¿Qué es el mantenimiento predictivo?
El mantenimiento predictivo evalúa continuamente la salud del equipamiento en tiempo real, ayudando a maximizar su rendimiento, uptime y vida útil minimizando a la vez el costo total de propiedad.
Definición de mantenimiento predictivo
El mantenimiento predictivo es un enfoque que pone el énfasis en escuchar lo que intentan decirle sus activos empresariales. Las máquinas de su fábrica, su flota de camiones, su equipamiento industrial le están hablando desde hace años. Si puede escuchar atentamente, será capaz de comprender cuándo sus máquinas están a punto de fallar, y qué necesitan para funcionar por más tiempo y con más fluidez.
El mantenimiento predictivo permite que su empresa anticipe fallas en el equipamiento y cronograme el trabajo donde y cuando se necesite de manera inmediata. Le brinda la información necesaria para gestionar sus activos al máximo rendimiento sin exigirlos de más ni arriesgarlos a daños costosos. Conectando activos empresariales habilitados para IoT, aplicando analíticas avanzadas a los datos en tiempo real que estos generan, y usando la información estratégica asociada para fundamentar protocolos rentables y eficientes, el mantenimiento predictivo evita las fallas y downtimes del equipamiento, y extiende el ciclo de vida general de los activos vitales.
¿Por qué hoy el mantenimiento predictivo es tan importante?
El mantenimiento predictivo es importante porque ahorra tiempo y dinero a las empresas evitando costosas y disruptivas fallas de equipamiento. Cuando crece la demanda de disponibilidad de un producto, las organizaciones con programas de mantenimiento predictivo pueden producirlo sin disrupciones. El resultado es una fidelidad continua del cliente, ingresos más altos y una mayor ventaja competitiva.
Las soluciones inteligentes para mantenimiento predictivo prevén cuándo es necesario atender a un activo, ayudan a aumentar la rentabilidad, y optimizan los requisitos complejos de la gestión de activos empresariales. En pocas palabras, emplear tecnología de mantenimiento predictivo ayuda a su negocio a ahorrar tiempo, dinero, y dolores de cabeza debidos al procedimiento.
¿Cómo funciona el mantenimiento predictivo?
El mantenimiento predictivo funciona capturando y analizando datos en tiempo real sobre el equipamiento a fin de prever problemas potenciales antes de que provoquen fallas.
El primer paso en este proceso es recopilar datos en tiempo real provenientes de una red de sensores de IoT que transmiten información sobre las condiciones del equipamiento. Estos datos deben ser almacenados y gestionados de manera tal que sea fácil acceder a ellos, procesarlos y analizarlos. El componente "predictivo" entra en juego cuando a los datos se les aplican tecnologías de inteligencia artificial (IA) y machine learning para contar una historia útil y accionable.
Hay cuatro etapas básicas en la arquitectura de mantenimiento predictivo y red de IoT industrial (IIoT):
El proceso de mantenimiento predictivo
- Recopilar datos desde sensores que pueden monitorear características de la máquina tales como vibraciones, temperatura, humedad, presión, sonido, y más
- Transmitir esos datos en tiempo real a través de la red hasta un sistema de negocios central
- Aplicar sobre esos datos tecnologías inteligentes como IA y analíticas de machine learning para revelar información estratégica útil y relevante
- Actuar rápido a partir de esa información estratégica, ya sea con una respuesta automatizada o mediante la intervención humana
Usar tecnologías de mantenimiento predictivo
Monitorear las condiciones
El mantenimiento predictivo se hace posible mediante sistemas ciberfísicos que reúnen máquinas y software dentro de una red inteligente de IoT. Para crear una red así, comience identificando las condiciones del activo que debe ser monitoreado.
El análisis necesario para identificar dichas condiciones puede ser visual, auditivo, térmico o, lo más habitual, una combinación de estos criterios. Aquí el foco está puesto en determinar los sensores y herramientas de monitoreo correctos que deben instalarse.
Análisis de vibración: los pequeños cambios en patrones de vibración pueden indicar un desequilibrio o desalineación, mientras que los grandes pueden señalar problemas inminentes en piezas importantes. El análisis de vibración puede dar alertas tempranas sobre fallas, y es particularmente útil para detectar desequilibrios, desalineaciones, problemas mecánicos, y daño o desgaste de piezas.
Análisis sonoro y ultrasónico: durante su funcionamiento normal, la mayoría de los sistemas crean patrones de sonido estables. Los cambios en el patrón sonoro de referencia pueden indicar desgaste u otro tipo de deterioro. Los análisis ultrasónicos también pueden dar información sobre la salud general del sistema traduciendo sonidos de alta frecuencia (tales como los producidos por fugas de vapor o de aire) al rango audible.
Análisis infrarrojo: al igual que el análisis ultrasónico, la termografía también descubre lo oculto usando análisis infrarrojo para traducir los cambios de temperatura a un espectro visible. Incluso cambios sutiles en las temperaturas de funcionamiento normales pueden alertar sobre problemas inminentes.
Análisis de fluidos: más allá de simplemente monitorear el nivel y temperatura de un fluido, su análisis físico y químico puede dar información valiosa sobre la condición de los componentes mecánicos. Detectando la tasa de degradación de los refrigerantes y lubricantes se pueden dar pasos preventivos tan pronto como lo justifique esta información estratégica.
Otros: otras tecnologías de mantenimiento predictivo están especializadas para varias necesidades exclusivas de la industria. Estas incluyen alineación láser, monitoreo de circuitos eléctricos, detección de roturas y fallas, monitoreo de corrosión, cambios en la resistencia eléctrica, y otros medios específicos de la industria para medir desgaste o deterioro.
Tecnologías clave para mantenimiento predictivo
Una vez establecidos los criterios mencionados más arriba, los sensores y monitores adecuados deben instalarse y conectarse a un sistema de negocios central, normalmente un sistema de planificación de recursos empresariales (ERP), a través de una red de IoT conectada a la nube. Por último, se deben implementar soluciones impulsadas por IA a fin de analizar los datos recopilados y brindar información estratégica y recomendaciones accionables a partir de ellos.
Red de IoT: cuando los activos empresariales se aumentan con sensores, capacidad de procesamiento y otras tecnologías, pueden enviar y recibir datos –generalmente a través de conectividad en la nube– desde y hacia un sistema de negocios central. Este incluye una red de IoT y subyace a la estrategia de mantenimiento predictivo.
Gateways de IoT: muchos activos más antiguos todavía funcionan perfectamente bien, pero su tecnología analógica es anterior a la integración digital. Estas máquinas se pueden equipar con dispositivos gateway de IoT, incluyendo cámaras, micrófonos y termómetros, para que recopilen y transmitan datos en tiempo real sobre su estado operativo.
Conectividad en la nube: este tipo de conectividad brinda disponibilidad on-demand de los recursos del sistema informático. En una red de IoT compuesta por múltiples activos, es crítico que los centros de datos de múltiples ubicaciones sean integrados dentro de una sola base de datos y sistema.
Bases de datos y ERP modernos: las bases de datos heredadas basadas en discos no están equipadas para gestionar el volumen de datos no lineales que abarcan los big data y los data sets complejos. Además, el mantenimiento predictivo utiliza IA y machine learning para aplicar analíticas avanzadas sobre dichos datos. Todo este proceso se realiza mejor usando un ERP moderno potenciado por IA con una base de datos in-memory que sea rápida, responsive y casi infinitamente escalable.
IA y machine learning: el machine learning es un subconjunto de la IA que usa algoritmos para analizar y comprender datos. Las soluciones para mantenimiento predictivo dependen de IA y machine learning no solo para clasificar, comprender y aprender de los datos operativos de los activos empresariales, sino también para generar recomendaciones e información estratégica accionable.
Analíticas avanzadas: la IA y el machine learning potencian las analíticas avanzadas. Los gerentes deben determinar los atributos y condiciones que serán evaluados, y los resultados analíticos deseados. De esta manera, los algoritmos que aportan información a las analíticas avanzadas pueden programarse para que sean lo más esclarecedores y accionables posible, y para que aprendan mejor de los datos y las nuevas experiencias a lo largo del tiempo.
Gemelos digitales: son una recreación virtual de un activo físico real. Creando gemelos digitales, un gerente puede visitar dentro de ellos cualquier escenario operativo posible –sin riesgo de causar daño real a una costosa máquina o dispositivo–. Esto ayuda a aumentar el mantenimiento predictivo permitiendo que las herramientas de machine learning e IA incorporen y aprendan a partir de experiencias que ni siquiera han ocurrido.
Mantenimiento predictivo frente a mantenimiento preventivo
La diferencia entre estos modelos de mantenimiento no radica tanto en cómo se realizan las tareas de mantenimiento, sino cuándo.
Mantenimiento preventivo: está fundamentado por el rendimiento pasado y por el conocimiento y experiencia de ingenieros y operadores. Incluye mantenimiento rutinario, periódico, planificado o basado en tiempos. Si bien suele evitar las fallas, puede resultar inexacto y así llevar a un mantenimiento costoso antes de que sea necesario, o a problemas que pasaron inadvertidos en el proceso habitual. El mantenimiento preventivo tiene lugar en momentos que fueron preestablecidos a menudo con mucha antelación.
Mantenimiento predictivo: este tipo de mantenimiento es posible cuando las redes de IoT integran todos los activos empresariales dentro de un ecosistema en vivo. La capacidad de transmitir y analizar datos en tiempo real significa que el monitoreo en vivo de la condición del activo –más que los calendarios– se convierte en la base de los protocolos. El mantenimiento predictivo tiene lugar en tiempo real, exactamente cuando y donde se necesita.
Otras técnicas de mantenimiento de activos
Mantenimiento reactivo
Mantenimiento realizado en respuesta a un daño o falla repentinos del equipamiento Este tipo de mantenimiento suele no ser planificado y puede provocar un aumento de downtimes y costos.
Mantenimiento correctivo
Mantenimiento realizado para corregir un defecto o falla del equipamiento. Este tipo de tareas normalmente se hacen después de identificar un problema, y pueden ayudar a evitar que se produzcan más inconvenientes.
Mantenimiento prescriptivo
Mantenimiento determinado por las recomendaciones o directrices del fabricante para un equipamiento específico. Este tipo de tareas de mantenimiento se basan en el cronograma prescripto por el fabricante.
Mantenimiento basado en la condición del activo
Mantenimiento realizado en base a la condición del equipamiento en lugar de un cronograma predeterminado. Este tipo de mantenimiento utiliza monitoreo e inspección para determinar cuándo es necesaria una intervención. Si bien puede ayudar a reducir tareas innecesarias y minimizar el downtime, el mantenimiento basado en la condición del activo es muy manual y consume mucho tiempo.
Mantenimiento basado en la confiabilidad
Mantenimiento que prioriza las tareas en base a la confiabilidad y criticidad del equipamiento. Este enfoque se centra en identificar las tareas más importantes para maximizar la confiabilidad y eficiencia del activo.
La evolución del mantenimiento de activos
El gráfico de abajo (adaptado de Deloitte) muestra la progresión de las capacidades tecnológicas a lo largo de las revoluciones industriales, y el impacto resultante sobre las estrategias de mantenimiento y la eficacia del equipamiento.
Ejemplos de mantenimiento predictivo en acción
Industria de petróleo y gas: la perforación petrolera genera un enorme desgaste en los activos y puede conllevar un gran riesgo y peligro si hay una falla. Monitoreando la temperatura del aceite y la velocidad de la caja de cambios del equipamiento de perforación, el mantenimiento predictivo ha mejorado enormemente la seguridad y reducido los costos de mantenimiento en hasta un 38%.
Industria automotriz: en las líneas de montaje, las soldadoras por punto realizan alrededor de 15.000 soldaduras diarias. Conectando las soldadoras en todo el mundo y recopilando sus datos operativos, los fabricantes de autos pueden reunir millones de puntos de datos, lo cual lleva a una precisión predictiva sin precedentes sobre la condición y estado de los activos.
Fabricación de electrodomésticos: en la producción de secadoras de ropa, medir las vibraciones de la rotación del tambor ha ayudado a prever un mal funcionamiento o daño. Esta aplicación del mantenimiento predictivo ha eliminado los defectos de fabricación en un 33%, y reducido en un 27% los costos de mantenimiento del consumidor.
Gestión de activos ferroviarios: los “vacíos” se producen cuando abajo de una vía se genera un espacio que podría provocar un retraso o incluso descarrilamiento. Una innovación reciente llevó a crear sistemas para la cabina que monitorean una cantidad de variables a medida que el tren se desplaza sobre los rieles. Esto generó una mejor detección de vacíos y un aumento general de la seguridad del usuario.
Industria del acero: la detección de anomalías se está utilizando para recopilar lecturas en tiempo real sobre la vibración, velocidad de rotación y corriente eléctrica (amperes) del equipamiento de laminación en frío utilizado en el procesamiento de acero. Esta aplicación ha llevado a una mejora del 60% en la vida útil del equipamiento, y reducido en gran medida las pérdidas debidas a downtimes y retrasos.
Beneficios de los programas de mantenimiento predictivo
La implementación de sistemas de mantenimiento predictivo ha dado resultados sorprendentes en múltiples industrias. Un informe de Deloitte de 2022 cita numerosas mejoras cuantificables. Estas incluyen una reducción de hasta el 15% en el downtime, un aumento del 20% en la productividad laboral, y una baja del 30% en los niveles de inventario con menos necesidad de almacenar piezas "por si acaso".
Teniendo al alcance de su mano tecnologías como IA y ERP integrado, las organizaciones están mostrando los beneficios de soluciones para mantenimiento predictivo que realmente funcionan. Estos incluyen:
Mejor visibilidad sobre toda su operación: teniendo más visibilidad sobre los activos de campo y otros equipamientos fuera de las instalaciones, los OEM y los prestadores de servicios externos pueden brindar una atención mejor fundamentada y más valor.
Costos de mantenimiento más bajos y mejor rendimiento de los activos: minimizando el downtime, el mantenimiento predictivo ahorra dinero y ayuda a usar mejor los activos existentes incluso si usted extiende su vida útil.
Equipos más empoderados: armados con ciencia de datos y analíticas en tiempo real, sus operadores de activos, prestadores de servicios y gerentes de la cadena de suministro pueden pasar de atender emergencias a elaborar planes y estrategas.
Superar los desafíos habituales del mantenimiento predictivo
Esta sección destaca los desafíos comunes del mantenimiento predictivo, y explora las estrategias para superarlos.
Calidad y disponibilidad de los datos: el mantenimiento predictivo se basa en gran medida en tener datos históricos con alta calidad y suficiente cantidad. Datos de mala calidad o insuficientes pueden generar proyecciones imprecisas. Para ayudar a garantizar el nivel óptimo, la mejor práctica es establecer un programa de gobernanza de datos que tenga el respaldo de las partes interesadas clave.
Conectividad de IoT: configurar una red de IoT conectada requiere equipamiento inteligente y dispositivos edge con sensores que puedan conectarse a lagos de datos y transmitirlos en formatos de archivo planos. Ponga el énfasis en simplificar sus escenarios de conectividad para poder usar cualquier fuente de datos de IoT sin problemas.
Gestión de dispositivos de IoT: manejar los dispositivos de una red de IoT requiere hacer foco en la seguridad para minimizar la vulnerabilidad frente a ciberataques. Al mismo tiempo, usted querrá promover la interoperabilidad de los dispositivos, y escalarla según sea necesario. Para lograr el equilibrio correcto, es mejor adoptar soluciones para gestión de rendimiento de activos modernas que den soporte a la gestión avanzada de dispositivos y ofrezcan sólidas capacidades de conectividad.
Integración de datos: integrar datos desde diversas fuentes, tales como sensores de IoT, sistemas heredados y registros de mantenimiento, puede ser complejo y consumir mucho tiempo. Busque una potente plataforma de integración con nivel empresarial que tenga una biblioteca integral de conectores preconfigurados para dar soporte a sus necesidades de integración de datos.
Complejidad de los datos de sensores: los datos de los sensores de IoT pueden ser difíciles de comprender, y a menudo requieren un conocimiento especializado en datos que presenta una barrera para los ingenieros de confiabilidad. Busque una solución para gestión del rendimiento de activos capaz de destilar datos que el público no técnico pueda comprender y manejar.
Selección de algoritmos: elegir los algoritmos correctos para el mantenimiento predictivo es clave para el éxito. Asegúrese de evaluar cuidadosamente los casos de uso específicos y las características de los datos para elegir los algoritmos más adecuados para la maquinaria y necesidades de su negocio.
Integración de la estrategia de mantenimiento: implementar el mantenimiento predictivo requiere integrarlo con las existentes estrategias y flujos de trabajo. La resistencia al cambio y la inercia organizativa pueden obstaculizar una implementación exitosa. Para alcanzar el éxito, se requiere liderazgo sólido, respaldo ejecutivo, comunicación clara, y gestión de cambios profesional.
Cómo implementar un programa de mantenimiento predictivo en tres simples pasos
- Defina objetivos y determine el alcance: comience identificando qué condiciones de monitoreo son las correctas para cada activo. Por ejemplo, la termografía infrarroja se aprovecha mejor en los equipamientos que pueden tener fugas de aire o de vapor, mientras que el análisis de vibración es más adecuado para los activos giratorios, pero no para aquellos que giran lentamente (a menos de 5 r. p. m.). El análisis de aceite y de sonidos son mejores para los equipamientos de rotación lenta. Además, asegúrese de determinar el alcance de sus esfuerzos. Por ejemplo, ¿va a monitorear activos individuales específicos o aspira a tener una cobertura más completa?
- Instale los sensores de IoT adecuados: impleméntelos en base a los tipos de análisis más apropiados para cada activo monitoreado –y luego comience a recopilar datos–. Asegúrese de que esos sensores estén conectados a sistemas de procesamiento de datos –como los que habitualmente están integrados dentro de las soluciones para gestión de rendimiento de activos– a fin de reducir costo, tiempo y errores humanos.
- Configure protocolos: para responder eficazmente a la detección de anomalías, defina protocolos que garanticen que los activos sean reparados de manera eficiente y alineada a los objetivos de uptime. Estos protocolos pueden ser automatizados, manuales o una combinación de ambos.
Transforme su cadena de suministro con soluciones de mantenimiento predictivo
Muchas empresas no han cambiado sus estrategias de mantenimiento de activos en décadas, a pesar de haber modernizado otras áreas de su negocio. Cambiar los procesos de larga duración es un desafío y puede resultar difícil obtener la aceptación de sus equipos. Los planes de transformación de negocio más exitosos comienzan con una buena estrategia de comunicación y gestión de cambios –para ayudar a comprometer a sus equipos y eliminar los silos–. Hable con su proveedor de software para saber más sobre qué herramientas y soluciones funcionarán mejor para sus necesidades específicas y para avanzar con su road map y recorrido de transformación digital.
Explore soluciones para mantenimiento predictivo
Maximice el rendimiento de sus activos con modernas herramientas de mantenimiento predictivo.
Impulsar activos, confiabilidad y seguridad con IA
Descubra cómo los ferrocarriles y otras industrias con uso intensivo de activos pueden aprovechar la inspección visual asistida por IA para mejorar la confiabilidad, optimizar las operaciones y reducir los costos.