En un artículo anterior comentábamos cómo está impactando la inteligencia artificial y el aprendizaje automático en la industria 4.0. En ese mismo post hablábamos de algunas de las áreas de una empresa de producción en las que la inteligencia artificial se muestra realmente útil a la hora de transformar dicha organización, citando en primer lugar el mantenimiento.
En el artículo de hoy veremos cómo usar la Inteligencia Artificial y el Aprendizaje Automático para llevar a cabo lo que se conoce como mantenimiento predictivo.
Mantenimiento preventivo vs mantenimiento predictivo
Aunque la IA puede manejar ambos procedimientos, es importante no confundir el mantenimiento predictivo con el mantenimiento preventivo. El mantenimiento predictivo hace que el equipo se someta a mantenimiento cuando es necesario, mientras que el mantenimiento preventivo hace que el trabajo se realice siguiendo un cronograma establecido, sea necesario o no.
Parte del atractivo de la IA se debe a su capacidad para determinar el estado de una máquina en servicio, lo que le permite estimar cuándo se debe realizar el mantenimiento de la misma: o sea, hacer mantenimiento predictivo. Además, supone otras ventajas como son:
- Ayuda a prevenir fallos inesperados de la maquinaria, ya que en todo momento poseemos información puntual de la misma.
- Se reduce el inventario de piezas de repuesto.
- Se reducen los tiempos de inactividad de las instalaciones.
- Eficiencia de costes, pues el mantenimiento se lleva a cabo solo cuando es necesario.
Adopción de la tecnología de IA en el área de mantenimiento
El mantenimiento predictivo es una técnica que recopila datos en tiempo real de varias fuentes de fabricación, como máquinas, sensores, interruptores, etc. que luego son la base de los cálculos analíticos (algoritmos inteligentes) usados para anticipar fallos en las máquinas antes de que sucedan.
El uso del mantenimiento predictivo para monitorizar las condiciones y evaluar el rendimiento de los equipos en tiempo real ya está muy extendido en muchas empresas europeas. El proceso de mantenimiento predictivo utiliza Internet de las cosas (IoT) como elemento central; lo que permite que diferentes sistemas compartan, analicen y actúen sobre los datos. Mientras los sensores de IoT capturan información, luego, el aprendizaje automático (machine learning) la analiza e identifica aquellas áreas que necesitan mantenimiento urgente, siendo esta la clave para la eficiencia empresarial.
Una vez tengamos claro cuáles son los puntos débiles de la empresa y hayamos identificado el mejor lugar por el que empezar, veamos cuáles son los pasos a seguir para adoptar esta nueva técnica:
1. Obtener los datos
Cualquier enfoque basado en aprendizaje automático exige datos relevantes, suficientes y de calidad para construir modelos efectivos que proporcionarán una mayor precisión en las predicciones.
Durante este paso, identificaremos los valores clave del equipo que queremos monitorear (como por ejemplo la temperatura o el nivel de ruido, …) y escogeremos y configuraremos sensores para capturarlos.
Debemos tener en cuenta todo aquello que podría afectar al funcionamiento de la máquina que queremos monitorear, por lo que no podemos olvidarnos de otras fuentes de datos ajenas a la propia máquina, como puede ser sistemas de gestión de edificios, el clima, así como los datos estáticos del equipo.
2. "Trabajar" los datos
Tener suficientes datos es genial, pero es solo el primer paso de una serie de pasos para el desarrollo de algoritmos de mantenimiento predictivo. Hay que almacenar los datos, limpiarlos, integrarlos con otros datos y luego analizarlos para obtener información significativa.
Si no tienes datos de calidad para tu modelo de aprendizaje automático, las predicciones resultantes serán inútiles.
El preprocesamiento de datos es necesario para limpiar los datos y convertirlos de forma que se puedan extraer indicadores. A menudo, este es un proceso desafiante y que requiere mucho tiempo.
3. Ser predictivo
Es precisamente el usar una combinación de una variedad de fuentes y tipos de datos lo que hace a los modelos predictivos más sólidos y precisos. Antes de que se desarrolle una solución de mantenimiento predictivo, se deben abordar los siguientes factores:
- Historial de errores: al entrenar un modelo, el algoritmo debe incluir datos sobre patrones operativos normales, así como también sobre patrones de fallo. Es por eso que el conjunto de datos de entrenamiento debe incluir suficientes ejemplos de muestras normales y de error.
- Historial de mantenimiento / reparación: el historial de mantenimiento contiene información sobre qué reparaciones se hicieron, qué piezas se reemplazaron, etc. El disponer de esta información en el conjunto de datos es un factor crítico; si está ausente, podríamos obtener resultados de modelo engañosos.
- Condiciones de funcionamiento de la máquina: el supuesto principal del mantenimiento predictivo es que la condición de una máquina empeora con el tiempo a medida que realiza sus operaciones diarias. Es probable que los sensores capturen datos que muestren ese patrón de envejecimiento junto con las anomalías que conducen a la degradación.
- Metadatos de equipo: esto hace referencia a la ficha técnica del equipo, como, por ejemplo, el modelo, la fecha en la que se fabricó, la fecha en la que empezó a funcionar, la ubicación, etc.
4. Visualización
La visualización es una herramienta importante en el mantenimiento predictivo, ya que a menudo cierra el ciclo de retroalimentación, lo que permite a los responsables de mantenimiento y al resto del personal implicado ver los resultados de los modelos predictivos y actuar en consecuencia.
Hoy en día, las herramientas de ciencia de datos permiten a los responsables de mantenimiento y al resto del personal en el terreno acceder y asimilar fácilmente los resultados en un formato fácil de interpretar por todo el equipo.
5. Implementar
Implementar un modelo de mantenimiento predictivo en producción significa trabajar con datos en tiempo real; usar cuadros de mando visuales en tiempo real para los equipos de mantenimiento en planta nos ayudará en las iteraciones. Para algunos casos de uso, la retroalimentación se puede integrar directamente en el proceso de mantenimiento predictivo, requiriendo poca o ninguna interacción humana.
Tras llevar a cabo los 5 pasos iniciales para determinar el problema, se debe hacer un análisis secundario con el objetivo definir un plan de acción para determinar exactamente cuándo debe ponerse fuera de servicio la máquina a fin de minimizar las interrupciones y las pérdidas (tanto inminentes como futuras) y maximizar los recursos.
Conclusión
Las nuevas tendencias en la digitalización han comenzado a alterar la economía industrial y de fabricación. Se requiere un cambio en la estrategia para mantenerse a la vanguardia. El mantenimiento predictivo está reemplazando la antigua práctica de fabricación del TPM (Mantenimiento Productivo Total, en castellano) y brinda la capacidad de crear más valor, mejor y más rápido para el cliente con un costo reducido y una calidad mejorada.
Los procesos deben estar más integrados y menos aislados en toda la empresa, y los sistemas ERP heredados y las aplicaciones personalizadas son demasiado costosos y requieren mucho tiempo para cambiarlos.
Los fabricantes inteligentes, ayudados de IA, están creando soluciones innovadoras para sus plantas y procesos, que armonizan todo en el ecosistema digital: interconectando procesos, sistemas, datos, personas y máquinas.
Fecha de publicación: