Mantenimiento predictivo: crecimiento, desafíos y la clave del éxito

El mantenimiento predictivo (PdM) es un enfoque proactivo para abordar fallos de máquinas antes de que sean un problema. Analizando grandes volúmenes de datos de máquinas, el PdM permite a los equipos de mantenimiento entender la salud de las máquinas y optimizar actividades para evitar paradas no planificadas y eliminar fallos repentinos. Pero, a pesar de sus obvios beneficios, la mayoría de despliegues PdM están condenados al fracaso. En este post veremos el auge del PdM y por qué tantos proveedores y clientes siguen fallando.

Mantenimiento predictivo: entonces y ahora

El PdM existe desde mucho antes de lo que cree. Durante la Segunda Guerra Mundial, el científico CH Waddington observó que la tasa de fallo o reparación de un avión era máxima justo después de una inspección o mantenimiento. Conocido como «efecto Waddington», esto llevó a ajustar procesos de mantenimiento a la condición física del avión y frecuencia de uso, con ciclos de inspección ajustados basados en análisis de datos. En resumen, el nacimiento del PdM.

Mucho ha cambiado. La Cuarta Revolución Industrial e Industry 4.0 han traído avances tecnológicos a tal ritmo que «disruptan casi todas las industrias en todos los países». Estos avances han mejorado sensores, redes, adquisición y almacenamiento de datos, y el acceso a potencia de cómputo y datos gracias a avances en IA, haciendo PdM cada vez más aplicable a la industria general.

Hoy, igual que hace casi 80 años, el beneficio clave del PdM sigue siendo su capacidad para informar decisiones. Los profesionales de mantenimiento, responsables de muchas máquinas en uno o varios sitios, están extremadamente ocupados. Al darles mejor comprensión de la salud continua de sus máquinas, una solución PdM les ayuda a usar mejor su tiempo y recursos limitados.

Dada su herencia y ventajas claras, ¿por qué ha sido tan difícil lograr éxito en PdM?

Tres errores comunes

La verdad: muchos proveedores se subieron al carro PdM sin apreciar lo que es, esencialmente, un dominio muy único. Algunos intentaron «supercargar» herramientas de monitorización legacy; otros aplicaron enfoques de data science convencionales a un espacio de problema nada convencional. Sin la comprensión necesaria de qué es un sistema PdM y cómo funciona, muchas nuevas soluciones ni llegan al mercado. Resultado: pocas empresas logran éxito real a escala.

Gran parte de esta incomprensión y posterior fracaso PdM se reduce a tres errores fundamentales que proveedores y clientes repiten:

1. El concepto de PdM no es nuevo. Técnicas como monitorización de condición, créditos de mantenimiento y prognósticos existen desde hace tiempo. Pero la incapacidad para escalar estas técnicas más allá de máquinas críticas ha limitado su despliegue a solo máquinas críticas.
2. El PdM no es, como algunos creen, un problema de Big Data con millones de puntos de datos y etiquetas para entrenar modelos. El entorno de fábrica es altamente dinámico y ruidoso, con variables como mantenimiento de máquinas, distintas velocidades de producción, e incluso comportamiento de distintos operadores. Y cada máquina es única. A pesar de esto, muchas organizaciones siguen aplicando un enfoque clásico de data science al PdM.
3. Hay que recordar lo ocupados que están los profesionales de mantenimiento. Si la experiencia de usuario de un sistema PdM no refleja esto, hay riesgo de que no enganche a sus usuarios objetivo. Toda la valiosa información e insight generados serán ignorados, y la inversión de la organización en el sistema se desperdiciará.

Senseye entiende el PdM

Senseye ha invertido más de 150 personas-año de I+D exclusivamente en PdM. Por eso entendemos cómo funciona el PdM. Importante: entendemos cómo el PdM mejora la operación diaria de los ingenieros de mantenimiento. Y por esa comprensión nuestras soluciones PdM tienen éxito. Sabemos cómo desplegarlo a escala, no solo echamos data scientists al problema, y la experiencia de usuario importa.

Nuestro próximo post explorará cómo aplicamos las lecciones aprendidas a todo lo que hacemos. Mientras, puede encontrar más detalles sobre el origen del PdM y por qué proveedores y algunos compradores no lo entienden en nuestro white paper «Senseye in Depth: Why is Predictive Maintenance so hard?».