Gestión del Mantenimiento mediante el uso de Plataformas Inteligentes de Gestión de Activos
Pablo Martínez-Galán Fernández
Eduardo Candón Fernández
Antonio de la Fuente Carmona
Adolfo Crespo Márquez
Juan Francisco Gómez Fernández
Todos los autores son componentes de:
Grupo SIM (Sistemas Inteligentes de Mantenimiento), Departamento de Organización Industrial y Gestión de Empresas. Universidad de Sevilla. España.
INGEMAN, Asociación para el Desarrollo de la Ingeniería de Mantenimiento
RESUMEN
Hoy en día, ninguna actividad empresarial escapa a la cuarta revolución industrial, denominada industria 4.0, que se caracteriza por la digitalización de los procesos. La posibilidad de tener simultáneamente sistemas con mayor interconexión, con más información y con mayor flexibilidad, permite a las empresas tener una visión más clara de sus procesos y consecuentemente, mejorar su efectividad y eficiencia. La transformación digital de cualquier compañía ya no puede basarse simplemente en hacer los procesos más eficientes, sino en crear relaciones más sostenibles y rentables con los clientes, alineando continuamente el valor del producto con el cambio en las necesidades del cliente. Aunque la gestión de activos a través de Internet es cada vez más común, se necesita mucho esfuerzo para identificar la funcionalidad que deben proporcionar estas plataformas para mejorar las prácticas existentes de la gestión de activos.
Actualmente, el esfuerzo de los proveedores tecnológicos se centra en el desarrollo de plataformas IoT, que permiten entre otras funciones, crear una conexión entre los activos y los sistemas digitales, proteger todos los dispositivos y datos contra la piratería o ataques externos, controlar las operaciones y el mantenimiento de los equipos o realizar diferentes análisis de activos o sistemas. El objetivo de este artículo es comprender las funcionalidades de estas Plataformas Inteligentes de Gestión de Activos, proporcionando un sistema que evalúa estas funcionalidades en función de los objetivos de negocio desde el punto de vista de la gestión de activos. Esta metodología permite a los responsables de mantenimiento guiar la evolución del ciclo de vida de sus activos de acuerdo a la concepción del valor empresarial o del negocio. Esto hace que esta metodología sea especialmente adecuada para afrontar nuevos escenarios de gestión de mantenimiento. El artículo consta de las siguientes partes: En primer lugar, se explica la estructura general que tienen este tipo de plataformas, en segundo lugar, cómo se integran en el modelo de gestión de activos y un resumen de las funcionalidades y módulos que tienen. Finalmente, se propone un sistema de evaluación de dichas plataformas y se presenta un caso de estudio.
1. INTRODUCCIÓN
Las Plataformas inteligentes de gestión de activos (IAMP), desde nuestro punto de vista, se pueden definir como plataformas de software para la recopilación y análisis de datos de activos industriales. Pueden conectar y gestionar dispositivos inteligentes e infraestructuras en entornos industriales y de fabricación para integrar los datos operativos y el control en los procesos empresariales. Se basan en el uso de tecnologías digitales en la industria y es un hecho que la comunidad de proveedores ha aumentado recientemente su I+D, lo que está impulsando el crecimiento. La madurez que se ha alcanzado en las comunicaciones en el entorno industrial es un factor potenciador de las IAMP, así como numerosos CEOs que están lanzando estrategias de digitalización en sus empresas.
Aunque la monitorización y la gestión de activos a través de Internet están ganando terreno, se necesita mucho esfuerzo para identificar la funcionalidad que estas plataformas deben proporcionar para mejorar las prácticas de GA existentes. Una mejor comprensión de la funcionalidad de las aplicaciones existentes para la toma de decisiones de GA mejorará la eficacia y la eficiencia en la gestión. Por último, una vez entendida la estructura de la plataforma, se propone un sistema de evaluación de plataformas basado en el trabajo de (Woodhouse, 2001) con el objetivo de ajustarla lo más estrechamente posible a las necesidades de la gestión de activos de una empresa.
En este artículo primero analizamos sobre los factores que explican el crecimiento de IAMP, luego explicamos la estructura de los IAMP generales y las partes principales que suelen tener y, por último, se presenta un sistema de evaluación para medir la alineación de los objetivos de negocio en la gestión de activos y el contenido de las plataformas inteligentes de gestión de activos.
2. FACTORES QUE PROMUEVEN EL CRECIMIENTO DE IAMP EN LAS EMPRESAS INDUSTRIALES
En referencia al informe Gartner (Gartner, 2012), el crecimiento del mercado de las IAMP se ve impulsado principalmente por cuatro factores: IoT industrial, Big Data, Predictive Maintenance Analytics y Digital Twins.
2.1. La disponibilidad de las tecnologías del "Internet of Things" (IoT)
La adopción y el despliegue de tecnologías modernas del "Internet de las cosas" (IoT) ha permitido importantes avances en el desarrollo de estas plataformas. Los esfuerzos de organizaciones de membresía abierta como The Industrial Internet Consortium (IIC) han servido para promover el desarrollo, la adopción y el uso generalizado de máquinas y dispositivos interconectados y análisis inteligente (Industrial Internet Consortium, 2015).
En primer lugar, para una implementación exitosa del Internet de las cosas (IoT), los principales requisitos previos son: demanda dinámica de recursos, necesidades en tiempo real, crecimiento exponencial de la demanda, disponibilidad de aplicaciones, protección de datos y privacidad de los usuarios, consumos de energía eficientes de aplicaciones, ejecución de las aplicaciones cercanas a los usuarios finales y acceso a un sistema de nube abierto e interoperable (Madakam, 2015).
Además, hay tres componentes, que se requieren para la informática de Internet de las cosas (IoT): hardware (sensores, hardware integrado, dispositivos de fitness, etc.), middleware como mediador entre las capas de hardware y aplicación y capa de aplicación para herramientas de visualización e interpretación que se pueden diseñar para las diferentes aplicaciones.
Las plataformas IIoT se originaron en forma de middleware de IoT en la industria. Se espera que admita la integración con casi cualquier dispositivo conectado y se mezcle con aplicaciones de terceros utilizadas por el dispositivo. Esta independencia del hardware subyacente y el software de voladizo permite que una sola plataforma de IoT administre cualquier tipo de dispositivo conectado de la misma manera sencilla (plataforma Kaa IoT, 2019).
Las plataformas de IoT modernas van más allá e introducen una variedad de características valiosas en las capas de hardware y aplicaciones también. Proporcionan componentes para front-end y análisis, en el procesamiento de datos de dispositivos y la implementación basada en la nube. Algunos de ellos pueden manejar la implementación de la solución de IoT de extremo a extremo desde cero. Hoy en día, la funcionalidad primaria necesaria para desarrollar dispositivos conectados y cosas inteligentes en una plataforma de gama alta incluye:
Conectividad para conectar dispositivos directamente o a través de puertas de enlace utilizando todos los tipos de conectividad modernos; Recopilación y almacenamiento de datos; Creación de máquinas virtuales; Configuración y control remotos del dispositivo; Administración de dispositivos para administrar dispositivos y sus credenciales individualmente o en grupos y actualizaciones de firmware por aire.
Es importante destacar que las mejores plataformas de IoT le permiten agregar sus propios componentes específicos del sector y aplicaciones de terceros. Sin esta flexibilidad, la adaptación de una plataforma IoT para un escenario empresarial determinado podría asumir un costo adicional significativo y retrasar la entrega de la solución indefinidamente.
2.2. Las mejoras en la gestión de big data
Los datos requeridos para las decisiones críticas y/o los informes deben ser recogidos, evaluados y analizados conun alto grado de calidad. Estos datos pueden provenir tanto de la organización, dentro como fuera de ella, y ambas fuentes normalmente deben ser consultadas para tomar decisiones informadas.
Como se muestra en la Figura 2, los esfuerzos en la preparación de datos representan alrededor del ochenta por ciento del trabajo de los científicos de datos. Es, con mucho, el aspecto más lento del flujo de trabajo del científico de datos típico (Medium, 2018).
Para fines de supervisión del estado del sistema y mantenimiento predictivo, los datos en las plataformas IoT modernas difieren de las aplicaciones tradicionales de almacenamiento y procesamiento de datos de cinco maneras (ISO/IEC JTC 1 Tecnología de la información, 2015): El volumen es demasiado grande, la velocidad es demasiado rápida, la variabilidad es alta, la veracidad es baja (demasiado ruido) y la variedad también es alta (demasiado diversa). Para admitir estos escenarios de aplicación, se pueden realizar diversas funciones de análisis de big data, incluidas, entre otras:
- Análisis de agregación complejo: para perfilar información de diferentes períodos de tiempo o ubicaciones.
- Consulta y análisis multidimensionales: examinar y extraerlos datos de la máquina desde diferentes perspectivas.
- Análisis de datos de registro: para supervisar el estado operativo y del sistema.
- Análisis de datos de flujo basado en ventanas de tiempo: para identificar características y tendencias temporales.
- Procesamiento de eventos complejos: para detectar patrones y anomalías.
2.3. El análisis de mantenimiento predictivo emergente
Los líderes empresariales han reconocido cada vez más la importancia del "análisis predictivo" para aumentar la eficiencia en la industria. Una encuesta reciente muestra que casi el 70% de los líderes empresariales encuestados o analistas de la industria consideran que el análisis industrial es crucial para sus negocios (Lueth et al., 2016). La misma encuesta encontró que el análisis de objetos físicos y máquinas ocupa un lugar destacado en importancia. El mantenimiento predictivo y prescriptivo de las máquinas (al 79% de los encuestados considerándolo extremo o muy importante) se encuentra en la parte superior.
Los análisis descriptivos detectan el comportamiento irregular del activo en milisegundos del evento real. Los datos utilizados para realizar estos análisis suelen ser locales para el activo considerado y se basan en los datos adquiridos del activo cuando funcionaba normalmente.Los análisis de diagnóstico que identifican la causa raíz de la anomalía, como un rodamiento fallido en un motor, requieren un conocimiento previo de los estados de falla. Los resultados de diagnóstico se pueden devolver en el orden de los minutos. Los análisis de pronóstico y prescripción le indican que la vida útil restante de un rodamiento puede tardar en el orden de horas para devolver un resultado y requiere acceso a varios tipos de datos y desde varias fuentes para realizar la predicción.
La implementación de análisis normalmente consta de tres pasos: entrenar un modelo de análisis (predictivo), probar y validar el modelo en datos no vistos anteriormente e implementar el modelo para realizar predicciones sobre datos reales (streaming).
Para obtener precisión de predicción, la inteligencia y la flexibilidad deben incorporarse a los modelos de predicción, y es por eso que la aplicación de las técnicas de Inteligencia Artificial (IA) –Machine Learning (ML) está ganando cada vez más adeptos en este campo. Las técnicas de AI-ML consisten en ajustar los parámetros de un modelo a partir de los datos observados (experiencia) y son más adecuadas para descubrir patrones de comportamiento de series de datos en presencia de aleatoriedad. Esta propiedad de los algoritmos de aprendizaje automático es invaluable en los problemas de detección de anomalías (Rodríguez et al., 2018). En el análisis de diagnóstico, los datos deben examinarse para responder a la pregunta "¿Por qué sucedió?", se utilizan técnicas como la exploración en profundidad, la detección de datos, la minería de datos y las correlaciones para examinar los datos para intentar comprender las causas de los eventos y comportamientos.
En el análisis de pronóstico, los enfoques basados en datos están ganando terreno, especialmente cuando la comprensión de los primeros principios de funcionamiento del sistema no es exhaustiva o cuando el sistema es lo suficientemente complejo como para que el desarrollo de un modelo preciso sea prohibitivamente costoso. La principal desventaja es que los enfoques basados en datos pueden tener intervalos de confianza más amplios que otros enfoques y que requieren una cantidad sustancial de datos para la formación. Los enfoques basados en datos se pueden subcategorizar aún más en estadísticas basadas en flotas y acondicionamiento basado en sensores. Las dos estrategias básicas basadas en datos implican (1) modelar el daño acumulado y luego extrapolar a un umbral de daño (Vachtsevanos et al., 2007), o aprender directamente de los datos la vida útil restante (Mosallam et al., 2015, 2016) (Jia et al., 2018).
2.4. Simulaciones gemelas digitales
La visión del Digital Twin (DT) se refiere a una descripción física y funcional completa de un componente, producto o sistema, que incluye toda la información que podría ser útil en todas las fases del ciclo de vida (Boschert y Rosen, 2016). DT se considera como una entidad virtual, basándose en los datos detectados y transmitidos de la infraestructura de IoT, así como en la capacidad de elaborar datos a través de tecnologías de análisis y simulación de datos, con el propósito de permitir optimizaciones y la toma de decisiones informadas. Las posibilidades de apoyo a la toma de decisiones a lo largo del ciclo de vida de los activos que ofrece el modelado de DT son muy prometedoras (Roda y Macchi, 2018), lo que lleva a pensar en futuras aplicaciones basadas en los DT de Activos Físicos.
Por ejemplo, Tesla tiene un gemelo digital para cada coche fabricado. Cada día, miles de millas de datos de los coches.se introducen en los modelos de simulación de la fábrica. Esas son mil y más formas de aprender y optimizar desde el mundo real, lo que no sería posible solo con modelos de simulación. Al alimentar los datos del mundo real recopilados del gemelo en los diseños, los ingenieros pueden mejorar los modelos futuros de un producto o incluso su funcionamiento actual en el campo.
Con el beneficio de los datos de IoT, las condiciones de funcionamiento reales se pueden simular con confianza, lo que proporciona rápidamente información procesable. Por ejemplo, una de las posibilidades más interesantes es el uso de la simulación para evaluar cuánto tiempo permanecerá operativo el producto. Un DT puede realizar un seguimiento de sus propios fallos, su propio desgaste y degradación. Usando la simulación, el gemelo puede entonces estimar su vida útil restante (RUL) e informar de nuevo al mantenimiento.
3. ESTRUCTURA DE IAMP
De acuerdo con los principios del diseño de la jerarquía de software, apoyaremos la estructura de un IAMP en tres niveles diferentes, definidos a continuación en la Figura 4. A partir de ahora, usaremos estos términos para referirse a cada nivel de la estructura. El primer nivel es lógicamente la plataforma inteligente de gestión de activos que abarca todo lo demás, facilitando un resumen para la gestión global, un ejemplo de estas plataformas podría ser GE APM, propiedad de General Electric, SAP Hana, propiedad de SAP o Siemens Mindsphere de Siemens. El segundo nivel que encontramos dentro de la plataforma son los módulos M con diferentes funciones en gestión de activos, desarrollando los diferentes dominios de la gestión de activos que pueden depender entre ellos y por lo tanto la interrelación es crucial. Por ejemplo, módulo de confiabilidad, módulo de estado, módulo de estrategia, etc. Además, cada módulo "M" contiene aplicaciones "x" que tendrán diferentes propósitos de acuerdo con el alcance del proceso de toma de decisiones que apoyan y proporcionando desarrollos rápidos.
Son más específicas, y algunos ejemplos de aplicaciones son RCM, análisis de criticidad o optimización de mantenimiento preventivo. Por último, cada aplicación contiene un modelo de datosque, como se explica a continuación, gracias a un esquema predefinido configura las bases de datos donde se almacenarán los datos relevantes con escalabilidad de nivel k. La ontología vincula diferentes modelos de datos, correlacionando tablas de datos estructuralmente y guiando los modelos de datos, similares al razonamiento humano, hacia sus procesos de toma de decisiones, sin la necesidad de conocer la complejidad del software de bajo nivel.
4. SISTEMA DE EVALUACIÓN DE IAMP
Después de analizar las razones que han promovido la digitalización de las empresas a través de los IAMP y la estructura que presentan, desarrollamos un sistema para evaluar los diferentes IAMP en función de las funciones o aplicaciones que incluyen para la gestión de activos. Aunque parece que todos los IAMP desarrollados por grandes empresas tienen las mismas funciones y el proceso de implementación es el mismo, no es así. Cada IAMP presenta sus propias funciones con una cierta estructura y agrupación, aunque es lógico que algunas de estas aplicaciones se repitan en varias plataformas, por ejemplo, las aplicaciones más recurrentes en la gestión de activos como el análisis de criticidad o el mantenimiento centrado en la confiabilidad (RCM).
En el proceso dedigitalización que llevan a cabo las empresas y en el que invierten millones de dólares, parece interesante estudiar qué plataforma es la que mejor se adapta a la estrategia de gestión de activos de la empresa. Hemos desarrollado un sistema de evaluación para tratar de evaluar estas plataformas y elegir la que mejor se adapte a los requisitos de gestión de activos de las empresas. Esta evaluación de plataformas se ha basado en la evaluación del modelo de solución de Woodhouse (Woodhouse, 2001) y el modelo de gestión de activos de Crespo (Crespo, 2007).
El Cuadro 1 muestra los requisitos o aplicaciones que una plataforma debe tener para llevar a cabo una buena estrategia de gestión de activos. El primer bloque se refiere a la fase de diseño del proyecto, e incluye todas las capacidades que una plataforma inteligente puede tener relacionadas con el análisis de costo-beneficio y el análisis de costos del ciclo de vida.
El segundo bloque abarca la gestión de activos en la fase de operación y mantenimiento, que puede ser la más importante para la gestión de activos y, por lo tanto, la evaluación más completa. Este bloque incluye:
- KPIs relacionados con objetivos de O&M previamente definidos y con una estrategia y responsabilidades definidas.
- El estudio del rendimiento de los activos en términos de rendimiento y fiabilidad.
- La jerarquía de activos a través de un análisis de criticidad con la posibilidad de seleccionar el algoritmo.
- El estudio de mantenimiento preventivo, a través del cual se creará el plan de mantenimiento optimizado de la instalación.
- El uso del mantenimiento predictivo cuando sea útil, con la definición de posibles variables a monitoreary las reglas de interpretación para cada variable. Además, si hay algoritmos de aprendizaje que pueden predecir errores o no.
- El análisis de estado de los activos que le permite evaluar el estado de un activo a través de un indicador y, a continuación, relacionarlo con una probabilidad de error.
Por último, el tercer bloque se refiere a las piezas de repuesto y materiales, también un tema importante en la gestión de activos y que se está volviendo cada vez más importante. Este bloque incluye una serie de funciones para establecer la estrategia de piezas de repuesto y otra sección para gestionar las piezas de repuesto de acuerdo con su criticidad.
Para una mejor comprensión, se muestra un caso práctico en el que se comparan dos plataformas con características diferentes. El Cuadro 1 evalúa la plataforma A y la metodología para evaluar la plataforma B sería la misma. Los resultados que comparan ambas plataformas se muestran en la Figura 5.
En vista de la tabla 1, cada capacidad o función de la plataforma se evalúa con un "sí" o "no" dependiendo de si la plataforma presenta una aplicación o una función que da dicha capacidad a la plataforma. Para cada plataforma, se evaluarán todas las capacidades. Proponemos una visión de los resultados para cada sección de gestión de activos, valorando cada uno de ellos en 10 puntos. Las capacidades que contiene la plataforma se evalúan con 10 puntos y las que no contiene con 0 puntos. Se propone un sistema de evaluación de peso en el que, dependiendo de las necesidades de la empresa, se dan ciertos pesos para cada capacidad dentro de una sección. Con la puntuación (0 o 10) de cada capacidad y el peso que representa de la sección, se calcula la puntuación de la sección de esa plataforma. Tenga en cuenta que es importante mantener los criterios de las ponderaciones para comparar diferentes plataformas. En el caso práctico, se ha asumido que el peso es el mismo para todas las capacidades dentro de la misma sección.
En vista de los resultados obtenemos una comparación rápida y sencilla entre dos plataformas, que nos permiten elegir la que tiene más potencial en la sección que la empresa da más importancia a la gestión de activos. En este caso la plataforma A puede ser peor en la fase de diseño que la plataforma B, por lo que si se asume una empresa con cambios continuos en la operación, en las que hay muchas fases de rediseño optaremos por la opción B.
En segundo lugar, en el bloque de operación y mantenimiento son similares excepto en las secciones de mantenimiento preventivo y predictivo, en las que se presenta la plataforma Amás capacidad que la plataforma B. En el caso de que tuviéramos una empresa como el sector ferroviario en la que el mantenimiento preventivo y predictivo es esencial, optaríamos por la plataforma A que nos ofrece mejores características.
Por último, con respecto al bloque de piezas de repuesto, en la gestión de piezas de repuesto la plataforma A es mejor, pero no tiene en cuenta ninguna de la criticidad de las piezas de repuesto, mientras que la plataforma B tiene funciones de gestión de piezas de repuesto y también en su función de criticidad. Al igual que las anteriores, si nuestra empresa gestiona repuestos críticos con altos tiempos de suministro o con alto coste, optaremos por la plataforma B que tenga en cuenta estos factores.
5. CONCLUSIONES
El objetivo de esta metodología es alinear la gestión de activos con el valor empresarial a través de la digitalización de las empresas y la elección de la plataforma de gestión inteligente de activos que mejor se adapte a la organización. Esta elección se realiza a través de una simple evaluación de las plataformas donde se revisan todas las funciones o aplicaciones que una plataforma debe tener para revisar una buena estrategia de gestión de activos. Nuestra metodología también utiliza gráficos para mostrar los resultados y de una manera visual para comparar diferentes plataformas. Esta metodología permite a los gestores de mantenimiento guiar la evolución del ciclo de vida de sus activos de acuerdo con la concepción del valor empresarial. Esto hace que esta metodología sea especialmente adecuada para soportar nuevos escenarios desafiantes de gestión del mantenimiento caracterizados por un alto nivel tecnológico y una gran interacción entre activos. Además, generará una gran cantidad de datos e información para la toma de decisiones.
