No hay duda que el Internet de las Cosas (IoT, por sus siglas en inglés) va rumbo a posicionarse a la cabecera de la confiabilidad de mantenimiento y gestión de activos industriales. La comunicación entre las máquinas y el personal técnico, que ha sido posible a través de tecnología inalámbrica y artefactos conectados, está marcando la pauta para el cambio del uso de mantenimiento preventivo al mantenimiento predictivo. Aunque los fundamentos sobre el Internet Industrial de las Cosas (IIoT, por sus siglas en inglés) ya se han sentado, y se ha proyectado que para el año 2020 será un mercado de ciento cincuenta y un mil millones de dólares, esta revolución apenas está empezando.

El reporte especial 2016 Hype Cycle for Emerging Technologies (Reporte del ciclo de sobreexpectación de tecnologías emergentes de 2016) de Gartner muestra que todas las nuevas tendencias siguen un patrón similar de crecimiento y el IIoT no es una excepción. Aunque hay mucha expectativa sobre el potencial de aplicar algoritmos basados en datos a transmisiones amplias de datos sacados de activos industriales, el IIoT va rumbo al Trough of Disillusionment (el abismo de desilusión). Existen dos desafíos grandes que deben superarse para impulsar las tecnologías de mantenimiento predictivo del IIoT al Slope of Enlightenment (la pendiente de consolidación). Al ser impulsadas a esta fase, hará que estas tecnologías se adopten y establezcan como práctica normal en la industria y que sean exitosas.

Figura 1: Ciclo de sobreexpectación de tecnologías emergentes

PRIMER DESAFÍO:

Datos de baja calidad

Los datos masivos o macrodatos (big data) ya pasaron por su propio ciclo de sobreexpectación; sin embargo, hoy en día se ha establecido con más firmeza que es insuficiente la colección de grandes cantidades de datos para obtener un conocimiento significativo. Los desafíos de datos para el mantenimiento predictivo del IIoT son dobles. Primero, ya de por sí es difícil obtener datos de alta calidad de máquinas industriales y que estos datos ya vengan etiquetados. Segundo, es mucho más difícil aplicar esos datos con el fin de proveer un conocimiento de mantenimiento basado en condiciones, que sea pertinente y factible, a ingenieros y personal técnico.

El almacenamiento de grandes volúmenes de datos netos y sin etiquetar es relativamente fácil; sin embargo, cuando se quiere construir algoritmos de enseñanza para plataformas de mantenimiento predictivo del IIoT, la calidad del algoritmo dependerá directamente de la calidad del etiquetado de los datos. Un ejemplo de esto sería asignar una etiqueta o marca útil a cada dato para que la información escrita y contenida en ellas sea de alguna manera valiosa y explicativa. Construir bases de datos etiquetados y de alta calidad es un esfuerzo tecnológico bastante desafiante que consume mucho tiempo.

Por ejemplo, los ingenieros mecánicos industriales y técnicos han usado el análisis de vibraciones y el análisis de mantenimiento basado en condiciones por mucho tiempo. Los sensores de vibración, calibradores y tecnologías relacionadas han evolucionado y ahora son más avanzadas y económicas que nunca antes. Aun así, un constante desafío con la colección de grandes cantidades de datos de vibraciones, conforme avanza el tiempo, es que los datos solos no son siempre suficientes para alcanzar un conocimiento más allá del dicho común: “está vibrando mucho y no sabré la razón hasta que vea la máquina”. Podría ser una parte perdida o desgastada o algo que no esté alineado correctamente.

SEGUNDO DESAFÍO:

Tecnologías fragmentadas y operaciones humanas

Debido a la actual fragmentación de las plataformas de software para mantenimiento industrial, los sensores y las operaciones, es todo un desafío fusionar los datos de sensores (como las señales basadas en vibraciones, la temperatura o el consumo eléctrico). Tenga en cuenta que parte de esa fusión de datos también incluye eventos actuales o actividades de mantenimiento que seres humanos realizan en las máquinas. 

Muchas soluciones de mantenimiento basadas en condiciones actualmente disponibles, como el análisis de vibraciones que se realiza con un aparato portátil, requieren que un técnico vaya de máquina en máquina recogiendo muestras y realizando diagnósticos. Estos métodos basados en contacto pueden ser víctimas de producir resultados parciales o unilaterales dependiendo de la ubicación del sensor y de la experiencia del técnico, además de no monitorear constantemente ni mandan alertas al instante. Otros sensores no portátiles con habilidades de monitoreo “inteligente” requieren integraciones complejas, entrenamiento y la actualización de activos industriales antiguos.

El IIoT está ayudando a cambiar este panorama, pero las soluciones de mantenimiento preventivo del IIoT todavía se encuentran en la fase de despliegue publicitario. Estas soluciones han consistido primordialmente en software que analiza los datos colectados de sensores diseñados y manufacturados por terceros. En muchos casos los usuarios e implementadores de dichas soluciones de software no controlan los sensores ni el origen de los datos. Por tanto, ellos están muy expuestos a escenarios (comúnmente llamados de “basura adentro, basura afuera”) donde las alertas de falsos positivos gobiernan y los equipos de mantenimiento terminan ignorando alertas valiosas ya que han sido entrenados para desconfiar de los resultados de dichos sistemas. La calidad de los datos de la maquinaria industrial será tan buena como el peor de sus sensores y, por tanto, es imposible identificar cuáles sensores son buenos y cuales no si estos no son controlados, instalados o construidos apropiadamente y conforme al software que está procesando la entrada de datos.

El software de monitoreo de la confiabilidad también necesita ser altamente fiable. El desafío aquí es cerrar la brecha entre los ingenieros de mantenimiento, los sensores y los softwares de monitoreo y de planeamiento de recursos empresariales, especialmente cuando se está trabajando en arduas condiciones industriales y de manufactura (como plantas procesadoras de hierro o torres de perforación petrolera) o con maquinaria ubicada en locaciones remotas (como turbinas generadoras de energía).

SOLUCIONES

Gran parte de los desafíos relacionados con la calidad de los datos se resolverán con nuevos algoritmos de deep learning o aprendizaje profundo que copian las facultades de aprendizaje del cerebro humano y que pueden ser usados para construir modelos predictivos de forma más precisa. Estos modelos de aprendizaje profundo ayudarán a aplicar conocimiento de los datos etiquetados anteriormente de los datos nuevos y a aquellos sin etiquetar. De tal forma, tanto los análisis predictivos y preceptivos, o reglamentarios, serán más precisos con el pasar del tiempo. Solo se obtendrá una máxima rentabilidad sobre la inversión (ROI, por sus siglas en inglés) con modelos predictivos óptimos que cualquier variedad de artefactos informáticos conectados pueda ofrecer. Además, estos modelos ofrecen como beneficio la reducción de errores humanos y los periodos de inactividad a la vez que aumentan el promedio de producción. 

Para poder superar los desafíos de la fragmentación entre las tecnologías y las operaciones, tanto los ingenieros de mantenimiento y técnicos necesitan empezar a confiar en las señales de salida clásicas (como las señales basadas en vibraciones, la temperatura o el consumo eléctrico) e igualmente en los nuevos sensores inteligentes (como el aprendizaje profundo o la acústica accionada por vía aérea). Las entradas de aquel último sensor desempeñarán un papel cada vez más importante en el mantenimiento predictivo del IIoT. Tanto los ingenieros como los técnicos han diagnosticado por mucho tiempo los problemas de las máquinas al escuchar los sonidos que estas emiten. Sin embargo, estos profesionales no pueden estar físicamente junto a las máquinas durante todo el tiempo que estas están siendo utilizadas. Asimismo, estos profesionales tienen dificultad en filtrar cualquier otra interferencia sonora presente durante el diagnóstico auditivo en arduas condiciones industriales.

Aunque las vibraciones son técnicamente una forma de acústica, el monitoreo acústico por vía aérea permite que ingenieros de mantenimiento y técnicos puedan escuchar a la maquinaria y, de esta forma, acceder a su capacidad intuitiva humana que les permite diagnosticar problemas basados en el sonido. Esto es importante ya que la lectura de una gráfica de vibraciones no despierta el mismo sentido de intuición humana para determinar y diagnosticar la fuente del problema que tiene el escuchar los sonidos que las máquinas emiten. Esta situación también representa la fusión de sensores, ya que una máquina que realiza diferentes tipos de trabajo sonará diferente dependiendo de las condiciones en las que se encuentre. Por medio del uso de señales como las acústicas, que son instintivamente valiosas para los expertos de mantenimiento, se dará un gran paso para cerrar la brecha de la relación simbiótica entre el hardware y el software del IIoT y nosotros, los humanos.

Adicionalmente, la acústica por vía aérea ayudará a superar el primer desafío. Permitir que los humanos escuchen cómo una máquina sonaba en un momento específico hará más sencillo etiquetar los datos y acelerará la tarea titánica de construir bases de datos etiquetados y de alta calidad. Esto es similar al funcionamiento del programa CAPTCHA™. Cualquier persona que haya comprado en línea boletas para un concierto o un evento deportivo sabe qué es un CAPTCHA™: aquel formulario que uno encuentra durante el proceso de cierre de compra que le pide que teclee ciertas palabras que el programa le muestra en imagen para verificar que usted es un ser humano y que, de paso, protege del correo basura y del abuso de robots automáticos. Este método funciona porque los humanos pueden leer textos como los que se muestran en la Figura 2 a diferencia de los programas informáticos que, actualmente, no pueden leer estos textos.

Figura 2: Ejemplo de un programa CAPTCHA™ 

Lo que usted probablemente no sepa es que ese factor humano que se utiliza para verificar ese tipo de palabras está siendo usado al mismo tiempo para ayudar a digitalizar o traducir libros, periódicos y otros textos, que son demasiado ilegibles para ser escaneados por computadores. En ambos casos, hacer uso del factor humano generalmente facilita la realización de proyectos masivos y laboriosos.

A medida que los procesos de manufactura y producción industriales se hacen cada vez más de manera automática, en el futuro habrá un aumento en la necesidad de desarrollar tecnologías de mantenimiento predictivo

EL FUTURO

Ya que las compañías trabajan en optimizar sus eficiencias operacionales, hoy en día existe una demanda creciente a nivel global por sistemas de automatización industrial. A medida que los procesos de manufactura y producción industriales se realizan cada vez más de manera automática, en el futuro habrá un aumento en la necesidad de desarrollar tecnologías de mantenimiento predictivo (tanto hardware como software) que puedan ayudar a mantener el funcionamiento de la maquinaria con un desempeño óptimo. A su vez, estas tecnologías tendrán que identificar el remplazo de partes dañadas y los problemas al instante antes que una falla interrumpa la producción y cause costosos periodos de inactividad no planeados.

El IIoT y el aprendizaje profundo jugarán una función importante en el avance de la analítica predictiva y en la superación de estos dos grandes desafíos: la calidad de datos y la brecha entre los humanos y las máquinas. Además, el IIoT y el aprendizaje profundo también serán críticos para ayudarnos a pasar y salir de la fase Trough of Disillusionment (abismo de desilusión) con el fin de establecer las soluciones de mantenimiento predictivo del IIoT como prácticas normales.