Mantenimiento predictivo: cómo el IoT ayuda a reducir los costes de O&M

El mantenimiento en la era digital

Para comprender mejor qué es el mantenimiento predictivo, es útil explicar qué diferentes tareas de mantenimiento suelen ocurrir en el mundo industrial. El mantenimiento clásico suele tener dos enfoques:

• Mantenimiento correctivo: está destinado a solucionar averías e incidentes una vez que se han detectado. Pueden ser el resultado de una inspección rutinaria o incluso de una emergencia, si causan un incidente grave no programado. Este tipo de mantenimiento forma parte del mantenimiento tradicional que forma parte 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 un fallo). Es un mantenimiento intensivo en mano de obra con un alto coste de mantenimiento.

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 programados se llevan a cabo de forma regular, en los que se comprueban los componentes de los activos o equipos industriales para ver si es necesario repararlos o sustituirlos.

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

Del mantenimiento preventivo al predictivo

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

Las tecnologías IoT hacen posible la recopilación de datos de sensores, actuadores y otros equipos en tiempo real y poner esta información a disposición en cualquier lugar. Los parámetros a supervisar dependerán mucho del tipo de activo que queramos comprobar y de su función. Pueden ser tales como:

• Ruido: El patrón de sonido, o simplemente el volumen de ruido generado por ciertas partes de una máquina, puede dar información sobre el posible desgaste o 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 imágenes termográficas): los puntos de sobrecalentamiento pueden ser un indicador de una posible falla.
• Presión: Los cambios de presión hidráulica en ciertos elementos se pueden utilizar para detectar bloqueos o fugas.

Es la evolución de las mediciones de estos parámetros, solos o en combinación, la que proporciona la información utilizada para construir modelos de predicción. De hecho, con el tiempo, los modelos se han vuelto más complejos a medida que utilizan más fuentes de datos para hacer sus predicciones. Aquí es también donde entran en juego las tecnologías orientadas a la inteligencia de datos, como el aprendizaje automático, el Edge Computing y la inteligencia artificial, que automatizan la producción real de modelos de predicción y generan las advertencias necesarias.

Implementación del mantenimiento predictivo en O&M

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

Es particularmente atractivo en sectores cuyos activos tienen una alta intensidad de uso y cuyas paradas involuntarias o no programadas pueden tener un impacto muy negativo en la empresa (financiera o de otro tipo).

Un buen ejemplo son los sectores más orientados a la fabricación, como la industria automotriz o sectores críticos como los ferrocarriles, la industria aeroespacial o los servicios públicos como la energía o el petróleo y el gas. En este tipo de industrias, el tiempo de inactividad en la cadena de producción tiene 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 eléctrica. Los centros de transformación son puntos de intensa actividad y alto 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 una subestación transformadora (por ejemplo, debido a una sobrecarga por exceso de demanda o a un problema físico en uno de los equipos de la estación), el impacto para la empresa no es solo económico, sino que también tiene importantes consecuencias para la población, y también genera un considerable 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 en trabajar en diferentes mecanismos de mejora como el mantenimiento predictivo.

De forma similar al caso anterior, el sector del agua es un sector cuyo rendimiento tiene un impacto directo en la población. Sus problemas son similares: cualquier fallo en los equipos que afecte a la cadena de suministro de agua potable a los ciudadanos supone un perjuicio tanto para la empresa como para sus clientes, por lo que este 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 ROI 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 los negocios. Sin embargo, con la incorporación de nuevas tecnologías como la IA, el Computing at the Edge, las empresas están viendo que pueden lograr importantes ventajas competitivas.

La decisión de invertir en técnicas de mantenimiento predictivo, lógicamente, suele basarse en el retorno de la inversión que pueden obtener las empresas. Aunque, como hemos visto, hay sectores que pueden verse afectados desde un punto de vista reputacional y no solo 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 años. Según este estudio: el 29% de las empresas entrevistadas ya han 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.

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

La previsión para los próximos años, con la mejora de las tecnologías IoT, así como de 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 Edge Intelligence para el mantenimiento predictivo

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

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

‍