Mantenimiento Las nuevas tecnologías del llOT
La idea de que la tecnología de fábricas inteligentes desplazará a los humanos del Mantenimiento 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”.
En un artículo que se puede aplicar al campo del análisis industrial, la revista MIT Technology Review 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 po-tencial de las actividades de mantenimiento.
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:
- Traslado hacia al sitio de reparación.
- Retrasos por piezas de repuesto o maquinaria de alquiler.
- Instrucciones de reparación o recepción de la documentación pertinente.
- Esperar a que la maquinaria sea apagada antes de que el trabajo pueda comenzar.
- Retrasos adicionales por la llegada del equipo de soporte al lugar de trabajo.
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 pro-porcionan 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 mantenimien-to 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:
- Las pautas del fabricante del equipo original (OEM) según los manuales de La maquinaria.
- Las estimaciones de probabilidad del promedio de tiempo entre fallas (MTBF).
- El cumplimiento normativo.
- La condición de la maquinaria.
- La programación de la optimización.
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 aleato-rias 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 mante-nimiento defectuoso.
Por Dr. David Almagor
Presidente de Presenso y un emprendedor continuo con más de 30 años de experiencia en gestión de proyectos complejos de I+D, así como de entidades comerciales. Fue el fundador y presidente ejecutivo de Panoramic Power. Es autor de más de 40 publicaciones y coautor de cinco patentes.www.presenso.com
