Reduzca costes evitando sobre-mantenimiento: un enfoque predictivo

Reducir downtime puede estar en la cima de su lista de deseos al optar por un régimen de Mantenimiento Predictivo, pero hay otras grandes recompensas. No pase por alto el beneficio potencial de eliminar el sobre-mantenimiento.

El sobre-mantenimiento está integrado en todo programa de mantenimiento planificado que se basa en realizar trabajos a intervalos regulares y predeterminados. Porque todos, desde OEMs a gestores de mantenimiento, construyen un margen de seguridad en los intervalos «para estar seguros».

El alto coste de la precaución

Tome las directrices para reemplazar un rodamiento engrasado de por vida como ejemplo. Los intervalos de reemplazo recomendados pueden estar entre 16.000 y 40.000 horas de operación. Cada cambio de rodamiento toma entre 30 minutos y 2 horas. Las horas-hombre gastadas en reemplazar rodamientos serán 2,5 veces mayores con intervalo de 16.000 horas comparado con 40.000. Hay miles de rodamientos en un sitio industrial típico, así que es un coste adicional masivo.

El Mantenimiento Predictivo puede eliminar virtualmente este gasto excesivo permitiendo a equipos hacer mantenimiento justo a tiempo para prevenir avería, en lugar de a intervalos fijos. Al mismo tiempo, reduce drásticamente downtime y promete ganancias significativas de productividad.

Sin embargo, el Mantenimiento Predictivo solo es posible con apoyo de monitorización de condición efectiva, que pueda predecir fiablemente cuándo va a fallar cada componente. La monitorización de condición se basa a su vez en tomar datos en tiempo real de maquinaria y usarlos para construir una imagen de la condición evolutiva del equipo.

Tecnologías que cambian el juego

La monitorización de condición se ha vuelto una proposición asequible y práctica por primera vez en muchas industrias, gracias a la llegada de técnicas y tecnologías asociadas a Industry 4.0. Por ejemplo, la comunicación wireless hace más barato y menos disruptivo instalar una red de sensores de bajo coste para alimentar los datos de máquina necesarios a sistemas de monitorización de condición. Mientras, el software cloud-based entrega escalabilidad sin precedentes y permite a operadores de proceso u OEMs monitorizar instalaciones en tiempo real.

Mejor aún, una nueva generación de soluciones de inteligencia artificial y machine learning permite a sistemas de monitorización de condición automatizar el análisis de datos, proporcionando insights accionables sin necesidad de analistas expertos que examinen cada dato. ¿Por qué pagar consultores para intentar pronosticar fallo de máquina cuando ahora puede hacerse automáticamente, en la nube y sin intervención manual?

Dirija el mantenimiento más eficazmente

Senseye PdM está a la vanguardia del uso de machine learning avanzado para monitorización de condición. Sus algoritmos propietarios únicos pueden convertir datos en un pronóstico preciso de la vida útil restante (RUL) de activos manufactureros —técnica conocida como prognósticos.

Senseye PdM se conecta a fuentes de datos existentes mientras la operación normal de la máquina continúa. En 14 días opera en segundo plano para analizar comportamiento normal de la máquina así como datos históricos si están disponibles. Entonces está listo para dar los insights necesarios para empezar a construir un programa de Mantenimiento Predictivo escalable.

Esto significa en la práctica que Senseye PdM puede decirle cómo rinde cada activo en su sitio en cualquier momento, recopilando y analizando datos de máquina automáticamente. Los algoritmos de la solución pueden generar actualizaciones para activos individuales y resaltar exactamente dónde deben enfocar sus esfuerzos los equipos de mantenimiento a corto plazo, así como ayudar a optimizar planes para mantenimiento futuro.

Implementaciones típicas reducen downtime a la mitad, entregan 55% aumento de productividad y aumentan precisión de mantenimiento 85%.

Es esta última cifra la que se relaciona más estrechamente con reducción de sobre-mantenimiento, uno de los beneficios clave que juntos permiten al Mantenimiento Predictivo ahorrar entre 8 y 12% de costes de mantenimiento comparado con mantenimiento planificado¹. Y, con empresas industriales típicas gastando entre 15 y 40% de su presupuesto continuo en mantenimiento, eso es un ahorro enorme².

¿Quiere saber más sobre cómo Senseye PdM puede ayudar a optimizar gasto en mantenimiento e impulsar productividad? Consulte nuestro white paper «Eliminate Overspending On Maintenance» o reserve una demo de Senseye PdM hoy.

1. U.S. Department of Energy
2. Lofsten, 2000