MANTENIMIENTO PREDICTIVO
QUÉ ES EL MANTENIMIENTO PREDICTIVO
El mantenimiento predictivo es un tipo de mantenimiento que relaciona el desgaste o estado de una máquina, con una variable física, que está en pleno auge debido a que los programas de análisis destinados al control y gestión del mantenimiento industrial son limitados, ya que la gran mayoría únicamente realiza el registro e historización de los datos mediante la sensórica disponibles.
Para realizar el posterior tratamiento de dichos valores se deben emplear técnicas de Machine Learning y Deep Learning utilizadas en el campo del Big Data. Este tipo de funcionalidades no se suelen incorporar en los sistemas de gestión de mantenimiento (GMAO) existentes en el mercado, incluyendo simplemente mantenimientos de tipo correctivo y preventivo.
En Nunsys, empleamos las últimas tecnologías de Aprendizaje Automático para mejorar el Mantenimiento Predictivo Industrial. A diferencia de la mayoría de las soluciones GMAO del mercado, nuestra solución incorpora una serie de modelos predictivos que utilizan las últimas tecnologías de aprendizaje automático (Machine Learning).
TÉCNICAS DE MANTENIMIENTO PREDICTIVO
-
Análisis de vibración de equipos rotativos
Es la principal técnica para implantar un plan de mantenimiento predictivo utilizada para diagnosticar y supervisar la maquinaria rotativa.
Análisis de espectro de vibraciones en problemas de desequilibrado y excentricidad, desalineación de ejes y poleas (tecnología láser), resonancia estructural, daños en impulsores y cavitación en bombas, daños en rodamientos y engranajes, ejes doblados, holguras dinámicas y estáticas, daños en estatores y rotores de motores eléctricos y roce mecánico,…
-
Inspección visual
Se basa en la observación del equipo para detectar fallos como pueden ser comprobar desgastes, grietas o fisuras, ruidos.
-
Ultrasonido áereo
La captación de ultrasonidos es una técnica de mantenimiento predictivo orientada a prevenir la detección de fallos a través de una cámara térmica en evacuación del calor de equipos, detección de humedades, aislamiento de entornos, etc.
-
Termografía
La termografía por infrarrojos es una técnica fundamental en mantenimiento eléctrico que se caracteriza por su capacidad de detección de puntos calientes. Y es que, las cámaras termográficas son herramientas que permiten visualizar y analizar los problemas como con ninguna otra tecnología, así como inspeccionar equipos con premura y realizar medidas precisas de temperatura a una distancia de seguridad.
-
Análisis de lubricantes
Este tipo de solución de mantenimiento predictivo se utiliza para comprobar desgastes de las máquinas y sus componentes, ya que nos permite maximizar el ciclo de vida útil de dicha maquinaria, ahorrando costes al cambiar los lubricantes en el momento exacto a su degradación (cuando tiene elementos contaminantes, sus propiedades ya no son correctas,…)
-
Medición de temperatura
El control de temperatura impacta directamente en el proceso, teniendo alarmas que avisan del exceso o defecto de temperatura, siempre y cuando afecte directamente al correcto funcionamiento de la máquina.
-
Medida de Presión
A través de esta técnica predictiva se comprueban presiones para detectar posibles fallos en hidráulica por fugas, obstrucción de filtros, fallo en cierres,…
-
Inspección radiográfica
Esta técnica de mantenimiento predictivo utiliza radiografías para detectar defectos internos, Se suele utilizar en uniones de peizas, realizados con soldaduras, para comprobar que estas soldaduras no tengan grietas, burbujas o impurezas.
-
Partículas magnéticas
Esta técnica predictiva permite detectar fisuras. Se realiza magnetizando el material a analizar a través de un campo magnético.
-
Impulsos de choque
La medida de los impulsos de choque se realizan para controlar el estado de los rodamientos. Esta técnica consiste en medir la velocidad de choque entre los elementos rodantes y las pistas de rodadura.
-
Líquidos penetrantes
Es una inspección no destructiva que se utiliza para encontrar fisuras, que a su vez, se visualizan por medio de tintes y líquidos reveladores.
LA VENTAJA COMPETITIVA DEL SERVICIO DE MANTENIMIENTO PREDICTIVO DE NUNSYS
- ESTRATEGIA. Definimos la estrategia de mantenimiento predictivo adecuada al negocio y calculamos el ROI del proyecto.
- ANÁLISIS. Analizamos la situación actual, comprobando si se dispone de todos los datos necesarios para abordar el proyecto y si existe ya algún patrón identificado de comportamiento.
- METAS. Determinamos las metas de mantenimiento predictivo, como los componentes que fallarán próximamente o la vida útil. Para llevar a cabo un correcto mantenimiento predictivo es necesaria la comprensión, selección, integración, limpieza y construcción de los datos disponibles.
- LANZAMIENTO. Ejecutamos y validamos, mediante la creación de los modelos predictivos adaptados a los objetivos de negocio.
NUNSYS, tu socio tecnológico,
en el despliegue de Mantenimiento Predictivo
El equipo de ingenieros del Departamento Industria de NUNSYS, se pone a tu disposición como facilitadores de sistemas, soluciones y servicios en el ámbito industrial.
Disponemos de un equipo formado por ingenieros electrónicos, informáticos y telecomunicaciones con amplia experiencia en el sector.
Nuestro conocimiento del proceso integral de implantación de soluciones industriales en diversos entornos productivos (desde el establecimiento de especificaciones y requerimientos, pasando por el diseño, el desarrollo y la integración software y hardware, hasta la validación en planta) son una garantía para alcanzar el objetivo último en cualquier intervención industrial: mejorar el rendimiento de una forma objetiva y medible.
BENEFICIOS DEL MANTENIMIENTO PREDICTIVO
Algunos de los objetivos relevantes de este tipo de mantenimiento son:
- Detectar anomalías en el rendimiento o la funcionalidad del sistema o los equipos.
- Predecir si un recurso puede presentar un error en un futuro próximo.
- Calcular la vida útil restante de un recurso.
- Identificar las principales causas del error de un recurso.
- Identificar qué acciones de mantenimiento se deben llevar a cabo en un recurso y en qué plazo.
Las declaraciones de propósito típicas que describen la misión del mantenimiento predictivo son:
- Reducir el riesgo operativo del equipo crítico.
- Aumentar la tasa de rentabilidad en los recursos mediante la previsión de los errores antes de que se produzcan.
- Controlar el costo de mantenimiento mediante la habilitación de operaciones de mantenimiento Just-In-Time.
- Disminuir el desgaste de los clientes, mejorar la imagen de la marca y la pérdida de ventas.
- Disminuir los costos de inventario mediante la reducción de los niveles de este último gracias a la previsión del punto en el que se debe hacer un nuevo pedido.
- Detectar patrones asociados a diversos problemas de mantenimiento.
- Proporcionar KPI (indicadores clave de rendimiento) como puntuaciones del estado para las condiciones de los recursos.
- Calcular la vida útil que le queda a los recursos.
- Recomendar actividades de mantenimiento oportunas.
- Habilitar el inventario Just-In-Time mediante el cálculo de las fechas de pedido para el reemplazo de las piezas.
Si se desea aplicar mantenimiento predictivo en instalaciones industriales cabe responder a ciertas consideraciones relativas a los puntos anteriores:
- Objetivos de negocio: ¿qué es lo que ha llevado a plantear este problema? ¿Qué objetivos se pretenden conseguir? ¿Cómo podemos medir el éxito del proyecto? Un objetivo de negocio en este caso puede ser saber qué componentes van a fallar en los próximos N días. El éxito del proyecto podría ser reducir los fallos en las piezas un X% (ya que sabiendo este dato con antelación podemos cambiar la pieza antes de que falle).
- Análisis de la situación actual: ¿se dispone de todos los datos necesarios para abordar el proyecto? ¿Qué datos se guardan sobre cada componente? ¿Con qué frecuencia se actualizan dichos datos? ¿Existe ya algún patrón identificado de comportamiento por el que se sepa que el componente falla?
- Determinar las metas del análisis de datos: la tarea consiste en traducir los objetivos de negocio en metas del análisis de datos. Por ejemplo, en el caso de querer saber qué componentes van a fallar en los próximos N días, una primera meta podría ser determinar qué características de los sensores hacen que el componente falle, con la meta posterior de determinar el tiempo que tarda en fallar el componente una vez se producen dichas condiciones. Dando un paso más se podría establecer la meta de saber qué acciones y en qué momento se aplican de cara a reducir los tiempos en los que la máquina está parada.
LA VENTAJA COMPETITIVA DEL SERVICIO DE MANTENIMIENTO PREDICTIVO DE NUNSYS
- ESTRATEGIA. Definimos la estrategia de mantenimiento predictivo adecuada al negocio y calculamos el ROI del proyecto.
- ANÁLISIS. Analizamos la situación actual, comprobando si se dispone de todos los datos necesarios para abordar el proyecto y si existe ya algún patrón identificado de comportamiento.
- METAS. Determinamos las metas de mantenimiento predictivo, como los componentes que fallarán próximamente o la vida útil. Para llevar a cabo un correcto mantenimiento predictivo es necesaria la comprensión, selección, integración, limpieza y construcción de los datos disponibles.
- LANZAMIENTO. Ejecutamos y validamos, mediante la creación de los modelos predictivos adaptados a los objetivos de negocio.
CASOS DE ÉXITO MANTENIMIENTO PREDICTIVO
Industria del plástico
Termografía, con la finalidad de lograr detectar todas las irregularidades que podrían resultar en un paro de actividades en la producción de una empresa del sector del plástico.
Sector automoción
Soluciones de mantenimiento predictivo orientada a medida de vibraciones, detección de fugas, análisis de aceites,…
SOLICITAR DEMO
SOLICITAR DEMO
FASES DE UN PROYECTO DE MANTENIMIENTO PREDICTIVO
Los proyectos de Mantenimiento Predictivo, salvo contadas excepciones, se estructuran en cuatro fases. Con objeto de que el cliente conozca cuando se empieza a materializar la entrega de valor, diremos que normalmente con la ayuda de nuestra Plataforma MLPredictive y el apoyo del personal de mantenimiento de la empresa, podemos comenzar a predecir anomalías en aproximadamente seis meses después de su puesta en marcha. Las fases son las siguientes:
– Mantenimiento Basado en Condición
La Monitorización Basada en Condición es la primera fase a abordar dentro de un proyecto de Mantenimiento Predictivo ya que inicialmente debemos determinar el estado de salud de las máquinas monitorizadas durante su funcionamiento.
Los objetivos principales de la Monitorización Basada en Condición son minimizar los tiempos de inactividad instaurando un sistema de detección temprana de errores, reducir las prácticas de mantenimiento innecesarias y optimizar los procesos productivos.
Estos objetivos se consiguen monitorizando la salud de los activos de manera continuada mediante la instalación de unos sensores en los componentes mas sensibles o críticos de dichos activos.
La forma más común de realizar esta monitorización es observar cada medición e imponerle un límite de valor mínimo y máximo, es decir, un umbral de trabajo óptimo.
Para poder establecer una monitorización basada en condición es necesario conocer el funcionamiento de la máquina, saber interpretar dicho funcionamiento y alertar del mal funcionamiento.
Todo proyecto de mantenimiento basado en condición debe contemplar las siguientes fases:
- Análisis de Maquinaria
En esta fase se realiza un estudio pormenorizado de los distintos elementos que conforman el conjunto de la máquina: motor, rodamientos, partes móviles, elementos de transmisión. Es a partir de este estudio cuando se determinan los umbrales de trabajo óptimo necesarios para realizar la Monitorización basada en Condición.
Las tareas a realizar en este bloque consistirán en:
– Recopilar información de componentes.
– Caracterización de máquinas.
– Identificación de potenciales fallos según análisis.
– Toma inicial de medidas in situ para valorar el estado real de los activos.
– Reconfiguración de equipos de adquisición según los resultados del análisis.
– Configuración de los niveles iniciales de alarma con los nuevos valores.
– Entrega de informe y documentación.
- Sensorización de Equipos
Una vez adquirido el conocimiento del comportamiento de la maquinaria, se seleccionan los sensores idóneos y su ubicación adecuada para la monitorización. Esta fase es quizás la más importante de todo el proyecto ya que la instalación de un sensor en una ubicación inadecuada puede producir un diagnóstico erróneo o incluso una falta de diagnóstico.
- Monitorización
No sirve de nada analizar el comportamiento de la maquinaria y su sensorización si no somos capaces de visualizar la información adquirida de forma clara y concisa (comprender lo que pasa de un vistazo) y si no somos notificados de los posibles problemas detectados.
Para ello, usaremos como punto de partida nuestra Plataforma de Mantenimiento Predictivo, MLPredictive. En ella se darán de alta usuarios, sinópticos de las máquinas, parámetros a monitorizar, se establecerán relaciones entre variables, pantallas, umbrales de comportamiento óptimo, alarmas, modo de notificación de incidencias,etc.
Visualización de la información de forma clara y concisa. La información es poder, pero de nada sirve tener información si no somos capaces de visualizarla de una forma clara y concisa. Es por ello, que MLPredictive incorpora un dashboard que le ayudará en la toma de decisiones gracias a que la información fluye de un modo fácil e intuitivo.
-Detección de Anomalías
En la monitorización basada en condición establecíamos unos umbrales de comportamiento óptimo que nos determinaban las magnitudes normales de operación de una máquina.
Dados estos umbrales y con el sistema de captura de datos instalados, a través de MLPredictive recibiremos notificaciones de comportamientos anómalos que nos sirven para determinar si la maquinaria tiene algún tipo de avería en un momento puntual.
Aunque la monitorización Basada en Condición es una técnica imprescindible y necesaria para la detección temprana de averías, no está exenta de problemas. De hecho, uno de los principales problemas de la monitorización basado en condiciones es el elevado número de falsas alarmas producidas en el sistema por comportamientos puntuales fuera de los umbrales de trabajo establecidos que implican actuaciones de mantenimiento innecesarias, con el desperdicio de tiempo y esfuerzo , y a la postre una pérdida de confianza en el sistema.
En este punto es donde se analizan exhaustivamente los datos acumulados mediante la sensorización y se cruzan con los datos históricos y el refuerzo de información que proporciona el personal de mantenimiento, para definir qué es exactamente una anomalía para cada máquina monitorizada y de qué tipo.
Mediante las actuaciones anteriores conseguimos acotar algo el problema,pero si queremos erradicarlo, necesitamos dar un paso más y utilizar la inteligencia artificial para cribar esos falsos positivos utilizando técnicas de inteligencia artificial y machine learning.
Por lo tanto, el siguiente paso para implantar un solución de mantenimiento predictivo basado en inteligencia artificial es la detección de comportamientos anómalos basados en machine learning.
La Detección de Anomalías es una técnica utilizada para identificar patrones inusuales que no se ajustan al comportamiento esperado, llamados valores atípicos. Tiene muchas aplicaciones en el mundo real, desde detección de fraude en transacciones con tarjeta de crédito hasta detección de averías en entornos industriales.
En esta fase, con los datos adquiridos por MLPredictive durante la fase de monitorización, se crean unos modelos de Machine Learning que son capaces de detectar patrones de comportamiento anómalos o diferentes al habitual, aunque dichos comportamientos estén dentro de los umbrales óptimos de comportamiento para:
– Identificar un comportamiento anómalo con respecto a la evolución en el tiempo de un parámetro. Por ejemplo, en la vibración de una máquina dada la tendencia al alza de las vibraciones durante la última hora (aunque realmente la vibración este dentro de los valores normales de operación).
– Identificar un comportamiento anómalo entre las relaciones de parámetros. Por ejemplo, el comportamiento normal de las vibraciones horizontal y vertical en una máquina mantiene una relación de 1:2, es decir, la vibración vertical normalmente es el doble que la horizontal. Dada una vibración vertical que supere dicha relación el sistema notifica de un comportamiento anómalo
– Identificar patrones de comportamiento estacional
- Mantenimiento Predictivo
MLpredictive es una solución de mantenimiento indispensable para establecer y optimizar una estrategia de mantenimiento predictivo. A diferencia de otras soluciones del mercado, que se basan en técnicas estadísticas tradicionales como análisis de vibraciones y/o lubricantes para determinar averías, MLpredictive incorpora las últimas tecnologías de inteligencia artificial como (Machine Learning y Deep Learning ) para crear modelos predictivos que le permiten detectar anomalías y predecir averías futuras en tiempo real.
Una de las características más importantes de estos modelos predictivos es su capacidad de personalización. Podemos crear modelos predictivos personalizados por máquina, por turno o incluso por producto ya que estos modelos se basan tanto en los datos históricos como en los datos captados en tiempo real por los sensores de las máquinas en cuestión.
Otra característica fundamental de nuestra solución es la capacidad intrínseca de autoaprendizaje y retroalimentación de estos modelos predictivos, que le permite amoldarse ante cambios. MLpredictive es una solución personalizable que optimiza la producción y minimiza los tiempos de parada de la línea.
La solución que planteamos consiste en la creación de los siguientes modelos predictivos:
– Detección de comportamientos anómalos en componentes.
– Predicción de averías por componentes con una antelación de 1 a 7 días.
– Predicción de la causa de avería más probable por componentes con una antelación de 1 a 7 días.
– Sistema de acciones recomendadas frente a determinadas averías.
Existen dos factores críticos en el desarrollo de estos modelos que son los datos históricos y los datos actuales de las diferentes máquinas. Para poder crear unos modelos predictivos con un alto porcentaje de acierto es necesario analizar las diferentes fuentes de datos como:
– Condiciones de funcionamiento. Temperaturas, voltajes, número de ciclos, …
– Histórico de averías
– Histórico de reparaciones y mantenimiento
– Datos estáticos de los componentes Marca, modelo, antigüedad, …
Una vez analizados estos datos se contrastan con los datos actuales para establecer comportamientos anómalos y predecir futuras averías.
-
Evaluación de resultados
Esta Fase se lleva a cabo utilizando las siguientes técnicas:
– Integración de la información de las tareas de mantenimiento preventivo con las predicciones de averías. Esta técnica nos permitirá adecuar las tareas de mantenimiento preventivo con las necesidades reales de los componentes actuando sobre aquellos que necesitan atención. MLPredictive alertará sobre posibles tareas de mantenimiento preventivo y acciones no planificadas sobre componentes que tienen una alta probabilidad de fallo en los próximos días.
Recomendaciones de actuaciones frente a averías gracias al tratamiento y scoring de la información no estructurada. La información no estructurada procedente del historial de mantenimiento de una máquina o componente contiene detalles sobre los componentes reemplazados, las actividades de reparación realizadas, etc. A través de esta información MLPredictive es capaz de detectar patrones de degradación vitales para realizar una predicción de averías eficaz.
MLpredictive incluye un modelo predictivo de recomendaciones basado en dichas tareas. Esta información no estructurada es clasificada y puntuada “scoring” de tal modo que, frente a un determinado tipo de avería, determina la mejor acción a realizar.
Seguimiento de las predicciones para asegurar la consecución de los objetivos, garantizar la mejora continua y autoaprendizaje de los modelos. Para validar que un modelo predictivo está ajustado a la realidad es necesario realizar un seguimiento exhaustivo de las predicciones y retroalimentar el modelo con nuevos datos para autoaprendizaje.
MLPredictive incorpora un sistema de gestión de las predicciones que le permitirá realizar su seguimiento de tal forma que pueda marcar una predicción como correcta o como un falso positivo. Estos valores nos servirán para calibrar el modelo y medir su veracidad.
ALGUNOS CLIENTES
ALGUNOS PARTNERS
ÁREA
Industria / Gestión de la producción.
PRODUCTOS RELACIONADOS
SECTORES QUE APLICA
Automoción y Aeroespacial
Química y Farmacéutica
Equipos Eléctricos y Electrónicos
Alimentación y Bebidas
Muebles y Productos de Madera
Vidrio, Cerámica y Materiales Básicos
Metales y Productos Metálicos
Papel y Embalaje
Transporte y Logística