Tener éxito en el mantenimiento predictivo a escala

En nuestra última publicación, analizamos el auge del mantenimiento predictivo (PdM) y por qué tantos proveedores, y sus clientes, continúan haciéndolo mal. Aquí exploraremos cómo hemos aplicado lo que hemos aprendido sobre el mantenimiento predictivo a lo largo de los años a todo lo que hacemos hoy.

La combinación de más de 30 años de experiencia trabajando en la industria aeroespacial y más de 150 años-persona de investigación y desarrollo dedicados exclusivamente a PdM nos ha enseñado mucho sobre la implementación de tecnologías de mantenimiento predictivo en varios sectores diferentes. Y, a medida que nos encontramos con diferentes sectores y niveles de madurez de los clientes, seguimos aprendiendo. Sobre todo, hemos aprendido que hacer bien el mantenimiento predictivo no es fácil.

Es importante destacar que hemos aprendido que no se trata solo de saber cómo hacer bien PdM, sino por qué es importante. Hemos aprendido, por ejemplo, que el verdadero valor de PdM puede ser difícil de explicar, incluso si ofrece un retorno de la inversión significativo. La implementación de una estrategia de PdM es un movimiento que no debe tomarse a la ligera:afecta a todo el negocio, desde el directorio hasta el piso de producción. Se necesitará cierto grado de confianza en su éxito antes de embarcarse en una transformación de esta escala.

Aquí, entonces, hay algunos puntos clave que, según nuestra experiencia, creemos que las organizaciones deben tener en cuenta al emprender un viaje de mantenimiento predictivo.

El mantenimiento predictivo no es un caso de uso típico de ciencia de datos

Cuanto más hablamos con los clientes sobre sus intentos fallidos de implementación anteriores, más seguros estamos de que PdM no puede tratarse como un problema típico de Big Data. Esto se debe en gran medida al hecho de que PdM carece gravemente del rico contexto necesario para que las soluciones de Big Data funcionen. Muchos modos de falla de la máquina también son de naturaleza sutil, lo que dificulta que los algoritmos de aprendizaje automático establecidos predigan con precisión cualquier patrón discernible.

No es descabellado esperar niveles de precisión del 90 % o más en una solución típica de ciencia de datos. Sin embargo, esperar una precisión similar de una solución PdM sugiere un malentendido fundamental de cómo funciona. Sí, el uso de datos seleccionados de alta calidad en un entorno de laboratorio brindará resultados como este para máquinas específicas y modos de falla específicos. Pero esto no representa la realidad. Cada máquina y modo de falla es único, por un lado, y diferentes tipos de sensores entregarán datos de diferentes niveles de precisión. Y eso sin mencionar la naturaleza dinámica del piso de una fábrica y la falta general de información contextual crucial.

Se deben hacer preguntas difíciles a cualquiera que haga preguntas generales o haga afirmaciones específicas con respecto a la precisión de una solución de PdM.

Conoce a tu audiencia

Otra cosa que nos ha enseñado nuestra experiencia es que los equipos de mantenimiento ocupados suelen tener muy poco tiempo al comienzo de sus turnos para identificar cuáles de las muchas máquinas de las que son responsables necesitan más su atención. Ciertamente no quieren pasar ese tiempo estudiando gráficos y filtrando datos sin procesar para descubrir esa información.

Por lo tanto, el diseño de software simple e intuitivo es esencial, ya que brinda a los profesionales de mantenimiento la información que necesitan en un tablero fácil de leer y ahorra un tiempo valioso. Sin embargo, aunque muchos proveedores ofrecen dichos paneles, a menudo pueden ser ofertas genéricas que no tienen en cuenta los flujos de trabajo, las preferencias y la experiencia únicos de un usuario. De hecho, el conocimiento y la experiencia de estos profesionales es invaluable; aprovecharlo es crucial para el éxito de una solución de PdM.

Los productos de Senseye están diseñados con todo esto en mente. Nuestro objetivo es la simplicidad, integrando perfectamente el análisis con una interfaz de usuario clara. En lugar de varios cuadros y gráficos, la información se presenta en forma de lista, ordenada por Attention Engine, un algoritmo patentado que utiliza datos de la máquina, datos de mantenimiento y datos del operador para priorizar las máquinas que necesitan atención.

Sepa dónde se encuentran sus usuarios en su recorrido

También hemos aprendido que diferentes empresas, y, a menudo, diferentes áreas dentro de la misma empresa, se encontrarán en diferentes etapas de su viaje de mantenimiento predictivo. Es posible que una empresa, por ejemplo, solo esté realizando verificaciones periódicas de monitoreo de condición basadas en rutas. Otro, sin embargo, habrá combinado un monitoreo de condición robusto y automatizado con una solución PdM para predicciones precisas de la salud y el tiempo de falla de sus máquinas.

Estos ejemplos están en los extremos opuestos de una escala, por supuesto, y la mayoría de las empresas se ubicarán en algún lugar entre los dos, el nivel de madurez tanto de sus datos como de la preparación cultural aumentará como resultado de una mayor comprensión por parte de su equipo de gestión y la aceptación de sus equipo de TI Sin embargo, es importante saber dónde se encuentra una empresa en esa escala, ya que cada una necesitará un paquete de soporte e implementación diferente según su nivel de madurez.

Años de experiencia nos han enseñado mucho sobre lo que funciona y lo que no. En nuestra próxima publicación, exploraremos cómo toda esta experiencia y comprensión han convertido a Senseye PdM en el producto de PdM líder en el mercado. Hasta entonces, puede encontrar más detalles sobre las cosas más importantes que hemos aprendido sobre PdM en nuestro informe técnico "Senseye en profundidad:¿Por qué es tan difícil el mantenimiento predictivo?".