tutorial de herramientas para el mantenimiento predictivo

El mantenimiento predictivo utiliza una serie de herramientas y técnicas que supervisan el estado de las máquinas y equipos para predecir cuándo se van a producir problemas mediante la identificación de los indicadores de desgaste y otras fallas.

Las empresas ya no necesitan la intervención humana para gestionar todos los aspectos de la producción. Hoy en día, un volumen cada vez mayor de actividades industriales se realiza con el soporte de robots, inteligencia artificial (IA) y otras tecnologías modernas que permiten a las organizaciones sacar el máximo provecho de todos los aspectos.

¿Qué es el mantenimiento predictivo?

El mantenimiento predictivo para la industria 4.0 es un método para prevenir el deterioro de los activos mediante el análisis de los datos de producción para identificar patrones y predecir los problemas antes de que ocurran.

Hasta ahora, los responsables de la gestión del mantenimiento y los técnicos de la maquinaria llevaban a cabo un mantenimiento programado y reparaban regularmente las piezas de las máquinas para evitar los tiempos de inactividad.

Además de consumir recursos innecesarios y provocar pérdidas de productividad, la mitad de las actividades de mantenimiento preventivo son ineficaces.

Por lo tanto, no es sorprendente que el mantenimiento predictivo se haya convertido rápidamente en uno de los principales casos de uso de la Industria 4.0 para los fabricantes y los gestores de equipos. La aplicación de tecnologías de IoT industriales para vigilar la salud de los activos, optimizar los programas de mantenimiento y obtener alertas en tiempo real de los riesgos operacionales, permite a los fabricantes reducir los costos de servicio, maximizar el tiempo de actividad y mejorar el rendimiento de la producción.

¿Cómo funciona el mantenimiento predictivo?

Para que el mantenimiento predictivo se lleve a cabo en un equipamiento industrial, se requieren los siguientes componentes básicos:

  • Sensores: sensores de recogida de datos instalados en el producto o máquina física
  • Comunicación de datos: el sistema de comunicación que permite que los datos fluyan de forma segura entre el activo supervisado y el almacén central de datos
  • Almacén central de datos: el centro de datos central en el que se almacenan, procesan y analizan los datos de los activos y los datos de la empresa; ya sea en las instalaciones o en la nube.
  • Análisis predictivo: algoritmos de análisis predictivo aplicados a los datos agregados para reconocer patrones y generar conocimientos en forma de cuadros de mando y alertas.
  • Análisis de la causa raíz: herramientas de análisis de datos utilizadas por los ingenieros de mantenimiento y procesos para investigar los conocimientos y determinar las medidas correctivas que se deben llevar a cabo

Los datos de los activos de producción se transmiten desde los sensores a un almacenamiento central mediante protocolos de comunicación industrial y enlaces. Los datos de la empresa de los sistemas ERP y MES, junto con los flujos de los procesos de fabricación, se integran en el almacenamiento central de datos para proporcionar un contexto a los datos de los activos de producción. A continuación, se aplican algoritmos de análisis predictivo para proporcionar información que reduce el tiempo de inactividad, que se investiga utilizando un software de análisis de causa raíz.

Para implementar un sistema de mantenimiento predictivo de manera efectiva, los fabricantes necesitan mapear los parámetros de falla de las máquinas y crear un plano de su sistema conectado: los activos y sensores de fabricación, los sistemas de datos empresariales, los protocolos de comunicación, las rutas de acceso, la nube, el análisis predictivo y la visualización.

Utilizando un simulador visual de IoT (Internet de las Cosas), los equipos de ingeniería pueden capturar gráficamente los procesos de producción en el taller, incluyendo los flujos de datos, los tableros y la lógica del sistema con instrucciones que monitorean y alertan sobre los problemas de mantenimiento.

El análisis predictivo se aplica a los datos de la máquina y a los datos del plano del sistema con el fin de predecir las condiciones de las próximos fallas. A su vez, un panel para el análisis predictivo sintetiza los datos operacionales, permitiendo a los ingenieros de proceso y mantenimiento abordar los conocimientos procesables en forma de medidas correctivas.

características del mantenimiento predictivo
Características del Mantenimiento Predictivo

Herramientas de mantenimiento predictivo

Hay más de 1000 herramientas que permiten el mantenimiento predictivo. La puesta en práctica del mantenimiento predictivo requiere una base de herramientas integradas.

Las herramientas de mantenimiento predictivo necesitan una plataforma industrial de IoT para modelar, simular, probar y desplegar la solución de mantenimiento predictivo.

En las herramientas se incluyen la integración de datos industriales y algoritmos de análisis de datos para detectar patrones en los datos de las máquinas, y herramientas de análisis de causa raíz para investigar las percepciones derivadas y determinar las medidas correctivas que deben adoptarse.

Las herramientas de las distintas categorías se complementan entre sí:

  • Los sensores generan datos
  • Las herramientas de análisis y monitoreo ayudan a mejorar y analizar esos datos
  • Los instrumentos de programación coordinan a los equipos sobre el terreno guiándolos para llevar a cabo actividades de mantenimiento

Sensores de IoT

Los sensores siempre han sido una parte importante de cualquier plan de mantenimiento porque nos permiten vigilar los cambios leves y hacer los ajustes correspondientes para evitar que los pequeños problemas se conviertan en grandes problemas. Tener múltiples sensores diferentes monitoreando diferentes métricas puede ser clave para obtener un mejor rendimiento de los procesos y prevenir fallas prematuras, así como,  el tiempo de inactividad causante.

Independientemente del tipo de sensores que una planta de producción requiera para tener éxito, hay algunas prácticas óptimas que deben tenerse en cuenta durante la implementación:

  • Asegurar la orientación y el objetivo preciso de cualquier dispositivo minimizando las condiciones exteriores que de otra manera podrían llevar a lecturas incorrectas.
  • Construir un plan de diagnóstico por imágenes a largo plazo basado en factores como las demandas de fiabilidad, los resultados de los componentes específicos, las consideraciones presupuestarias, las recomendaciones de los fabricantes y similares.
  • Invertir en formación o considerar la posibilidad de recurrir a asistencia externa para garantizar el uso correcto de la herramienta por parte de los empleados
  • Tomar una lectura de referencia a partir de la cual se pueda comparar los cambios a lo largo del tiempo, lo que en última instancia puede ayudar a justificar su costo inicial para las partes interesadas.
  • Fomentar la plena participación en toda la organización para obtener una perspectiva equilibrada de los diferentes niveles de responsabilidad y experiencia
  • Tener múltiples herramientas de diagnóstico trabajando juntas puede ayudar a prevenir un mayor número de fallas, y en el caso de una falla, a precisar mejor exactamente cuál fue la causa.
  • Controlar que los sensores alimentan automáticamente los datos en los sistemas de análisis y monitoreo.

Con el tiempo, los datos obtenidos de los sensores pueden utilizarse junto con otros análisis clave para ayudar a elaborar estrategias que incluyan operaciones aparentemente dispares. En última instancia, este profundo y detallado nivel de conocimiento tendrá impactos de gran alcance en la empresa que irán mucho más allá de la planta de fabricación.

Sensores que permiten el análisis de vibración, sónico y ultrasónico

Los componentes del sistema sufren un desgaste diario de estrés y tensión que se indican en sus vibraciones y frecuencias. La mayoría de los componentes tienen una frecuencia fundamental y la desviación de esta norma indica condiciones que pueden conducir al error si se dejan sin tratar.

A través de las prácticas en la industria manufacturera y otras industrias, los sensores retroalimentan con información a los sistemas conectados a ellos. Los analizadores de Transformada Rápida de Furrier, por ejemplo, pueden detectar vibraciones diminutas que antes eran indetectables. Una vez calibrado, un sistema notará y registrará cualquier vibración inusual.

Las vibraciones pueden ocurrir debido a diferentes factores. Los rodamientos o soportes de una máquina pueden empezar a perder su fuerza tangible. Así pues, un componente puede estar cerca del final de su vida útil. Tras el análisis, los técnicos de mantenimiento (si es necesario) o las máquinas de ensayo determinarán el curso de acción apropiado.

Algunos usos comunes de estos tipos de análisis incluyen:

  • Detección de fugas por ultrasonido que puede utilizarse con mayor antelación que la vibración o los infrarrojos.  Esta información puede ayudar a los técnicos a encontrar fallos en los sellos de vacío, así como fugas de aire y gas.
  • Supervisión de las condiciones mediante la detección prematura de la fricción entre los componentes
  • En la inspección mecánica, cualquier cambio en los sonidos «normales» puede ser detectado para prevenir fallos posteriores

Sensores de imagen térmica

El calor excesivo supone una sentencia de muerte para los metales, los compuestos, la electrónica y los motores eléctricos. A su vez,  es una preocupación básica de mantenimiento para las compañías de telecomunicaciones.

Las imágenes térmicas utilizan imágenes infrarrojas para monitorear las temperaturas de las partes de la máquina que interactúan, permitiendo que cualquier anormalidad se haga evidente rápidamente. Al igual que otros dispositivos de control sensibles a los cambios, activan sistemas de programación que permiten tomar automáticamente las medidas adecuadas para evitar el fallo de los componentes.

Los equipos de imágenes térmicas simples son fáciles de conseguir y de manejar. En su forma más simple, los técnicos de mantenimiento pueden tomar lecturas móviles con un dispositivo de mano. No se requiere ningún tiempo de inactividad para un simple escáner de imágenes térmicas manual. Lo positivo de este tipo de sistema de predicción es la simplicidad y la facilidad. La desventaja es que la observación constante es probablemente imposible con un dispositivo de mano.

Un sistema más sofisticado y preciso necesitaría herramientas térmicas de diagnóstico con conectividad. Comparado con los datos de referencia, este equipo mostraría rangos de temperatura anormales. En consecuencia, estos sensores rastrearían las máquinas para detectar posibles desviaciones de las temperaturas aceptables. Una vez transmitida, esa información alertaría a los técnicos de cualquier problema. Así pues, este sistema necesitaría una mayor inversión de capital y un personal tecnológicamente competente.

Algunos usos comunes de las imágenes térmicas que pueden beneficiar un plan de mantenimiento predictivo incluyen:

  • Monitoreo de procesos
  • Equipo electromecánico
  • Sistemas de distribución de energía eléctrica
  • Mantenimiento preventivo de instalaciones en sistemas como los de HVAC (climatización y ventilación), edificios, techos, aislamiento

Sensores de aceite y lubricante

El análisis del aceite puede determinar muchos factores del rendimiento de la maquinaria. La viscosidad del aceite frente a la esperada puede mostrar cómo un equipo evita la oxidación, la dilución, la humedad, etc.  Asi mismo,  los fragmentos de metal en el aceite pueden alertar a los técnicos sobre piezas que se están puliendo y que podrían ralentizar o romper una máquina. Por consiguiente, los sensores que calculan la dinámica de los fluidos pueden ayudar a exponer una fuga o un conector defectuoso.

Los sistemas de análisis del lubricante han existido desde hace tiempo. La mayoría de los coches modernos los tienen integrados en el sistema central. Nuestro coche comprueba la calidad del aceite por lo que es un ejemplo práctico de mantenimiento predictivo.

Estos sistemas no son difíciles de integrar en las máquinas existentes. Se ha tener la orientación del proveedor de lubricantes sobre las temperaturas aceptables, la viscosidad, etc. De esta manera, se pueden comparar los resultados reales con los resultados esperados.

Los sistemas analíticos se diseñan comúnmente para detectar impurezas en el aceite como el metal, la suciedad y el residuo que se encuentran fácilmente. Así como, la humedad se puede detectar fácilmente, incluso en cantidades ínfimas. En consecuencia, el sistema calculará cualquier aspecto del aceite que pueda causar una falla.

Herramientas de monitoreo y análisis industrial

La analítica industrial suele considerarse parte integrante de la cuarta revolución industrial, que se caracteriza por la convergencia entre las prácticas industriales tradicionales y las mejoras modernas de la tecnología de la información. Estos avances incluyen el análisis de datos y su interpretación relacionada a través del machine learning (aprendizaje automático), y los avances en la conectividad a través de la IoT. Lo que significa en la práctica un mayor número de toma decisiones y acciones que están empezando a basarse mucho más profundamente en datos medibles que pueden ser aplicados de inmediato.

En consecuencia, una parte importante de este campo incluye sensores de IoT para monitorear cambios clave en los componentes. De esta manera, satisface la creciente demanda de estas tecnologías, que dispone de una amplia gama de opciones para ayudar a las empresas industriales a alcanzar sus objetivos. Las herramientas de monitorización funcionan utilizando algoritmos avanzados y machine learning de forma que les permite actuar en tiempo real.

Algunos ejemplos del análisis industrial incluyen:

  • Mantenimiento predictivo de equipos, maquinaria y activos.
  • Optimizar los parámetros específicos del equipo.
  • Sistemas de apoyo en la toma de decisiones.
  • Vigilancia del estado de los activos.
  • Optimización de la cadena de suministro.

Por otro lado, las herramientas de monitoreo, se basan en encontrar los puntos de dolor y en proporcionar las soluciones más adecuadas previo análisis. Generalmente funciona de la siguiente manera:

  • Obtener datos: sensores y almacenamiento de datos, controladores programables, sistemas de ejecución de fabricación,  datos manuales, datos externos de API y similares.
  • Explorar y sintetizar los datos.
  • Enriquecer estos datos con otros conjuntos de datos significativos y relevantes.
  • Visualización con la ayuda del big data o herramientas de equipo de datos que permiten al personal comprender y hacer uso de los datos.
  • Despliegue de procesos mejorados.

Estas acciones en la práctica pueden conducir a conjuntos de datos más fiables y consolidados que pueden apoyar un análisis más detallado y una mejor toma de decisiones. Además, se pueden apreciar otros beneficios generales en toda la cadena de suministro y los procesos de tramitación de pedidos, gracias a una mejor comprensión de los componentes individuales que crean las partes más esenciales de cualquier empresa rentable.

Algunas de las mejores prácticas para asegurar el éxito de las soluciones analíticas incluyen:

  • Elaborar un marco eficaz de IoT que sea colaborativo y permita el uso de los recursos adecuados cuando sea necesario.
  • Considerar la posibilidad de trabajar en un entorno en la nube para que los interesados de todos los niveles de la empresa puedan aprovechar al máximo los datos.
  • Concentrarse inicialmente en conectar a la gente, y luego comenzar a conectar las cosas.
  • Adaptar las tareas de los grupos funcionales y la forma en que se comunican entre ellos para que reflejen los cambios causados por la IoT: utilizar esta información para encontrar el equilibrio adecuado entre los recursos externos e internos.
  • Elegir socios tecnológicos (partners) que entiendan los desafíos únicos relacionados con los entornos industriales.

Herramientas de Programación

El Internet de las cosas (IoT) y la Industria 4.0 hacen posible el mantenimiento predictivo. Los sensores y los análisis son una parte de la ecuación, otra parte es el trabajo de mantenimiento real.

Los fabricantes de software como IBM, SAP y SAS crean una amplia gama de paquetes tecnológicos. Así pues, estas aplicaciones combinan el análisis de la máquina y los datos de los sensores para compilar los planes de mantenimiento.

Recordar que el mantenimiento predictivo se basa en monitorear el equipo y actuar sólo cuando es necesario. Los programas de tecnología diseñados para la industria se centran en el momento preciso en que se requiere una acción.

Estos sistemas disponibles automatizarán gran parte del análisis de mantenimiento. Es por ello, que el sistema informático no podrá cambiar las piezas, pero podrá alertar a los técnicos de un asunto pendiente. Por consiguiente,el software no creará programas de mantenimiento, sino que se anticiparán cuando un componente se encuentre en el final de su ciclo de vida. Mejor aún, estos sistemas pueden solicitar el mantenimiento mucho antes de que en una máquina se produzca una falla.

Estas versiones modernas de una solución convencional funcionan automatizando gran parte del análisis de mantenimiento tradicionalmente gestionado por una persona. De esta forma, el técnico, que previamente habría analizado múltiples entradas, procesos en curso y otros factores relevantes necesarios para construir un programa de mantenimiento efectivo, puede entonces centrar sus energías en los resultados de cualquier cambio o ajuste que se haya realizado.

Por consiguiente, al utilizar herramientas de programación que se hacen cargo de este análisis, el tiempo y los recursos necesarios para tener en cuenta todos los factores desciende exponencialmente. Como esta programación se realiza sin intervención humana, es importante no olvidar el aspecto «humano» de cualquier programación en términos de conocimiento general de una operación, como en el caso de un cliente que se considera «de alta prioridad» de forma inesperada para los estándares de un ordenador.

Utilizando las herramientas de programación adecuadas para una empresa, se pueden obtener los siguientes resultados:

  • Asignar recursos y programar actividades basándose en una gama más amplia de factores externos e internos
  • Optimización de los calendarios de producción de manera dinámica, basada en los modelos aprendidos en el pasado
  • La capacidad de aplicar las medidas correctivas mucho antes cuando sea posible, aumentando los cambios para equilibrar cualquier problema que pueda surgir
  • Detección de cuellos de botella en departamentos y prácticas independientes que pueden estar afectando a otros procesos aparentemente no relacionados

Cómo trabajar con herramientas de mantenimiento predictivo

Para los fabricantes y otras empresas industriales, encontrar la mejor manera de minimizar el desperdicio y la ineficiencia puede tener un impacto importante en el resultado final de un negocio. Cuando se trabaja correctamente en conjunto, estas herramientas actúan de manera complementaria. Sin embargo, cualquier decisión que se tome con respecto al mantenimiento predictivo debe incluir las aportaciones de los empleados y otras partes pertinentes de toda la empresa para garantizar que las funcionalidades requeridas sean las que se obtengan.

Beneficios del mantenimiento predictivo

Los fabricantes y sus clientes obtienen una serie de beneficios comerciales del mantenimiento predictivo. Estas ventajas incluyen:

  • Reducción del tiempo de mantenimiento: Informes automáticos para la programación del mantenimiento estratégico y las reparaciones preventivas por sí solas reducen el tiempo de mantenimiento en un 20-50 % y disminuyen los costos generales de mantenimiento en un 5-10 %. Estos datos ahorran al fabricante y a sus clientes tiempo y dinero.
  • El aumento de la eficiencia: los datos basados en el análisis mejoran la eficacia general del equipo al reducir el mantenimiento innecesario, extender la vida útil de los activos y permitir el análisis de la causa raíz de un sistema para descubrir los problemas antes de que se produzca un fallo.
  • Nuevas fuentes de ingresos: Los fabricantes pueden monetizar el mantenimiento predictivo industrial ofreciendo servicios basados en el análisis para sus clientes, incluyendo cuadros de mando de mantenimiento predictivo, programas de mantenimiento optimizados, o un servicio de envío de técnicos antes de que las piezas necesiten ser reemplazadas. De esta manera, la capacidad de proporcionar servicios digitales a los clientes basados en datos presenta una oportunidad para las corrientes de ingresos recurrentes y un nuevo motor de crecimiento para las empresas.
  • Mejora de la satisfacción del cliente: Enviar a los clientes alertas automatizadas cuando sea necesario sustituir piezas y sugerir servicios de mantenimiento oportunos para aumentar la satisfacción y proporcionar una mayor medida de previsibilidad.
  • Ventaja competitiva: El mantenimiento predictivo refuerza la marca de la empresa y el valor para los clientes, diferenciando sus productos de los de la competencia y permitiéndoles proporcionar un beneficio continuo en el mercado.

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.plugin cookies

ACEPTAR
Aviso de cookies
Abrir chat