Los fallos en máquinas y equipos podrían costarle grandes sumas de dinero a las empresas, en forma de paradas en la producción y de sobrecostes por intervenciones urgentes: garantizar su buen funcionamiento se convierte en una tarea casi de obligado cumplimiento para reaccionar ante situaciones no previstas. Vamos a analizar en qué consiste el mantenimiento predictivo, con ejemplos, técnicas y herramientas para ilustrar este nuevo enfoque de la anticipación.
Índice de contenidos
Qué es el mantenimiento predictivo
El mantenimiento predictivo consiste en una serie de técnicas y herramientas que, basándose en el análisis de datos, consigue detectar anomalías y posibles errores en el funcionamiento de procesos y equipos.
A través de un análisis pormenorizado de información real procedente del equipamiento y los procedimientos, este sistema de mantenimiento es capaz de detectar tendencias y patrones de funcionamiento: el resultado es un escenario en el que los errores son fácilmente predecibles, porque se están utilizando datos concretos para realizar la predicción.
Como se puede inferir fácilmente, el mantenimiento predictivo se basa en la anticipación y la previsión, pero no ciñéndose a potenciales errores que surjan de elucubraciones o hipótesis a priori, sino valiéndose solo de datos reales, recopilados a tal efecto.
De este modo, la llevanza de un mantenimiento predictivo consigue adelantarse a posibles fallos monitorizando el estado de la maquinaria, sin especulaciones ni teorías, formando parte constituyente del IIoT (Internet Industrial de las Cosas).
Técnicas de mantenimiento predictivo
Algunas técnicas de mantenimiento predictivo utilizadas en la industria de forma generalizada comprenden:
- Análisis y detección de vibraciones, para analizar maquinarias rotativas.
- Termografía infrarroja para inspeccionar aislamientos, purgadores de vapor o fallos del estator de un motor eléctrico.
- Análisis de lubricantes, para detectar deterioros por sustancias contaminantes y partículas de desgaste.
- Descargas parciales en máquinas eléctricas rotativas en ciclo de operación.
- Análisis de ultrasonidos, para verificar parámetros de estanqueidad, funcionamiento de válvulas o detección de fugas de fluidos.
Cada una de ellas tiene varias aplicaciones prácticas, que veremos en los siguientes ejemplos.
Ejemplos de mantenimiento predictivo
El mantenimiento predictivo tiene multitud de aplicaciones en entornos industriales: por ejemplo, para reducir las paradas de la producción por culpa de las piezas defectuosas que entren en la línea de montaje, o para analizar las vibraciones que puedan preceder a posibles desalineaciones, aflojamientos, desequilibrios o desgastes.
Asimismo, es posible identificar si el equipamiento industrial comenzará a funcionar mal a partir de una detección muy temprana de signos, como cambios en la temperatura; también es posible detectar fugas en tanques y tuberías, errores mecánicos en piezas en movimiento y fallos en equipamiento eléctrico.
Incluso las clásicas máquinas de vending son susceptibles de recibir este tipo de mantenimiento, dando un paso más allá de las tradicionales revisiones técnicas periódicas: es posible mejorar el tiempo de vida de estas máquinas y reducir el número de reparaciones a las que estas tendrían que haberse sometido si se hubiese procedido de otro modo.
¿Necesitas gestionar la documentación, partes de trabajo, facturación, garantías y revisiones de tus activos instalados en tus clientes? Lleva tus empresa al siguiente nivel con el software SAT mejor valorado del mercado.
Pasos para realizar el mantenimiento predictivo
1. Monitorización del funcionamiento de la máquina
En esta primera etapa, la parte central consiste en disponer de datos digitalizados del estado de la maquinaria, y que tal lectura se realice automática y permanentemente, es decir, sin la intervención humana.
Es evidente que cada proceso o equipamiento tendrá distintos parámetros relevantes, así como diferentes frecuencias de lectura: no es lo mismo medir, por ejemplo, los parámetros de posición en un proceso de prensado que en uno donde interviene un brazo robótico.
2. Modelización del proceso y mantenimiento dirigido
Cuando ya se tiene el control sobre la lectura de los parámetros relevantes de los equipos y procesos, da comienzo una etapa consistente en generar un modelo basado en datos históricos, donde podrá verse qué trayectorias de comportamiento se han ido siguiendo, y bajo qué circunstancias.
En este punto se diseñan algoritmos que relacionen los parámetros entre sí, de cara a detectar patrones que se repitan o que se den siempre bajo las mismas condiciones del entorno, o frente a la influencia cruzada que tengan entre ellos. A medida que se dispongan de más datos históricos, el aprendizaje del sistema será más completo, y permitirá extraer conclusiones más precisas.
Por consiguiente, en este punto se puede empezar a diseñar un modelo de comportamiento normal del equipamiento, es decir, cómo se supone que debe responder el conjunto bajo condiciones habituales de entorno: una vez que se ha asumido este patrón, será posible priorizar el mantenimiento predictivo sobre aquellas áreas que presenten una mayor desviación sobre la curva normal de funcionamiento (mantenimiento preventivo dirigido).
3. Modelización de escenarios límite
Se entiende por escenarios límite a aquellos entornos operativos bajo cuyas condiciones será más probable que la maquinaria presente fallos y no pueda seguir funcionando: con esta definición, se consigue cerrar el círculo y delimitar los escenarios de operatividad, ya que se cuenta tanto con la «curva normal» como con sus cotas.
Una vez más, cuanta más información se recopile de estos escenarios límite, mayores serán las probabilidades de detectar las situaciones en las que la maquinaria dejará de funcionar; por consiguiente, se podrá trazar un modelo funcional con una mayor precisión.
4. Mantenimiento predictivo
Una vez que se llegue a esta etapa, se tendrá una visión mucho más certera de las labores de mantenimiento que será necesario desplegar en según qué máquinas, ya que habremos sido capaces de afinar la probabilidad con la que un equipo no funcionará, y en qué condiciones dará el fallo.
De este modo, será posible priorizar las actuaciones verdaderamente necesarias o críticas sobre las accesorias o de menor urgencia: este filtrado de intervenciones permite a la empresa mejorar la coordinación entre los departamentos de producción y planificación.
5. Seguimiento continuo
La quinta etapa del mantenimiento predictivo consiste, simplemente, en asumir su carácter cíclico y llevar a cabo un seguimiento para seguir mejorando los sistemas de recopilación de datos y predicción de modelos de comportamiento.
Solo gracias a esta retroalimentación, los sistemas de mantenimiento predictivo consiguen aprender sobre la marcha y ser más precisos a la hora de identificar patrones: las labores de seguimiento requieren, obligatoriamente, la definición de algunos indicadores clave del rendimiento (KPI) del sistema, que otorguen información sensible sobre su nivel de precisión y de acierto probabilístico.
Diferencia con el mantenimiento preventivo
El mantenimiento predictivo, como hemos visto, es un método totalmente proactivo, que parte de una recopilación de datos en tiempo real procedentes de los equipamientos: de este modo, se permite a los responsables técnicos trazar una predicción del comportamiento de la maquinaria, incluyendo, claro está, posibles averías.
Sin embargo, el mantenimiento preventivo consiste en revisar periódicamente los aparatos para que funcionen correctamente, y así evitar los fallos en el equipamiento antes de que sobrevengan posibles incidencias. Se basa en una serie de comprobaciones sugeridas normalmente por el fabricante, y cuya revisión manual cada cierto tiempo (o en cuanto se detecte algún «síntoma» tipificado) garantiza, sobre el papel, su correcto funcionamiento.
El mantenimiento predictivo se postula como una de las soluciones que mejor aprovechan la ciencia de los datos y del Internet de las Cosas para optimizar el trabajo del SAT. Mediante una serie de herramientas y técnicas específicas, es posible modelar escenarios de comportamiento de la maquinaria y predecir posibles errores, lo que permite a la empresa distribuir y coordinar mejor sus recursos de servicio técnico.
