Éxito en mantenimiento predictivo: empoderando usuarios sobre algoritmos

Los ingenieros de mantenimiento experimentados tienen una imagen mental detallada de la maquinaria que cuidan. Saben cuándo un traqueteo de válvula significa avería inminente o cuándo es seguro ignorarlo hasta la próxima parada programada. Si un sistema automatizado de mantenimiento predictivo puede aprovechar ese conocimiento, puede aprender a dar el mejor apoyo a usuarios que deben decidir qué actividades de mantenimiento priorizar.

En un enfoque centrado en el usuario, los equipos de mantenimiento son alertados solo cuando el sistema cree que encontrarán útil esa información, basándose en lo que hallaron útil en el pasado.

Es parecido a cuando proveedores de contenido digital como Netflix o Amazon guardan qué elige ver cada usuario. Usan eso para impulsar un «motor de recomendación» que refina continuamente las películas que muestra a cada usuario según su feedback.

Este es el enfoque que tomamos en Senseye para modelar y entender el comportamiento del usuario además de lo que ocurre con los activos que monitorizan, para dirigir su atención donde más se necesita.

Figura 1: Entornos ricos en datos contextuales y de monitorización de condición de alta calidad permiten monitorizar activos perfectamente —enfoque Digital Twin. La mayoría de entornos de fábrica son low-context y los modelos de interés del usuario mejoran la eficacia del software PdM

El poder (y limitaciones) de la predicción

Toda iniciativa de mantenimiento predictivo —desde usar una barra de hierro contra una máquina traqueteante para saber si el reductor necesita servicio antes del próximo intervalo, hasta un sistema software automatizado sofisticado— busca ayudar a operadores a identificar cuándo se avecinan problemas. El objetivo principal: alertar lo bastante pronto para evitar una avería que cause costoso downtime no planificado. A menudo hay otros beneficios: productividad mejorada y planificación de mantenimiento.

El concepto de «gemelo digital» es muy popular ahora, pero su marketing a menudo confuso apenas menciona a los usuarios que deben interactuar con esos «gemelos» y qué significa para ellos. Un «gemelo digital» de cada activo también necesita que el usuario se sienta cómodo en un entorno digital complejo. Existe otro enfoque que se centra mucho más en las necesidades de los usuarios.

Muchos fallos dejan señales o «huellas» distintivas en datos de máquina, y el software PdM líder puede aprender a detectarlas aceptando amplia gama de entradas —desde datos dedicados de monitorización de condición a datos de planta más generales. Estos sistemas entienden qué patrones o señales características indican posible problema. En algunos casos y con datos suficientes, pueden calcular la vida útil restante (RUL) de cada activo —técnica conocida como prognósticos.

La mayoría de sistemas PdM trabajan con datos limitados de planta, disparando alarma al superar un umbral predefinido. Pueden alertar cuando algo se calienta o vibra, pero es improbable que tengan información para diagnóstico detallado.

En otras palabras, el sistema puede «aconsejar» alzando la alarma, pero solo el usuario tiene la experiencia y conocimiento experto para decidir cuándo actuar. Crucialmente, se vuelve mucho más difícil gestionar la situación en entornos donde se monitorizan muchas máquinas a la vez, porque los usuarios se abruman fácilmente. El reto del PdM no es «¿puedes detectar problemas en los datos?» sino «¿puedes detectar lo que interesa a los usuarios?».

¿A quién le importa el usuario?

Creemos importante que al levantar una alerta, el usuario pueda indicar con un botón si esa alerta es útil o no. Con el tiempo, esto enseña al sistema a dirigir la atención del operador hacia las prioridades de mantenimiento más apremiantes. Se hace automáticamente, sin que los operadores necesiten experiencia en analítica de datos.

En otras palabras, el enfoque centrado en el usuario de Senseye guía la atención modelando la respuesta del usuario. Este bucle de retroalimentación entre la solución de Senseye y el usuario hace que el número de alertas disminuya gradualmente hasta alcanzar un nivel estable donde casi todo lo que dirige al usuario a mirar es útil.

Resultados probados de analítica avanzada —para máquinas y mantenedores

La analítica de datos busca patrones en la masa de datos entrantes de planta. Por ejemplo, los algoritmos propietarios, o motores de patrones, detrás de Senseye PdM están diseñados para detectar comportamientos característicos que preceden a posibles averías y disparar alertas usando nuestro Attention Index propietario. Varios tipos de patrón pueden disparar alerta de Attention Index: anomalías son periodos de datos inestables, tendencias son cambios graduales en la línea base, y violaciones superan umbrales o reglas que el usuario puede especificar.

Pero toda esta ingeniosa analítica no significa nada a menos que entregue beneficios reales de negocio para usuarios. Afortunadamente, Senseye PdM tiene un historial sólido cumpliendo promesas de productividad en variedad de industrias. Clientes existentes suelen disfrutar: 50% reducción en downtime, 55% aumento de productividad, 85% aumento en precisión de mantenimiento.

Además, Senseye PdM está respaldado por la garantía ROI Lock® de Senseye: si desplegar Senseye PdM no reduce downtime no planificado como se acordó, los clientes pueden reclamar reembolso de toda su cuota de suscripción.

Si quiere saber más sobre cómo modelamos a los usuarios de mantenimiento además de los activos que vigilan, hemos preparado un white paper detallado sobre cómo Senseye PdM puede ayudar a dirigir sus esfuerzos de mantenimiento donde más impacto tienen. Descargue el white paper detallado abajo o contáctenos para ver una demo y empezar.