Analítica Predictiva: Desbloqueando Valor Más Allá del Mantenimiento

¿Está obteniendo beneficios reales de su programa de analítica predictiva? La mayoría de los programas de analítica predictiva son reemplazos para programas de mantenimiento predictivo basados en vibración enfocados en la misión singular de prevención de fallos. Desde la llegada de colectores de datos basados en microprocesadores en 1980, menos del tres por ciento (3%) de estos programas han resultado en ahorros verificables que compensen su costo recurrente.

En general, estos programas han presumido una reducción en el tiempo de inactividad no planificado, pero en todos los casos aumentaron el tiempo de inactividad planificado requerido para prevenir fallos percibidos como inminentes. La mayoría de estos programas han aumentado el tiempo de inactividad de mantenimiento general, así como los costos generales de mano de obra y materiales de mantenimiento. Si bien la apariencia de beneficios puede estar presente, estos programas han demostrado ser contraproducentes. No por limitaciones tecnológicas, sino por el uso inadecuado de estas tecnologías.

Tres factores principales han limitado y limitan los beneficios que la analítica predictiva podría proporcionar:

• Enfocarse en la prevención de fallos predestina a no generar resultados positivos — Si eso es lo que quiere, ese es lo mejor que puede esperar lograr, y la prevención de fallos no hace nada para mejorar la confiabilidad ni reducir costos.
• Restringir la analítica predictiva al mantenimiento y deficiencias de mantenimiento — Los datos muestran que el 17% de los fallos de activos son resultado de problemas de mantenimiento, la mayoría (83%) resulta de otras deficiencias dentro de la organización. Ampliar el alcance para incluir factores causales, como el modo de operación en la analítica, no solo ayudará a entender las funciones forzantes detrás de los fallos, sino también identificar deficiencias que degradan la confiabilidad y aumentan los costos operativos.
• Omitir activos de la cadena de valor del programa — Condicionados por proveedores de tecnología, los programas de vibración abarcan activos rotativos simples, termografía para equipos eléctricos y análisis de aceite lubricante como respaldo para vibración. La omisión flagrante son los activos que generan ingresos —activos que no son simples, pueden no ser dinámicos pero sin ellos la empresa no puede sobrevivir.

La analítica predictiva no es solo mantenimiento, ni es un mero reemplazo para el mantenimiento predictivo. No tiene limitaciones. La analítica predictiva es aplicable a cualquier actividad recurrente —ya sea un activo físico, un sistema de producción, o el departamento de finanzas en su organización. En este artículo, limitaremos la discusión a activos físicos y cómo la analítica predictiva, predica en la dinámica operativa, puede permitir la capacidad de obtener y sostener un rendimiento óptimo de sus activos.

Si desea obtener rendimiento óptimo, confiabilidad y vida útil económica de sus activos, únase a nosotros para este enfoque ilustrador de la verdadera analítica predictiva que funciona. En lugar de un enfoque singular en la prevención de fallos, un enfoque en sostener la cadena de valor y activos auxiliares críticos en su condición de operación de diseño u óptima no solo reducirá fallos, sino que al mismo tiempo prolongará su vida útil económica y reducirá el costo total de propiedad de la organización. Esta es la única forma efectiva de obtener un retorno óptimo sobre el capital invertido, así como la generación de ingresos.

Introducción

Un factor común que impulsa el fallo de estos programas heredados es su fijación en los modos de fallo de activos de capital, en lugar de los factores causales detrás de ellos. Un ejemplo simple es identificar un rodamiento defectuoso y una acción correctiva para reemplazarlo. Pero sin hacer la pregunta obvia de qué causó el fallo del rodamiento es una profecía autocumplida, destinada a fallar.

Incluso si los fallos físicos fueran la razón principal que impulsa el tiempo de inactividad y los altos costos de mantenimiento, este enfoque simplemente no puede resolver el problema. Hasta que su enfoque esté en los factores causales subyacentes que reducen la confiabilidad, la vida útil económica y, por lo tanto, aumentan los costos operativos y los gastos de capital de mantenimiento, condena el programa de analítica predictiva al fracaso absoluto.

Un ejemplo de un enfoque basado en fallos fue una gran acería integrada que implementó un programa de mantenimiento predictivo contractual para el molino. Antes de que comenzara el programa, el tiempo de inactividad no planificado y los altos costos de mantenimiento plagaban el molino. Después de seis años en el programa, reportaron tiempo de inactividad no planificado reducido en un 35%.

¿Un resultado exitoso, verdad? No cuando mira el cambio real durante esos seis años. Cierto, su tiempo de inactividad no planificado fue menor, pero su tiempo de inactividad planificado —para reemplazar los rodamientos, engranajes y otras piezas de desgaste percibidas como malas— aumentó en un 65%.

El otro cambio notable fue en su costo de mantenimiento año tras año. Los costos totales de mano de obra y materiales aumentaron en más del 80%. El costo de rodamientos de reemplazo aumentó de $2.4 millones a $14.7 millones, los engranajes y otras piezas de desgaste siguieron patrones similares.

Los fallos no son la norma. Los activos diseñados para ser confiables, operados consistentemente dentro de límites de diseño y que reciben mantenimiento de sostenimiento adecuado, permanecerán confiables mucho más allá de su vida de diseño. El problema con la analítica predictiva impulsada por fallos es no reconocer que cómo operamos y mantenemos los activos puede convertirse en una profecía autocumplida. Creamos desgaste acelerado, inducimos condiciones operativas anormales que aceleran el desgaste, y luego diferimos el mantenimiento de sostenimiento que al menos mitigaría el daño.

La Solución

Resolver las limitaciones de la analítica predictiva no es tan difícil, al menos desde un punto de vista técnico. Las tecnologías predictivas clásicas no son una limitación. Cuando se usan efectivamente, proporcionarán los medios para lograr resultados positivos.

La acería es un buen ejemplo. Cuando su programa cambió de impulsado por fallos a verdadera analítica predictiva, el cambio fue casi inmediato. En menos de un año, los costos de materiales de mantenimiento cayeron a menos de $2 millones.

Usando el rodamiento como ejemplo, el nuevo programa se enfocó en los factores causales detrás de los fallos de rodamientos reportados e implementó acciones correctivas para eliminarlos. La eliminación del factor causal eliminó inmediatamente el fallo prematuro crónico que elevó los costos y los costos de reemplazo se desplomaron.

En el segundo año, los rodamientos y otras piezas de desgaste costaron aún menos. Una reducción del 60% en los costos de mantenimiento llevó al molino a producir consistentemente a una tasa un 30% más alta que antes del cambio de enfoque.

El éxito de su programa de analítica predictiva debe considerar la dinámica operativa de los activos, sistemas y procesos que componen la planta. Debe considerar las limitaciones de diseño inherentes, modos de operación y nivel de mantenimiento de sostenimiento que definen su dinámica.

Otro ejemplo de la diferencia entre analítica predictiva impulsada por fallos vs. verdadera analítica predictiva involucra setecientas bombas de lodo en una refinería. La refinería tenía un programa de mantenimiento predictivo bien establecido usando colectores de datos portátiles. Los técnicos recorrían diligentemente sus rutas diariamente y el sistema reportaba cuándo cada una de estas bombas requería mantenimiento para prevenir fallos inminentes.

Con el tiempo, el costo asociado con reconstrucciones de bombas creció a más de $10 millones anuales. En los libros, el programa funcionaba y había poco tiempo de inactividad reportado causado por fallos de bombas.

Cuando el programa de analítica predictiva de dinámica operativa verdadera reemplazó al programa de mantenimiento predictivo, los resultados cambiaron dramáticamente. Debido a que el nuevo programa buscaba factores causales en lugar de detenerse en modos de fallo, se hizo evidente que la razón por la que el 11% de las bombas requerían reparaciones mayores anualmente era su modo de operación.

Válvulas de descarga controladas remotamente controlaban cada bomba. La analítica reconoció que el rango de control forzaba a las bombas a operar bien fuera de las recomendaciones de mejores prácticas. La inestabilidad resultante causaba desgaste acelerado y daño severo al ensamblaje rotativo y la carcasa.

Para corregir el problema, el cliente cambió los parámetros operativos para limitar el rango de control a +/- 10% del BEP, llevando el costo de reparación anual a menos de $1 millón. Otro beneficio de la analítica predictiva fue que reconoció el impacto que el viejo rango de control tenía en el consumo de energía.

En lugar de los 160 caballos de freno en BEP, las bombas estaban consumiendo un promedio de casi 300 HP. La diferencia en el consumo anual de energía fue de más de $7 millones. En esta sola aplicación, la analítica predictiva redujo los costos año tras año en más de $16 millones USD.

Cómo Funciona

Aplicar analítica predictiva a la gestión de activos no es tan complicado; solo debe pensar lógicamente y determinar claramente los requisitos de confiabilidad y sostenibilidad de los activos en su organización.

Los siguientes pasos definen el proceso:

Determinar la Confiabilidad Inherente de Cada Activo

La confiabilidad está determinada por el diseño. Todas las actividades después del diseño deben sostener esa confiabilidad inherente para obtener un retorno óptimo de la inversión. Este primer paso crucial determina no solo las debilidades inherentes de cada activo o sistema, sino también el modo de operación y mantenimiento requerido para sostener la confiabilidad inherente y lograr la vida útil económica óptima de cada activo.

Física del Fallo

Defina claramente todos los modos de fallo y sus factores causales para cada activo o sistema. Esto debe ser más que un FMEA simple o listas de fallos percibidos. Debe considerar todas las desviaciones de las mejores prácticas, como el impacto de varios modos de operación —producción y mantenimiento. Recuerde, solo el 17% de los fallos de activos resultan de mantenimiento inadecuado; el 83% restante son el resultado de deficiencias dentro de las operaciones.

Entender los fallos es importante, pero entender los factores causales o funciones forzantes que resultan en ese fallo es crucial. Si conoce el modo de fallo, podría anticiparlo y recuperarse rápidamente —pero eso no hace nada para mejorar la confiabilidad ni prevenir una recurrencia. Los factores causales proporcionan el conocimiento requerido para prevenir la ocurrencia inicial y todas las recurrencias de un fallo.

Qué Parámetros Identifican Modos de Fallo y Factores Causales

Una vez que tenga una comprensión profunda de la confiabilidad inherente, modos de fallo y sus factores causales, el siguiente paso es determinar parámetros específicos, como vibración o distribución de calor, necesarios como entrada para un motor de analítica predictiva. La analítica predictiva, como cualquier otra forma de diagnóstico, depende de la calidad y completitud de los datos de entrada.

Por ejemplo, la entrada de datos de vibración de banda ancha de alta resolución y bandas estrechas discretas es suficiente para una analítica efectiva de la condición mecánica de una bomba, pero puede no ser suficiente para determinar los factores causales que podrían proporcionar detección y corrección temprana de desviaciones que, si se dejan desconocidas, podrían resultar en un fallo. En la mayoría de los casos, estos parámetros serán una combinación de datos de proceso extraídos de sistemas de monitoreo y control existentes y datos medidos directamente que son integrales al motor de analítica predictiva. En activos y sistemas dinámicos, esto último incluye el uso de sensores inteligentes que incorporan analítica de borde, aprendizaje automático e inteligencia artificial ubicados estratégicamente en el activo, proceso o sistema.

Modelo de Detección de Anomalías

Combinando el conocimiento obtenido hasta ahora en esta discusión, el último paso en la analítica predictiva efectiva es desarrollar un modelo basado en dinámica operativa o física que pueda ingerir datos continuos de cada activo, sistema o proceso, y también analizar automáticamente todas las variables, identificar todas las desviaciones de lo normal, identificar factores causales detrás de cada desviación, y generar instrucciones prescriptivas para acciones correctivas. Obviamente, el modelo ODA es la clave para la analítica predictiva efectiva. Cualquier ingeniero de confiabilidad experimentado debería poder evaluar un activo específico en un punto de su ciclo de vida y hacer lo mismo.

La diferencia es que no hay suficientes ingenieros de confiabilidad calificados ni horas en el día para analizar continuamente todos los activos. Los motores de analítica predictiva no se cansan, aburren ni distraen.

En conclusión, la verdadera eficacia de los programas de analítica predictiva no radica en su mera existencia sino en su implementación estratégica. El enfoque prevalente en la prevención de fallos, aunque bien intencionado, a menudo falla debido a su incapacidad para abordar factores causales subyacentes. Cambiar hacia un enfoque holístico que abarque la dinámica de activos y las complejidades operativas produce beneficios tangibles, como lo evidencian transiciones exitosas de paradigmas impulsados por fallos a verdaderos paradigmas de analítica predictiva.

Al reconocer la importancia crítica de sostener la cadena de valor y activos auxiliares, las organizaciones no solo pueden mitigar fallos sino también optimizar el rendimiento y reducir el costo total de propiedad. Adoptar la analítica predictiva como una herramienta para mejorar la confiabilidad, extender la vida útil económica y minimizar los costos operativos significa un cambio de paradigma hacia estrategias proactivas de gestión de activos, asegurando retornos óptimos sobre el capital invertido y generación sostenida de ingresos.

Sobre el Autor

Sobre el Autor