El mantenimiento predictivo es una política de mantenimiento de equipos que consiste en monitorear los activos físicos de una organización para detectar problemas potenciales en el futuro y realizar acciones correctivas antes de que los componentes funcionen mal o fallen. Los tipos de activos que se suelen monitorear incluyen equipos grandes y valiosos, como instrumentación y máquinas de campo, y componentes de equipos pequeños pero esenciales, como válvulas y correas de ventiladores.
Un sistema de mantenimiento predictivo es la aplicación práctica de una política de mantenimiento predictivo. Un sistema de mantenimiento predictivo consta de sensores conectados al hardware de campo, los medios para integrarse con los sistemas de control industrial para recopilar datos de los sensores y realizar acciones correctivas, y software de análisis predictivo para analizar los datos y hacer predicciones sobre posibles fallos futuros de los equipos. Un elemento central de un sistema de mantenimiento predictivo es un centro de control a través del cual se programan las tareas de los equipos de mantenimiento.
Antes de implantar una política de mantenimiento predictivo, las organizaciones deben diseñar un programa de mantenimiento predictivo (plan de acción). Un programa de mantenimiento predictivo describe los activos que serán objeto de mantenimiento e identifica los posibles puntos de fallo, denominados modos de fallo, en diferentes condiciones de funcionamiento.
Los modos de fallo son las formas específicas en que los componentes pueden fallar. Ejemplos de modos de fallo son el error humano, la corrosión, la erosión, el desgaste y la fatiga del metal. Los modos de fallo pueden provocar averías como correas de ventilador desalineadas, fallos en las juntas de las bombas, defectos de lubricación y depósitos de combustible vacíos. Los componentes pueden tener varios modos de fallo potenciales.
El modelo de mantenimiento predictivo para el mantenimiento de activos evolucionó en respuesta a las limitaciones y desventajas de los modelos de mantenimiento preventivo y reactivo. Por ejemplo, el mantenimiento preventivo requiere mucha mano de obra y puede dar lugar a un mantenimiento excesivo, y el mantenimiento reactivo requiere mucho tiempo y puede provocar paradas esporádicas.
La estrategia de mantenimiento de activos de una organización suele combinar diferentes tipos de enfoques de mantenimiento de activos para abordar diferentes tipos de problemas. Por ejemplo, los programas de mantenimiento reactivo ofrecen soluciones para fallos inesperados de los equipos. Por otro lado, el objetivo de un sistema de mantenimiento predictivo es predecir cuándo podría producirse un mal funcionamiento del equipo y prevenir los fallos mediante tareas de mantenimiento correctivo programadas.
Las limitaciones del modelo tradicional de mantenimiento predictivo para el mantenimiento de activos ha dado lugar a que más organizaciones adopten un enfoque híbrido, que combina el monitoreo de la condición, el mantenimiento predictivo basado en IoT y las técnicas de mantenimiento prescriptivo.
El mantenimiento predictivo tiene como objetivo realizar un mantenimiento correctivo antes de que el equipo falle, mientras que el mantenimiento de averías se realiza después de que el equipo falle.
Ejemplos de mantenimiento de averías incluyen el mantenimiento reactivo o correctivo, el mantenimiento de ejecución hasta el fallo (RTF) y el tiempo de inactividad no planificado.
Cuando un activo ha fallado inesperadamente, la información sobre la causa, la gravedad y la probabilidad de que el fallo se produzca en el futuro proporciona datos para los algoritmos de análisis predictivo que predicen la probabilidad de futuros fallos de los equipos.
El coste inicial de la implantación de programas de mantenimiento de averías es bajo, pero el coste de reparación de los activos en programas de mantenimiento de averías es alto, ya que puede ser necesario sustituir piezas en lugar de repararlas y puede que no estén fácilmente disponibles, lo que puede dar lugar a largos periodos de inactividad no planificados. El mantenimiento de averías es una especie de "plan B".
Al igual que el mantenimiento predictivo, el mantenimiento preventivo o basado en el tiempo reduce la incidencia y el impacto de las averías de los equipos.
El mantenimiento predictivo consiste en realizar tareas de mantenimiento en función del estado de los componentes.
El mantenimiento preventivo consiste en programar tareas de mantenimiento periódicas que pueden ser innecesarias, como la sustitución de una pieza en función de la vida útil estimada por el fabricante. El mantenimiento preventivo es importante en sistemas de misión crítica y de seguridad.
Los términos mantenimiento basado en la condición (CBM) y mantenimiento predictivo se utilizan a veces indistintamente, pero son ligeramente diferentes.
Ambos tipos implican el monitoreo regular de los datos de los sensores para identificar un posible fallo o problema en un componente.
Las técnicas de mantenimiento predictivo utilizan fórmulas que combinan datos de sensores en tiempo real y datos históricos para hacer predicciones sobre las futuras necesidades de mantenimiento. Por ejemplo, los algoritmos analíticos predictivos podrían estimar cuánto tiempo pasará antes de que un tanque necesite repostar y programar una tarea para que los equipos de mantenimiento la realicen en el futuro.
La CBM se basa en mediciones en tiempo real para actuar cuando los datos de los sensores no están dentro del rango de su valor óptimo, por ejemplo, el volumen de combustible en un tanque es demasiado bajo. En este caso, es posible que el personal de mantenimiento no disponga de los recursos necesarios para realizar la operación de repostaje en ese momento, dejando la máquina temporalmente inactiva.
Utilizados conjuntamente, el mantenimiento predictivo y el CBM pueden ayudar a las organizaciones a monitorear los equipos para detectar averías actuales y futuras.
Los modelos de mantenimiento prescriptivo van un paso más allá de los modelos tradicionales de mantenimiento predictivo. Los sistemas de mantenimiento predictivo predicen fallos potenciales de los equipos y sugieren formas de retrasarlos o mitigarlos en el futuro. Por ejemplo, los resultados de un programa de mantenimiento predictivo pueden poner de manifiesto que es probable que una cinta transportadora se averíe en los próximos meses.
Con un enfoque de mantenimiento prescriptivo, los resultados incluirían información sobre cómo podría operarse la cinta transportadora para aumentar su vida útil, por ejemplo reduciendo su velocidad, y reducir el inevitable tiempo de inactividad de los equipos de mantenimiento para sustituir piezas.
Debido al coste de implantación de las soluciones de mantenimiento predictivo, los sistemas predictivos tradicionales se centraban en los activos más críticos y valiosos de una organización. El mantenimiento predictivo de los equipos menos críticos y menos valiosos normalmente implicaba comprobaciones irregulares programadas y aleatorias por parte de las cuadrillas de mantenimiento.
En los sistemas modernos de mantenimiento predictivo, las tecnologías IoT, como las múltiples opciones de conectividad inalámbrica, los sensores de sistemas microelectromecánicos (MEMS) de bajo coste, la integración con sistemas externos, la computación en la nube, la mayor capacidad de almacenamiento basada en la nube y la inteligencia artificial, hacen posible el mantenimiento predictivo fiable de múltiples activos a través de grandes redes de producción.
Las alertas personalizadas y la visualización de datos le permiten identificar y prevenir rápidamente los problemas de salud y rendimiento de la red.
Los sistemas de mantenimiento predictivo son especialmente importantes para el funcionamiento seguro y fiable de activos en sistemas críticos como el petróleo y el gas, la minería, la aviación y la fabricación industrial, así como en centrales nucleares y proveedores de servicios públicos.
Los sistemas de mantenimiento predictivo se utilizan habitualmente
Algunos casos de uso de los sistemas de mantenimiento predictivo son:
El mantenimiento predictivo ayuda a las organizaciones a:
Las notificaciones en tiempo real se traducen en una solución de problemas más rápida para que pueda actuar antes de que se produzcan problemas más graves.
Los sensores de monitorización del estado monitorean la salud, el estado y el comportamiento de los componentes mediante la recopilación de información sobre variables como la temperatura, la corrosión, la presión, la vibración, el ruido y el volumen. Las variables son indicadores de estado.
Al diseñar programas de mantenimiento predictivo, los científicos de datos especifican qué indicadores de estado son más útiles para distinguir entre el funcionamiento normal y defectuoso de un componente concreto.
Herramientas como los analizadores de infrarrojos, aceite, vibraciones, circuitos de motor, alineación por desplazamiento láser y ultrasonidos miden los indicadores de estado a partir de distintos tipos de sensores:
En los sistemas modernos de mantenimiento predictivo, los modelos de aprendizaje automático (ML) utilizan datos históricos de sensores e información sobre el rendimiento de un activo para establecer patrones y líneas de base de comportamiento normal. A continuación, estos modelos buscan desviaciones y anomalías en el rendimiento en tiempo real de los activos y hacen predicciones sobre si un componente puede fallar y cuándo.
Los algoritmos de ML utilizan datos no sólo de sensores, sino también de fuentes externas, por ejemplo, información procedente de un informe de un operario de campo, datos históricos de una solución de planificación de recursos empresariales (ERP) o datos situacionales como condiciones meteorológicas adversas que pueden repercutir en el funcionamiento de componentes específicos.
Las órdenes de trabajo proporcionan instrucciones para que los equipos de mantenimiento reparen los componentes. Las tareas de reparación pueden realizarse a distancia, por ejemplo cerrando una válvula a distancia, o mediante intervención humana, por ejemplo sustituyendo físicamente una pieza.
Las órdenes de trabajo se crean a través de una GMAO, de forma automática o manual. Las GMAO también almacenan datos históricos sobre el rendimiento de los activos y ayudan a automatizar el horario de las tareas de mantenimiento rutinario y correctivo. Proporcionan un eje central para organizar los flujos de trabajo y almacenar información de aplicaciones externas, como sistemas de inventario y de gestión del personal.
Normalmente, la creación de un programa de mantenimiento predictivo consta de los siguientes pasos:
En primer lugar, la dirección y los Teams de TI identifican los activos críticos y valiosos y documentan el funcionamiento óptimo de estos activos, incluido el rango de valores deseados para parámetros específicos, como la posición de las palas de un aerogenerador en condiciones meteorológicas concretas. Esta información proporciona mediciones de referencia para el funcionamiento deseado de un activo.
En segundo lugar, se crea una base de datos de GMAO con información sobre cada activo. Los registros históricos sobre el mantenimiento de los activos, las opiniones del personal de mantenimiento y de operaciones y la información sobre los equipos facilitada por los fabricantes proporcionan información valiosa sobre los posibles modos de fallo.
En tercer lugar, los analistas de sistemas utilizan el análisis de modos y efectos de los fallos (AMFE) para identificar las posibles razones por las que podrían fallar los componentes del sistema, la posibilidad de que se produzcan fallos (desde extremadamente probables a improbables) y cuáles podrían ser las consecuencias (desde riesgo para la vida hasta daños leves en los equipos). Las órdenes de trabajo se priorizan en función de estas clasificaciones.
En cuarto lugar, los técnicos instalan equipos de monitoreo del estado, como sensores y PLC.
En quinto lugar, los científicos de datos crean algoritmos predictivos para evaluar el comportamiento en tiempo real y el estado de un activo en comparación con su funcionamiento de referencia. El flujo de trabajo necesario para crear un algoritmo predictivo consiste en recopilar datos de sensores, preprocesarlos en un formato del que puedan extraerse indicadores de estado útiles para un activo concreto, inyectar los indicadores de estado en un modelo ML y, por último, desplegar el algoritmo, inicialmente en activos piloto para probar el algoritmo.
En sexto lugar, se formulan tareas correctivas automatizadas e instrucciones a los técnicos para responder a las alertas sobre posibles fallos de los componentes.
Un marco comúnmente utilizado para desarrollar un programa de mantenimiento predictivo es el modelo de mantenimiento centrado en la fiabilidad (RCM). No todos los equipos pueden mantenerse de forma rentable mediante técnicas de mantenimiento preventivo y no todos los equipos necesitan mantenimiento predictivo. El RCM ayuda a las organizaciones a analizar las principales causas de posibles fallos de los equipos y a diseñar programas de mantenimiento más eficaces para distintos tipos de activos y diferentes requisitos.
Los objetivos de un análisis RCM son identificar los modos de fallo, priorizar los modos de fallo en términos de riesgo y coste, elegir los mejores procesos para mitigar los fallos y preservar la funcionalidad deseada de un sistema.
RCM no es lo mismo que mantenimiento predictivo. Mediante el RCM, las organizaciones pueden analizar el beneficio de diferentes tipos de técnicas de mantenimiento, como el mantenimiento predictivo, preventivo o reactivo para activos específicos en diferentes condiciones, es decir, para diferentes modos de fallo.
Por ejemplo, un determinado equipo puede ser propenso al desgaste del cableado y requerir un mantenimiento predictivo. Otro equipo podría depender en gran medida de una conexión fiable a la nube y disponer de opciones de conexión alternativas para mitigar el tiempo de inactividad inesperado del sistema. Otro equipo puede necesitar un mantenimiento periódico y preventivo para cumplir las estrictas normas de seguridad.
El RCM se desarrolló en la industria de la aviación comercial para mejorar la fiabilidad y seguridad de los equipos. Se basa en la norma JA1011 de la Sociedad de Ingenieros de Automoción (SAE), publicada en 1978 por el Departamento de Defensa de Estados Unidos. SAE JA1011 es la norma más utilizada para desarrollar sistemas de mantenimiento predictivo.
PRTG es un software de monitoreo de red integral y realiza un seguimiento de toda su infraestructura de TI.
Diseñar e implementar una solución de mantenimiento predictivo puede llevar mucho tiempo, requerir mucho trabajo y ser costoso. Si está buscando una herramienta de monitoreo que le ayude con su programa de mantenimiento predictivo, póngase en contacto con los expertos en monitoreo de Paessler para hablar sobre sus necesidades.
PRTG puede monitorear casi cualquier objeto que tenga una dirección IP. Lea un estudio de caso sobre cómo los productos PRTG monitorean toda la infraestructura de una planta de gestión del agua aquí.
