Mantenimiento Predictivo: Aprovechando Inteligencia Continua para Fiabilidad de Activos Inigualable

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

Análisis de datos en tiempo real e históricos sobre un activo puede detectar problemas que podrían llevar al fallo de una parte o dispositivo. Comparado con reemplazo de activos basado en calendario, el mantenimiento predictivo es mucho más efectivo previniendo downtime, mientras se obtiene la vida máxima de una parte o equipo. Como tal, el mantenimiento predictivo es una killer app para inteligencia continua (CI).

Ver también: Analítica en Tiempo Real en Entornos Grandes, "Brutales"

Tales capacidades pueden ayudar a identificar partes o equipos que probablemente fallen antes de su reemplazo programado y tiempo de mantenimiento. El verdadero beneficio viene cuando inteligencia artificial se usa para detectar un problema potencial. Si esta inteligencia es luego usada por un sistema experto, alertas pueden enviarse antes que ocurran problemas, y acción correctiva basada en información derivada puede entregarse a los encargados de mantener equipos.

¿Por qué son tales capacidades tan críticas?

El costo de downtime en industrias incluyendo manufactura, aviación, exploración energética, utilities y telecom es escalofriante. Una compañía promedio offshore de petróleo y gas experimenta unos 27 días de downtime no planificado al año, lo que puede ascender a 38 millones en pérdidas. En algunos casos, este número puede llegar a 88 millones.

En 2018, mantenimiento no planificado costó a aerolíneas más de 20.000 millones o aproximadamente 27% de todo gasto en mantenimiento. Esto tuvo efecto cascada en operaciones de red ya que casi 3.8% de todos los retrasos y cancelaciones de vuelos fueron causados por eventos Aircraft on Ground (AOG). La cuantificación de estos problemas y beneficios de mantenimiento predictivo muestra que datos y analíticas podrían casi reducir a la mitad facturas de mantenimiento no planificado, permitiendo a aerolíneas reducir costos asociados a aproximadamente 14% de gastos totales de mantenimiento.

El rol de CI en mantenimiento predictivo

CI basada en análisis de sensores y datos de Internet de las Cosas (IoT) puede ayudar detectando cambios de estado en dispositivos y haciendo predicciones sobre probabilidad de fallo de un activo.

¿Por qué se necesita CI? Enfoques tradicionales de mantenimiento de esperar a que algo falle son increíblemente malos para el negocio. Y reemplazar partes basándose en calendarios de mantenimiento de fabricantes puede resultar en buenas partes reemplazadas mucho antes de que fallen.

En lugar de reaccionar después del hecho, insights de CI sobre causa raíz de problemas que llevan a downtime, defectos, ineficiencias, u oportunidades perdidas de antemano pueden potencialmente recortar costos y mejorar eficiencias operacionales.

Cada vez más, industrias usan dispositivos IoT para colectar esos insights, usando dispositivos para obtener información sobre cada aspecto de sus operaciones. Desafortunadamente, un problema que la mayoría de empresas encuentran es que dispositivos IoT producen volúmenes muy grandes de datos. Un reporte de la industria estima que la cantidad de datos producidos por IoT alcanzará 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 después. El valor real viene de hacer análisis en tiempo real mientras los datos fluyen. Para derivar insights en tales flujos de datos, muchas empresas están complementando análisis tradicional con algoritmos de inteligencia artificial (IA) y machine learning (ML) en tiempo real. Tal enfoque permite a negocios obtener información para toma de decisiones de los datos en un plazo que permite a la empresa tomar acciones proactivas.

Específicamente, usos industriales de IA y ML aplicados a datos IoT se ven como gran forma de mejorar pronósticos de mantenimiento y otros aspectos de operaciones. La razón: IA y ML pueden ayudar a hacer predicciones sobre sistemas complejos. Esto puede ayudar a reducir downtime de máquinas a través de mantenimiento predictivo.

El único obstáculo que previene adopción rápida de CI para mantenimiento preventivo es infraestructura. Hoy, la mayoría de organizaciones no tienen la infraestructura para aprovechar completamente CI aplicada a datos IoT en streaming.

¿Cuáles son los problemas? Grandes organizaciones industriales pueden colectar miles de millones de datasets de máquinas, sensores y aplicaciones de negocio internas. Conforme organizaciones se mueven a nuevas iniciativas IoT, es importante considerar nuevas tecnologías y procesos que mantendrán el paso con esta enorme afluencia de datos.