Mantenimiento: Reactivo - preventivo - anticipatorio
Dependiendo del sector, los tiempos de inactividad imprevistos pueden suponer fácilmente unos costes de varios miles de euros al día. Esto no incluye ninguna indemnización por daños y perjuicios en caso de retraso en la entrega.
El mantenimiento predictivo, clave del éxito
A partir de este enfoque originalmente reactivo, consistente en reparar los daños lo antes posible, se han desarrollado las llamadas estrategias preventivas proactivas, muchas de las cuales siguen siendo válidas hoy en día.
De especial interés en este momento son la fábrica digital en el contexto de la Industria 4.0 y los retos y oportunidades asociados para el mantenimiento. La clave del éxito es el mantenimiento predictivo.
Mientras que en el mantenimiento preventivo los ciclos de mantenimiento de los sistemas se basan en valores medios o en la vida útil prevista, el mantenimiento predictivo se centra en el estado actual del sistema para poder planificar el mantenimiento con mayor precisión.
Además de una mayor vida útil del sistema y una mayor seguridad del mismo, los objetivos son menos accidentes, mayor productividad, mejor planificación de recursos y menores costes.
La digitalización e interconexión de procesos y dispositivos avanza constantemente y a gran velocidad. En 2017 había 27.000 millones de dispositivos conectados en red, y el instituto de estudios de mercado IHS Markit prevé 125.000 millones para 2030. Según los analistas, la transferencia mundial de datos también aumentará en torno al 50% anual en los próximos 15 años.
Los avances tecnológicos mencionados permiten registrar los datos de los sensores en tiempo real. Esto proporciona información sobre el grado actual de desgaste de una máquina y constituye la base de una calidad potencialmente mayor de las decisiones tomadas y de su trazabilidad.
Aprendizaje automático en mantenimiento
Dos de los fundamentos de los sistemas de mantenimiento predictivo son la recopilación y el tratamiento de grandes cantidades de datos. La detección precoz de averías y la predicción temporal de fallos del sistema determinan la planificación del mantenimiento y la optimización de los recursos necesarios.
Para ello es necesario almacenar y analizar grandes cantidades de datos (big data). Tecnologías como el aprendizaje automático son adecuadas para calcular, visualizar y simular la probabilidad de que se produzcan averías. Con la ayuda de estas herramientas, el mantenimiento puede apoyarse en la tecnología de sistemas y basarse en la predicción.
Estos planteamientos son muy prometedores. Sin embargo, en las conversaciones con los clientes, a menudo oímos que actualmente es casi imposible registrar con precisión los volúmenes de datos y mantenerlos actualizados durante largos periodos de tiempo.
En una encuesta realizada a fabricantes alemanes de automóviles, la gestión de datos, incluido el mantenimiento de datos de inventario y la gestión de cambios, se citó como uno de los mayores retos para la implantación de la fábrica digital. Los procesos automatizados de datos maestros (o: mantenimiento automatizado de datos) ofrecen aquí una ayuda valiosa y de valor añadido.
Evitará las entradas manuales propensas a errores y aumentará así la calidad de los datos, también en el sistema SAP y en sus módulos SAP Plant Maintenance y SAP Predictive Maintenance. Esto a su vez se traduce en menos averías, menos trabajo adicional, niveles de existencias optimizados y, por tanto, costes más bajos.
Según IBM, los daños financieros causados por la mala calidad de los datos solo en Estados Unidos en 2016 ascendieron a unos 3,1 billones de dólares estadounidenses.
El mantenimiento 4.0 necesita herramientas específicas
Todo indica que la cantidad de datos que hay que procesar aumentará exponencialmente en los próximos años. Incluso los mejores modelos de simulación y análisis conducirán a afirmaciones incorrectas si no se basan en datos correctos o completos.
El camino hacia el Mantenimiento 4.0 requiere, por tanto, herramientas específicas capaces de manejar los volúmenes de datos. Si el equipo de mantenimiento puede concentrarse en las tareas principales en lugar de en la introducción y corrección de datos, el mantenimiento predictivo es un proyecto realizable.
