Revolucionando la fiabilidad de activos: Aprendizaje automático para mantenimiento predictivo

Analizamos cómo el Aprendizaje Automático (ML) está ayudando a disrumpir los modelos tradicionales de mantenimiento predictivo, impulsando nuevos niveles de productividad y rendimiento de equipos en organizaciones centradas en activos.

Mantenimiento Predictivo con Aprendizaje Automático (ML)

El tiempo de inactividad imprevisto de equipos representa un riesgo operativo cada vez mayor para las organizaciones centradas en activos, requiriendo insights más profundos sobre la salud de los activos que IoT y el mantenimiento predictivo tradicional pueden facilitar.

En este contexto, hemos visto que los sistemas tradicionales de gestión de mantenimiento computarizado (CMMS) dan paso a la Gestión de Activos Empresariales (EAM), Gestión del Rendimiento de Activos (APM) y, más recientemente, a una generación completamente nueva de herramientas enfocadas en mantenimiento predictivo. Es justo decir que la fiabilidad y el rendimiento de los assets han subido definitivamente a la agenda.

Sin embargo, tal es el ritmo de cambio, que estas herramientas de mantenimiento predictivo ya se quedan cortas para ofrecer la granularidad y los requisitos de rendimiento de los negocios de hoy. Disrumpidas por la convergencia de IoT y Cloud, que juntas ofrecen una adquisición de datos más completa y en tiempo real, el Mantenimiento Predictivo con Aprendizaje Automático puede identificar fallos potenciales de equipos mucho antes de lo que de otro modo levantaría una alerta. De igual manera, puede extender la vida útil restante (RUL) de los activos mediante monitorización y mantenimiento dedicados, en lugar de ceñirse a un marco de tiempo rígido basado en el uso típico.

Mantenimiento Predictivo Tradicional versus Mantenimiento Predictivo con Aprendizaje Automático

Los modelos tradicionales de aprendizaje automático para mantenimiento predictivo se basan en ingeniería de características. Estos modelos se crean manualmente basándose en experiencia, pericia y métricas y métodos estándar. Si bien este enfoque puede ser enormemente efectivo, particularmente en operaciones de manufactura, los modelos son específicos para una máquina dentro de una organización, por lo que se vuelven redundantes una vez que esa máquina se reemplaza. Al aplicar aprendizaje automático a escala, las redes pueden extraer automáticamente las características correctas de los datos, identificando los patrones de fallo más comunes y eliminando la necesidad de recrear manualmente un modelo cada vez que se introduce un nuevo activo.

El Mantenimiento Predictivo con Aprendizaje Automático aplica algoritmos para aprender de datos históricos y usa datos en vivo para analizar patrones de fallo. Los datos se recopilan a lo largo del tiempo, a través de una red de activos en varias organizaciones, permitiendo detectar patrones que predicen fallos de equipos y aplicar algoritmos de aprendizaje profundo.

Combinando datos en tiempo real con tendencias históricas y variables como factores ambientales actuales, el aprendizaje automático puede tomar decisiones sobre cuándo es necesario actuar y sugerir qué acción debería ser. El equipo de producción puede entonces tomar la acción apropiada sin requerir realmente una comprensión de los algoritmos necesarios.

El Mantenimiento Predictivo con Aprendizaje Automático permite a los ingenieros en planta obtener los datos que necesitan para prevenir un fallo, en lugar de la recopilación manual de indicadores clave como temperatura y presión, que no solo arriesgan inexactitudes y toman tiempo en subirse, sino que presentan un riesgo de seguridad para el personal. Estratégicamente, este enfoque permite a los ingenieros enfocar plenamente sus habilidades donde más importan: el plan de mantenimiento y los activos que necesitan su atención.

Mejor práctica ejemplificada

Considere una empresa de transporte a la que se informa que uno de sus autobuses se ha averiado. El mantenimiento predictivo tradicional podría señalar que su motor está próximo a un servicio, por lo que la acción recomendada es acelerar este servicio e identificar el problema. El Mantenimiento Predictivo con Aprendizaje Automático podría aprovechar su riqueza de insights para identificar que el tipo de motor usado en el autobús está sujeto a un fallo común, permitiendo diagnósticos rápidos, despliegue de las habilidades adecuadas y acción correctiva para resolver el problema. No solo minimiza el "tiempo de inactividad" del vehículo, minimiza la utilización de recursos y contribuye a la reputación de fiabilidad de la empresa.

Disrupción atrasada; innovación continua

El aprendizaje automático puede usarse para cumplir rápidamente nuevos objetivos, ya sea aumentar el rendimiento para acomodar una demanda incrementada en cierta área, o ajustarse a producción just-in-time en caso de una caída o cambio en la oferta o la demanda. Crucialmente, esto puede lograrse con un interruptor en lugar de inversión en un equipo de ciencia de datos, que requeriría inversión y formación sustanciales.

Dado los tiempos inciertos a los que nos hemos acostumbrado en años recientes, no es de extrañar que su enfoque, arraigado en usar algoritmos para encontrar patrones en datos para predecir eventos futuros, haya sido adoptado en una amplia gama de industrias. El Mantenimiento Predictivo con Aprendizaje Automático tiene razones claras para disrumpir el sector de mantenimiento predictivo tradicional.

No solo se prevé que el mercado global de aprendizaje automático crezca de 17,1 mil millones de dólares en 2021 a 90,1 mil millones para 2026, tal es el impulso detrás de esta disrupción, que para 2026, el 60% de las soluciones de mantenimiento predictivo habilitadas para IoT se entregarán como parte de productos de gestión de activos empresariales.

Prediciendo el éxito

Accesible para todas las organizaciones, y con un recurso de personal mínimo requerido para configuración o monitorización continua, y la flexibilidad para escalar según se requiera, lo único que se interpone en el camino de lograr impacto de esta manera es la ambición de una organización para alejarse de operaciones manuales tradicionales.

Llevar aprendizaje automático a una fábrica desbloquea el potencial de sus activos e indicadores clave de condición. El aprendizaje automático no tiene un número máximo de activos para monitorizar, es capaz de gestionar tantos o tan pocos datos como se le introduzcan. Y se vuelve más preciso con sus insights a medida que pasa el tiempo, ya que los datos adicionales enriquecen su modelado y experiencia de análisis. Proporcionando insights, en lugar de monitorización directa de umbrales, los ingenieros de planta pueden enfocar donde su tiempo es más necesario y ser más eficientes con la reducción de tiempo de inactividad no planificado y extensión de vida de maquinaria.

Los beneficios de este enfoque profundo, basado en conocimiento, para la gestión de activos se extienden a todos los rincones de una organización, ya que el impacto empodera y desafía al personal a identificar y abrazar nuevas oportunidades.

Libro Blanco: Aumentando la Experiencia Humana con Aprendizaje Automático

Descargue nuestro libro blanco gratuito para aprender sobre la importancia de mantener a los usuarios del sistema en el bucle, por qué la Salud del Activo como concepto es engañosa y cómo el Índice de Atención proporciona una forma más efectiva de priorizar activos con grandes ganancias de productividad.