Mantenimiento predictivo:la aplicación Killer de inteligencia continua

La CI basada en el análisis de datos de sensores e IoT puede ayudar a detectar cambios de estado en los dispositivos y hacer predicciones sobre la probabilidad de falla de un activo.

El análisis de datos históricos y en tiempo real sobre un activo puede detectar problemas que podrían provocar la falla de una pieza o dispositivo. En comparación con el reemplazo de activos basado en el calendario, el mantenimiento predictivo es mucho más efectivo para prevenir el tiempo de inactividad y, al mismo tiempo, obtener la máxima vida útil de una pieza o equipo. Como tal, el mantenimiento predictivo es una aplicación excelente para la inteligencia continua (CI).

Ver también: Análisis en tiempo real en entornos grandes y "brutales"

Dichas capacidades pueden ayudar a identificar piezas o equipos que probablemente fallen antes de su tiempo programado de reemplazo y mantenimiento. El verdadero beneficio viene con la inteligencia artificial que se usa para detectar un problema potencial. Si esta inteligencia es luego utilizada por un sistema experto, se pueden enviar alertas antes de que ocurran los problemas, y se pueden entregar acciones correctivas basadas en la información derivada a los encargados del mantenimiento del equipo.

¿Por qué estas capacidades son tan críticas?

El costo del tiempo de inactividad en industrias como la fabricación, la aviación, la exploración de energía, los servicios públicos y las telecomunicaciones es asombroso. Una compañía promedio de petróleo y gas en alta mar experimenta alrededor de 27 días de tiempo de inactividad no planificado al año, lo que puede ascender a $38 millones en pérdidas. En algunos casos, este número puede ascender a $88 millones.

En 2018, el mantenimiento no planificado le costó a las aerolíneas más de $20 mil millones o aproximadamente el 27 % de todos los gastos de mantenimiento. Esto tuvo un efecto en cascada en las operaciones de la red, ya que casi el 3,8 % de todos los retrasos y cancelaciones de vuelos fueron causados ​​por eventos de aeronaves en tierra (AOG). La cuantificación de estos problemas y los beneficios del mantenimiento predictivo muestra que los datos y el análisis podrían reducir casi a la mitad las facturas de mantenimiento no planificadas, lo que permitiría a las aerolíneas reducir los costos asociados a aproximadamente el 14 % de los gastos totales de mantenimiento.

El papel de la IC en el mantenimiento predictivo

La IC basada en el análisis de datos de sensores e Internet de las cosas (IoT) puede ayudar al detectar cambios de estado en los dispositivos y hacer predicciones sobre la probabilidad de falla de un activo.

¿Por qué es necesario? Los enfoques tradicionales para mantener la espera de que algo salga mal son increíblemente malos para los negocios. Y el reemplazo de piezas de acuerdo con los programas de mantenimiento basados ​​en el calendario de los fabricantes puede dar como resultado que las piezas buenas se reemplacen mucho antes de que fallen.

En lugar de reaccionar después del hecho, los conocimientos de CI sobre la causa raíz de los problemas que conducen al tiempo de inactividad, los defectos, las ineficiencias o las oportunidades perdidas de antemano pueden reducir los costos y mejorar la eficiencia operativa.

Cada vez más, las industrias utilizan dispositivos IoT para recopilar esos conocimientos, utilizando los dispositivos para obtener información sobre cada aspecto de sus operaciones. Desafortunadamente, un problema al que se enfrentan la mayoría de las empresas es que los dispositivos IoT producen grandes volúmenes de datos. Un informe de la industria estima que la cantidad de datos producidos por IoT alcanzará los 4,4 zettabytes para 2020, desde solo 0,1 zettabytes en 2013.

Hacer uso de tales datos, que se generan continuamente, requiere nuevas estrategias. Los datos no pueden simplemente almacenarse y luego analizarse más tarde. El valor real proviene de hacer análisis en tiempo real a medida que ingresan los datos. Para obtener información sobre dichos flujos de datos, muchas empresas están complementando el análisis tradicional con algoritmos de inteligencia artificial (IA) y aprendizaje automático (ML) en tiempo real. Este enfoque permite a las empresas obtener información para la toma de decisiones a partir de los datos en un período de tiempo que permitirá a la empresa tomar medidas proactivas.

Específicamente, los usos industriales de AI y ML aplicados a los datos de IoT se consideran una excelente manera de mejorar la previsión de mantenimiento y otros aspectos de las operaciones. La razón:AI y ML pueden ayudar a hacer predicciones sobre sistemas complejos. Esto puede ayudar a reducir el tiempo de inactividad de la máquina mediante el mantenimiento predictivo.

El único obstáculo que impide la adopción rápida de CI para el mantenimiento preventivo es la infraestructura. Hoy en día, la mayoría de las organizaciones no tienen la infraestructura para aprovechar al máximo la CI aplicada a la transmisión de datos de IoT.

¿Cuáles son los problemas? Las grandes organizaciones industriales pueden recopilar miles de millones de conjuntos de datos de máquinas, sensores y aplicaciones comerciales internas. A medida que las organizaciones avanzan hacia nuevas iniciativas de IoT, es importante considerar nuevas tecnologías y procesos que se mantengan al día con esta enorme afluencia de datos.