¿Qué es el mantenimiento predictivo?

Recopilando datos de sensores y aplicando herramientas y procesos analíticos avanzados como el machine learning (ML). El mantenimiento predictivo puede identificar, detectar y solucionar los problemas a medida que se producen, así como predecir el posible estado futuro del equipo y reducir así los riesgos. La clave es proporcionar la información correcta en el momento adecuado a las personas adecuadas.

Las estrategias de mantenimiento y la madurez dependen de factores como el costo del activo y su reemplazo, la criticidad del activo, los patrones de uso y el impacto del fallo en la seguridad, el medio ambiente, las operaciones, las finanzas y la imagen pública. El mantenimiento predictivo es una de las tres principales estrategias de mantenimiento que utilizan las empresas. Los otros son el mantenimiento reactivo, que corrige los fallos cuando se producen, y el mantenimiento preventivo, que se basa en un programa de mantenimiento predefinido para identificar fallos.

Como el mantenimiento predictivo es proactivo, mejora el mantenimiento preventivo al proporcionar conocimientos continuos sobre el estado real del equipo. En lugar de depender de la condición esperada del equipo basada en una línea de base histórica. Con el mantenimiento predictivo, el mantenimiento correctivo solo se lleva a cabo cuando es necesario, por lo que evita los costes de mantenimiento innecesarios y el tiempo de inactividad de la máquina.

El mantenimiento predictivo utiliza series temporales históricas y datos de fallos para predecir el estado potencial futuro del equipo y así anticipar los problemas por adelantado. Esto permite a las empresas optimizar la programación del mantenimiento y mejorar la fiabilidad.

El mantenimiento predictivo también difiere del mantenimiento preventivo en la diversidad y la amplitud de los datos en tiempo real que se utilizan en la supervisión del equipo. Varias técnicas de monitorización de las condiciones, como sonido (acústica ultrasónica), temperatura (térmica), lubricación (aceite, fluidos) y análisis de vibraciones, pueden identificar anomalías y proporcionar advertencias anticipadas de posibles problemas. Un aumento de la temperatura en un componente, por ejemplo, podría indicar bloqueos del flujo de aire o desgaste. Las vibraciones inusuales pueden indicar una desalineación de las piezas móviles. Los cambios en el sonido pueden proporcionar advertencias tempranas de defectos que el oído humano no puede detectar.

El mantenimiento predictivo se basa en diversas tecnologías, entre ellas la Internet de las cosas (IoT), el análisis predictivo y la inteligencia artificial (IA). Los sensores conectados recopilan datos de activos como maquinaria y equipos. Esto se recoge en el edge o en la nube en un sistema de gestión de activos empresariales (EAM) o sistema de gestión de mantenimiento computarizado (CMMS) habilitado para IA. La IA y el machine learning se utilizan para analizar los datos en tiempo real y construir una imagen del estado actual del equipo. Después, se activa una alerta si se detecta algún posible defecto y se entrega al equipo de mantenimiento.

Además de proporcionar advertencias de defectos, los avances en algoritmos de machine learning permiten soluciones de mantenimiento predictivo para hacer predicciones sobre el estado futuro del equipo. Se pueden utilizar para impulsar una mayor eficiencia en los flujos de trabajo y procesos relacionados con el mantenimiento, como la programación puntual de las órdenes de trabajo y las cadenas de suministro de mano de obra y piezas. Además, cuantos más datos se recopilen, más conocimientos se generarán y mejores serán las predicciones. Esto da a las empresas la confianza de que el equipo funciona de forma óptima.

Los beneficios de una estrategia de mantenimiento predictivo se centran en anticipar fallos y averías de los equipos, reducir los costes de mantenimiento y explotación optimizando el tiempo y los recursos, y mejorar el rendimiento y la fiabilidad de los equipos. Deloitte informó en 2022 que el mantenimiento predictivo puede reducir entre un 5 y un 15 % el tiempo de inactividad de las instalaciones y aumentar entre un 5 y un 20 % la productividad laboral.¹

Optimizar el rendimiento de los activos y el tiempo de actividad puede reducir los costes. El aviso anticipado de posibles fallos se traduce en menos averías y en una reducción del mantenimiento planificado o del tiempo de inactividad no planificado. Una mayor visibilidad continua del estado mejora la vida útil, la fiabilidad y la durabilidad del equipo. El uso de la IA puede pronosticar con mayor precisión las Operaciones futuras. Este último beneficio es primordial en un mundo en el que el aumento de los precios y los acontecimientos impredecibles, como la pandemia y los desastres naturales relacionados con el clima, pusieron de manifiesto la necesidad de un inventario y mano de obra más predecibles y un menor impacto ambiental de las operaciones.

Se puede aumentar la productividad reduciendo las operaciones de mantenimiento ineficaces. Permitir una respuesta más rápida a los problemas a través de flujos de trabajo inteligentes y automatización, y equipar a los técnicos, científicos de datos y empleados a lo largo de la cadena de valor con mejores datos con los que tomar decisiones. La mejora de las medidas, como el tiempo medio entre errores (MTBF) y el tiempo medio de reparación (MTTR), las condiciones de trabajo más seguras para los empleados y las ganancias y rentabilidad.

Hay barreras para el mantenimiento predictivo, que pueden ser costosas, al menos en un primer momento.

• Infraestructura del sistema: los costes de puesta en marcha asociados a la complejidad de la estrategia son elevados. A menudo implican actualizar e integrar sistemas de monitorización y tecnología obsoletos, así como invertir en herramientas de mantenimiento y gestión de datos, así como en la infraestructura de datos y sistemas.
• Capacitación de la fuerza laboral: capacitar a la fuerza laboral para usar las nuevas herramientas y procesos e interpretar correctamente los datos puede ser costoso y llevar mucho tiempo.
• Requisitos de datos: el pasado es un predictor del rendimiento futuro. Para que el mantenimiento predictivo sea eficaz, la disponibilidad de grandes volúmenes de datos históricos y de fallos (o proxy) de series temporales es vital. La capacidad de analizar correlaciones y análogos de datos con tipos de equipos similares en condiciones físicas también es esencial y también puede ayudar a mejorar la naturaleza predictiva de los análisis.

Evaluar la criticidad y el coste del fallo de los activos individuales también requiere tiempo y dinero. Pero es fundamental para determinar si el mantenimiento predictivo es adecuado: los activos de bajo coste con piezas baratas y fácilmente disponibles pueden beneficiarse con otras estrategias de mantenimiento. Los programas de mantenimiento predictivo son difíciles, pero las ventajas competitivas y financieras de una estrategia bien ejecutada son significativas.

Las tecnologías de mantenimiento predictivo ya se están adoptando en todos los sectores para muchos activos, ya sean puntos de caja, turbinas eólicas, intercambiadores de calor o robots de fabricación. Los sectores intensivos en activos, como la Energía, la Fabricación, las Telecomunicaciones y el Transporte, donde los fallos imprevistos de los equipos podrían tener consecuencias generalizadas, están recurriendo cada vez más a tecnologías avanzadas para mejorar la fiabilidad del equipo y la productividad de la fuerza laboral. Los usos potenciales son muchos y variados:

La mayoría atribuye la invención de la técnica de mantenimiento predictivo a CH Waddington en la Segunda Guerra Mundial. Se dio cuenta de que el mantenimiento preventivo planificado parecía estar causando fallas no planificadas en los bombarderos de aviones.² Esto llevó a la aparición y el desarrollo del mantenimiento basado en condiciones, pero dado que la mayoría de los sistemas empresariales han estado históricamente aislados, la adopción del mantenimiento predictivo ha sido limitada.

Los avances tecnológicos en sensores IoT, recopilación de big data y tecnologías de almacenamiento han seguido y seguirán avanzando a buen ritmo. El crecimiento de los datos y la accesibilidad de la IA/ML están mejorando los modelos de mantenimiento predictivo y promoviendo su adopción. La pandemia también aceleró los esfuerzos de transformación digital, creando entornos empresariales más integrados y apetito por la información basada en conocimientos en tiempo real. Por último, el aumento del coste de los tiempos de inactividad no planificados, que los expertos estiman en torno al 11% de la facturación de las empresas^incluidas en la lista Fortune Global 500 3, también está impulsando la adopción del mantenimiento predictivo en el mercado.

Las siguientes tecnologías son solo algunas de las que contribuyen a la evolución continua y al valor del mantenimiento predictivo:

• La inspección robótica automatizada está haciendo que la monitorización de los equipos en lugares remotos o de acceso peligroso, como en el sector del petróleo y el gas, sea más eficiente y rentable. Los robots actúan como sensores móviles que monitorizan múltiples activos e incorporan datos en sistemas de gestión de mantenimiento computarizados.
• Se están desarrollando tecnologías inmersivas como la realidad aumentada (RA) y la realidad virtual (RV) para simplificar las inspecciones. La RA puede recopilar datos y ambas tecnologías pueden mejorar las inspecciones visuales y la detección temprana de fallos.
• Los gemelos digitales pueden aumentar el mantenimiento predictivo creando una representación virtual de un activo físico, que genera datos de sensores y simula escenarios operativos de fallas y soluciones durante todo el ciclo de vida de un activo sin riesgo para el activo.
• Las soluciones de mantenimiento predictivo habilitadas para IoT se suministran como parte de las soluciones EAM/CMMS y se integran con otras aplicaciones empresariales.
• El mantenimiento predictivo como servicio hará que el mantenimiento predictivo sea más accesible y asequible. Proporcionado por socios, puede ser menos disruptivo que las implementaciones locales, requerir menos inversión y capacitación y generar valor más rápidamente. También se puede adaptar a entornos y equipos individuales.