Beneficios de la ciencia de datos aplicada al mantenimiento
Con la aparición de la Industria 4.0 y las tecnologías del Internet de las Cosas (IoT), han nacido nuevos retos pero también nuevas soluciones. Cada vez hay más máquinas conectadas “a la nube”, lo que permite no sólo la recopilación de datos en tiempo real, sino que también le permite a las máquinas el uso de algoritmos basados en machine learning, para identificar el estado de los equipos y optimizar el proceso de mantenimiento.
Las aplicaciones basadas en ciencia de datos están ganando terreno en el mantenimiento preventivo y predictivo en todos los sectores, lo que supone un claro cambio de mentalidad, que ha hecho posible que el mantenimiento pase de ser «reactivo» a uno de naturaleza proactiva.
El mantenimiento no planificado se hace de forma aleatoria, lo que incide en el tiempo de inactividad y de producción. Asimismo, afecta a la seguridad, al inventario, y por último, aumenta el costo del mantenimiento (incluyendo la mano de obra y el material), lo que se termina reflejando en la opinión de los clientes.
Por el contrario, el mantenimiento predictivo, planificado o programado, utiliza los datos y el conocimiento de la experiencia para determinar la periodicidad de las revisiones necesarias y así mantener la buena salud de los componentes de la planta.
Es importante recordar que una estrategia inadecuada de mantenimiento cuesta a las organizaciones un alto porcentaje de su capacidad de producción, lo que dificulta pasar de un mantenimiento reactivo a uno preventivo.
Por estas razones, es necesario desarrollar e implantar soluciones basadas en datos, a fin de lograr una mejora significativa del mantenimiento y evitar alguno o todos los costes mencionados, así como brindar información sobre formas alternativas y mejoradas de gestionar las actividades de mantenimiento que se hayan planificado.
Técnicas de ciencia de los datos aplicadas en el ámbito del mantenimiento
- Monitorización de la condición: Se ha utilizado la ciencia de datos para monitorizar y analizar los sistemas de proceso a lo largo del tiempo, y predecir la aparición de una anomalía. Estos eventos o anomalías pueden tener tiempos de propagación cortos o largos, como los observados en el ensuciamiento de los intercambiadores o en la cavitación de las bombas.
En algunos casos, la monitorización también implica el uso de sensores blandos para detectar el ensuciamiento, la rugosidad de la superficie o la dureza; estos parámetros no pueden medirse directamente con un sensor y, por lo tanto, necesitan técnicas de medición sustitutas.
- Detección de fallos: Una anomalía o fallo se define como una desviación del funcionamiento «aceptable», pero el contexto y las definiciones deben entenderse claramente cuando se trabaja con diferentes clientes. Los fallos pueden estar relacionados con los equipos, la calidad, los sistemas de la planta o la operatividad.
Para diseñar y aplicar las técnicas adecuadas es necesario contar con un buen contexto empresarial y comprender los requisitos del cliente. Desde las herramientas básicas que utilizan umbrales de sensores, gráficos de ejecución y técnicas más avanzadas como la clasificación, el análisis de patrones o la regresión, se puede desplegar con éxito una amplia gama de soluciones.
- Sistemas de alerta temprana: La detección de anomalías en los procesos con antelación ayuda a la gestión proactiva de eventos anormales, y esta mejora de la capacidad de actuación o del tiempo de respuesta permite abordar los fallos antes de que se activen los puntos de consigna o los bloqueos.
La metodología varía según los proyectos y no existe un enfoque único, por lo que la complejidad del problema puede variar desde el uso de información de un solo sensor como indicador principal, hasta métodos de análisis mucho más complejos utilizando múltiples sensores, que busquen filtrar los falsos indicios de anomalías.
- Mejoras en la identificación de fallos: Si un incidente no es fácil de detectar o la propagación del fallo es demasiado rápida para darnos tiempo a actuar, se debe utilizar soluciones de detección basadas en máquinas, para mejorar la precisión de las predicciones de los procesos que no se supervisan, la supervisión es manual.
Esta solución requiere la integración de la experiencia de distintos profesionales como tecnólogos, operarios, ingenieros de mantenimiento y supervisores, buscando que el mayor número de fallos entren en el ámbito de lo «detectable» y lo procesable.
- Conciliación de datos: Tal vez uno de los retos más singulares al trabajar en el ámbito del mantenimiento sea la conciliación de datos, tomando en cuenta que en muchas ocasiones los datos de los sensores tienden a arrojar errores o a estar propensos a fluctuaciones operativas o sesgos.
La reconciliación de datos utiliza una comprensión de primeros principios de los sistemas de proceso y asigna un «valor verdadero» a cada sensor. Estos valores revisados de los sensores permiten un enfoque más riguroso de la supervisión del estado, que de otro modo expondría a los sistemas de proceso a un mayor riesgo cuando se utiliza la información bruta.
Valga señalar que la validación de los sensores, una técnica para analizar los sensores individuales junto con la reconciliación de los datos, es fundamental para establecer una base sólida para cualquier modelo de análisis que se despliegue.