¿Qué es el mantenimiento predictivo?

Al recopilar datos de sensores y aplicar herramientas y procesos analíticos avanzados como el machine learning (ML), el mantenimiento predictivo puede identificar, detectar y abordar los problemas a medida que ocurren, así como predecir el posible estado futuro del equipamiento y, por lo tanto, reducir el riesgo. 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 de los activos y de reemplazo, la criticidad del activo, los patrones de uso y el impacto de la falla 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. Las otras son el mantenimiento reactivo, que corrige las fallas cuando ocurren, y el mantenimiento preventivo, que se basa en un programa de mantenimiento predefinido para identificar fallas.

Debido a que el mantenimiento predictivo es proactivo, mejora el mantenimiento preventivo al proporcionar insights continuos sobre el estado real del equipamiento. En lugar de depender de la condición esperada del equipamiento basada en una línea de base histórica. Con el mantenimiento predictivo, el mantenimiento correctivo solo se lleva a cabo cuando es necesario, con lo que se evita incurrir en costos de mantenimiento innecesarios y tiempos de inactividad del equipamiento.

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 se diferencia del mantenimiento preventivo en la diversidad y amplitud de los datos en tiempo real que se utilizan para supervisar el equipamiento. Diversas técnicas de monitoreo de condiciones como sonido (acústica ultrasónica), temperatura (térmica), lubricación (aceite, fluidos) y análisis de vibraciones pueden identificar anomalías y proporcionar alertas anticipadas de posibles problemas. El aumento de la temperatura en un componente; por ejemplo, podría indicar obstrucciones en el 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 el Internet de las cosas (IoT), los análisis predictivos y la inteligencia artificial (IA). Los sensores conectados recopilan datos de activos como maquinaria y equipamiento. Esto se recopila en el borde o en la nube en un sistema de gestión de activos empresariales (EAM) o sistema de gestión de mantenimiento computarizado (CMMS) habilitado por IA. La IA y el machine learning se utilizan para analizar los datos en tiempo real y obtener una imagen del estado actual del equipamiento. A partir de entonces, se activa una alerta si se identifica algún defecto potencial y se entrega al equipo de mantenimiento.

Además de proporcionar advertencias de defectos, los avances en los algoritmos de aprendizaje automático permiten que las soluciones de mantenimiento predictivo hagan predicciones sobre el estado futuro de los equipos. Estos se pueden utilizar para impulsar una mayor eficiencia en los flujos de trabajo y procesos relacionados con el mantenimiento, como la programación de órdenes de trabajo justo a tiempo y las cadenas de suministro de mano de obra y piezas. Además, cuantos más datos se recopilan, más información se genera y mejores son las predicciones. Esto da a las empresas la confianza de que los equipos funcionan de manera óptima.

Los beneficios de una estrategia de mantenimiento predictivo se centran en anticiparse a las fallas y averías del equipamiento, reducir los costos de mantenimiento y operación optimizando el tiempo y los recursos, y mejorar el rendimiento y la confiabilidad del equipamiento. Deloitte informó en 2022 que el mantenimiento predictivo puede resultar en una reducción del 5-15 % en el tiempo de inactividad de las instalaciones y un aumento del 5-20 % en la productividad laboral.¹

Optimizar el rendimiento de los activos y el tiempo de actividad puede reducir los costos. La advertencia anticipada de posibles fallas da como resultado menos averías, así como un menor mantenimiento planificado o tiempo de inactividad no planificado. Una mayor visibilidad continua de la condición mejora la confiabilidad de por vida y la durabilidad del equipamiento. El uso de IA puede pronosticar con mayor precisión las operaciones futuras. Este último beneficio es primordial en un mundo donde el aumento de los precios y los eventos impredecibles como la pandemia y los desastres naturales relacionados con el clima expusieron la necesidad de un inventario de repuestos y costos laborales más predecibles y un menor impacto ambiental de las operaciones.

La productividad se puede aumentar reduciendo las operaciones de mantenimiento ineficientes. Es necesario 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 de toda la cadena de valor con mejores datos para tomar decisiones. El resultado es una mejora de parámetros como el tiempo medio entre fallas (MTBF) y el tiempo medio de reparación (MTTR), condiciones de trabajo más seguras para los empleados y un aumento de los ingresos y la rentabilidad.

Hay barreras para el mantenimiento predictivo, que pueden ser costosas, al menos en la primera instancia.

• Infraestructura del sistema: los costos de inicio asociados con la complejidad de la estrategia son altos. A menudo implican la actualización e integración de sistemas obsoletos de monitoreo y tecnología, así como la inversión en herramientas de mantenimiento y gestión de datos y 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 volúmenes sustanciales de datos históricos y de fallas (o proxy) de series temporales es vital. La capacidad de observar las correlaciones de datos y las analogías con tipos de equipos similares en condiciones físicas de operación también es esencial y también puede ayudar a mejorar la naturaleza predictiva de la analítica.

Evaluar la criticidad y el costo de la falla de activos individuales también requiere tiempo y dinero. Pero es fundamental para determinar si el mantenimiento predictivo es apropiado: los activos de bajo costo con piezas baratas fácilmente disponibles pueden ser mejor atendidos 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 todas las industrias para muchos activos, ya sean puntos de efectivo, turbinas eólicas, intercambiadores de calor o robots de fabricación. Las industrias intensivas en activos, como la energía, la manufactura, las telecomunicaciones y el transporte, donde las fallas imprevistas del equipamiento podrían tener consecuencias generalizadas, están recurriendo cada vez más a tecnologías avanzadas para mejorar la confiabilidad del equipamiento 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 aviones bombarderos.² Esto llevó a la aparición y el desarrollo del mantenimiento basado en condiciones, pero desde que la mayoría de los sistemas de negocio históricamente se han aislado, 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 de negocio más integrados y apetito por insights en tiempo real basados en inteligencia. Finalmente, el alto costo del tiempo de inactividad no planificado, que los expertos estiman es alrededor del 11 % de la rotación en las empresas Fortune Global 500³, también está impulsando la adopción del mantenimiento predictivo dentro del mercado.

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

• La inspección robótica automatizada está haciendo que el monitoreo del equipamiento en ubicaciones remotas o peligrosas como en la industria del petróleo y gas sea más eficiente y rentable. Los robots actúan como sensores itinerantes que monitorean múltiples activos e introducen datos en los sistemas computarizados de gestión del mantenimiento.
• Se están desarrollando tecnologías inmersivas como la realidad aumentada (AR) y la realidad virtual (VR) para simplificar las inspecciones. AR puede recopilar datos y ambas tecnologías pueden mejorar las inspecciones visuales y la detección temprana de fallas.
• Los gemelos digitales pueden aumentar el mantenimiento predictivo creando una representación virtual de un activo físico, que genera datos de sensores y simula escenarios de fallas operativas y soluciones a lo largo del 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 están integradas con otras aplicaciones empresariales.
• La mantenimiento predictivo como servicio hará que el mantenimiento predictivo sea más accesible y asequible. La implantación a través de socios puede ser menos disruptiva que en las instalaciones locales, requerir menos inversión y formación y ofrecer una rentabilidad más rápida. También se puede adaptar a entornos y equipos individuales.