Optimización del estado de las máquinas

El mayor reto que hay que superar cuando se avanza hacia la optimización del estado de las máquinas es rechazar la forma en que siempre se han hecho las cosas. Si se realiza una evaluación honesta, los enfoques tradicionales para la gestión de la salud de la máquina probablemente han dado lugar a:

• "Salvar el día" pero sin abordar la causa raíz del fallo del equipo
• Mantenimiento incorrecto
• Trabajar de forma reactiva después de que se haya producido un problema 
• Análisis de datos ajenos a la realidad cotidiana de su planta
• Los operarios desconocen el impacto de sus consignas en la vida útil de los equipos
• El conocimiento institucional que impulsa el mantenimiento, cada vez más peligroso a medida que los gurús del mantenimiento se marchan o se jubilan.
• Prácticas incoherentes de una planta a otra, o incluso entre divisiones de producción de una misma planta.

El fracaso es casi siempre aleatorio

Cualquier factor puede provocar un fallo de los equipos: los productos de sus líneas cambian, el mantenimiento programado se realiza de forma incorrecta o alguien deja caer una herramienta sobre una máquina. En este caso, la degradación de la salud de la máquina no sigue una pendiente recta hacia el fallo. Incluso podría parecer una línea recta, con la misma probabilidad de fallo en todo momento. 

Décadas de investigación demuestran que los modelos de fallo aleatorio son más precisos que los modelos dedesgaste predecible en más del 80% de las ocasiones. Sólo una pequeña minoría de equipos muestra un comportamiento de desgaste predecible.

Centrarse únicamente en la OEE también ignora otros factores operativos críticos.

La supervisión de las vibraciones suele ser el punto de partida y de llegada de la recopilación de datos de PdM, pero es sólo el principio de un enfoque centrado en la optimización de la salud de las máquinas. De alguna manera, hay que medir la salud de las máquinas, y los sensores son la forma ideal de hacerlo.

Cuando la gente habla de monitorización de estado, a menudo sigue pensando en la recogida de datos basada en rutas. Antes pagábamos a personas para que fueran de un lado a otro recogiendo mensualmente datos de sensores de vibración. Gracias a los avances tecnológicos, ahora tiene mucho más sentido equipar las máquinas con sensores inalámbricos de bajo coste que puedan transmitir datos continuamente a una ubicación centralizada.

Un sistema distribuido de supervisión continua del estado de los activos que proporcione cientos de puntos de datos por hora es fundamental para poder detectar las condiciones sistémicas que causan daños. El tipo de datos que proporciona también es una consideración clave. Es una excelente idea supervisar valores individuales como la aceleración máxima, la vibración general y la temperatura, pero las tendencias de valores individuales sólo mostrarán que hay un problema sin proporcionar información sobre cuál podría ser ese problema.

Hay más datos. Los sensores SMARTdiagnostics envían una forma de onda temporal, no un pico ni una media. A continuación, el software muestra esos datos en un espectro de frecuencias. Los distintos tipos de fallos mecánicos se ven completamente diferentes en el espectro de frecuencias, pero se verían casi idénticos en el gráfico general de vibraciones.

A medida que este campo ha ido madurando, ahora se utilizan muchas otras herramientas para caracterizar de forma exhaustiva el estado de las máquinas. No se trata sólo de simples máquinas rotativas, sino de muchos otros tipos de equipos, desde los que funcionan de forma intermitente, como las líneas de transformación de las plantas de envasado, hasta los robots y ascensores del montaje de automóviles.

Algunos fabricantes han improvisado varios sistemas de sensores para intentar comprender mejor el estado general de la máquina, pero el mejor enfoque es el que aprovecha una infraestructura de red común para conectar todos los sensores bajo un mismo paraguas, lo que simplifica enormemente el mantenimiento de los sensores y la red, los gastos generales y la gestión de los datos.

La recopilación de datos mediante la tecnología adecuada es un primer paso importante, pero los sensores y los datos no hacen aflorar por sí solos un plan de acción.

Con el fin de crear un plan de acción para optimizar la salud de la máquina, los datos recogidos de su red de sensores inteligentes deben correlacionarse con los datos sobre las condiciones de la planta y las personas que interactúan con su equipo. De este modo, sabremos qué condiciones provocan daños y qué componentes de la máquina contribuyen a ellos. A continuación, podemos diseñar esas condiciones perjudiciales fuera del proceso. Esto prolonga la vida útil de la máquina, aumenta el tiempo de funcionamiento, reduce los costes y mejora la eficiencia energética.

Este es el punto en el que otros proveedores de soluciones para la salud de las máquinas podrían empezar a hablar de aplicar la inteligencia artificial a los problemas de los activos. La IA es apasionante y está llena de posibilidades, pero al principio resulta mucho más práctico captar los conocimientos de los empleados de la planta y adaptarlos a la lógica y los flujos de trabajo digitales.

Muchos fabricantes piensan que podrían necesitarse semanas, meses o incluso años de monitorización para establecer una línea de base útil. Con la tecnología de sensores de SMARTdiagnostics, podemos recopilar miles de puntos de datos en cuestión de horas y ponernos manos a la obra. Identificar los fallos se convierte en una tarea fácil muy rápidamente, y detectar los fallos equivale a un rápido retorno de la inversión y a una historia de éxito en torno a la que todo el mundo puede unirse.

Cuando se empiezan a colocar sensores en cada pieza de un equipo importante, la avalancha de datos resultante puede resultar abrumadora muy rápidamente. No es raro tener decenas de miles de indicadores en una sola planta. Para que este tipo de sistema sea escalable, el primer paso es la autoalarma, de modo que se pueda notificar a las personas adecuadas cuando algo está fuera de especificaciones.

Cuando llegue a este punto, enhorabuena: ha empezado a utilizar con éxito un sistema IIoT para facilitar los objetivos de un programa de mantenimiento predictivo. El viaje hacia la optimización de la salud de la máquina no termina aquí. Podemos hacer mucho más para ser aún más inteligentes.

La implantación de herramientas de análisis predictivo es el punto en el que los fabricantes con visión de futuro empiezan a dejar atrás la PdM tradicional y a avanzar hacia una verdadera optimización del estado de las máquinas.

Los datos sobre la salud de las máquinas llevan décadas recopilándose y estudiándose, por lo que muchos fenómenos ya se conocen bien. También disponemos de billones de nuestros propios datos sobre decenas de miles de activos para complementar este conocimiento global. Con toda esta información, hemos creado algoritmos que pueden analizar los datos procedentes de una máquina, compararlos con miles de firmas de fallos conocidas y predecir rápidamente qué condiciones de fallo pueden estar presentes en esa máquina.

En esta fase del viaje, uno de los objetivos principales es profundizar en el conocimiento de la salud de sus equipos mediante la comprensión de la física de cada máquina y el análisis de la causa raíz. Por ejemplo, puede aprender cómo el cambio de presión en la entrada de una bomba influye en otras variables como la vibración y la temperatura. El modelado y la optimización en esta fase se centran en encontrar las condiciones de funcionamiento que consuman menos energía y minimicen el desgaste de la máquina y los componentes sin dejar de cumplir los objetivos de producción.

Las etapas finales del proceso de optimización del estado de las máquinas son las que aportarán más valor a sus inversiones y le situarán por delante de sus competidores. Una vez que se han identificado las condiciones perjudiciales y se han encontrado las condiciones de funcionamiento ideales, el siguiente paso es establecer procedimientos operativos normalizados para garantizar que las máquinas funcionen siempre de la mejor manera posible. Esto implica una serie de factores que no son sólo OEE: la salud de la máquina, los costes de energía, los costes de inactividad, la calidad, la mano de obra, y así sucesivamente. La definición de éxito incluye tanto factores mecánicos como empresariales.

Una vez conocidas las condiciones de la planta, podemos utilizar el aprendizaje automático para aplicar métodos computacionales avanzados que determinen la mejor forma de hacer funcionar una máquina. Esto parece una optimización continua sobre la marcha -basada en las condiciones actuales- para maximizar el valor.

El último paso es la automatización, eliminando en la medida de lo posible el elemento humano de los ajustes operativos. Cuando esto se aplica de forma completa y precisa, los algoritmos inteligentes producidos por el proceso de aprendizaje automático pueden controlar directamente su equipo, por ejemplo, ajustando sobre la marcha la velocidad de varias bombas paralelas en un sistema para minimizar el consumo total de energía, maximizar la producción o minimizar los daños en la máquina.