Homelowertripezone500x180px.png)
Visión holística del mantenimiento basado en la condición dentro del marco 4.0
Marta Alberdi
Customer care manager España
I-Care Group
ABSTRACT
Comparamos mediante casos de uso la madurez del tejido industrial en la implantación de las diferentes técnicas predictivas, junto con las posibilidades de integración de información proveniente de distintas fuentes, de la automatización de la toma de datos y del diagnóstico y de la aplicación de la inteligencia artificial al mantenimiento predictivo.
INTRODUCCIÓN
Explicamos la importancia de tener clara nuestra hoja de ruta en la Industria 4.0, independientemente del punto en el que nos encontremos. Comenzando con una evaluación de la situación actual para identificar oportunidades, generar y recoger datos, analizar y visualizar estos datos y actuar al respecto. En el mundo de la Industria 4.0, las fábricas incluyen máquinas aumentadas y sensores con conectividad inalámbrica que están conectados a un sistema que permite visualizar toda la línea de producción, controlar y tomar decisiones por sí misma, describiendo la tendencia hacia la automatización y el intercambio de datos.
Fig. 1. Roadmap para la implantación del mantenimiento 4.0
MADUREZ EN LA IMPLANTACIÓN DE LA ESTRATEGIA PREDICTIVA
El Mantenimiento Predictivo es una parte esencial de las estrategias de Industria 4.0 de muchas empresas industriales. El método para evitar el fallo analizando datos sobre producción y mantenimiento identifica patrones y predice problemas antes de que ocurran. Sin embargo, no todas las organizaciones cuentan con el mismo nivel de madurez en cuanto a Mantenimiento Predictivo. Algunas puede que aún se encuentren en el primer nivel, el de inspecciones visuales. Otras quizá ya hayan pasado al segundo nivel, que consiste en usar instrumentos para realizar mediciones recurrentes. O puede que incluso hayan aplicado sistemas de supervisión en tiempo real, correspondiente al nivel 3.
El nivel 4 del Mantenimiento Predictivo va más allá de los niveles anteriores, porque no se trata de simplemente supervisar datos en vivo, sino también de datos online.
Mientras que la extracción de datos en vivo implica solo su recogida en tiempo real, la tecnología online incorpora sensores de IoT y datos históricos; completando una solución inteligente y automatizada que podrá predecir fallos que antes eran impredecibles.
De otra manera, podríamos indicar que el nivel 3 se fundamenta en alertas basadas en estándares prestablecidos y niveles de criticidad, mientras el nivel 4 basa sus alertas en analíticas de big data, por ejemplo en técnicas predictivas como el análisis de regresión.
Fig. 2. Nivel de madurez en la implantación de la estrategia predictiva
Observamos que el mayor porcentaje de la industria se sitúa en el nivel 2, que corresponde con las rutas con equipos portátiles y que, solo un 31%, ha conseguido sensorizar alguna de sus máquinas para tener datos en tiempo real. Dentro de ese porcentaje un 11% está utilizando esos datos en búsqueda de la denominada inteligencia aumentada de las máquinas.
Fig. 3. Source: PwC – Beyond the hype – 2018
ORGANIZACIÓN CENTRADA EN DATOS (DATA DRIVEN ORGANIZATION)
En el ámbito de los servicios predictivos, en los últimos años, ha habido una evolución del modelo 360º (ver Fig. 4) a lo que se denomina “data driven organization” (ver Fig. 1), donde el foco es la gestión de los datos y el objetivo es habilitar a las personas a tomar mejores decisiones.
Seguimos utilizando los principios de las estrategias de fiabilidad y mantenimiento basado en la condición, pero tenemos mejores datos que nos llevan a mejores conclusiones.
El modelo 360º se divide en las siguientes fases: la planificación, la implementación, la inspección/diagnóstico y la resolución de problemas. Bajo el paraguas de la gestión de proyectos y de la asesoría, que incluye temas tan relevantes como la evaluación/benchmarking del programa y el plan de formación.
Todo ello se retroalimenta y, a su vez, vitamina al sistema de datos de información útil para el decisor.
Fig. 4. Modelo 360º de gestión de la fiabilidad centrado en la gestión de datos
INTELIGENCIA AUMENTADA vs INTELIGENCIA ARTIFICIAL
El seguimiento de la salud de las máquinas se realiza mediante unos indicadores que se van ajustando y mejorando a lo largo del tiempo. La Industria 4.0 nos permite automatizar ciertas tareas, la primera y más inmediata es la toma de datos, asegurando unos datos repetibles a lo largo del tiempo.
En segundo lugar, nos podemos beneficiar de la capacidad de prediagnóstico automático, que permitirá al analista invertir su tiempo únicamente en las máquinas que tienen algún problema. ¿Cómo funciona? Se puede dotar al sistema de inteligencia para discriminar qué máquinas están en mal estado, basándonos en los eventos pasados (o histórico de fallos) y no en alarmas. Entre estas máquinas sospechosas existirá un porcentaje de máquinas que posteriormente se descubrirá que estaban en buen estado. Habrá que investigar por qué esas máquinas buenas salieron como malas y depurar la algoritmia. Esta es la realidad más inmediata de la aplicación de la inteligencia artificial al mantenimiento predictivo, explicaremos por qué.
Fig. 5. Definición del proyecto basado en Machine Learning
Existen diferencias importantes entre el big data “tradicional” y el big data para mantenimiento predictivo, es por ello que en el ámbito del mantenimiento predictivo se tiende a hablar de inteligencia aumentada más que de inteligencia artificial. Mientras la producción de fábrica puede tener cientos de miles de datos sobre los que aplicar diferentes modelos estadísticos, para la detección de fallos nos basamos en muy pocos datos, pero de alta resolución (principalmente datos dinámicos complejos). Es decir, mientras la inteligencia artificial predice eventos el mantenimiento predictivo predice “no eventos”, ya que el evento no es admisible en un entorno operacional.
Dentro del mundo de la fiabilidad es bien conocida la curva P-F o de desarrollo al fallo. Este concepto fue presentado por primera vez por Stan Nowlan y Howard Heap en 1978 dentro de su documento Reliability-Centered Maintenance. P es el punto donde se puede empezar a detectar el fallo y F es el punto de fallo funcional. Es conocido que los fallos en maquinaria rotativa se desarrollan en cuestión de días, semanas o meses, por lo que con una frecuencia de horas utilizando la técnica predictiva correcta, el analista debería tener información suficiente para decidir si intervenir o no una máquina.
En la Fig. 6 se puede observar como las diferentes técnicas predictivas nos permiten anticiparnos más o menos al fallo.
Fig. 6. Curva P-F de desarrollo al fallo. Source: Maintworld – Maximizing the P-F Interval
CASO DE ESTUDIO 1: MACHINE LEARNING BASADO EN EL HISTÓRICO DE FALLOS
Se instala un sistema plug & play de 70 sensores inalámbricos en 23 máquinas rotativas en una planta de un cliente corporativo del sector alimentación en Ghana.
La disponibilidad de datos históricos hace posible el lanzamiento inmediato del proyecto piloto para la detección automática de anomalías.
Se decide trabajar en conectividad con plataformas como IBM Asset Monitor e IBM Maximo.
El hardware de monitorizado Wi-care preprocesa 14 parámetros por sensor y los envía a la plataforma IBM Asset Monitor para su etiquetado en verde/rojo de acuerdo al histórico de eventos (no a alarmas). Esta información se exporta a la plataforma de visualización I-see, donde se centraliza la información de las diferentes plantas y la información a nivel corporativo (para un conjunto de plantas o región). I-see, además, permite el análisis de detalle de los datos dinámicos recogidos por el hardware.
Fig. 7. Arquitectura del caso de estudio 1
CASO DE ESTUDIO 2: INTEGRACIÓN OPC, OSISOFT PI Y SAS
Se instala un sistema de monitorización en un tren de laminación de metal. La velocidad se importa en el sistema de monitorizado vía comunicaciones. Ambas señales, vibraciones y velocidades, se envían a un servidor local que, a su vez, comunica con un servidor OPC y de ahí con el SW SAS en la infraestructura del cliente en la nube de Azzure. En paralelo también se lleva la información a través de la plataforma Osisoft PI.
Los modelos generados en el entorno SAS nos permiten correlacionar los parámetros que pueden influir en la predicción de anomalías en los componentes del tren de laminación: presión, temperatura, velocidad, vibración, corriente del motor y espesor de la lámina. De entre estos parámetros se confirma que controlando tres de ellos somos capaces de predecir con cuatro horas de antelación un problema de calidad en el tren de laminado. Estos tres parámetros son velocidad, corriente del motor y vibración.
Fig. 8. Arquitectura del caso de estudio 2
CASO DE ESTUDIO 3: LUBRICACIÓN AUTOMATIZADA EN LA CONDICIÓN
En este caso se muestra un aplicativo muy sencillo, pero muy útil para nuestra maquinaria rotativa (bombas, ventiladores, compresores, etc). Se trata de un sistema de monitorizado de vibración (y velocidad) combinado con un sistema de lubricación automática (ver Fig. 9). Esta solución es capaz de automatizar todo el proceso: recolección de datos, visualización y actuación.
Fig. 9. Arquitectura del caso de estudio 3
Cuando el sistema de vibración detecta un problema de lubricación, que normalmente se desarrolla en la alta frecuencia, lanza una alarma al sistema de lubricación para que lubrique. Se observa cómo los niveles vuelven a rangos admisibles durante y tras el proceso automático de lubricación (ver Fig. 9).
Fig. 10. Tendencia de la vibración
En el caso de que la máquina esté parada durante el proceso de lubricación el sistema registra picos de temperatura en tiempo real mientras se lubrica (ver Fig. 11).
Fig. 11. Tendencia de la temperatura
En caso de que el sistema detecte una subida en la presión de empuje se envía una alarma para que el sistema deje de lubricar (ver Fig. 12).
Fig. 12. Tendencia de la presión de empuje
CONCLUSIÓN
Que todo se pueda hacer no quiere decir que tenga sentido hacerlo. Vamos a aprovecharnos de las técnicas predictivas maduras y vamos a reforzarlas con datos históricos de eventos y con datos de proceso para conseguir la llamada inteligencia aumentada de las máquinas, que habilitará a las personas a tomar mejores decisiones.
Homelowertripezone500x180px.png)
