Mantenimiento predictivo: cómo el IoT ayuda a reducir los costes de operación y mantenimiento

Mantenimiento en la era digital

Para entender mejor lo que es el mantenimiento predictivo, es útil explicar cuáles son las diferentes tareas de mantenimiento que suelen darse en el mundo industrial. El mantenimiento clásico suele tener dos enfoques:

• Mantenimiento correctivo: tiene como objetivo solucionar las averías e incidencias una vez detectadas. Pueden ser el resultado de una inspección rutinaria o incluso de una emergencia, si provocan un incidente grave no programado. Este tipo de mantenimiento forma parte del mantenimiento tradicional de cualquier industria.
• Mantenimiento preventivo: tiene como objetivo evitar que se produzcan averías o incidentes graves no programados. Es una inversión para evitar tener que incurrir en gastos mayores (los que se producen cuando se produce una avería). Es un mantenimiento intensivo en mano de obra y con un coste de mantenimiento elevado.

El mantenimiento preventivo se basa en diferentes factores para decidir cuándo debe llevarse a cabo. El factor más común y extendido es el tiempo: los trabajos de mantenimiento programado se realizan de forma periódica, en los que se revisan los componentes de los activos o equipos industriales para ver si hay que reparar o sustituir alguno.

Si en lugar de utilizar factores como el tiempo, nos basamos en datos que den información sobre la intensidad de uso, el rendimiento y cómo se está comportando el activo, y en base a esos datos podemos crear modelos para las labores de mantenimiento, podemos empezar a hablar de mantenimiento predictivo.

Del mantenimiento preventivo al predictivo

Para realizar un mantenimiento predictivo, primero tenemos que ser capaces de monitorizar ciertos parámetros y extraer datos. Para captar estos parámetros y ver cómo evolucionan, entran en juego tecnologías como el IoT.

Las tecnologías IoT permiten recoger datos de sensores, actuadores y otros equipos en tiempo real y hacer que esta información esté disponible en cualquier lugar. Los parámetros a monitorizar dependerán mucho del tipo de activo que queramos comprobar y de su función. Pueden ser tales como:

• Ruido: El patrón sonoro, o simplemente el volumen de ruido generado por determinadas partes de una máquina puede dar información sobre un posible desgaste o un fallo previsible.
• Vibración: Los cambios en la vibración de la maquinaria pueden ser una señal de una posible avería o desgaste de un componente.
• Temperatura (a través de sensores o incluso de imágenes termográficas): los puntos de sobrecalentamiento pueden ser un indicador de un posible fallo.
• Presión: los cambios de presión hidráulica en determinados elementos pueden utilizarse para detectar bloqueos o fugas.

Es la evolución de las mediciones de estos parámetros, solos o combinados, la que proporciona la información utilizada para construir modelos de predicción. De hecho, con el paso del tiempo, los modelos se han vuelto más complejos al utilizar más fuentes de datos para realizar sus predicciones. Aquí es también donde entran en juego las tecnologías orientadas a la inteligencia de datos como el aprendizaje automático, la computación de borde y la inteligencia artificial, que automatizan la elaboración de los modelos de predicción y generan las advertencias necesarias.

Implantación del mantenimiento predictivo en O&M

El mantenimiento predictivo busca optimizar las vías de resolución de incidencias y minimizar el tiempo de inactividad no planificado de un activo industrial o una máquina.

Resulta especialmente atractivo en sectores cuyos activos tienen una alta intensidad de uso y cuyo tiempo de inactividad involuntaria o no programada puede tener un impacto muy negativo en la empresa (financiero o de otro tipo).

Un buen ejemplo son los sectores más orientados a la fabricación, como la industria de la automoción, o los sectores críticos, como el ferroviario, el aeroespacial, o los servicios públicos, como la energía o el petróleo y el gas. En este tipo de industrias, los tiempos de inactividad en la cadena de producción tienen un impacto directo en la facturación, por lo que cualquier mejora que ayude a minimizar estas situaciones tiene un alto impacto positivo.

Otro ejemplo es el sector de la distribución de electricidad. Los centros de transformación son puntos de intensa actividad y gran impacto. Transforman la electricidad que llega en alta o media tensión a baja tensión para que los ciudadanos puedan consumirla.

Cuando se produce una avería en un centro de transformación (por ejemplo, debido a una sobrecarga por exceso de demanda o a un problema físico en alguno de los equipos del centro), el impacto para la empresa no es sólo económico, sino que tiene importantes consecuencias para la población, además de generar un importante daño reputacional. Por ello, este es uno de los sectores en los que más se está avanzando en dotar de inteligencia a sus activos y trabajar en diferentes mecanismos de mejora como el mantenimiento predictivo.

Al igual que en el caso anterior, el sector del agua es un sector cuyo rendimiento tiene un impacto directo en la población. Su problemática es similar: cualquier fallo en los equipos que impacte en la cadena de suministro de agua potable a los ciudadanos supone un perjuicio tanto para la empresa como para sus clientes, por lo que es otro de los sectores que más busca la optimización y digitalización de sus procesos, incluyendo el mantenimiento predictivo entre sus prioridades de modernización.

De un retorno de la inversión poco claro a una aplicación de O&M imprescindible

Durante mucho tiempo, el mantenimiento se ha considerado un mal mayor, un coste más que un factor de rentabilidad en las empresas. Sin embargo, con la incorporación de nuevas tecnologías como la IA, las La informática al límite, empresas están viendo que pueden conseguir importantes ventajas competitivas.

La decisión de invertir o no en técnicas de mantenimiento predictivo, lógicamente, suele basarse en el retorno de la inversión que pueden conseguir las empresas. Aunque, como hemos visto, hay sectores que pueden verse afectados desde el punto de vista reputacional y no sólo económico, es este último punto el que más pesa a la hora de decidir la inversión inicial.

En este sentido, IoT Analytics destaca en su informe sobre el mercado del mantenimiento predictivo la evolución del ROI (retorno de la inversión) en los últimos años, y sus previsiones para los próximos. Según este estudio: el 29% de las empresas entrevistadas ya ha invertido en soluciones de inteligencia artificial para el mantenimiento y el 40% de los encuestados afirma que invertirá en soluciones de Mantenimiento Predictivo en los próximos dos años.

Mientras que en 2016 las empresas no tenían muy claro el ROI de la implantación de soluciones IoT para el mantenimiento predictivo, en 2021, más del 80% de las empresas que lo han implantado afirman tener un ROI positivo, y la mitad de ellas también aseguran haber recuperado la inversión en un año.

La previsión para los próximos años, con la mejora en las tecnologías IoT, así como en los modelos de aprendizaje automático e inteligencia artificial, es que el mantenimiento predictivo se convertirá en una herramienta indispensable en cualquier empresa industrial.al.

La plataforma egde Intelligence para el mantenimiento predictivo

La plataforma Cybersecure Industrial Edge de Barbara está orientada a facilitar la implantación de estos modelos de mantenimiento predictivo. No sólo permite la captura de datos de sensores, actuadores y otros elementos industriales de cualquier tipo, sino que facilita la ejecución de algoritmos de edge computing, permitiendo la implementación de modelos predictivos mucho más complejos y la toma de decisiones automatizada.

Si le ha interesado este artículo y está interesado en implantar un proyecto de mantenimiento predictivo , póngase en contacto con nosotros.

‍