MANTENIMIENTO PREDICTIVO

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.