7 preguntas clave para dar el paso
El mantenimiento predictivo es una estrategia de mantenimiento industrial basada en tecnologías de la industria 4.0 que supone un salto en productividad y una disminución de costes dramática en comparación a estrategias de mantenimiento tradicionales.
Muchas empresas del sector industrial, sobre todo aquellas con procesos en continuo o servicios críticos (agua, telecomunicaciones, energía), ven en el mantenimiento predictivo una garantía para la disponibilidad de sus activos industriales. Si está considerando implementar una solución de mantenimiento predictivo en su organización, le proporcionamos, a continuación, las siete preguntas que debe hacer a su potencial proveedor.
En primer lugar, es importante que sepa que no todos los sistemas de mantenimiento predictivo son iguales. La precisión de la tecnología y la capacidad que tenga de predecir posibles fallos dependerá de varios factores: intensidad, frecuencia, tecnología utilizada y parámetros bajo monitorización.
Confíe en soluciones que cuenten con un equipo científico que conozca su negocio, que recoja la mayor cantidad de datos posibles y que tenga por detrás un robusto motor de inteligencia que sea capaz de extraer información de valor de los datos recogidos.
1. Cantidad de parámetros a monitorizar
Asegúrese de que la tecnología IoT utilizada en su proyecto sea capaz de monitorizar una amplia gama de variables. Además, éstas deben ser relevantes al proceso o maquinaria bajo supervisión. Mientras más variables sea el sistema capaz de recoger, más información puede valorar para la identificación de anomalías. En el caso de los sensores de predictive-sigma, por ejemplo, estos monitorizan en tiempo real más de 200 parámetros eléctricos. Esto permite identificar, mediante el cruce de datos, fallos en la maquinaria en estados muy embrionarios.
2. Existencia de herramientas para el cruce de datos
El concepto de big data aplica en este aspecto. Una plataforma de mantenimiento predictivo confiable es aquella que puede integrar datos de diferentes fuentes a través del data mining, consolidarlas en un único punto, cruzarlas y obtener información relevante de su análisis. Por ejemplo, un buen sistema es capaz de cruzar datos de máquinas dentro de una misma línea productiva con el fin de evaluar la salud del proceso en conjunto o predecir posibles fallos en cascada dentro de la misma línea.
3. Frecuencia de la monitorización
Tan importante es la cantidad de parámetros a monitorizar como la frecuencia con que los mismos son recogidos. Mientras más intensa es la monitorización, más rápido puede el sistema detectar una desviación del comportamiento ideal.
Asimismo, busque en su solución una monitorización en tiempo real y que trabaje de manera continua, es decir, que se instale en la maquinaria de manera permanente. Solo de esta manera, un sistema es capaz de analizar correctamente y detectar desviaciones.
4. Inteligencia artificial
La cantidad de datos que puede llegar a gestionar una plataforma de mantenimiento predictivo es inmensa, por lo que, rápidamente, la capacidad humana de cruce de datos y análisis se vuelve insuficiente. Por este motivo, las mejores soluciones de mantenimiento predictivo cuentan con potentes algoritmos que permiten el análisis e interpretación de los datos de manera automática, siendo capaces de detectar anomalías en estados muy embrionarios.
5. Los científicos de datos. Imprescindibles.
Es imprescindible, en una estrategia de mantenimiento predictivo, que el proveedor de la solución cuente con un equipo de científicos de datos conocedores del sector industrial. Los científicos de datos son los responsables de definir las bases sobre la que se sustenta la inteligencia artificial de la solución, definiendo algoritmos que relacionen los datos con el comportamiento de la maquinaria y sus posibles fallos. Generalmente, un proveedor de mantenimiento predictivo cuenta en sus filas con uno o dos doctores (Phds) con conocimiento teórico matemático, estadístico y de procesos que lideran el desarrollo computacional.
6. Sistemas que aprenden
Es importante que la plataforma de mantenimiento predictivo tenga mecanismos de aprendizaje y sistemas de retroalimentación que le permita mejorar sus predicciones con inputs del exterior. Esto es fundamental para que el sistema pueda aprovecharse de la respuesta a las predicciones realizadas y registrar cómo el activo bajo estudio reacciona frente una acción de mantenimiento. Por ejemplo, el sistema ha de ser capaz de registrar el «engrase de una cadena» o «el cambio de un fusible». De esta manera, se establecen relaciones causa-efecto que permiten una mayor precisión en las predicciones futuras.
7. Tipo de mantenimiento más adecuado
Por último, es muy importante que la solución de mantenimiento predictivo a implementar utilice una tecnología de IoT que mejor registre su proceso productivo. Existen diferentes mecanismos de monitorización, siendo los más comunes el análisis de vibraciones y el análisis infrarojo, entre otros. Destaca, entre ellos, el mantenimiento predictivo por parámetros eléctricos, ya que cubre el mayor espectro de máquinas presentes en entornos industriales y porque el comportamiento eléctrico de la maquinaria es muy sensible a cambios internos y externos. Entienda qué le ofrece cada una de las tecnologías y busque la combinación que mejor se adapte a su proceso.
Descubre cómo lo hacemos en predictive Sigma
Te lo contamos . El futuro es predictivo.