Impulsar la confiabilidad y mejorar los resultados de mantenimiento con el aprendizaje automático

Mike Brooks de AspenTech

Existe una necesidad significativa de llevar a cabo la prevención de fallas utilizando verdades basadas en datos en lugar de estimaciones. La combinación de averías mecánicas e inducidas por procesos cuesta hasta el 10% de un mercado de fabricación mundial de 1,4 billones de dólares según un informe de 2012 de The McKinsey Global Institute .

Si bien las empresas han gastado millones para tratar de abordar este problema y, en última instancia, evitar tiempos de inactividad no planificados, hasta ahora, solo han podido abordar el desgaste y las fallas basadas en la edad. Las técnicas actuales no pueden detectar problemas lo suficientemente temprano y carecen de información sobre las razones detrás de las fallas aparentemente aleatorias que causan más del 80% del tiempo de inactividad no planificado. Aquí es donde el uso de software de aprendizaje automático para lanzar una "red más amplia" alrededor de las máquinas puede capturar fallas inducidas por el proceso.

Para evitar tiempos de inactividad no planificados, las empresas deben identificar y responder eficazmente a los indicadores tempranos de fallas inminentes. Las prácticas de mantenimiento tradicionales no predicen fallas causadas por excursiones de proceso, dice Mike Brooks, consultor empresarial senior de AspenTech y ex Mtell presidente y director de operaciones.

Eso requeriría un enfoque tecnológico único que combine máquinas y procesos; particularmente para industrias intensivas en activos como la manufactura y el transporte. Con la tecnología adecuada en su lugar, las organizaciones pueden detectar los patrones de degradación que se avecina, con advertencia suficiente para evitar fallas y cambiar los resultados.

Predecir el tiempo de inactividad con software de aprendizaje automático

El software de aprendizaje automático avanzado ya ha demostrado éxitos increíbles en la identificación temprana de fallas de equipos. Dicho software es casi autónomo y aprende patrones de comportamiento de los flujos de datos digitales que son producidos por sensores en y alrededor de máquinas y procesos.

Automáticamente, y requiriendo recursos mínimos, esta tecnología avanzada aprende y se adapta constantemente a nuevos patrones de señal cuando cambian las condiciones de operación. Las firmas de fallas aprendidas en una máquina “inoculan” esa máquina para que no se repita la misma condición. Además, las firmas aprendidas se transfieren a máquinas similares para evitar que se vean afectadas por las mismas condiciones degradantes.

Por ejemplo, una empresa de energía de América del Norte estaba perdiendo hasta un millón de dólares en reparaciones y perdía ingresos por averías repetidas de bombas eléctricas sumergibles. La aplicación de aprendizaje automático avanzado aprendió el comportamiento de 18 bombas. El software detectó una fuga temprana en la carcasa de una bomba que provocó un incidente medioambiental. La aplicación de la firma de falla al resto de las bombas proporcionó una advertencia temprana, lo que permitió una acción temprana para evitar un incidente repetido, evitando así un problema mayor.

En otro caso, una empresa líder de transporte ferroviario de mercancías que opera en 23 estados de los EE. UU. Utilizó el aprendizaje automático para abordar las fallas perennes del motor de locomotoras que cuestan millones en reparaciones, multas y pérdida de ingresos. La aplicación de aprendizaje automático funciona en línea, en tiempo real y se implementó en una gran flota de locomotoras que examinan los datos del aceite lubricante en busca de indicadores extremadamente tempranos de falla del motor.

La aplicación incluso detectó una firma de degradación mientras el motor pasaba una prueba de baja presión. Desviar la locomotora para servicio inmediato “le ahorró a la empresa millones de dólares en costosos tiempos de inactividad y multas”.

Ha llegado el momento de implementar el software de aprendizaje automático

Las empresas ya no pueden depender únicamente de las prácticas de mantenimiento tradicionales, sino que también deben incorporar comportamientos operativos al implementar soluciones basadas en datos. El imperativo actual significa extraer valor adicional de los activos existentes e implementar un programa avanzado de aprendizaje automático para ofrecer mejoras rápidas.

Con las soluciones de software adecuadas, las tecnologías predictivas detectarán las condiciones que limitan la eficacia de los activos y, al mismo tiempo, proporcionarán una guía prescriptiva que asegure que las empresas sigan siendo rentables y mejoren los márgenes.

El autor de este blog es Mike Brooks, consultor empresarial senior de AspenTech y ex presidente y director de operaciones de Mtell