Gestión de activos 4.0 en la era Smart Factory

A veces parece que la exuberancia de Smart Factory ha eclipsado la realidad en la fábrica. Si cree a los analistas, seremos testigos de un aumento en el gasto en tecnología industrial en los próximos años, que será impulsado por la digitalización y el IoT industrial. McKinsey estima que para 2025, la transformación digital habrá liberado entre $ 1,2 y $ 3,7 billones en ganancias de productividad global para el sector manufacturero.

Independientemente de si estas proyecciones son precisas, la cuarta revolución industrial está en marcha y los propietarios de las plantas deberán adaptarse a la nueva realidad para seguir siendo competitivos.

¿Qué significa esto para el mantenimiento de activos?

El enfoque híbrido para el mantenimiento de activos

En el pasado, hemos abordado el tema de la fábrica inteligente híbrida y por qué es prudente que los propietarios de fábricas adopten un enfoque incremental para invertir en IoT industrial y digitalización. Incluso cuando entramos en la era del aprendizaje automático, hay dos factores inhibidores principales:

Personal calificado. En el núcleo del aprendizaje automático se encuentran grandes cantidades de datos. Las plantas industriales tienen dificultades para contratar a científicos e ingenieros de big data que, por lo general, tienen oportunidades más lucrativas.

Costo. Los gigantes tecnológicos están gastando miles de millones de dólares en I+D con la expectativa de que el propietario de la fábrica del mañana pague la inversión de hoy en el desarrollo de nuevos software y sistemas. Es así como estas grandes empresas justifican sus singulares apuestas por la Smart Factory. Este razonamiento puede ser válido para los proveedores de tecnología, pero la economía de un enfoque de eliminar y reemplazar no es factible para los propietarios de las fábricas. Los artículos de análisis de alto costo pueden ser simplemente inalcanzables a corto plazo.

La nueva realidad de Smart Factory es casi idéntica a la antigua realidad, y la mayoría de los componentes básicos para el mantenimiento de activos permanecerán sin cambios en el futuro previsible. Dejando a un lado los materiales de venta de los proveedores y las demostraciones de productos, estos elementos de mantenimiento de activos no serán desplazados en el corto plazo.

El rol del monitoreo de activos basado en reglas en la fábrica inteligente híbrida

Es cierto que los sistemas heredados tradicionales que usan datos SCADA para monitorear el rendimiento de los activos tienen algunas limitaciones: la incapacidad humana para rastrear todos los grandes datos producidos por numerosos sensores en una fábrica y la dependencia de humanos para establecer umbrales de control manual.

Además, el monitoreo basado en reglas solo rastrea las infracciones de control y no detecta el comportamiento anormal de los datos del sensor dentro de los umbrales de control prescritos.

Al mismo tiempo, hay señales físicas críticas, como la posición del acelerador o la temperatura del refrigerante, que aún deben ser monitoreadas por los técnicos de mantenimiento de la fábrica por razones específicas de los activos.

El beneficio de usar Big Data y Machine Learning para el mantenimiento de activos es que puede proporcionar un monitoreo continuo en tiempo real de todos los sensores en una fábrica. En Hybrid Smart Factory, el aprendizaje automático se utilizará para detectar patrones anormales y correlacionados de comportamiento de los sensores para identificar la degradación o falla de la máquina antes de que ocurra. Los sistemas tradicionales de monitoreo de activos seguirán siendo necesarios para los sensores de alta prioridad que necesitan monitoreo por razones estratégicas/operativas específicas.

El papel del mantenimiento preventivo en la fábrica inteligente híbrida

No importa cuán "inteligente" sea la fábrica, el Mantenimiento Preventivo (PM) no puede ser reemplazado por completo por inteligencia artificial. El personal de mantenimiento de la fábrica o los proveedores externos con acuerdos de servicio son responsables de realizar el mantenimiento real (programado o preventivo) y de verificar físicamente los sistemas centrales y las partes de los activos.

El mantenimiento preventivo se está convirtiendo gradualmente en parte de la combinación de mantenimiento de activos y eso representa una oportunidad para aplicar el aprendizaje automático para reducir el tiempo de inactividad programado y no programado.

Los algoritmos de aprendizaje automático analizan grandes cantidades de datos de sensores y detectan comportamientos anormales. Los algoritmos de inteligencia artificial identifican la línea de base para las desviaciones aceptables del comportamiento normal del sensor. Cuando hay variaciones del número de desviaciones “aceptables”, se genera una alerta de degradación o falla emergente y se envía al personal de mantenimiento de la instalación.

Con el aprendizaje automático aplicado, las tareas de mantenimiento programadas se reducirán y los recursos se podrán utilizar en otras áreas. Con el tiempo, cuando los propietarios de las fábricas experimenten el impacto del aprendizaje automático, reducirán los requisitos para redundancias dobles y triples. Es probable que las reducciones en el mantenimiento preventivo liberen presupuestos para otros tipos de inversiones.

El papel de la simulación de activos (también conocido como gemelo digital) en la fábrica inteligente híbrida

Ha habido mucho entusiasmo sobre el Gemelo Digital en la prensa especializada. La idea de que una fábrica puede crear un clon virtual de un activo de máquina que se puede monitorear en tiempo real es atractiva para las plantas industriales que han adoptado la visión de Smart Factory.

Al mismo tiempo, existen importantes obstáculos para implementar el Gemelo Digital. El desafío más importante para incorporar Digital Twin en su entorno de fábrica es el costo asociado con la implementación. Incluso sin tener en cuenta las tarifas de licencia de software para construir el gemelo digital, se necesitan planos precisos para recrear un modelo virtual de la máquina física.

Es necesario presupuestar un ejército de consultores externos altamente remunerados, científicos de big data y técnicos de diseño que trabajarán en conjunto con los ingenieros de las instalaciones de la fábrica.

El gemelo digital puede proporcionar información valiosa y en tiempo real sobre el rendimiento de una máquina. Debido a las limitaciones actuales, el concepto de Gemelo Digital no es escalable. En el mejor de los casos, puede usarse para algunas máquinas de alta prioridad y alto precio. Para muchas instalaciones y verticales de producción, el concepto de Gemelo Digital no es económicamente viable.

El papel del aprendizaje automático automatizado para el mantenimiento de activos en la fábrica inteligente

El aprendizaje automático automatizado es un salto cuántico en el mundo de la ciencia de datos porque se pueden analizar grandes cantidades de datos de sensores en tiempo real. En el aprendizaje automático automatizado, la IA es responsable de elegir y aplicar modelos de aprendizaje automático a los conjuntos de datos. Al usar IA, y no científicos de datos, para controlar el proceso de aplicación del modelo, el aprendizaje automático automatizado mejora la velocidad y la precisión de la información de los datos.

En la solución de aprendizaje automático automático de SKF Enlight AI, el enfoque es agnóstico en términos de tipo de activo o sensor, lo que significa que se pueden detectar patrones de datos anormales para todas las máquinas de la fábrica.

¿Qué significa esto para el propietario de la fábrica? En tiempo real, las degradaciones emergentes de cualquier parte de la máquina se identifican antes de una parada. Mientras que el sistema basado en reglas monitoreará solo unos pocos sensores, los algoritmos de aprendizaje automático pueden analizar grandes cantidades de datos de sensores. El resultado es la capacidad de monitorear de manera eficiente todos los activos en una instalación de producción.

Editorial Team SKF Industrial AI and Analytics