Mantenimiento predictivo mediante Big Data y las tecnologías KET

AEM Revista Digital 30 de octubre de 2020

0

0

0

0

5 min. de lectura

1. Mantenimiento: del coste al beneficio

Durante los nueve años que O’gayar ha estado trabajando en el análisis de datos relacionado con la productividad y el entorno legal laboral hemos visto, como pauta, que las empresas tienden a considerar el mantenimiento como un gasto, como un recurso que se usa cuando “algo se rompe”.

¿Porqué hacemos esto? Probablemente por que así se nos ha enseñado desde que entramos a trabajar hace ya muchos años. Por otro lado en O’gayar hemos tenido la suerte de trabajar con empresas de mantenimiento cuyo negocio es, precisamente, el mantenimiento de activos de transporte. Y nuestro paradigma cambió en ese momento, dejó de ser el predecir cuándo iba a fallar un elemento para pasar a ser “cómo hacemos para que esto de dinero”; en este sentido damos nuestro agradecimiento más sincero a Miguel Puig, Director Técnico de Globalia Mantenimiento Aeronáutico (Grupo Globalia – AirEuropa) con quien ya llevamos trabajando
juntos más de cinco años.

Hemos seguido trabajando con varias compañías del mundo de la logística y del transporte, pero desde nuestro nuevo sistema de referencia que, hemos, visto, aporta un valor que va más allá del mero cálculo de probabilidades a partir de datos acumulados en una base de datos.

Este conocimiento no ha nacido en dos meses, viene de muchos años de trabajo y de trabajos como el Proyecto Rep-Air (www.rep-air.eu) donde nuestro objetivo era crear la plataforma de inteligencia que debía predecir el fallo de un componente mucho antes de que este ocurriese en un entorno como el aeronáutico donde la incertidumbre debe reducirse a un nivel casi imposible.

2. ¿Qué son las KET?

Las Tecnologías Facilitadoras Esenciales – TFE o KET´s (Key Enabling Technologies) son una fuente básica para la innovación proporcionan elementos tecnológicos indispensables que permiten el desarrollo de una amplia gama de nuevos materiales, productos, procesos y servicios de mayor valor añadido.

3. ¿Qué es el análisis de datos y el “Big Data”?

Big data, macrodatos, datos masivos, inteligencia de datos o datos a gran escala es un concepto que hace referencia a un conjuntos de datos tan grandes que aplicaciones informáticas tradicionales de procesamiento de datos no son suficientes para tratar con ellos y los procedimientos usados para encontrar patrones repetitivos dentro de esos datos.

4. ¿Cómo aplicamos ambas cosas al mundo real?

La línea maestra de trabajo es desarrollar estrategias multinivel en
mantenimiento de activos que permitan:

1. Coordinar acciones de mantenimiento con planificación de producción
2. Obtenga una visión integrada del mantenimiento dentro del proceso de producción
3. Reducir las intervenciones de mantenimiento
4. Maximice la fiabilidad y mantenimiento de los equipos
5. Reducir los costos asociados con el mantenimiento
6. Reduzca los costes debido a fallos en la maquinaria debido a un mantenimiento deficiente
7. Reducir los costos ambientales causados por la operación de maquinaria fuera de los parámetros óptimos
8. Extrapolar los resultados a otras industria

Con este objetivo, se desarrollan tres estrategias de mantenimiento:

• Nivel A: nivel de componente
• Nivel B: a nivel de equipo
• Nivel C: Nivel de proceso

En cada nivel se desarrolla una metodología basada en el análisis estadístico de parámetros que se obtendrán con diferentes medios de los componentes, equipos y procesos para determinar los modelos explicativos necesarios (algoritmos) que conducen a determinar las causas de fallo y / o agotamiento de la vida útil.

A partir de estos, desarrollaremos los modelos predictivos que nos ayudarán a determinar el mejor momento para realizar el mantenimiento correspondiente.

Obviamente, será necesario desarrollar y construir los sistemas de información necesarios que nos proporcionen datos sobre los parámetros de los componentes, equipos y procesos industriales. Así como el comportamiento de estos dependiendo del producto que se está fabricando y sus requisitos de calidad / cantidad.

Es previsible que los datos grabados y almacenados alcancen volúmenes considerables. Por lo tanto, será necesario implementar una placa de Big Data que nos ayude con el trabajo de acumulación e interpretación de los datos. Lógicamente tendremos que integrar datos de diferentes tecnologías (tanto de captura de medidas como de máquina), por eso es fundamental contar con la integración del KET a lo largo del proyecto.

Los errores que generalmente se cometen en el mantenimiento de los recursos
productivos son los siguientes (entre otros):

1. No planifica el mantenimiento teniendo en cuenta la planificación de las necesidades de producción o uso del recurso.
2. En el caso de que varios recursos trabajen juntos (como en el caso de una máquina y un robot), ambos equipos generalmente no se consideran como un único recurso productivo y conjunto.
3. Cometer errores de mantenimiento por defecto: no realizar el mantenimiento programado o hacer sin completar
4. Cometer errores de mantenimiento por exceso: llevar a cabo más acciones de mantenimiento que aquellas indicado por el fabricante

Cuando ocurren estos errores, estamos causando pérdidas de eficiencia en el proceso de producción y aumentando los costes innecesarios que conducen a una menor rentabilidad de la empresa.

En este trabajo debemos centrar la atención en minimizar la pérdida de la eficiencia productiva, los costes asociados con los errores de mantenimiento y los defectos que se obtienen en la producción debido al mantenimiento deficiente mediante el desarrollo de estrategias que permitan:

• Crear planes de mantenimiento adaptables de acuerdo con las condiciones de trabajo y el estado de los recursos
• Aumentar la fiabilidad de los componentes, el equipo como un conjunto de componentes y todo el proceso productivo
• Incrementar la sostenibilidad de componentes, equipos como un conjunto de componentes y todo el proceso productivo
• Introducir KET's para el intercambio de información de recursos a datos sistemas de análisis
• Introducir los algoritmos de análisis de datos para crear modelos explicativos y predictivos que permitir saber qué factores influyen en el desgaste de los recursos y las deficiencias en el producto manufacturado
• Monitorear los recursos tanto a nivel de componente como de calidad del producto obtenido
• Obtener una visión global del proceso de uso del recurso