MOS (Maintenance Operation System). Real Cases
Dr. Eduardo García Magraner
Manager Body&Stamping
Ford España S.L.
Dr. Nicolás Montés Sánchez
Profesor titular Universidad CEU Cardenal Herrera
Valencia
1. INTRODUCCIÓN
Una línea de producción, fabricación o montaje se puede definir como un grupo de operaciones secuenciales establecidas en una factoría y donde el producto se mueve a través de ellas hasta su construcción final. Cada máquina u operario realiza un trabajo concreto que debe terminarse antes de que el producto se mueva a la siguiente posición de la línea. El rendimiento, la calidad y el coste del producto final dependen de una gran cantidad de factores. Es necesario encontrar un punto técnicamente factible en el cual, el mantenimiento y los niveles de calidad del producto permitan lograr la mayor productividad con vistas a cumplir con los objetivos de la compañía para una mayor rentabilidad. La conjugación correcta de estos 3 factores, producción, calidad y mantenimiento es la clave de la competitividad de la compañía.
De los 3 factores, el más crítico en el rendimiento de las líneas de fabricación es el mantenimiento, ya que, indirectamente afecta a la calidad y producción de la línea. Un mal mantenimiento provoca averías y paros de línea. Además, no cambiar a tiempo componentes que estén defectuosos puede afectar a la calidad del producto fabricado. En general, el mantenimiento se puede clasificar en dos grupos principales: Mantenimiento Correctivo (CM), mantenimiento Preventivo/Predictivo (PM). CM se lleva a cabo cuando falla la máquina o algunos de los elementos del equipo están deteriorados y deben ser reemplazados o reparados, este elemento y/o pieza será el responsable de una avería en toda la línea si no se ejecuta la acción. Sin embargo, los PM se llevan a cabo antes de que el equipo falle. El objetivo de una orden de PM es promover la producción continua del sistema y/o minimizar la pérdida de rendimiento. Dentro del mantenimiento preventivo/Predictivo, podemos encontrar dos grandes tipos de estrategias, las basadas en tiempo (Time-based Maintenance, TBM) o las basadas en el estado de la máquina (Condition Based Maintenance, CBM). Las basadas en tiempo proponen realizar un mantenimiento preventivo periódicamente, lubricando, calibrando y realizando inspecciones periódicas. En cambio, la estrategia CBM implica hacer un diagnóstico en tiempo-real donde la decisión se toma observando la “condición” del sistema y sus componentes, [2]. En las estrategias basadas en TBM, se suelen seguir las recomendaciones del fabricante, histórico de fallos, experiencia de los operarios y/o del equipo de mantenimiento. En cambio, en la estrategia CBM, el objetivo es evitar tareas innecesarias de mantenimiento y solo realizarlas cuando exista una evidencia de funcionamiento anormal. Es una estrategia proactiva que requiere del desarrollo de un modelo predictivo. La motivación del CBM es que en el 99% de los fallos de los equipos vienen precedidos por ciertos signos, condiciones o indicaciones de que el fallo está a punto de ocurrir, [3]. La condición del sistema se cuantifica a través de medidas de sensores tomadas de forma periódica, [2], [4]. En general, el propósito del CBM es doble. Primero, recoger datos del estado de la máquina y segundo incrementar el conocimiento de las causas de los fallos, de los efectos y de los patrones de deterioro de los equipos, [4]. Además, el CBM, a través de esta estrategia se puede asegurar una alta calidad del producto final, sobre todo si se seleccionan correctamente los umbrales de las medidas que se están tomando de la máquina [1].
El CBM se puede llevar a cabo de dos maneras, on-line u off-line, [4]. El proceso on-line implica realizar el proceso mientras las máquinas están activas. Por el contrario, en modo off-line, el proceso se realiza mientras la máquina está detenida. En este caso es común buscar grietas, cambios de color, etc. También, el CBM se puede realizar de forma continua o periódica. La forma más usual es realizarlo de forma periódica, por ejemplo, cada hora o cada cambio de turno, aunque la forma ideal sería realizarlo de forma continua y automática. Sin embargo, como se indica en [5], es muy caro ya que se necesitan muchos sensores y dispositivos para llevarlo a cabo. Los sensores, y por ende, los parámetros más extendidos para realizar el CBM son los siguientes:
- Vibración: La sensorización de la vibración es una de las técnicas más usadas para el CBM, especialmente para máquinas con elementos rotatorios, [6]. El análisis se realiza in-situ y es un test no destructivo.
- Ruido: Es otra de las técnicas más utilizadas en el CBM y que tiene una fuerte relación con la vibración y por tanto, también se utiliza para máquinas con elementos rotativos, [6]. Sin embargo, existe una diferencia fundamental entre las dos. Mientras la sensorización de la vibración requiere estar en contacto con la máquina o elemento a sensorizar, la monitorización del ruido simplemente está “escuchando” el equipo sin necesidad de estar en contacto, [4].
- Análisis del aceite o lubricante: En esta técnica, el aceite es analizado para determinar si está en condiciones o no para funcionar de forma adecuada. Además, también proporciona una medida indirecta del nivel de deterioro de los componentes a los que lubrica, [4].
- Medidas eléctricas: Esta técnica incluye la medida de cambios en las propiedades de los equipamientos tales como resistencia, conductividad, aislamiento. Esta técnica se suele utilizar para detectar deterioro de aislamiento en motores, [4].
- Temperatura: Esta técnica se utiliza fundamentalmente para detectar fallos en componentes eléctricos y electrónicos, [4].
- Presión, caudal, consumo eléctrico: Estas técnicas también son usadas, aunque en menor medida que las anteriores.
Las decisiones por tomar bajo el concepto CBM se pueden clasificar en dos: diagnóstico y predicción. Diagnóstico es el proceso de encontrar la fuente del fallo mientras que predicción es el proceso de estimar cuando se producirá el fallo, [7]. El objetivo del diagnóstico es el de proveer a los ingenieros de mantenimiento con alarmas de que el equipo está funcionando en condiciones anormales. Aunque el equipo esté funcionando en condiciones anormales, esto no significa que el equipo haya fallado. Esto ocurrirá después de un cierto tiempo, [4]. Este tiempo, el tiempo que queda hasta el fallo es el que debe estimar la predicción. Desde el punto de vista del mantenimiento, la predicción es mucho más relevante que el diagnóstico ya que puede predecir fallos inesperados,[5].
1.1. Punto de cambio (Change point)
En este punto aparece el concepto de lo que se conoce como “Change point”, punto de cambio. El change point se define como un cambio abrupto de la medida que se esté realizando de la máquina, vibración, sonido, etc. El change point es un indicativo de que algo anómalo está pasando y que nos anuncia que el fin de la vida útil de algún componente está cerca. En [8] se intenta definir una guía de cómo tratar el CBM.
El punto de cambio siempre va relacionado con algún cambio físico del componente. En el caso del aceite o lubricante, se conoce que existe un cambio brusco en el rendimiento, debido principalmente a que, cuando el aceite se acerca al final de su vida útil, su viscosidad cambia de forma abrupta, ver [9],[10]. Cuando un componente o pieza es sometida a una carga constante, la elongación que sufre con el paso del tiempo es conocida como “the creep curve” donde, al final de su vida sufre un elongamiento acelerado, ver [11]. También ocurre algo parecido con el coeficiente de elasticidad. Cuando una pieza es sometida a flexiones continuas, como puede ser el caso de una vía de tren, ver [12], [13], y se acerca el final de su vida útil, llega un punto en que no recupera su posición inicial.
Existen distintas técnicas para detectar change points, EWMA, CUMSUM, MSE, etc, ver [13], cada una focalizada en detectar un tipo de change point distinto. Dada la relevancia que tienen en el CBM, se están investigando nuevas técnicas para casos más complejos, ver [14].
1.2. Gap entre realidad industrial y los resultados científicos
Aunque la cantidad de modelos y trabajos científicos es enorme en el tema de mantenimiento predictivo, existe una gran brecha entre los requerimientos de problemas de configuraciones reales y el estado de las investigaciones.
En las factorías modernas, los sistemas de control en tiempo real mejoran la capacidad de respuesta, la eficiencia, la calidad del producto final, etc. Este concepto se ha generalizado a lo que se hoy día se conoce como “Industria 4.0”. Estos sistemas incluyen el internet de las cosas, computación en la nube, Big data, etc, todo focalizado a parámetros industriales. El mundo del mantenimiento no es ajeno a esta tendencia, pero se enfrenta a un gran desafío, que no es otro que el coste de generalizar las técnicas establecidas en la literatura. Para poder crear un Big Data de mantenimiento necesitaríamos sensorizar todas las máquinas, ya que el fallo de una de ellas (o de un simple componente) ya provocaría un paro de línea. La única posibilidad disponible hoy en día es mediante el uso de sensores de vibración, sonido, temperatura, caudal, presión, etc. Este hecho supone una inversión en hardware de Billones y billones de euros para una compañía que tenga factorías de grandes dimensiones como por ejemplo el sector de la automoción. Esto ha hecho que las empresas no avancen hacia un mantenimiento en la industria 4.0. y se decanten por sensorizar maquinas críticas y/o tener a un grupo de operarios que, equipados con este tipo de sensores (en versión portable), realicen inspecciones periódicas de cada máquina en particular.
Así pues, la industria y la ciencia se enfrentan a un gran desafío, que no es otro que descubrir la manera de sensorizar, o el parámetro a medir común en todas máquinas, que permita, de una manera fácil, barata, y en tiempo real, monitorizar el CBM de las máquinas y poder realizar un DT factible para todas las máquinas.
2. MINITÉRMINO
La literatura clasifica los datos usados en el análisis del proceso de fabricación en dos tipos, los datos a largo plazo (long-terms), y los datos a corto plazo (Short-terms). Los datos a largo plazo son utilizados principalmente para la planificación de procesos mientras que los datos a corto plazo son utilizados principalmente para el control de procesos. Existe abundante literatura que trabaja con el análisis de los tiempos a largo plazo, en comparación con la literatura que utiliza los tiempos a corto plazo. En [16], [17] se redefine el corto plazo en dos nuevos términos, el minitérmino y el microtérmino. Un minitérmino puede ser definido como una parte de la máquina, en una política de mantenimiento preventivo o en una avería, en el que podría ser sustituido de una manera fácil y más rápida que otra parte subdividida de la máquina. También un minitérmino se podría definir como una subdivisión que nos permite comprender y estudiar el comportamiento de la máquina. De la misma manera, un microtérmino se define como cada parte del minitérmino que podría ser dividido en sí, ver Figura 1
Figura 1 Desde el microtérmino hasta el término a largo plazo.
En [16], [17] también se evidenciaba la gran ventaja del uso de los minitérminos en comparación con otros sensores, vibración, ruido, etc, y es que no necesitan ningún tipo de sensor adicional. Para medir el sub-tiempo de ciclo técnico utilizan los sensores instalados para el funcionamiento automatizado de la línea. Por ello, su instalación solo requiere de la programación de un timer en el PLC o PC que gobierna la línea de producción.
2.1. Hacia el Big Data industrial basado en minitérminos
Estos resultados obtenidos y las ventajas del uso de los miniterminos mostrados en [16] y [17] despertaron gran interés por parte de Ford Motor Company. En 2019 fue concedido el proyecto ”Sistema Inteligente para mejorar el mantenimiento predictivo de las factorías a través del uso de minitérmino 4.0 como parámetro principal en el Big Data Industrial”, financiado por el CDTI (IDI-20190878.) y que concluyo en Julio en 2021, con el objetivo de empezar a implementar de manera masiva los minitérminos y de desarrollar los algoritmos necesarios para la predicción de fallos en máquinas. A día de hoy, marzo 2023, hay 24549 minitérminos instalados en la Factoría Ford de Almussafes (Valencia), de los cuales, hay catalogados cilindros neumáticos, pinzas de soldadura neumáticas, bombas, pantógrafos, ventiladores, servos, mesas transporte, mesas giratorias, switch, reductores, cobots, elevadores, etc. El sistema recibe los miniterminos en tiempo real. El sistema se calibra inicialmente donde se miden determinados parámetros para calibrar el funcionamiento normal de la máquina. Cuando estos parámetros tienen una desviación de un 18%, se envía una alarma a los operarios de mantenimiento para que revisen el componente indicado, ver [16] y [17].
Figura 2 Casos reales
2.2. Impacto de los minitérminos en la industria
La factoría que Ford tiene en Valencia fue el epicentro de implantación y testeo de los minitérminos. El proceso de instalación y monitorización de máquinas y componentes comenzó en 2017, donde se programaron 200 minitérminos y sufrió un importante impulso gracias al proyecto concedido por el CDTI (IDI-20190878.). Desde que se comenzaron a instalar los minitérminos y a usarlos para la predicción de averías, diferentes tipos de indicadores productivos han comenzado a sufrir mejoras significativas. Respecto al TAV (Technical Availability), ha experimentado una mejora aproximada del 15 % de 2016 a 2021. En el caso del MTTR (Mean Time To Repair), se ha reducido en 1,6 horas aproximadas, a partir de su implantación. En cuanto al número de órdenes de trabajo, estos se han reducido significativamente gracias a la predicción de fallos, eliminando unas 3000 órdenes/año, mientras que las horas de trabajo también se han reducido drásticamente en casi 4000 horas/año.
3. BIBLIOGRAFÍA
[1]. M.Ben-Daya, S.O. Duffuaa. Maintenance and quality: the missing link. Journal of Quality in Maintenance Engineering. Vol 1, Iss 1, pp. 20-26. 1995
[2]. Y.Peng, M.Dong, M.J.Zuo. Current status of machine prognostics in condition- based maintenance: a review. International Journal of Advanced Manufacturing technology;50, pp 297-313, 2010.
[3]. H.P.Bosch, F.K. Geitner. Machine failure analysis and troubleshooting. Gulf Pub. Co., 1983 - Technology & Engineering - 656 pages.
[4]. R.Ahmad, S.Kamaruddin. An overview of time-based and condition -based maintenance in industrial application. Computer& Industrial Engineering, 63, pp 135-149. 2012.
[5]. D. A.K.S.Jardine, D.Banjevic, A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signals processing 20 (7), pp 1483-1510. 2006.
[6]. S.Kumar, D.Goyal, R.K.Dang,S.S.Dhami, B.S.Pabla. Condition based maintenance of bearings and gears for fault detection. A review. Materials today: Proceedings, 5, pp. 6128-6137, 2018.
[7]. I.J.Jeong, V.J.Leon, J.R.Villalobos. Integrated decision-support system for diagnosis, maintenance planning and scheduling of manufacturing systems. International Journal of production research, 45(2), pp 267-285. 2007.
[8] PhD A.Rastegari. Condition Based Maintenance in the maintenance industry. From Strategy to implementation. 2017.
[9]. http://ctgls.com.au/technical-info/how-oil-degrades/
[11] J.Corcoran, C.M.Davies. Monitoring power-law creep using failure forecast method..International Journal of Mechanical Sciences. Vol 140, pp 179-188, 2018.
[12] X.Zhao, K.Cai, X.Wang, Y.Song. Optimal replacement policies for a shock model with a change point. Computer&Industrial Engineering Vol 118, pp 383-393, 2018.
[13] M.B.Nigro, S.N. Packzad, S.Dorvash. Localized structural damage detection. A change point. Computer-Aided Civil and Infrastructure Engineering. Vol 29, pp416-432, 2014.
[14] N.M. Al-Kandari, E.E.A.A. Aly. An ANOVA-type test for multiple change points. Statistical papers. Vol 55, Iss 4, pp 1159-1178, 2014.
[15] R.Killick, I.A.Eckley. Changepoint: An R Package for Changepoint Analysis. Journal of Statistic software. Vol58, Iss 3, 2014.
[16] PhD E. García. Análisis de los sub-tiempos de ciclo técnico para la mejora del rendimiento de las líneas de fabricación. (http://dspace.ceu.es/handle/10637/8352) Valencia, Julio 2016
[17] E.Garcia, N.Montés, J.Llopis, A.Lacasa, Miniterm, a Novel Virtual Sensor for Predictive Maintenance for the Industry 4.0 Era. Sensors 2022, 22(16), 6222
Homelowertripezone500x180px.png)
