El mantenimiento predictivo no es sólo un problema de IA

El mantenimiento predictivo es el uso de datos nuevos e históricos de las máquinas para comprender y anticipar los problemas de rendimiento antes de que se produzcan. Utilizando sofisticadas técnicas de aprendizaje automático e IA para analizar los datos generados en la fábrica moderna, el análisis predictivo puede disminuir el tiempo de inactividad, optimizar el rendimiento de los activos y aumentar la vida útil de las máquinas.

Las promesas hechas en nombre del mantenimiento predictivo (PdM) son grandes. Incrementos de dos dígitos en la utilización de los activos. Máquinas inteligentes que detectan los problemas de rendimiento antes de que se produzcan. Enormes aumentos en OEE, TEEP y OPE.

Para la mayoría, ese mundo está aún muy lejos. Y lo que es más importante, no es algo que los algoritmos predictivos adecuados puedan resolver por sí solos.

Este artículo pondrá el mantenimiento predictivo en contexto. Explicaré por qué el PdM no es sólo un problema de IA, y esbozaré pasos claros que puede dar para sacar el máximo partido a su programa de supervisión de máquinas.

La mayoría de los programas de mantenimiento actuales en la fabricación son preventivos. El mantenimiento preventivo (MP) se produce a intervalos regulares programados, o cuando las máquinas superan los umbrales de producción prescritos.

El mantenimiento preventivo es importante para garantizar la salud de los activos, pero es un instrumento romo. El MP no tiene en cuenta las condiciones en las que funciona una máquina individual, el desgaste diferencial de las distintas piezas de la máquina u otros factores que podrían predecir un fallo. A menudo da lugar a programas de mantenimiento más o menos frecuentes de lo necesario. (El ejemplo clásico es cambiar el aceite de su coche cada 3000 millas independientemente de su rendimiento).

El mantenimiento predictivo, por el contrario, utiliza los datos generados por una máquina concreta para crear una imagen más granular de los ciclos de vida de las piezas y los activos. En teoría, el PdM elimina las conjeturas a la hora de programar el mantenimiento. Al proporcionar visibilidad sobre cómo se degradará una determinada máquina, el PdM permite a los fabricantes gestionar el mantenimiento de forma más eficaz.

El éxito de cualquier esfuerzo de mantenimiento predictivo depende de la calidad y la cantidad de los datos disponibles en un conjunto de entrenamiento.

Es decir, necesita 1.) datos suficientes para crear una muestra representativa del rendimiento de la máquina a lo largo del tiempo, y 2.) datos que reflejen con precisión el rendimiento y el uso de la máquina en las condiciones locales.

Para aclarar por qué es importante tener suficientes datos y datos buenos, profundizaré en cada uno de ellos. Primero la cantidad.

Es un mito que se necesiten petabytes y petabytes de datos de máquinas para entrenar con éxito algoritmos predictivos. También es un mito que más datos es mejor. Estoy seguro de que muchos de ustedes han oído la frase "basura dentro, basura fuera" para describir cómo un mal conjunto de entrenamiento conducirá a resultados subóptimos.

Lo que sí necesita para la PdM son datos suficientes que proporcionen una muestra representativa del rendimiento de la máquina para dar cuenta de su uso en una operación concreta.

Según un profesor de ingeniería industrial, crear una muestra representativa no es tarea fácil. "Cuando hay miles de variables, normalmente se necesitan datos de cientos de miles o millones de piezas para encontrar asociaciones estadísticas significativas entre los problemas y las causas fundamentales".

Esto es especialmente cierto cuando se tienen en cuenta esas palabras calificativas: "uso en una operación concreta".

He aquí por qué: Los ciclos de vida de las máquinas se desarrollan a lo largo de años, si no décadas. Recopilar un conjunto de datos representativo requiere, por tanto, observar una máquina mientras funciona a lo largo de un periodo de tiempo prolongado. Como ha señalado un grupo de big data sobre la PdM, "la vida útil de las máquinas suele ser del orden de años, lo que significa que hay que recopilar datos durante un largo periodo de tiempo para observar el sistema a lo largo de su proceso de degradación."

Este problema de cantidad se ve agravado por el hecho de que muchos fabricantes no disponen de datos históricos adecuados. Puede haber información sobre el tiempo de actividad y de inactividad, las piezas producidas y los registros de mantenimiento. Pero es mucho suponer que esta información será precisa y probablemente no sea lo suficientemente detallada como para producir conocimientos verdaderamente predictivos.

Muchos fabricantes han intentado superar esta falta de datos entrenando sus algoritmos predictivos con conjuntos de datos disponibles públicamente. Mientras que la mayoría de las empresas privadas guardan ferozmente sus datos de producción, existe un animado intercambio de fuentes científicas y de dominio público, y una rápida búsqueda en Google hará que aparezcan muchas en Github.

Pero ni siquiera éstos bastan para llevar a los fabricantes de la PM a la PdM porque no captan la realidad de la fabricación sobre el terreno. Por muy grande que sea el conjunto de datos, carecen de validez ecológica.

Un ingeniero captó bien este dilema de datos cuando escribió: "La mayoría de las veces es difícil (si no imposible) [sic] tener registros de fallos de las máquinas porque no se les permite funcionar hasta el fallo en condiciones reales. Además, tenemos que trabajar con mucho ruido de las actividades regulares de mantenimiento y con imputaciones imprecisas de las OT de mantenimiento... la vida real es dura".

Esto me lleva al siguiente punto. No sólo necesita datos suficientes, sino el tipo de datos adecuado.

Quizá otra forma de describir la calidad de los datos en el contexto de la PdM sea suficiente para inferir la causalidad.

Es decir, los datos de calidad son datos que mueven a los fabricantes más allá de la oscuridad de la correlación hacia la causa raíz de los fallos de las máquinas.

Esto es más fácil de decir que de hacer, ya que una gran cantidad de factores de producción influyen en la rapidez con la que una pieza o máquina alcanzará una ventana de fallo. La velocidad del husillo, las horas de funcionamiento, la temperatura, la vibración, la humedad, el uso... son sólo algunos de los parámetros que interactúan de forma única y que, en conjunto, tienen un impacto variable en la vida útil de la máquina.

Como ha señalado un escritor, "la salud de un equipo complejo no puede juzgarse con fiabilidad a partir del análisis de cada medición por separado. Debemos considerar más bien una combinación de las distintas mediciones para obtener una indicación real de la situación."

La buena noticia es que los avances en la tecnología de sensores y la computación de borde han hecho posible el seguimiento de una variedad de métricas de rendimiento más amplia que nunca. La mala noticia es que incluso las máquinas mejor conectadas no siempre están dando cuenta de las causas más significativas de la degradación de la máquina.

Según investigaciones recientes, entre el 20 y el 50% de los errores de fabricación tienen su origen en errores humanos, y algunas estimaciones llegan hasta el 70%.

En términos de mantenimiento predictivo, esto significa que comprender cómo se utilizan las máquinas es igual o más importante que comprender cómo funcionan. Para que el PdM funcione de la forma más eficaz posible, necesita un registro de cómo se utilizan las máquinas en el día a día, si están bien ajustadas, si los cambios se realizan correctamente y si el mantenimiento se lleva a cabo correctamente o no.

En otras palabras, necesita un enfoque centrado en el ser humano para la supervisión de las máquinas.

Incluso si no puede poner en marcha un programa completo de PdM, dar pasos hacia un programa de supervisión de máquinas centrado en el ser humano puede empezar a crear valor casi de inmediato. Los pequeños pasos pueden suponer grandes avances.

He aquí cosas concretas que puede hacer para empezar.

1.) Ponga su fábrica en línea lo antes posible. Como ya he explicado aquí, los datos robustos y locales son la piedra angular de la PdM. Cuanto antes empiece a recopilar datos de las máquinas con IoT, antes podrá aprovechar estos datos para su ventaja competitiva.

Contrariamente a la creencia popular, empezar a utilizar IoT no tiene por qué ser caro ni implicar la totalidad de sus operaciones. Hay formas sencillas de poner en línea las máquinas heredadas, y las bajadas de precios de los sensores hacen posible empezar a supervisar las condiciones ambientales sin grandes desembolsos.

2.) Considere la nube. Las cantidades de datos necesarias para entrenar y ejecutar algoritmos predictivos pueden poner a prueba los servidores y los recursos informáticos. La computación en nube para la fabricación es una opción cada vez más asequible, segura y escalable para gestionar las demandas de almacenamiento y computación de los análisis predictivos sin necesidad de invertir o mantener una infraestructura in situ.

3.) Entender qué se puede esperar de los algoritmos de ML. Saber qué pueden predecir los algoritmos de aprendizaje automático es útil para priorizar qué departamentos, máquinas o procesos poner en línea primero.

Algunas de las áreas de predicción más comunes incluyen: calcular la vida útil de la máquina antes del fallo; identificar una ventana en la que es probable que se produzca un fallo; identificar los tipos de fallos más comunes; y detectar comportamientos anómalos de la máquina.

Saber qué puede descubrir el aprendizaje automático es la clave para establecer las prioridades de la transformación digital.

4.) Realice un seguimiento del uso de la máquina. La supervisión de las máquinas funciona mejor cuando los datos de las máquinas se complementan con información relativa a su uso. La mejor forma de hacerlo es conectando personas y máquinas a través de aplicaciones de operaciones. Esto proporciona una imagen holística y ayuda a superar confusiones comunes.

¿Tiene curiosidad por saber cómo conseguir conectar su fábrica para generar conocimientos verdaderamente predictivos? Tulip'captura los datos humanos y de las máquinas que necesita para una visibilidad total de los procesos. Póngase en contacto con nosotros para ver cómo podemos ayudarle a conectar sus operaciones.