Copia GRATUITA de la Guía de implementación de Uptime Elements una vez que se suscriba a Reliability Weekly

Tu viaje comienza en Virtual Reliability Leadership Development Summit WTSS

Sign Up

Please use your business email address if applicable

Cómo aprovechar al máximo el mantenimiento predictivo (PdM)

Cómo aprovechar al máximo el mantenimiento predictivo (PdM)

por Peteris Erins

Tradicionalmente, los ingenieros de confiabilidad han sido los líderes en la introducción de nuevos procesos y tecnologías de mantenimiento. Como responsables principales de la confiabilidad de los activos, ya sea que provengan de la introducción de mantenimiento o instrumentación basados en la condición, han sido el centro de la transformación.

Con el comienzo del mantenimiento predictivo (PdM), muchas otras ramas de la organización se convertirán en parte del proceso, como mínimo, habrá una fuerte participación del departamento de informática (TI) y del director de operaciones (COO) o del vicepresidente de operaciones. Además, las compañías podrían tener una unidad de estrategia de Internet de las Cosas (IoT), una unidad digital o un centro de análisis, todos los cuales estarán interesados en la implementación del mantenimiento predictivo (PdM).

A pesar de estas fuerzas y la emoción en todos los niveles de la organización, los ingenieros de confiabilidad deben esforzarse por permanecer en el centro de esta transformación. Este artículo presenta algunas maneras prácticas de cómo pueden involucrarse.

Figura 1: Cómo aprovechar al máximo el mantenimiento predictivo (PdM) desde la perspectiva de la ingeniería de confiabilidad

Activar el cambio

El McKinsey Global Institute estima que las soluciones de mantenimiento predictivo (PdM) tendrán un impacto potencial de casi 630 mil millones de dólares por año en 2025 solo en la industria manufacturera. Este nivel de reducción del tiempo de inactividad de los equipos y la inversión en bienes de capital debe ser muy atractivo para los ingenieros de confiabilidad que pueden recomendar explorar el mantenimiento predictivo (PdM) y reclutar otras partes de la organización para proporcionar el nivel necesario de apoyo.

First, it is important to communicate the potential return on investment (ROI) to the organization. Reliability engineers have significant opportunities either in uptime and/or equipment capital investment that can be addressed using data and predictive maintenance.

En segundo lugar, es importante entender que esta rentabilidad de la inversión (ROI) puede ser gradual a través de pequeños lanzamientos y experimentos. Al probar pequeños programas piloto en equipos críticos, se puede probar el impacto potencial a bajo costo y solo entonces pasar a un programa más amplio.

En tercer lugar, el departamento de informática (TI) y la organización analítica pueden asegurarse de que sus capacidades podrían necesitar crecer en este proceso y hay muchos asesores externos que pueden ayudar. Algunas asesorías importantes proporcionan servicios de análisis integrales que cubren el mantenimiento predictivo (PdM) y muchos otros casos de uso de operaciones. Es un gran punto de partida para que las compañías industriales aumenten su competencia digital.

Garantizar una instrumentación de calidad

No es una sorpresa que los datos sean la piedra angular. Para que el mantenimiento predictivo (PdM) funcione, el equipo crítico debe estar instrumentado completamente con sensores. Estos sensores, a la vez, deben estar conectados a una instalación de recopilación de datos central y estructurada (p. ej. el historial).

Esta es una buena prueba para determinar si se han usado los sensores correctos: ¿El ingeniero de confiabilidad puede usar un extracto completo de datos que se recopilan automáticamente para crear una imagen informada del estado de los activos? Si es así, hay esperanza en la transferencia de este conocimiento en el algoritmo de mantenimiento predictivo (PdM) y la aplicación a una escala mucho mayor a través de todo el conjunto de sensores.

Si hay lecturas de sensores críticos que solo se realizan manualmente o están disponibles de manera fragmentada en múltiples sistemas, usarlas para el mantenimiento predictivo (PdM) será desafiante pero posible.

Habilitar registros de eventos

Al conocer cómo introducir más automatización en la recopilación de datos, pueden establecerse valiosas fuentes de datos a partir de las cuales los sistemas de mantenimiento predictivo (PdM) se pueden beneficiar directamente. A pesar de lo que diga la intuición, conocer 100 casos de fallas pasadas puede ser más importante que tener terabytes de lecturas de sensores.

Si los datos se encuentran en hojas de cálculo o correos electrónicos, sería útil comenzar a capturarlos en su sistema de mantenimiento. Los tiempos de inactividad, fallas y reparaciones deben registrarse, etiquetarse y describirse. Omitir eventos críticos o no etiquetarlos correctamente reduce el valor potencial del mantenimiento predictivo (PdM).

Identificar activos prioritarios

El mantenimiento predictivo (PdM) debe ser puesto en marcha de forma controlada y activo por activo. Por lo tanto, elegir por dónde comenzar y cómo priorizar es importante. Los ingenieros de confiabilidad deben proporcionar información al evaluar qué datos son relevantes, qué clases de activos son predecibles, así como cuándo las oportunidades de tiempo de inactividad o reducción de la inversión son las mejores.

Trabajar estrechamente con científicos de datos

Es probable que los científicos de datos se involucren en la creación de modelos predictivos basados en datos pasados. Buscarán reunir, limpiar y estructurar conjuntos de datos y luego revelar y aprovechar correlaciones ocultas.

Es tentador ver este proceso como una caja negra, por lo que un conjunto establecido de técnicas revelará información adicional y reemplazará el razonamiento humano. Sin embargo, es lo opuesto, se debe captar la experiencia de ingeniería de confiabilidad en cada paso y el algoritmo es una mejora que será utilizada por el ingeniero de confiabilidad para descubrir más oportunidades de mantenimiento.

Los científicos de datos deberán entender la precisión del sensor, el comportamiento antes de que el sensor falle, el comportamiento antes de que la máquina falle y el tipo de sensor. Todo lo que hagan se basará en la información obtenida en este proceso. Por ejemplo, en el caso de una falla por vibraciones, probablemente se aplicará la transformación de Fourier para recuperar las señales correctas mientras que una simple falla por degradación puede detectarse mediante promedios móviles.

Encontrar una nueva manera de trabajar

Por último, puede esperar que el mantenimiento predictivo (PdM) cambie la manera en que funciona la organización de mantenimiento. La impresión del informe de la mañana será reemplazada y los programas de mantenimiento preventivo (PM) darán paso a las predicciones de mantenimiento predictivo (PdM). Una gran parte de las inspecciones se realizarán de forma remota y los sistemas de mantenimiento heredados se complementarán con herramientas nuevas y más modernas.

El ingeniero de confiabilidad debe asumir un papel activo y adaptar herramientas que se basan en el mantenimiento predictivo (PdM) para lograr maneras de trabajar nuevas y más efectivas que se basen en la realidad. La mejor manera de hacer esto es que ninguna de las partes invente soluciones, deben trabajar juntos y desarrollar una solución que sea viable desde una perspectiva técnica y valiosa desde una perspectiva de ingeniería.

Conclusión

El mantenimiento predictivo (PdM) funciona mejor cuando los ingenieros de confiabilidad están a cargo de la transformación. Su experiencia es irremplazable y debe ser aprovechada para guiar la recopilación de datos, la identificación de casos de uso, la creación de modelos predictivos y el desarrollo de la experiencia del usuario. Solo entonces el mantenimiento predictivo (PdM) alcanzará todo su potencial.

Referencias

  1. McKinsey Global Institute. “The Internet of Things: Mapping the Value Beyond the Hype.” Predictive Maintenance, pp. 70. McKinsey & Company, June 2015. http://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/the-internet-of-things-the-value-of-digitizing-the-physical-world

Peteris Erins

Peteris Erins, is a Product Manager at QuantumBlack, where he is building technology to serve manufacturers and other industrial companies in analytics transformations. Previously, he was part of McKinsey & Company’s Marketing & Sales practice in London. Before that, he worked in Silicon Valley as a software engineer and data scientist. www.quantumblack.com