Servicios avanzados a partir del estudio del comportamiento de un parque de activos
Jone Uribetxebarria
Responsable del equipo de especialización de Tecnologías de Operaciones y Mantenimiento
Ikerlan Centro Tecnológico
ABSTRACT
En la actualidad, existe un interés generalizado de las empresas en diseñar e implementar tecnologías para la gestión de activos orientada a asegurar y optimizar su ciclo de vida. Además, en el caso de fabricantes de equipos, estos objetivos pueden ser incluidos en su oferta de servicios para dotar a sus equipos de un valor añadido de cara a su operación en las plantas productivas o flotas de sus clientes. Aprovechando las nuevas capacidades de sensorización, captación y transmisión de datos de los equipos en el paradigma de la Industria 4.0, se ha facilitado el acceso a una gran cantidad de información acerca del comportamiento del conjunto de las máquinas monitorizadas(estado, anomalías de funcionamiento, parámetros del contexto en el que están operando, etc.), lo que posibilita el desarrollo de modelos avanzados de fiabilidad, modelos para el conocimiento del estado del sistema (diagnosis) y modelos para el pronóstico de su comportamiento en el futuro (prognosis), describiendo todos ellos el comportamiento de los equipos en distintos contextos de operación y permitiendo una gestión personalizada de los mismos. Surgen así nuevos escenarios en los que los clientes demandan equipos inteligentes y conectados que les aseguren unos niveles de disponibilidad y rendimiento óptimos durante toda su vida útil, mediante contratos tipo PBC (Performance Based Contracting) unidos a indicadores de disponibilidad o rendimiento.
1. INTRODUCCIÓN
Tradicionalmente, los OEMs han enfocado sus esfuerzos en la producción y venta de los activos. Sin embargo, la exigencia de un mercado cada vez más competitivo a nivel de costes, ha creado la necesidad de mantener la rentabilidad de los negocios a través de un servicio postventa que permita generar ingresos recurrentes a lo largo del ciclo de vida de los activos. No obstante, hasta la fecha, los servicios postventa han incurrido en sobrecostes y en un consumo excesivo de recursos debido a planes de mantenimiento ineficientes, sin conseguir ingresos recurrentes. Este problema es incluso más pronunciado cuando el plan de mantenimiento se diseña en la fase de oferta del activo, en la que se dispone de poca información para caracterizar el comportamiento del mismo. Para enfrentarse a esta problemática, los OEMs han utilizado un enfoque holístico basado en información genérica proporcionada por los proveedores de sistemas y componentes, y en su propia experiencia acerca del comportamiento de activos análogos.
Este enfoque ha tenido como resultados planes de mantenimiento cuyo grado de personalización no se ajustaba a las necesidades reales de los activos y que, por lo tanto, no proporcionaban los niveles deseados de fiabilidad, disponibilidad o mantenibilidad. Una de las causas principales del problema consiste en el desconocimiento del comportamiento de los equipos en entornos reales (respecto a su comportamiento teórico) y del impacto de las variables del contexto operacional en este modelo de comportamiento.
A pesar de la variedad de estudios de confiablidad disponibles en la literatura, las empresas tienden a utilizar los modelos tradicionales de fiabilidad, los cuales se basan únicamente en datos históricos de fallo y no consideran algunos factores importantes que condicionan la fiabilidad de los activos, como pueden ser el uso que realmente se da al activo o el contexto de operación en el que opera (temperatura, humedad, etc.) (De Rocquigny et al., 2008). Esto condiciona la toma de decisión, llevando a veces a decisiones erróneas sobre cuándo mantener o reemplazar los activos.
Tal como aparece en la literatura, la gestión de un parque extenso de activos/equipos geográficamente dispersos se vuelve compleja. Para administrar con éxito el mantenimiento de los activos, es importante estudiar el comportamiento de los fallos principales y las incertidumbres que influyen en este comportamiento. En este contexto, la ingeniería de la confiabilidad y las metodologías de Gestión de Activos facilitan la gestión de parques de activos que incorporan distintas soluciones técnicas y operan en diferentes contextos de trabajo (Izquierdo et al., 2019). Esto permitirá implementar estrategias de mantenimiento personalizadas diseñadas para atender las necesidades reales de los equipos, garantizando su correcto rendimiento.
El “Modelo de Gestión de Activos” que se presenta a continuación, trata de diseñar estrategias postventa personalizadas que respondan mejor a las necesidades reales de los equipos, teniendo en cuenta sus características técnicas y el contexto operacional en el que trabajan. Este modelo deberá responder a dos objetivos: por un lado, asegurar niveles de rendimiento óptimos de los equipos en los distintos contextos operacionales y por el otro, evaluar el impacto de la incertidumbre (relacionado con errores en el modelado del comportamiento o variabilidad en la ejecución del servicio postventa) en el rendimiento, para minimizar los riesgos de nuevos servicios unido a indicadores de rendimiento.
En este escenario, los fabricantes de Equipos 4.0 tienen la oportunidad de adoptar un rol más proactivo en la planta del cliente, ofreciendo contratos ligados a ratios de productividad u otros servicios que aseguran niveles óptimos de disponibilidad y/o rendimiento de los equipos durante toda su vida útil.
2. MODELO DE GESTIÓN DE ACTIVOS
La industria 4.0 ha permitido introducir tecnologías innovadoras de captación y detección en plantas y equipos, pero la mejora de los niveles de disponibilidad y eficiencia de los equipos (Overall Equipment Efficiency – OEE) todavía sigue siendo una necesidad en estas plantas inteligentes y conectadas. Algunos estudios revelan que el nivel de OEE medio se sitúa en 60% (Schenk and Ryll, 2010)
Por este motivo, muchos fabricantes de equipos han comenzado a trabajar en el estudio y análisis de los datos del comportamiento y en ofrecer servicios de mantenimiento avanzados que aseguren mejoras a nivel de disponibilidad, consiguiendo ingresos recurrentes. No obstante, la implementación de servicios basados en la gestión de un parque de activos que el fabricante mantiene en propiedad se vuelve extremadamente compleja. Existe una clara necesidad de modelos, métodos y herramientas que puedan ayudar de manera sistemática a diseñar y administrar la oferta de PSS (Cavalieri and Pezzotta, 2012).
La metodología que se propone (Figura 1) apuesta por la utilización de técnicas de simulación/optimización, para desarrollar modelos virtuales de Parque- Servicio que permitan evaluar el impacto de diferentes estrategias de mantenimiento y modernización en el rendimiento de los equipos del parque.
Las técnicas de optimización y análisis de sensibilidad/robustez aplicadas a un entorno virtual, permiten seleccionar las estrategias postventa óptimas que aseguran niveles de rendimiento deseados de los equipos en distintos contextos operacionales, estudiar su robustez ante distintos escenarios y, por último, calcular los riesgos de una Oferta de un servicio ligado a indicadores de rendimiento.
A partir de los datos operativos y modelos de fiabilidad, se propone desarrollar un modelo Parque-Servicio virtual que simule el comportamiento real de un Servicio postventa de un parque de activos, utilizando técnicas de simulación basadas en agentes. Los modelos de fiabilidad calculados a partir de los datos de servicio y datos de operación de los equipos del parque servirán de base para modelar el comportamiento de los agentes que simulen el comportamiento de los Equipos (Fase 1 de la Figura 1).
Una vez validado el entorno virtual, las técnicas de simulación permiten reproducir los históricos de servicio, comparar la validez de diferentes estrategias postventa, identificar las estrategias óptimas (Fase 2- Figura 1) y, por último, evaluar los riesgos asociados a la variabilidad del modelo, tanto a nivel del comportamiento de los activos como a nivel de ejecución del servicio postventa (Fase 3- Figura 1).
Estudio y Modelado del Comportamiento del Parque de Activos
El comportamiento de un parque de activos que no comparte las mismas características técnicas y que además opera en diferentes contextos operacionales puede ser muy variable. Los criterios de clusterización para segmentar los equipos del parque no solo debe responder a las características técnicas, también debe tener en cuenta que el hecho de operar en contextos de operación dispares puede condicionar su comportamiento. El proceso de clusterización debe considerar las siguientes dos realidades del parque:
- Parque de activos compuesta por diferentes tipos de activo que presentan mayor o menor grado de similitud entre ellos.
- Los activos operan en contextos operacionales muy dispares que provocan que las frecuencias de fallo que presenta un mismo tipo de activo en dos clientes diferentes sean distintas.
La propuesta global que proponemos se basa en un enfoque de clusterización de flota en función de la fiabilidad base de nuestros activos. Mediante un procedimiento de clustering espectral se pueden aplicar distintos algoritmos (Ejemplo K-medoids) para para conseguir una partición de la flota en diferentes clusters. Estos clusters tendrán asociada una fiabilidad base común que permitirá personalizar la estrategia de mantenimiento para los activos pertenecientes a ese grupo, un ejemplo de una aplicación de este enfoque se puede ver en la siguiente figura:
Como se puede apreciar en la Figura 2 no solo se observa que se obtiene un parque clusterizado, sino que además es posible identificar aquellos clusters que presentan más similitudes entre sí, debido a las conexiones entre los nodos y a que la distribución en el gráfico de clusterización es más próxima.
Una vez tenemos clusterizada la flota, es posible identificar el impacto que diferentes contextos de operación tienen en los diferentes tipos de activos identificados. Para ello es posible abordar el problema con diferentes tipos de modelos, por ejemplo, mediante el modelo de Cox que permite explicar la tasa de fallo en función de la fiabilidad base y cómo está se ve afectada por una combinación lineal de las diferentes variables del contexto de operación. En muchos casos es interesante la aplicación de modelos de fiabilidad más avanzados que integran las capacidades de la inteligencia artificial mediante redes neuronales artificiales capaces de detectar patrones de fallo ocultos e interacciones a priori desconocidas entre las diferentes variables de operación (ver Figura 3).
Una vez se ha evaluado el impacto que tienen los diferentes contextos operaciones, es posible evaluar la fiabilidad del activo en función del contexto en el que vaya a operar y de esta forma personalizar los planes de mantenimiento.
Sin embargo, la realidad es que los activos no operan durante toda su vida en un contexto de operación estable, ya que las diferentes necesidades de las plantas productivas, así como la variabilidad en factores externos, hacen que las condiciones operativas cambien a lo largo del ciclo de vida del activo. Es por eso que es importante recurrir a modelos dinámicos que permitan calcular la evolución de la fiabilidad del activo de acuerdo a los cambios que se estén produciendo en las condiciones de operación del mismo. La siguiente figura (Figura 4) muestra una curva de fiabilidad segmentada en partes, según la fiabilidad calculada para cada contexto operacional.
El uso de este tipo de modelos permite calcular de una forma más precisa la fiabilidad en operación que presentan los activos. De este modo se consigue que la estrategia de mantenimiento sea más efectiva y las acciones de mantenimiento se realicen sobre los equipos que realmente lo necesitan, evitando costes por sobre-mantenimiento y costes por fallos no esperados del activo.
Optimización de Estrategias Postventa
Tal como se ha explicado en el apartado anterior, el proceso de Clusterización consigue segmentar el parque de activos, en clusters o conjuntos de equipos que presentan un comportamiento similar, simplificando la complejidad de la gestión del parque.
La segmentación inicial del parque permitirá desarrollar modelos que describan de forma más precisa la fiabilidad en operación que presentan los activos de cada cluster. Tanto la clusterización como los modelos de fiabilidad calculados para cada cluster facilitarán el desarrollo de un modelo virtual “Parque-Servicio” que simule el comportamiento real de un servicio postventa.
El modelo virtual Parque-Servicio permitirá evaluar el riesgo de fallo de los equipos de un parque y en consecuencia tomar de forma dinámica la decisión de ejecutar planes de mantenimiento o modernización.
Los planes de mantenimiento pueden ser ejecutados de forma periódica o según criterios más dinámicos. En este artículo se presenta una estrategia de mantenimiento oportunista que relaciona la ejecución de los planes de mantenimiento a umbrales de fiabilidad cuyo valor puede variar en función de distintos factores del negocio postventa o factores externos (Erguido et al., 2017).
Además, se definen dos tipos de mantenimientos, perfecto e imperfecto, que consiguen reparar de forma completa o parcial la funcionalidad inicial de los equipos.
En esta estrategia, el mantenimiento se realiza en función del nivel de fiabilidad del equipo. Cuando la fiabilidad de un componente baja de un umbral mínimo de fiabilidad (MDT en la Figura 5), el criterio que se propone es realizar siempre un mantenimiento perfecto, remplazando todo el sistema y recuperando la funcionalidad inicial. Sin embargo, los umbrales imperfectos y perfectos (IDT y PDT en la Figura 5) permiten adelantar mantenimientos, imperfecto o perfecto, dependiendo del umbral, si existen factores internos (mantenimientos en curso, disponibilidad de recursos, etc) o externos (factores climáticos, etc) que también propongan su adelanto.
Otra de las características de esta estrategia reside en la gestión dinámica de los umbrales de mantenimiento: factores externos (factores climáticos, disponibilidad de recursos logísticos, etc) o factores internos del negocio (paradas de producción planificadas, etc) pueden modificar estos umbrales, provocando el adelanto o retraso de las tareas de mantenimiento.
Las técnicas de simulación y optimización permitirán calcular los umbrales óptimos de mantenimiento para cada cluster y optimizar la función que permite ajustar de forma dinámica estos umbrales. En la mayoría de las empresas, la gestión del mantenimiento basándonos en umbrales estáticos incrementa el rendimiento de sus equipos si lo comparamos con los resultados que se obtienen a partir de una gestión en base a mantenimientos periódicos. Además, en los casos simulados en entornos virtuales se ha demostrado que la gestión dinámica de estos umbrales mejora de forma significativa los resultados obtenidos con los umbrales estáticos.
Identificación de oportunidades de Servitización / Estudio de los riesgos asociados.
El conocimiento del comportamiento y necesidades de los equipos en cada contexto operacional ofrece al fabricante de los equipos la posibilidad de crear una nueva oferta de sistemas de productos y servicios (PSS), que asegure a los clientes niveles óptimos de disponibilidad durante toda su vida útil.
La nueva oferta PSS junto con un Modelo de Gestión de Activos avanzado puede aumentar la satisfacción y lealtad de los clientes y además generar ingresos recurrentes para el fabricante.
No obstante, asegurar niveles de disponibilidad (o rendimiento) en equipos que operan en contextos operacionales distintos, genera unos riesgos que deben ser gestionados de forma adecuada por el fabricante.
- Aunque se generen modelos ajustados al comportamiento de los equipos, siempre existe un nivel de incertidumbre que es necesario evaluar y gestionar dentro de una oferta PSS.
- Los cambios en los modelos de fiabilidad y/o la pérdida continua del rendimiento, debido principalmente a los sistemas no remplazados en los activos, que se degradan y provocan la pérdida del funcionamiento, también pueden impactar en la rentabilidad en la oferta PSS. La figura 6 muestra un ejemplo de una curva de costes del ciclo de vida incluyendo los impactos negativos de la degradación y positivos de las actualizaciones.
- Por último, la variabilidad en la respuesta de la Cadena de Suministro del Servicio postventa debido a limitaciones de recursos o repuestos también son aspectos a tener en cuenta en la rentabilidad de una Oferta PSS.
La metodología propuesta, apoyada por modelos analíticos y de simulación, así como algoritmos de optimización, ayuda a los fabricantes a optimizar sus decisiones relacionadas con la Gestión de Activos y diseñar escenarios PSS óptimos.
Los resultados obtenidos a partir de los experimentos diseñados ayudan al fabricante a analizar con detalle los riesgos y oportunidades de una oferta de servicio. La Figura 7 muestra distintas soluciones PSS en función de los riesgos que está dispuesto a asumir el OEM y el nivel de satisfacción que se quiere ofrecer al cliente del servicio. La solución óptima deberá encontrar un compromiso entre los riesgos adoptados, los costes y los beneficios de las partes interesadas (Erguido et al, 2018).
3. CASOS DE ÉXITO
La metodología de “Gestión de Activos” propuesta ha sido aplicada con éxito en varios casos industriales, aunque su alcance no siempre ha sido el mismo, principalmente debido a la falta de datos o la calidad de los datos de la empresa.
Modelado de Fiabilidad
El análisis de Fiabilidad inicial realizado en una empresa de fabricación de equipos industriales (Figura 8) ha permitido analizar la densidad de la dispersión existente entre tiempos entre fallos en los componentes críticos, y analizar la variabilidad existente entre conjuntos de equipos que comparten unas características técnicas y contextos operacionales determinados.
Las curvas de Tendencias (Figura 9 – Gráfico Izda) ayudan a identificar los periodos en los que se concentran los fallos y las curvas de fiabilidad (Figura 9 – gráfico Dcha), también denominadas de supervivencia, facilitan la evaluación del riesgo de fallo en un periodo determinado (periodo definido por la variable más representativa – tiempo, horas de funcionamiento, desplazamiento, etc).
Por último, un estudio más en detalle del comportamiento ha permitido cuantificar la medida en la que afectan las variables del contexto operacional en el comportamiento del equipo, y en consecuencia diseñar un modelo de fiabilidad más ajustado a su contexto operacional. La figura 10 muestra un modelo de fiabilidad personalizado para distintos contextos operacionales utilizando un modelo de los riesgos proporcionales.
Clusterización del parque de activos
Antes de optimizar las estrategias de mantenimiento, y con el objetivo de simplificar la gestión del parque de máquinas, se ha realizado una segmentación del parque aplicando una clusterización teniendo en cuenta las características técnicas de los mismos y los contextos operacionales. Las figuras 11-13 muestran dichos gráficos para el caso de estudio desarrollado. El gráfico 11 muestra uno de los resultados de la clusterización por medio de la metaheurística de optimización con el algoritmo kmedoids (7 clústeres). Los gráficos 12 y 13 muestran información de la composición y descripción de los clusters propuestos.
Esta clusterización ha permitido simplificar la gestión del parque de equipos, definiendo estrategias de mantenimiento para cada cluster.
Diseño de estrategias “inteligentes” de mantenimiento e impacto en la servitización
Las técnicas de simulación permiten crear modelos virtuales capaces de reproducir el comportamiento real de un Parque-Servicio.
Utilizando el modelado basado en agentes, se ha diseñado un agente “Equipo” capaz de simular el comportamiento real de los equipos, utilizando para ello los resultados de la clusterización y los modelos de fiabilidad personalizados ajustados para cada clúster. El agente “Servicio” se ha encargado de simular la ejecución de diferentes estrategias de mantenimiento (estrategia de mantenimiento periódica, estrategia de umbrales estáticos o una estrategia con umbrales dinámicos). Por último, el agente “Coordinador” ha sido el responsable de la toma de decisión aplicando diferentes criterios internos y externos del servicio postventa.
Una vez desarrollado el modelo virtual Parque-Servicios, se ha simulado el servicio postventa del parque de activos para un periodo determinado y se han calculado los indicadores de rendimiento y costes del ciclo de vida que se consiguen aplicando diferentes estrategias postventa. La optimización multiobjetivo consigue calcular los valores de los umbrales y parámetros de la función de variación que maximizan la función objetivo (disponibilidad y costes del ciclo de vida).
En los casos aplicados se comprueba que las estrategias más dinámicas, en base a umbrales dinámicos, consiguen mejorar la función objetivo (disponibilidad y costes del ciclo de vida). En la Figura 14 se muestra la mejora en diferentes indicadores (Disponibilidad, Nivel de Servicio, LCC (Opex)…) en dos parques de activos en los que se han optimizado los resultados aplicando estrategias dinámicas, dependientes de parámetros internos (disponibilidad de recursos de mantenimiento, programas de trabajo, etc) y factores externos (factores climáticos).
4. CONCLUSIONES
Las plantas productivas más avanzadas a nivel mundial demandan Equipos inteligentes y conectados que les aseguren unos niveles de disponibilidad y rendimiento óptimos durante toda su vida útil. Los nuevos modelos de contrato unidos a indicadores de disponibilidad o rendimiento son cada vez más demandados.
En este tipo de contrato el riesgo se traslada al fabricante de Equipos, que en el momento del contrato debe estimar la fiabilidad y rendimiento del equipo teniendo en cuenta sus características técnicas y el contexto en el que opera.
Ante este nuevo escenario el fabricante tiene la oportunidad de adoptar un rol más proactivo. La red conectada de equipos del parque posibilita el registro de gran cantidad de datos de los equipos (paradas por fallo, actuaciones de mantenimiento y datos del contexto operacional), que el fabricante de equipos puede utilizar para generar conocimiento y modelar curvas de comportamiento personalizados de sus equipos en contextos reales.
En este artículo se presenta un Modelo de Gestión de Activos que permita a las empresas avanzar hacia un escenario de servicios unidos a indicadores de rendimiento. También se propone el desarrollo de un modelo virtual “Parque- Servicio”, que simule el comportamiento real de un parque de equipos, que ayude a los fabricantes a optimizar las estrategias postventa a aplicar y a evaluar el impacto de los riesgos del servicio debido a la variabilidad e incertidumbres del modelo.
Así, avanzando en las fases definidas en el Marco de Gestión de Activos, el fabricante de equipos será capaz de dotar a su oferta de producto de una oferta de servicios personalizados a las necesidades de sus clientes, aumentando el valor añadido de su oferta y, por tanto, asegurando la sostenibilidad de su negocio.
5. REFERENCIAS
A.Erguido, A.Crespo, E.Castellano, J.Fernandez. A dynamic opportunistic maintenance model to maximize energy-based availability while reducing the life cycle cost of wind farms. Renewable Energy. 2017
A. Erguido, A. Crespo, E. Castellano, and J. L. Flores, “After-sales services optimisation through dynamic opportunistic maintenance: a wind energy case study,” Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, vol. 232, no. 4, pp. 352–367, aug 2018.
Cavalieri, S., Pezzotta, G., 2012. Product–Service Systems Engineering: State of the art and research challenges. Computers in Industry 63, 278–288. https://doi.org/10.1016/j.compind.2012.02.006
De Rocquigny, E., Devictor, N., Tarantola, S., 2008. Uncertainty in industrial practice: a guide to quantitative uncertainty management. John Wiley & Sons
J.Izquierdo, A.Crespo, J.Uribetxebarria (2019) Dynamic artificial neural network- based reliability considering operational context of assets. Reliability Engineering & System Safety, (188), 483-493.
Schenk, M., Ryll, F., 2010. Empirically Based Asset Management Decision Support for Reliable and Cost-Effective Asset Operation. Theory, Methodology, Practice 6, 69–76.
