Industria 4.0
Casos de éxito
Analytics
Extrae el valor
Eficiencia
Ahorra Costes
Contáctanos

Mantenimiento Predictivo

Analytics para predecir averias

¿Qué es el mantenimiento predictivo?

El concepto mantenimiento predictivo, hace referencia a la planificación y ejecución de procedimientos de mantenimiento para evitar la ocurrencia de un fallo o avería en una máquina. Su utilidad se fundamenta en el hecho que un mantenimiento puntual es menos costoso que una posible avería, la cual además puede tener consecuencias imprevisibles en la cadena de producción. Aunque la idea del mantenimiento predictivo no es novedosa, los avances producidos con respecto a la disponibilidad de los datos, la aplicación de técnicas de Machine Learning y las tecnologías Cloud permiten una nueva aproximación: definir el mantenimiento predictivo a traves de la integración de fuentes de datos diversas y su planificación en base a algoritmos de alta complejidad.

Beneficios

Reducción de los Costes de Reparación

Al planificarse los mantenimientos con antelación, el coste de la reparación se reduce ya que se llevan a cabo sustituciones de piezas en vez de la reparación o reemplazo del equipamiento industrial al completo que conlleva más tiempo. Además, se reducen las costosas reparaciones debidas a un fallo crítico

Incremento del Tiempo Operativo

Es posible tener en cuenta los turnos en los que el equipamiento no está en marcha, o cuando el impacto económico de una parada es menor, para realizar el mantenimiento pertinente. De esta manera se reduce el tiempo de parada del equipamiento, el cual tiene un coste significativo.

Eficiencia en la Asignación de los Recursos Humanos

Se consigue asignar los recursos humanos de forma más flexible reduciendo el tiempo de trabajo efectivo.

Mejoras en la Seguridad

Evitar averías que pueden poner en peligro la seguridad de los trabajadores mejora el entorno laboral.

¿Cómo Funciona?

Para evaluar la condición del equipamiento, el mantenimiento predictivo usa información proveniente de sensores que proporcionan distinta información: temperatura, humedad, vibraciones, sonido ambiental, parámetros de funcionamiento del equipamiento, etc. A partir de toda esta información se implementa un proceso de prognosis.

La prognosis se define como: “la predicción del momento en el que un componente va a dejar de cumplir la función para la que está diseñado”. Y el momento en el que deja de cumplir su función se traduce, la mayor parte de las veces, en el momento en el que el componente falla. La ventana de tiempo hasta ese punto es lo que llamamos el tiempo de vida útil restante o RUL (del inglés Remaining Useful Life). Para que la prognosis sea efectiva, la notificación debe producirse antes que las desviaciones respecto al rendimiento normal se propaguen hasta tener un efecto crítico. La detección temprana permite ejecutar una acción que impida o prevenga el fallo mediante la reparación o el reemplazo de los componentes erróneos o, si los componentes no pueden repararse, de retirar el sistema antes de que el fallo crítico ocurra.

Las tecnologías de prognosis típicamente usan valores medidos o estimados, así como modelos basados en análisis de datos, para predecir la condición de un sistema en un futuro próximo. Cabe señalar que la prognosis es probabilística y que, por lo tanto, incorpora cierto grado de incertidumbre por naturaleza.

Ejemplos

  • La utilización de los datos de los sensores de los motores de un avión puede reducir los tiempos de espera para el mantenimiento. Además, se abre la posibilidad de correlacionar los datos con las medidas tomadas durante el vuelo.

    Lufthansa Systems
  • Un cajero ATM tiene unos 1500 sensores que ofrecen datos sobre su funcionamiento. Mediante Big Data Analytics, es posible predecir la probabilidad de fallos cuando se han expendido n billetes o determinar qué información es más relevante para predecir un fallo.

    Diebold
  • Se implantaron sensores en los módulos de testeo de CPUs y los datos obtenidos fueron filtrados y analizados utilizando Big Data Analytics. A partir de su análisis se consiguió reducir la tasa de CPUs defectuosas y aumentar la productividad en la fabricación.

    Intel