industrial-internet-plm

Internet de las Cosas, Industria 4.0 y Mantenimiento Industrial.

Un reciente estudio sobre causas del estancamiento del internet de las cosas (IoT) y el avance de la Industria 4.0, citaba entre otras, la falta de aplicación práctica que percibían los directivos de plantas industriales sobre este nuevo cambio de paradigma.

En la mayoría de industrias, el mantenimiento ocupa un lugar preferente en la lista de aspectos clave, las paradas inesperadas por avería, así como la optimización de las programadas, provocan grandes quebraderos de cabeza para los gestores de producción y mantenimiento. Es raro encontrar empresas que no dispongan de alguna herramienta de gestión del mantenimiento (GMAO) y que no tengan implementado, al menos una tipología de mantenimiento por calendario. En algunos casos, hay conjuntos de equipos a los que se aplica una vigilancia especial, recogiendo información sobre su estado, es lo que se conoce como Mantenimiento por Condición, y las actuaciones de mantenimiento se planifican en base al análisis de datos de funcionamiento de los activos vigilados. Esta tipología de mantenimiento presenta ventajas reseñables frente al mantenimiento por calendario, pero se ha encontrado tradicionalmente con los elevados costes de equipos de medida en continuo, o del coste de mano de obra para tomar las medidas en las llamadas ‘rutas‘.

El Internet de las Cosas (IoT) está llamado a liderar el cambio en las estrategias de mantenimiento industrial, proporcionando información ‘online’ de activos con costes asumibles por las empresas.

El Mantenimiento por Condición puede ser la punta de lanza para comenzar la transformación digital en entornos industriales, un punto de partida para una hoja de ruta que debe conducir hacia sistemas inteligentes dentro de un entorno Smart Factory.

Mantenimiento por Condición (Condition Monitoring) y Mantenimiento Predictivo.

  • El monitoreo por condición o Condition monitoring consiste en la monitorización continua de parámetros de funcionamiento de una máquina (temperatura, vibración, consumos, etc.) en busca de cambios significativos en los mismos que indiquen deterioros o desgastes en los activos. Este tipo de mantenimiento permite planificar las acciones con anterioridad al fallo del equipo, y presenta significativas mejoras frente al mantenimiento programado o por calendario, al realizarse cuando el deterioro o fallo se ha detectado.
  • Mantenimiento Predictivo es la aplicación de algoritmos predictivos a datos a tiempo real con el fin de identificar posibles fallos antes de que ocurran y dar recomendaciones a los usuarios para solucionarlos.

oilfig1Maintenance_Mix_Cost_Evaluation

Evolución del Mantenimiento por Condición y Mantenimiento Predictivo.

Hasta el momento actual, el mantenimiento por condición ha venido caracterizado por dos operativas bien diferenciadas:

  • Sistemas de medida aislado. Muy caros y precisos, generalmente usados como protección. En muchos casos interconectados al sistema de control de planta.
  • Recogida de medidas ‘a mano’ con equipos portátiles.

La disrupción de la industria 4.0 y la digitalización van a generar un revulsivo en la monitorización de activos, poniendo al servicio del personal de mantenimiento información ‘online’ de todos los parámetros concernientes al estado de los activos de la instalación. Estos equipos de monitorización tienen un coste mucho más asequible y no necesariamente van a emplearse como medio de protección.

EvolMantenIOT

Sin embargo, esta evolución del mantenimiento por condición puede, en muchos casos, no justificar la inversión en digitalización, y se hace necesario buscar aplicaciones de más alto nivel. La analítica basada en Machine Learning, mediante técnicas de Streaming Analytics es el aliado perfecto en la revolución digital, donde sistemas de software autónomos analizan cantidades ingentes de datos, aprenden del comportamiento de los sistemas monitorizados y ofrecen información sobre el estado de deterioro de los mismos y previsiones de fallo, ayudando al personal a planificar de manera óptima las paradas. Estas técnicos constituyen además una solución al programa de almacenamiento de datos que plantea el Big Data, ya que descartan la información que no es relevante o novedosa en el funcionamiento del proceso en estudio.

Con este tándem de digitalización basada en IoT y analítica Machine Learning estaremos hablando propiamente de Mantenimiento Predictivo. La información disponible es fácilmente integrable en los sistemas OT e IT implantados en la industria, y hay un flujo continuo de datos continuo entre todos los departamentos.