Cómo las nuevas tecnologías 4.0 pueden ayudan a mejorar el mantenimiento predictivo en planta
Ya han pasado más de 10 años desde 2011 cuando por primera vez se introdujo el concepto de industria 4.0 en la Hannover Messe. Por tanto, deberíamos poder echar la vista atrás para evaluar que soluciones aprovechables, con valor real podemos encontrar y aplicar en los distintos entornos de mantenimiento y fiabilidad industrial.
Por otra parte, ya se habla de una industria 5.0 donde el foco se pone en la interacción/colaboración hombre-máquina, avanzando hacia entornos donde la integración de sistemas es primordial y donde la usabilidad y experiencia del usuario es primordial.
La combinación de técnicas predictivas con la utilización de nuevas tecnologías habilitadoras (KETs) ha abierto un abanico de posibilidades para la mejora y extensión de la función de mantenimiento en entornos industriales. Tecnologías de conectividad, arquitecturas integradas para gestión y explotación del dato, inteligencia artificial, analítica predictiva, etc. son ya términos familiares para todos nosotros con proyectos en funcionamiento y en continua evolución.
El Mantenimiento Predictivo es una parte esencial de las estrategias de Industria 4.0 de muchas empresas industriales. Como método para evitar el fallo de activos analizando datos sobre producción y mantenimiento, pueden identificar patrones y predecir problemas antes de que ocurran. Sin embargo, no todas las organizaciones cuentan con el mismo nivel de madurez en cuanto a Mantenimiento Predictivo.
Inspecciones visuales: inspecciones físicas periódicas; conclusiones basadas únicamente en la experiencia del inspector.
Inspecciones de instrumentos: inspecciones periódicas; Conclusiones basadas en una combinación de la experiencia del inspector y las lecturas de los instrumentos.
Monitoreo de condición en línea: monitoreo en línea de activos, con alertas basadas en reglas preestablecidas y niveles críticos.
Mantenimiento predictivo con analítica de big data: monitorización online de activos con alertas enviadas basadas en técnicas predictivas como el análisis de regresión.
Según el estudio de PwC Beyond the hype realizado sobre el grado de madurez del Pdm en industrias a nivel europeo en 2018, un 27% de compañías no tenían implementado ningún plan de mantenimiento predictivo (2%), o estaba basado únicamente en inspecciones visuales (25%). Otro 42% de las compañías disponían de un plan de PdM basado en la utilización de instrumentos para la realización de medidas periódicas sobre los activos a mantener. Un 20% disponían de sistemas de monitorización en continuo implementados según niveles de criticidad y con sistemas de alarmas. Por último, sólo un 11% había avanzado hasta el punto de disponer de sistemas de monitorización en continuo con analítica predictiva.
Los objetivos finales son los mismos casi para cualquier cliente: la mejora del tiempo de actividad, la satisfacción de los clientes (porque puede entregar a tiempo), y la reducción de costes al evitar averías y los efectos secundarios de estas averías en otras partes de las líneas de producción. Pensamos que, con un planteamiento de Industria 4.0, podemos utilizar datos para detectar cualquier avería que pudiera ocurrir antes de que una máquina se ponga en el modo de avería. También creemos que el mejor modo de hacerlo es concentrarse en los datos y automatizar el análisis de datos.
Así pues, en ese 69% de empresas que se encuentran en los niveles hasta el 2, hay un margen de mejora y avance en la implantación efectiva de estrategias de mantenimiento predictivo. Las motivaciones en la mayoría de los casos para la implantación de estas soluciones son los clásicos presentes históricamente:
- Mejora de la disponibilidad de los equipos y sistemas.
- Reducción de costes de O&M.
- Reducción de riesgos QHSE (calidad, salud, seguridad y medio ambiente) A estos hay que añadir otros nuevos enfoques como pueden ser: eficiencia energética, generación de nuevos modelos de negocio e ingresos y la mejora de la satisfacción del cliente.
Estas motivaciones están habitualmente en el centro de las preocupaciones de todos los negocios, así pues, tiene que haber una razón por la cual no se ha avanzado más en la implantación de estas nuevas soluciones.
Según este mismo estudio, la principal razón para no avanzar en este camino es la falta de un caso de uso suficientemente relevante.
Así pues, tener claro el caso de uso y el valor que el negocio puede extraer de esa aplicación serán las claves para avanzar en esta ruta. ¿Qué significa esto exactamente? Pues significa que la tecnología ha de tener una aplicación y enfoque claro al problema que se quiere resolver, que además ha de aportar un beneficio o solución clara a un problema.Esto puede parecer que nos lleva a que tenemos a una solución totalmente novedosa, cuasi mágica, nunca vista en nuestro entorno. Esto no tiene porque ser así. En muchos casos hablamos de mejoras incrementales en procesos o sistemas ya existentes enfocándolos en mejorar fiabilidades del sistema PdM, facilitando su uso y extensión dentro de la instalación, etc.
Al evaluar la madurez en una industria, es posible que veamos que un cliente todavía no está listo. Por ejemplo, puede que todavía se encuentre en e círculo reactivo-correctivo con respecto al mantenimiento, y afirme que una línea o máquina seguirá funcionando hasta que se averíe o algo se rompa. O quizá tenga una estrategia preventiva, en la que cambia piezas de máquinas de forma periódica para evitar averías.
En estos casos, no tiene sentido proponer soluciones 4.0 como punto de partida, si no que tendremos que ir cubriendo las etapas que nos darán la madurez para poder asumir con conocimiento y éxito una implementación de estas soluciones 4.0.
Para extraer valor en esa última etapa de aplicación de herramientas big data e inteligencia artificial, los datos de partida han de ser previamente trabajados para que los resultados sean fiables y aportan el valor real que se espera de ellos.
Por una parte, todos los días se generan datos con diversos dispositivos (SCADA, PLCs, IoT, etc), se recogen en distintas herramientas corporativas (ERP, GMAO, ...) y estos datos disponibles ahora mismo son un activo valioso para las compañías. Pero estos datos, en general, no están adecuadamente integrados, no son sólidos, no están correctamente categorizados y no están accesibles. Es por eso porque un científico de datos necesita, en muchos casos, alrededor de un 70-80% del tiempo del cronograma de un proyecto para procesar y manipular los datos antes del modelado y la implementación de la algoritmia.
Es fundamental durante todo el proceso identificar aquellos datos relevantes y a partir de los cuales generar información de valor, esto en el caso del mantenimiento predictivo, se trata de recoger datos orientados a los modos de fallo de los equipos. Con la popularización de las aplicaciones en el cloud, da la sensación que esto no tiene un coste. Pero la realidad es que capturar datos, procesar datos, moverlos a la nube, almacenarlos y acceder a los datos en la nube tiene costes; y en general es un coste sobre el que tenemos un control muy limitado. Entonces, tiene un alto interés evaluar antes de comenzar aquellos datos que realmente vamos a explotar en el proyecto.
A partir de este punto hemos de ver como vamos a integrar estos datos si están disponibles, o cómo los vamos a capturar si esto no es así: sensores wireless, dataloggers, sistemas portátiles, etc.
Una vez integrados los datos en una instancia única, procesar y analizar toda esta información, categorizándola correctamente, permitirá que las herramientas que si utilicen a posteriori den los resultados deseados.
Además, hay un volumen de datos que en muchos entornos no se recoge, y no se digitalizan ni se trazan los resultados de la ejecución de esos trabajos. Y aquí hablamos por ejemplo de datos de rutas de inspección visual, datos sobre lubricación, presión diferencial en filtros, purgadores de vapor, ubicación y utilización de activos en móviles, etc.Cada vez más en los entornos industriales los trabajadores están ‘digitalizados’ y disponen de herramientas en movilidad con la potencia suficiente como para ser nodos de captura de datos al mismo tiempo que facilitan el acceso a los operarios a la información que puede ser relevante para la ejecución de sus trabajos o de sus rutinas.
CONCLUSIONES:
Hay un campo de aplicación de mantenimiento predictivo y tecnologías 4.0 aplicadas al mismo muy importante, y las motivaciones que plantean las compañías son las mismas de siempre: disponibilidad, reducción de costes, seguridad, etc.
Será fundamental encontrar los casos de uso que justifiquen técnica y económicamente la aplicación de estas tecnologías4.0. Estos casos de uso deberán ser evaluados desde el inicio viendo la aplicabilidad, datos existentes y datos pertinentes, integración y captura de los mismos, categorización y modelado, para finalmente poder explotarlos.
Además hay otra serie de tecnologías habilitadoras que también nos pueden ayudar a digitalizar trabajos que ya se están ejecutando proporcionando mejoras en el desempeño de los mismos.
