el propio diseño de las máquinas se conciba para ser mantenidas por robots; segunda, que la evolución tecnológica de los robots autónomos permita realizar operaciones de fuerza y precisión.
Respecto a la automatización logística, el uso de vehículos autoguiados está muy extendido en la industria, principalmente para operaciones de intralogística. Su uso, junto con el de los robots móviles y los drones, se irá extendiendo paulatinamente a actividades de logística de mantenimiento, haciendo valer su cada vez mayor flexibilidad, para el suministro de materiales a las zonas de intervención. Además, los nuevos sistemas de identificación RFID y posicionamiento indoor permiten la descentralización de almacenes de repuestos y su acercamiento a los puntos de potencial uso, además de facilitar el control del stock. No obstante, para posibilitar esta tecnificación de la logística de manera eficaz, eficiente y consistente, se requiere de un cuidadoso análisis de necesidades, una definición clara de criterios para definir objetivamente qué tener y qué comprar, una aplicación de reglas de dimensionado de stock de repuestos que sean adaptativos a las circunstancias reales, un estudio de estandarización de los repuestos, etc. En definitiva, tener saneados y pensados los procesos correspondientes (primer aterrizaje: básicos asentados).
Por otra parte, la planta del futuro se caracteriza por su diseño flexible y modular, mediante layouts reconfigurables, líneas multi-producto que pueden funcionar a diferentes tiempos de ciclo, máquinas multitareas, rutas variables, etc. Esto conllevará exigencias adicionales a la función de mantenimiento, que tendrá que dar servicio a un número multiplicado de escenarios posibles o, lo que es lo mismo, a un número multiplicado de contextos operacionales distintos que influirán en la fiabilidad de los activos y en la complejidad para operarlos con una alta disponibilidad técnica. Sin embargo, para facilitar la labor de mantenimiento, las máquinas ofrecerán autodiagnósticos precisos y hablarán con datos que explicarán cuáles son sus síntomas e incluso las potenciales causas de sus fallos. Este diálogo hombre – máquina permitirá dirigir las intervenciones de manera óptima. Lo cual nos lleva al siguiente aterrizaje…
Tercer aterrizaje: sobre predecir y prescribir gracias a la digitalización
Mucho se habla del mantenimiento predictivo, del mantenimiento prescriptivo e incluso del mantenimiento cognitivo, propiciados por la reciente y creciente aplicación de diferentes técnicas de Inteligencia Artificial (Machine Learning y Deep Learning principalmente). La aspiración de anticiparnos al fallo, conocer de antemano las causas de dicho fallo y las soluciones que deberíamos adoptar está cada vez más cerca, si bien no podemos confiarla únicamente a la capacidad computacional de la tecnología, sino que resulta capital el conocimiento profundo de los fenómenos físicos que explican los comportamientos de las máquinas. Dicho conocimiento es necesario para la modelización acertada de cada caso.
Hoy, la inteligencia artificial no es una batidora en la cual introduzco ingredientes de todo tipo y de manera autónoma y sin mi intervención ella filtra o potencia ingredientes para obtener un delicioso plato. Necesita que preseleccionemos los ingredientes potencialmente buenos e incluso las condiciones de cocción razonables, a partir de lo cual es capaz de cocinar un buen plato. No sé si el mejor, pero un buen plato. Los ingredientes son los datos, y éstos pueden ser buenos y malos. Debe primar la calidad frente a la cantidad. Esperar que la IA obtenga resultados satisfactorios alimentándola con datos malos porque tiene la capacidad de identificarlos como no adecuados y excluirlos del modelo, es tanto como pensar que si le añades sal al bollo éste va a ser dulce porque el robot de cocina ya se encargará de eliminar la sal. Para que el bollo salga dulce hay que echar azúcar, miel… Otra cosa es la cantidad adecuada para obtener el punto justo de dulzor.
Lo anterior nos lleva a que la materia prima de la que se alimenta la IA debe ser razonablemente buena. Mejor buena que abundante, aunque la abundancia incrementa la precisión del modelo. Y las materias primas para predecir y prescribir se pueden clasificar en tres tipos:
- Históricos de órdenes de preventivo, correctivo y categorizaciones DCA (Defecto – Causa – Acción). Explotando inicialmente esta información, y sin necesidad de introducir modelos de Inteligencia Artificial, podremos situar, mediante técnicas estadísticas, el punto de envejecimiento del activo dentro de la curva de la bañera, y proyectar información como el RUL (Remaining Useful Life, vida últil remanente), probabilidades de fallo en intervalos temporales y frecuencias óptimas de mantenimiento.
- Variables medidas en tiempo real (de proceso, de producto, de contexto), vinculadas a causas de fallos potenciales. Durante la operación, proporcionan visibilidad sobre parámetros críticos del proceso, o combinaciones de parámetros que podrían desembocar en fallos. (detección de anomalías). Diferentes algoritmos de IA pemiten que las combinaciones de variables de entrada (parámetros de control, características del contexto operacional…) y variables de salida (disponibilidad, tiempo de ciclo…) pueden dar lugar a modelos y ecuaciones que expliquen los procesos y sus medidores de desempeño.
- Datos sintéticos: cuando los datos históricos no son suficientes o son de mala calidad, es necesario crear datos de forma artificial, partiendo de un conjunto de datos reales.
El registro y explotación de los DCAs es una asignatura pendiente. Podríamos decir que la media en la industria suspende esta asignatura. Tal vez no se es consciente de que es fundamental para conseguir la prescripción de fallos. La realización de un ejercicio de RCM (Reliability Centered Maintenance) es ineludible, tanto para la identificación de potenciales fallos, sus causas y las variables implicadas, como para la determinación de soluciones posibles. Podemos pensar que el desarrollo de la IA va a permitir en un plazo de tiempo no muy largo la automatización de la identificación de los conceptos DCA, mediante tecnología similar a la que emplea ChatGPT en su búsqueda de información y estructuración lógica de contenidos. Pero hoy estoy no es factible.
Por otra parte, no se escapa que muchos modelos de IA aprenden de los datos del pasado, por medio del entrenamiento, y construyen modelos “de caja negra” a partir de los cuales arrojan resultados y decisiones que las personas no pueden comprender. En el mundo del mantenimiento, esto es contraproducente, dado que debemos comprender, no solo que se va a originar un fallo, sino por qué se va a originar. Debemos conservar el control y conocimiento de los procesos, para lo que es altamente recomendable el uso de modelos físicos, explicables, que incluso tengan el potencial de predecir fallos que nunca han sucedido, porque replican el comportamiento de un sistema atendiendo a sus fundamentos físicos de funcionamiento, no a una fórmula matemática “cuadrada y ajustada” tras N iteraciones.
Por último, mencionar que, si bien la predicción y la prescripción es la aspiración última, no todo se podrá predecir o prescribir, ni interesará hacerlo. El análisis de criticidad (por ejemplo, mediante RCM) nos arrojará luz sobre dónde hacerlo.
Cuarto aterrizaje: sobre el modelo organizativo y el papel de las personas
Para lo bueno y para lo malo, las personas son la clave de la transformación hacia la ciberplanta. Pueden impulsarla o bloquearla. Por eso la transformación de un modelo organizativo que propicie extraer lo mejor de cada persona es fundamental. Un modelo centrado en las personas no implica necesariamente que tenga que dar cabida a cualquier perfil. Lejos de esto, el modelo acota claramente los perfiles por medio de la definición de unos valores que se despliegan en los comportamientos esperados de las personas. En otras palabras, formarán parte de la organización aquellas personas que compartan los valores fundamentales de la empresa. El resto estará excluido.
El aumento en el nivel de automatización de los procesos ejerce de forma clara su influencia sobre el propio modelo organizativo: los operarios son ingenieros de su proceso y desempeñan el 80% de las actividades de mantenimiento; las líneas que separan las funciones de producción, mantenimiento e ingeniería de planta se diluyen… cobrando sentido el concepto de Ingeniería Integral que vela por maximizar el OEE (Overall Equipment Effectiveness) de los activos, con un equipo multidisciplinar que desarrolla su trabajo generando, utilizando y apalancando el conocimiento. Los ingenieros de mantenimiento de hoy son, en la ciberplanta de mañana, especialistas en sus tecnologías críticas.
Figura 3. Integración de ingenierías.
Por otro lado, el auge de la Inteligencia Artificial es un arma de doble filo. En manos de las personas estará el utilizarla como una verdadera herramienta de generación de conocimiento profundo de los procesos (física que gobierna los fenómenos de fallo) o como una verdadera herramienta de atontamiento (“yo no estoy para pensar, que piense la máquina, que para eso está…”). Quien la utilice para lo primero, progresará. Quien la utilice para lo segundo, desaparecerá.
Mirando positivamente al futuro, partiendo del axioma de que la tecnología creada por las personas viene para mejorar las capacidades sensitivas, cognitivas y físicas de éstas (no viene para generar la destrucción total de la raza humana, lo cual implicaría que la estupidez predominaría sobre la listeza), podemos afirmar que la Inteligencia Artificial permitirá elevar el nivel de conocimiento a partir del cual la inteligencia humana se exige aplicarse para llegar a niveles cognitivos superiores (la invención de la calculadora no impidió que los matemáticos continuaran profundizando en nuevas disciplinas). Pero también es cierto que, para que esto suceda, deberán ponerse en juego mecanismos de regulación que garanticen que el uso de la Inteligencia Artificial es ético y responsable, incentivando, por ejemplo, el desarrollo del Alineamiento de la Inteligencia Artificial (AI alignment), que consiste en el diseño de métodos de direccionamiento del desarrollo de los sistemas de inteligencia artificial conforme a los valores humanos.
