Los datos como motor del cambio en el mantenimiento del sector del transporte
Absel Hernández Molina
Solution Architect
Industry Business
Schneider Electric
La democratización y el abaratamiento de las tecnologías habilitadoras de la Industria 4.0 y la necesaria mejora de la productividad del sector transporte y logístico están generando un caldo de cultivo ideal para que las empresas adopten estrategias impulsadas por los datos o data-driven. Históricamente, se ha enfocado la adquisición y explotación de estos datos como soluciones acotadas a problemas específicos, originando silos o islas de información sin interconectividad. Dicho enfoque nos ha traído a la situación actual del sector en España, donde tenemos procesos y herramientas software y hardware, adquiriendo y explotando datos para operaciones, mantenimiento, ventas, etc. sin conectividad unas con otras. Además, la explotación de la información de cada silo se viene haciendo sin atender a las necesidades corporativas, centrándose únicamente en la solución a los problemas presentes sin atender a la visión estratégica del negocio. Esta forma de generar información inconexa e incompleta de la empresa se erige como uno de los principales problemas a resolver para conseguir la transformación digital del sector.
Por el contrario, las empresas con estrategia impulsada por datos interpretan y ordenan los mismos mediante herramientas y procesos interconectados que le permiten mejorar sus flujos de trabajo, convertir datos en información y tener la visión global del negocio en tiempo real, adaptándose más rápidamente a los cambios.
Más concretamente, dentro del mundo del mantenimiento, tradicionalmente uno de los principales silos de información, vemos como en la mayoría de los casos dicha información no fluye hacia el resto de la organización más allá de informar los KPIs habituales a la dirección. Esto se debe fundamentalmente a la problemática propia de dicha actividad, donde el valor añadido históricamente siempre se ha visto asociado únicamente a la disponibilidad de los equipos.
Evolucionar las estrategias de mantenimiento es fundamental como forma más eficaz de optimizar recursos y aumentar la disponibilidad de los activos. A medida que avanzamos en la madurez en los procesos de mantenimiento, evolucionamos desde una visión reactiva hasta una proactiva basada en riesgos, según vemos en la pirámide de madurez del mantenimiento.
Como puede verse en la figura 1, el mantenimiento debe evolucionar desde el correctivo al basado en riesgos, como una estrategia madura y eficiente de gestionar los procesos y recursos dentro de la organización.
El mantenimiento correctivo y preventivo han sido el día a día de los entes de transporte hasta ahora. Los datos e información generados durante estas actividades no suelen explotarse adecuadamente salvo la generación de los indicadores típicos como tiempo medio entre fallos, disponibilidad, etc. Además, para gestionar los flujos de información se suelen implementar sistemas de gestión tipo EAM (Enterprise Asset Management) o GMAO (Gestión de Mantenimiento Asistido por Ordenador), que típicamente se han infrautilizado, sirviendo únicamente para reportar costes de los mantenimientos tanto de mano de obra como materiales, planificar los mantenimientos preventivos de forma periódica, realizar una gestión básica del inventario de repuestos y ser el origen de datos de los indicadores anteriores.
Esta forma de ejecutar el mantenimiento ha demostrado ser poco eficiente. Si bien el mantenimiento preventivo supone una mejora importante sobre métodos de trabajo puramente reactivos, la planificación de los preventivos basados típicamente en una frecuencia temporal (semanal, mensual, anual, etc.) o en algún medidor del equipo, como por ejemplo horas de funcionamiento, trae consigo el riesgo de inframantener o sobremantener los equipos en función de si ejecutamos el preventivo con mayor o menor frecuencia de la necesaria como podemos ver en la siguiente figura 2.
La zona verde de la figura 2 o zona óptima, donde el mantenimiento preventivo tiene una frecuencia de ejecución eficiente según el nivel de uso que le demos a los equipos es tremendamente difícil de conseguir. El ajuste en la frecuencia de los preventivos se suele hacer en base a la experiencia sobre activos similares o en el mejor de los casos, contrastando la información histórica de los correctivos y preventivos para cada equipo y reajustando las frecuencias en un proceso largo y recursivo.
Además, es fundamental tener en cuenta que cada equipo tiene asociada unas condiciones de uso diferentes en función del régimen de funcionamiento, disponibilidad requerida, entre otros muchos factores, lo que implica que por ejemplo, dos equipos iguales, en ubicaciones o procesos diferentes, deben tener asociados mantenimientos específicos que tengan en cuenta las condiciones de trabajo de cada uno. Para solucionar este problema se ha desarrollado el mantenimiento basado en condiciones.
El mantenimiento basado en condiciones o CBM por sus siglas en inglés es una estrategia que permite ejecutar las operaciones de mantenimiento de los equipos en función del estado de estos. Se trata, por tanto, de monitorizar los equipos mediante los sensores oportunos que arrojen la información necesaria para determinar su estado, y, por tanto, en base a una serie de reglas prefijadas, decidir el momento más oportuno para realizar las intervenciones sobre el activo, solo si se ha detectado una degradación de su estado. Esta estrategia de mantenimiento se basa en romper los silos de conocimiento existente entre operaciones y mantenimiento, al aprovechar todas las variables de proceso relacionadas con los activos e incluirlas en reglas avanzadas que, basándonos en dichas variables, determine el estado de los equipos. Además, se podrán incluir en estas reglas cualquier otro tipo de variables ajenas al proceso, pero con influencia en el comportamiento de los activos presentes en otros sistemas de gestión de la empresa, como afluencia de viajeros, datos meteorológicos, etc.
Migrar del mantenimiento preventivo al basado en condiciones es una evolución significativa dentro de la pirámide de madurez del mantenimiento que reaprovecha gran parte de las arquitecturas hardware y software disponibles y aumenta nuestro conocimiento del activo. Dicho conocimiento podrá ser usado durante toda la vida útil del equipo y reaprovechado en el diseño de los equipos que remplacen a los actuales. Por otra parte, nos prepara para el mantenimiento predictivo al establecer mecanismos de adquisición y almacenamiento de datos de los equipos, cuyos históricos serán reaprovechados para ejecutar mantenimientos predictivos futuros.
El mantenimiento basado en condiciones suele ser un motor de cambio en procesos de transformación digital. Obliga a las organizaciones a crear conexiones de información entre datos de proceso, típicamente restringidos a las fronteras del control, basado en SCADA, historizadores, DCS (Sistemas de Control Distribuido) u otros sistemas análogos como fuente inagotable de información y los sistemas de gestión de mantenimiento, puesto que el cumplimiento de alguna de las reglas predefinidas para cada equipo implica una acción de mantenimiento que deberá generarse automáticamente en el GMAO. Es un cambio radical en la forma de ejecutar los trabajos de mantenimiento al ser la propia condición del equipo la que desencadena todos los flujos de trabajo en la organización.
Sin embargo, es importante destacar que para que el CBM sea efectivo, la sensorización en el equipo debe ser adecuada para detectar los modos de fallo de este. Cuando no sea posible detectar todos los modos de fallo existentes en un equipo por la imposibilidad o el coste de dicha sensorización, se podrá complementar el CBM con mantenimientos preventivos o predictivos. Aquí vemos como no existe una única estrategia de mantenimiento válida, sino que la mezcla de ellas, en adecuadas proporciones, implica una mejora notable en los resultados operativos de un departamento de mantenimiento. Ejemplo de este tipo de procedimientos es la monitorización de temperaturas en puntos críticos de las celdas de media tensión usadas tanto en tracción ferroviaria como en distribución eléctrica en estaciones y túneles, intentando anticipar problemas es estos equipos con una criticidad alta dentro del proceso y consecuencias importantes en caso de fallo.
Por último, es importante añadir que las reglas implementadas con el CBM, que pueden ser de tipo estadístico, comparaciones de señales con valores limite, etc. se pueden aplicar tanto a equipos como sistemas, monitorizando de forma más amplia el estado de los equipos al dar contexto a los datos adquiridos.
A medida que las organizaciones evolucionan, la necesidad de seguir mejorando la eficiencia y disponibilidad de los activos los obliga a buscar métodos que permitan anticiparse lo suficiente a los fallos en los equipos, permitiendo planificar las reparaciones, asegurando la optimización y disponibilidad de todos los recursos necesarios tanto humanos como materiales. El mantenimiento predictivo busca dar respuesta a lo anterior.
El predictivo como estrategia es simple de entender, sin embargo, las implicaciones a nivel de herramientas software son complejas. Actualmente, existen soluciones que, aprovechando los datos históricos de las señales de los equipos o sistemas, obtienen el patrón de funcionamiento normal del equipo mediante diferentes técnicas de análisis informático basadas en Machine Learning. En este tipo de técnicas, la clave del éxito se encuentra en la calidad de los datos disponibles. Con esta información se entrena al sistema software predictivo de modo que crea un perfil de comportamiento óptimo del equipo.
Una vez definido el perfil de comportamiento del sistema, se pone en producción. Desde ese momento, el sistema empieza a recibir nuevos datos en tiempo real con el comportamiento actual. Por tanto, el software se encarga de validar si el estado del equipo se corresponde o no con el perfil anteriormente definido, validando dichos valores de entrada.
En la figura 3 se puede observar como en el caso de dos variables de entrada, un sistema predictivo es capaz de detectar patrones de comportamiento anómalos que se escapan de las condiciones de funcionamiento normales de un equipo definidas por las cajas de la figura y que no son detectadas por un sistema de alarma tradicional que únicamente alertará de un problema si se exceden los valores límite establecidos. Además, dicha creación del perfil de comportamiento tiene en cuenta las n variables disponibles para cada equipo o sistema aumentando notablemente la complejidad del análisis.
Los sistemas predictivos definen indicadores que miden el nivel de desviación del comportamiento actual respecto de su modelo óptimo. En la figura 4 se puede observar como el indicador global del modelo predictivo, definido como la desviación del comportamiento actual respecto al modelo óptimo, aparece en verde en la imagen. Dicho indicador empieza a dispararse desde aproximadamente el día 22. Desde este momento, el sistema predictivo es capaz de detectar que hay una desviación en niveles de alarma definida por la zona roja, que debe ser atendida. Es importante recordar que este tipo de sistemas buscan alertar con suficiente antelación, que puede ir desde días a meses, dependiendo el tipo de equipo y la calidad de los datos disponibles, antes de que el fallo ocurra. Además, se observa como una vez realizada la reparación del equipo, la señal sale de la zona de alarma, en torno al día 22 del siguiente mes.
Realizar este tipo de análisis es tremendamente complejo para el ser humano. Además, las herramientas de predictivo deben servir también de sistemas de gestión del conocimiento, permitiendo almacenar información sobre las averías detectadas de forma que en el futuro nos ayude a discriminar los diferentes modos de fallo de un sistema. En la figura 5 se observa como un sistema predictivo nos puede aportar conocimiento directo sobre los diferentes modos de fallo del equipo, y la aportación de cada sensor a la desviación del estado actual del equipo con respecto de su patrón óptimo de comportamiento, siendo de gran ayuda a la hora de determinar el error en el sistema.
El mantenimiento predictivo supone un gran avance con respecto al resto de estrategias de mantenimiento. Está permitiendo mejoras importantes en la disponibilidad de los equipos y en la optimización de recursos. Sin embargo, muchas veces es difícil aplicar predictivos a determinados equipos por la falta de sensorización y la imposibilidad de detectar los modos de fallo del equipo, al igual que para el caso del CBM. Suele aplicarse técnicas predictivas fundamentalmente a equipos críticos, bien por su coste o por su criticidad dentro del proceso, como por ejemplo los transformadores y las cabinas de media tensión de tracción en el caso del sector ferroviario.
Debido a que ninguna de las técnicas comentadas es suficiente por si misma para dar un correcto mantenimiento a los equipos, es necesario tener una visión global del negocio que permita, con todos los datos disponibles, optimizar la gestión del mantenimiento y de esta forma seguir mejorando los indicadores clave de rendimiento de los activos.
El mantenimiento basado en riesgo o RBM por sus siglas en inglés, intenta gestionar escenarios complejos, con multitud de activos en procesos diferentes, agregando la información de mantenimiento disponible fundamentalmente en el GMAO o EAM, permitiendo un análisis de alto nivel que nos ayude a definir la criticidad especifica de nuestros activos y determinar que actuaciones son requeridas para mantener los estándares de operación de dichos activos.
Se trata, por tanto, de una estrategia de mantenimiento que analiza todos los datos disponibles como histórico de órdenes de trabajo, maestros de trabajos preventivos, predictivos, inventario de repuestos, etc. y cuyo resultado suele ser mejoras en los procedimientos y planes de mantenimiento de la empresa.
Suele apoyarse en técnicas como FMECA (Failure Mode, Effects, and Criticality Analysis) o RCA (Root Rause Analysis) para determinar el nivel de criticidad de los equipos.
Los sistemas software que ayudan a implementar el mantenimiento basado en riesgo, se conectan a los sistemas de gestión existentes e implementan herramientas que ayudan a desarrollar los análisis de criticidad en función de los objetivos del negocio. Por ejemplo, en la figura 6 un sistema RBM clasifica los equipos según su criticidad en función de un objetivo concreto, en este caso la seguridad personal, atendiendo a la información histórica disponible. Dichos análisis de criticidad nos permiten poner el foco en los procesos y equipos que puedan ser más conflictivos de cara a la consecución de los objetivos definidos.
Los sistemas software RBM además son capaces de simular diferentes escenarios de mejora, proponiendo niveles de inventario diferentes que optimicen la gestión de los almacenes, ajustes en la frecuencia de los mantenimientos preventivos, que podrán ser superiores o inferiores a las actuales, de forma que trabajemos con preventivos en la zona óptima definida anteriormente. En la figura 7 se puede ver como un sistema RBM propone cambios en los planes de mantenimiento, agrupando trabajos similares para optimizar la gestión de los recursos y ajustando la frecuencia de estos para dar respuesta a un modo de fallo concreto de cada equipo.
Gracias a este tipo de herramientas, migrar desde una estrategia de mantenimiento reactiva a otra proactiva basada en el mantenimiento basado en riesgo es cada vez más fácil y necesario. Las empresas de transporte lo han empezado a realizar con sus activos, sin embargo, es necesario crear una cultura del dato a nivel corporativo, que de valor a los datos de cada proceso empresarial y los agregue obteniendo información relevante de los mismos. Además, es fundamental romper con los silos de información tradicionales y construir sistemas interconectados o interconectables que permitan evoluciones futuras en nuestros modelos de explotación de datos y negocio. En el sector del transporte, al igual que en el resto de sectores claves para el funcionamiento de un territorio, estamos inmersos en una revolución empresarial movida por los datos y debemos prepararnos para las necesidades presentes y futuras que dicha revolución traerá consigo.
