Mantenimiento predictivo y predicción de revoluciones industriales

¿Qué tan transformacional es la inteligencia artificial? Esa pregunta aparentemente simple puede ser difícil de responder.

En primer lugar, el término a menudo tiene un significado nebuloso. A menudo, el término es una abreviatura de "inteligencia general artificial" o "IA fuerte". En esta construcción teórica, la inteligencia no orgánica tiene la capacidad de razonar y realizar una serie de tareas. También es este tipo de inteligencia artificial a la que Hollywood ha hecho referencia en películas como "The Terminator", así como la variedad que suscita temores distópicos en personajes como Elon Musk y Bill Gates. Pero la pregunta de cuándo existirá tal forma de IA es imposible de responder de manera decidida. Gartner razona que probablemente pasarán décadas antes de que los investigadores creen máquinas capaces de aproximarse al razonamiento humano, a pesar de que las máquinas entrenadas en tareas limitadas pueden eclipsar a los humanos en juegos intelectuales como el ajedrez y, más recientemente, Go. Martin Ford, autor de “Architects of Intelligence:La verdad sobre la IA de las personas que la construyen”, dijo que la mayoría de los expertos creen que la IA fuerte es algo decididamente impredecible.

También lo son, al parecer, las revoluciones industriales. Si bien conceptos como Industrie 4.0 sugieren ampliamente que la convergencia de IA, IIoT y otras tecnologías podrían fomentar la próxima revolución industrial, la productividad en las naciones occidentales ha sido lenta durante décadas. La producción industrial de Estados Unidos para fábricas, minas y servicios públicos se redujo un 0,1% en marzo, lo que, como dijo el WSJ, "refuerza la opinión de que la manufactura ha tenido una racha blanda".

Pero mientras el macrocosmos industrial, medido por varios índices de productividad, avanza, hay un número creciente de historias de éxito que surgen de empresas industriales que adoptan tecnologías IIoT junto con el aprendizaje automático. La startup FogHorn, por ejemplo, ayudó a la empresa japonesa de electrónica industrial Daihen a eliminar 1.800 horas de entrada manual de datos en una sola fábrica. Y una de las principales empresas de bebidas ahorró el equivalente a 1 millón de latas de cerveza mediante el mantenimiento predictivo de una sola vez. La firma instaló tecnología de monitoreo de máquinas de la firma Augury, que combina sensores inalámbricos de vibración, ultrasónicos, de temperatura y magnéticos con aprendizaje automático para detectar problemas de máquinas para una variedad de máquinas industriales, incluidas las utilizadas por las cervecerías. "Y detectamos un desgaste severo de los rodamientos en una llenadora, la máquina que llena latas con cerveza", dijo Saar Yoskovitz, cofundador y director ejecutivo de Augury. “El descubrimiento permitió a la cervecería abordar el problema durante el tiempo de inactividad planificado. “Debido a que son instalaciones que funcionan las 24 horas, los 7 días de la semana, no tienen espacio para tiempo de inactividad no planificado”, dijo Yoskovitz. Pero el problema de los cojinetes podría haber provocado finalmente una falla que resultó en ocho horas de pérdida de productividad. "Eso se traduce en 1 millón de latas de cerveza y 200.000 dólares en ingresos", añadió Yoskovitz.

Alizent, la subsidiaria digital de Air Liquide, ofrece otro ejemplo del poder de las tecnologías Industrie 4.0. Al incorporar tecnología de OSIsoft, Air Liquide creó una plataforma de optimización de plantas conocida como SIO hace unos años. El software PI de OSIsoft sirve como motor de datos integrado para la plataforma, lo que permite la recopilación y el refinamiento de datos para el análisis. "Air logró una amortización en tres meses con SIO y una amortización 10 veces mayor en el primer año", escribió Michael Kanellos,

Analista de IoT y gerente senior de comunicaciones corporativas en OSIsoft en un correo electrónico. "Luego pasaron a usarlo para administrar las fábricas de una manera apagada (es decir, sin empleados) en Francia y el sudeste asiático". Después de eso, Air Liquide decidió escindir el grupo digital en la unidad de Alizent para servir tanto a Air Liquide como a otras empresas.

Otro ejemplo de una empresa con un rápido retorno de la inversión en transformación digital es White House Utility District. Una de las principales empresas de servicios públicos de agua y alcantarillado de Tennessee, la organización redujo las fugas de agua de aproximadamente un 32% a un 15%. Los ahorros en agua también resultaron en ahorros de millones de dólares. “Pero también recortaron la gestión de datos, ahorrando $ 30,000 al año”, dijo Kanellos. “Aplazaron 11 años una nueva planta de $ 15 millones. La reputación de la comunidad aumentó. Las agencias de calificación crediticia incluso elevaron sus calificaciones ”.

Mark Willnerd, director ejecutivo y presidente de la empresa de aprendizaje automático industrial Toumetis, prevé un repunte en la productividad industrial en los próximos cinco años. "Gracias a tecnologías como el aprendizaje automático, veremos una gran mejora", dijo. “[Podríamos ver un retorno de] ganancias de productividad al estilo de la década de 1990”, agregó Willnerd, refiriéndose a la década vinculada al rápido repunte de la producción.

Toumetis está trabajando con una compañía de energía con un campo petrolero que Willnerd espera que algún día sea uno de los sitios de producción más importantes del mundo. Un factor que obstaculiza la productividad del sitio es la falta de confiabilidad de las bombas eléctricas sumergibles, que pueden dejar un pozo fuera de producción. Pero si los expertos en la materia que controlan el equipo de la empresa supervisan 1.500 pozos y 100 señales de datos diferentes, pueden perder fácilmente datos que indiquen una falla inminente de la bomba. "No saben qué pozos fallarán y cuándo", dijo Willnerd. "Pero si puedo predecir cuáles fallarán en un período de 14 días, puedo programar reparaciones para maximizar las ganancias y la producción".

Pero el proceso de aplicar el aprendizaje automático, o su aplicación en el mantenimiento predictivo, en el ámbito industrial rara vez es sencillo. “Los datos pueden ser inconsistentes. Podría tener lecturas falsas de los sensores. Es posible que le falten datos ”, agregó Willnerd. "Y hay mucho que simplemente limpiar los datos antes de poder analizarlos".

Willnerd supone que todavía estamos en la infancia de aplicar el aprendizaje automático a aplicaciones industriales.

Un estudio de Bain &Co. titulado "Más allá de las pruebas de concepto:escalar el IoT industrial" llega a conclusiones similares después de encuestar a 600 ejecutivos de alta tecnología. El IIoT en general y el mantenimiento predictivo, en particular, a menudo son más difíciles de implementar de lo esperado, al igual que la perspectiva de extraer "información valiosa de los datos" de los proyectos IIoT. Sin embargo, el informe concluye posteriormente que "el IoT industrial sigue siendo una oportunidad prometedora".

Un desafío central es que dar sentido a estos datos también requiere una combinación poco común de experiencia en el dominio y conocimiento de la ciencia de datos. Para ayudar a cerrar la brecha, Toumetis contrató a expertos industriales que han estado trabajando en análisis de datos desde finales de la década de 1990 y principios de la de 2000. "Sigue siendo una forma de arte", dijo Willnerd. "Debe comprender claramente qué problema está tratando de resolver y cuál es el valor comercial asociado con eso".

Yoskovitz tiene una opinión similar. Después de recorrer una variedad de instalaciones industriales en los Estados Unidos, llegó a la conclusión de que uno de los desafíos más comunes era encontrar talento. Si bien se ha hablado mucho de la dificultad de encontrar un experto en, digamos, ciberseguridad industrial o ciencia de datos industriales, el problema es mayor. “Una vez, entré en una sala para hacer una capacitación en las instalaciones de nuestro cliente. La edad promedio era de 55 años ”, recuerda Yoskovitz. “Teníamos gente allí que estaba a punto de jubilarse y los recién llegados que estaban en la veintena. Y tienes unos buenos 30 años entre ellos ".

Gran parte de la experiencia de fabricación heredada en los Estados Unidos desaparecerá a medida que los empleados industriales de mayor edad se jubilen en los próximos cinco a 10 años. Mientras tanto, los trabajos industriales ocupan un lugar bajo en la lista de los empleados más jóvenes. “Casi nadie que sea millennial o Gen Z quiere ser técnico de mantenimiento”, dijo Yoskovitz.

Entonces, si bien puede ser demasiado pronto para decir si tecnologías amplias como IoT e IA crearán una era de productividad que rivalizará con las primeras revoluciones industriales, o si Industrie 4.0 será algo más como una revisión de software. que una revolución impulsada por el sistema ciberfísico. Por ahora, es una cuestión más práctica preguntar cómo estas tecnologías pueden satisfacer sus necesidades más urgentes:llevar a las personas adecuadas (técnicos) al lugar correcto (una máquina potencialmente fallando) en el momento correcto (antes de que la máquina se rompa).