2018-IMC-Save-300 2018-IMC-Save-300 2018-IMC-Save-300

¿Las tecnologías del IIOT reemplazarán a los trabajadores de mantenimiento de las fábricas?

Will IIoT Technologies Replace Factory Maintenance Workers? by Dr. David Almagor

La idea de que la tecnología de fábricas inteligentes desplazará a los humanos ha generado un debate importante. En un informe de julio de 2016, McKinsey & Company.estima que “el 59 por ciento de todas las actividades de fabricación podrían automatizarse”.1 1 En un artículo que se puede aplicar al campo del análisis industrial, la revista MIT Technology Review2 sugiere que, a diferencia de la experiencia anterior, las tecnologías proporcionan soluciones que son más humanizadas y, por lo tanto, podrían eliminar trabajos que hasta ahora se han resistido a la automatización.

Teniendo en cuenta este panorama incierto, revisemos las innovaciones en el aprendizaje automático para el análisis predictivo y analicemos el impacto potencial de las actividades de mantenimiento.

Antecedentes: aprendizaje automático para el análisis predictivo

La aplicación del aprendizaje automático al análisis industrial es parte de la transformación tecnológica denominada Industria 4.0 o Internet Industrial de las Cosas (IIoT). Los conceptos teóricos que anteriormente estaban limitados a los estrechos confines académicos se están comercializando rápidamente.

El aprendizaje automático usa la inteligencia artificial para detectar la degradación y las fallas anormales de la maquinaria industrial antes de que ocurran. Grandes cantidades de datos generados a partir de sensores integrados en la maquinaria de la planta se analizan en tiempo real. Los algoritmos están entrenados para identificar el comportamiento anómalo del sensor o patrones de comportamiento anómalo. Con base en estos análisis, se proporcionan el tiempo hasta la falla (TTF) y el análisis de causa raíz de fallas (RCFA).

En el mercado hay numerosas soluciones comerciales basadas en diferentes enfoques de aprendizaje automático. El más conocido es el aprendizaje automático supervisado. Con el aprendizaje automático supervisado, el algoritmo es “entrenado” para cada patrón de falla. Cuando se analiza un nuevo patrón de falla, el algoritmo etiqueta el patrón en función de su entrenamiento previo.

El aprendizaje automático no supervisado es una alternativa mediante la cual el algoritmo de aprendizaje no necesita ser entrenado con etiquetas de datos. En cambio, se analizan grandes cantidades de datos y el algoritmo mismo genera la etiqueta. Es considerada una metodología más sólida, ya que se requiere pocos recursos para entrenar al algoritmo.

Independientemente de la metodología, el aprendizaje automático para el análisis industrial es una tecnología transformadora que cambia los procesos de mantenimiento existentes.

Análisis industrial versus mantenimiento reactivo

A pesar de que las plantas industriales no siempre proporcionan esta información, se estima que al menos la mitad de todas las actividades de mantenimiento se realizan solo después de que la falla de los activos es inminente o ya ha ocurrido. El mantenimiento reactivo es el modo de reparación más costoso porque no hay tiempo suficiente para programar las reparaciones. Los retrasos pueden ser causados por varios factores, incluyendo:

El mantenimiento reactivo ocurre bajo la presión de un incidente con tiempo de inactividad. Una demora para regresar la maquinaria a su estado útil puede ocasionar pérdidas de productividad e ingresos. En algunos casos, la presión conduce a errores o reparaciones rápidas. Sin el beneficio del análisis de causa raíz de fallas (RCFA), el personal a menudo depende de enfoques torpes de prueba y error.

Con el aprendizaje automático para el mantenimiento predictivo, se proporcionan alertas tempranas y el tiempo hasta la falla para cada degradación o falla. Las cargas de producción pueden reducirse mientras se ordenan las piezas de repuesto y se optimiza la programación. Con el beneficio del RCFA, se pueden eliminar la mayoría de las conjeturas.

¿El resultado? Menos mantenimiento disruptivo y tiempo de inactividad de los activos limitado.

Análisis industrial versus mantenimiento preventivo

El mantenimiento preventivo (PM) programado por lo regular se basa en el tiempo o el uso de la maquinaria. La programación del mantenimiento preventivo (PM) está determinada por:

Si el mantenimiento se programa con regularidad, el uso de la maquinaria permanece constante. Sin embargo, las actividades de mantenimiento acarrean un riesgo inherente de error humano. Estos incluyen errores en la reinstalación o el reensamblaje de la maquinaria, errores que dañan el activo que se está reparando o ajustando y el incumplimiento de las mejores prácticas en las reparaciones.

Según un estudio3 sobre centrales eléctricas que utilizan combustibles fósiles, la mayoría de las interrupciones de mantenimiento se produjeron en menos de una semana después de una interrupción de mantenimiento (1772 de las 3146 interrupciones de mantenimiento se produjeron después de una interrupción de mantenimiento planificada o forzada). La conclusión fue que “en el 56 por ciento de los casos, las interrupciones de mantenimiento no planificadas fueron causadas por errores cometidos durante una interrupción de mantenimiento reciente”.

Una de las suposiciones subyacentes para el mantenimiento preventivo (PM) es que a medida que los activos envejecen, se desgastan. Sin embargo, las investigaciones sugieren que solo el 11 por ciento de las reparaciones de mantenimiento se basan en factores relacionados con la antigüedad. La mayoría de las fallas de los activos se consideran aleatorias y no están relacionadas con un patrón de falla predefinido.

Finalmente, hay costos asociados con el apagado planificado de la maquinaria. Estos incluyen el costo directo (por ejemplo, mano de obra, repuestos, etc.) y el costo económico de la producción perdida.

El aprendizaje automático para el mantenimiento predictivo de activos, por otro lado, puede eliminar o reducir el mantenimiento preventivo innecesario. Esto se debe a que, con el aprendizaje automático, el mantenimiento se basa en un algoritmo que activa una alerta de un evento de falla en evolución. Con el RCFA, el mantenimiento se enfoca en las maquinarias específicas que requieren reparación.

El mantenimiento preventivo aplica reglas de mantenimiento creadas por el ser humano que se basan en datos históricos, prácticas de mantenimiento de la fábrica o incluso la conveniencia de la programación. No es una disciplina precisa y, como resultado, es la causa de casos significativos de mantenimiento excesivo, mantenimiento deficiente o mantenimiento defectuoso.

Cómo el aprendizaje automático para el mantenimiento predictivo (PdM) afecta el empleo

Al demostrar las ventajas del aprendizaje automático para el mantenimiento predictivo (PdM), se supone que con el tiempo habrá un cambio hacia este tipo de solución y una reducción en el mantenimiento preventivo (PM) tanto reactivo como innecesario.

Las expectativas apuntan a una caída en el nivel general de empleo en operaciones y mantenimiento (O&M), sin áreas significativas de posibles aumentos de compensación.

El Journal of Business and Media Psychology sugiere que “es posible que el mantenimiento esté sujeto a una mayor automatización, por lo que la complejidad creciente derivada de arquitecturas integradas de procesos y sistemas probablemente requeriría de una mayor demanda de capacidades de control de gestión multidisciplinaria y capacidades para la resolución de problemas y la improvisación”.4 Es probable que en la era de la Industria 4.0, los trabajadores de mantenimiento requieran mayores niveles de habilidades y capacitación, especialmente cuando la robótica y la automatización sean estandarizadas dentro del conjunto del mantenimiento. Sin embargo, al ritmo actual de innovación e inversión, es probable que disminuya la cantidad total de trabajadores de O&M.

Nuevas funciones en la fábrica inteligente

Si los trabajadores son reemplazados, ¿surgirán nuevas funciones?

El Boston Consulting Group (BCG) sugiere que surgirán nuevos puestos de trabajo, tales como coordinador de robótica y científico de datos industriales. Al mismo tiempo, los trabajos actuales, como operario de la línea de montaje, técnico de servicio y operador de maquinaria, cambiarán. La expectativa de BCG es que un operador de maquinaria “requerirá menos capacitación específica en maquinaria y productos, pero necesitará capacidades mejoradas para utilizar software y dispositivos digitales y acceder a un reservorio de conocimiento digital.”5

¿Los científicos de datos reemplazarán a los trabajadores de las fábricas?

Muchos analistas esperan una demanda significativa de científicos de datos industriales. El estudio de BCG supone que habrá una necesidad de más científicos de datos y agrupa varios procesos de macrodatos (big data) en esta función: extraer datos, analizar datos, identificar correlaciones y sacar conclusiones sobre el análisis de causa raíz de fallas (RCFA).

Sin embargo, otra escuela de pensamiento cree que esta visión común se basa en suposiciones anticuadas sobre el papel de la tecnología de la Industria 4.0. En pocas palabras, las soluciones de tecnología basadas en macrodatos reemplazarán la necesidad de científicos de datos que trabajan presencialmente en las plantas industriales o, incluso, aquellos que trabajan de forma remota. La cantidad y el alcance de los macrodatos que forman la base de una solución de análisis industrial superan el ancho de banda de los recursos internos y requiere una plataforma de tecnología dedicada. Las soluciones que son aplicables a las plantas industriales deben ser de fácil acceso y visualizar la degradación de los activos sin la participación de expertos en plantas.

Según un estudio6, el 40 por ciento de las empresas tiene dificultades para contratar y retener empleados cuya función es el análisis de datos. Sin una solución obvia a esta escasez de fuerza laboral, muchas plantas industriales no contarán con la opción de competir por este grupo limitado de talentos. En última instancia, las fuerzas del mercado transferirán la carga de los recursos internos hacia las soluciones tecnológicas de terceros y que requieren una experiencia interna limitada.

¿Sobreempleo o subempleo? Quizás ambos

Un trabajo de investigación publicado por profesores de la Universidad de Bath y la Universidad de Liverpool llega a una conclusión inquietante:

“En la actualidad, parece que los sistemas educativos no se están adaptando lo suficientemente rápido como para responder a las futuras demandas laborales impuestas por la Industria 4.0. De no abordarse, este desafío puede ocasionar que las habilidades requeridas sean insuficientes, incrementando las disparidades entre la oferta y la demanda laboral, lo que en consecuencia puede provocar un aumento en los niveles de desempleo.”7

El aumento de la automatización eliminará las tareas repetitivas y manuales, que van desde la línea de producción hasta el mantenimiento. El Foro Económico Mundial publicó una comparación de las 10 habilidades laborales necesarias en el 2015 en comparación con aquellas para el año 2020, como se muestra en la Tabla 1.

Table 1 – Las 10 habilidades principales

2020 2015
1Solución de problemas complejos1Solución de problemas complejos
2Pensamiento crítico2Coordinar con los demás
3Creatividad3Gestión de personal
4Gestión de personal4Pensamiento crítico
5Coordinar con los demás5Negociación
6Inteligencia emocional6Control de calidad
7Juicio o toma de decisiones7Orientación al servicio
8Orientación al servicio8Juicio o toma de decisiones
9Negociación9Escucha activa
10Flexibilidad cognitiva10Creatividad

(Fuente: Informe sobre el futuro del empleo, Foro Económico Mundial)

Incluso durante este corto período, hay una mayor expectativa de habilidades (como la creatividad, la inteligencia emocional y la flexibilidad cognitiva) y una reducción en la necesidad de control de calidad, negociación y coordinación con los demás.

Aunque este estudio es direccional y no específico de la Industria 4.0, apunta a la creciente necesidad de habilidades interpersonales, como el pensamiento crítico. El futuro del trabajador de mantenimiento no será un científico de datos, pero tendrá que interpretar el análisis de macrodatos generado por la maquinaria.

Siendo realistas, los fabricantes no pueden depender de las instituciones educativas para llenar el vacío de habilidades y tendrán que encontrar formas para capacitar nuevamente a sus empleados y equiparlos con las herramientas necesarias para tener éxito. De esta forma, las eficiencias obtenidas por el mantenimiento predictivo del Internet Industrial de las Cosas (IIoT) pueden compensar las funciones laborales requeridas para la fábrica inteligente.

Conclusión

En la nueva era de la Industria 4.0, el cambio del mantenimiento reactivo al mantenimiento predictivo (PdM) ya es tecnológicamente posible. Además, muchas prácticas de mantenimiento preventivo (PM) necesitan actualización. El cambio no ocurrirá de la noche a la mañana y mientras haya plantas industriales, la maquinaria se dañará y los seres humanos estarán involucrados en el proceso de reparación. Sin embargo, dada la naturaleza disruptiva de la Industria 4.0 y el aprendizaje automático, es probable que disminuyan los niveles de empleo relacionados con el mantenimiento.

Referencias

  1. https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/where-machines-could-replace-humans-and-where-they-cant-yet
  2. https://www.technologyreview.com/s/607850/is-automation-warping-the-labor-market-as-dramatically-as-we-think/
  3. https://maintenanceresources.com/referencelibrary/ezine/preventmaint.html
  4. http://journal-bmp.de/2015/12/auswirkungen-von-industrie-4-0-auf-menschliche-arbeit-und-arbeitsorganisation/?lang=en
  5. https://www.bcgperspectives.com/content/articles/technology-business-transformation-engineered-products-infrastructure-man-machine-industry-4/?chapter=4
  6. https://www.cio.com/article/3025869/analytics/6-analytics-trends-that-will-shape-business-in-2016.html
  7. https://livrepository.liverpool.ac.uk/3009339/1/C:%5cUsers%5cschaefdk%5cDropbox%5c_SCHAEFER_UNIVERSITY%5c%5b02%5d%20Research%5c%5b03%5d%20Publications%5c%5b02%5d%20Published%5c%5b2017%5d%20%5b139%5d%20%5bCA%5d%20ICMR%20Dirk%20Joe%20I4%20Demographics%5cICMR17_paper_76_final.pdf