WEBINAR GRATUITO
La confiabilidad como nunca antes la habías visto. Descubre el nuevo Predictto

En este artículo, te explicamos unos conceptos básicos que deberías conocer en cuanto mantenimiento predictivo y predicción de activos. ¿Qué valores de referencia se utilizan para leer las gráficas? ¿Cómo llegamos a obtener los resultados de estas?
Tras herramientas tan intuitivas para el usuario como Predictto, hay todo un trabajo de configuración un tanto complejo en el que convergen diversas técnicas como la data collection, la Inteligencia Artificial y el Machine Learning, pero no te preocupes, para ti el uso de herramientas como Predictto es sencillo.
Para comenzar, te explicaremos brevemente, en qué consiste este tipo de mantenimiento. El mantenimiento predictivo, forma parte de las estrategias del mantenimiento proactivo. En este sentido. La clave de este tipo de mantenimiento es que, basándose en unos datos recogidos y unos algoritmos, previamente definidos, se establecen patrones de comportamiento de ese activo.
Tener estos datos es sumamente beneficioso para todo aquel que quiera implantar un plan de mantenimiento preventivo basado en datos reales y prevenir las averías futuras.
Hay diferentes formas de recoger datos para conformar los resultados que forman parte de un mantenimiento predictivo.
Por ejemplo, cuando se conectan los sensores IoT a los activos físicos, se realiza una monitorización por condición. Con ello, puedes controlar en todo momento el estado de los activos, y puedes predecir cuánta vida útil le queda a tu activo, porque estos dispositivos están conectados con el activo y con el software de mantenimiento predictivo a la vez. Por ello, los datos están fluyendo de forma continua.
Otras técnicas de mantenimiento predictivo que se utilizan habitualmente son el análisis de aceite, el termográfico, el acústico, el análisis de circuitos de motor y el análisis de vibraciones.
WEBINAR GRATUITO
WEBINAR GRATUITO
Esta es la técnica principal que aplicamos en Predictto y es la que sienta las bases de nuestros modelos de degradación. El análisis de vibraciones permite detectar problemas de desalineación, desequilibrios, desacoplamiento y sobrecargas en los activos.
La alineación es uno de los procedimientos responsables de garantizar un desgaste uniforme de todos los componentes. La realización de la alineación, dentro de un plan de mantenimiento preventivo, también garantiza el equilibrio de la carga, lo que reduce el riesgo de averías y evita el desgaste excesivo de uno de los componentes
Siguiendo la normal internacional ISO10816, el análisis de vibraciones toma de referencia los valores de esta norma, para establecer los niveles de predicción. Esta norma ofrece unos valores generales altos, medios y bajos de fallas de activo y los divide por colores (Rojo, amarillo y verde).
Los resultados que te ofrecen softwares de mantenimiento como Predictto, toman de referencia esta norma y te señalan un punto en el tiempo en el que se cree que se llegará a ese valor, así tienes tiempo de tomar una decisión sobre qué hacer con ese activo.
El análisis de vibraciones es una técnica que no tiene un impacto en la productividad de la empresa mientras se están recopilando los datos.
Cuando se integra el análisis de vibraciones con otros servicios como el software CMMS/GMAO, todo son ventajas, porque además de todas las ventajas que tiene este tipo de software, el contar con estas predicciones se suma a la ecuación para un control de activos en tiempo real.
El proceso de mantenimiento predictivo puede dividirse principalmente 3 fases:
El primero paso es instalar unos sensores que recojan información en tiempo real sobre la salud de los equipos. La forma en la que se recogen estos datos depende de la técnica utilizada: vibraciones, temperatura, presión....
Es la búsqueda y selección de unos datos concretos bajo un criterio en un lugar que hay gran grupo de datos. La tecnología IoT, entre otras herramientas, permite que estos sensores envíen toda la información a un sistema central o un software que te permite analizar lo que ocurre.
En esta fase, se realizan cálculos para construir y aplicar algoritmos que ofrecen un pronóstico sobre el comportamiento de los activos.
Andreas Kaplan y Michael Haenlein definen la Inteligencia Artificial como “la capacidad de un sistema para interpretar correctamente datos externos, aprender de dichos datos y emplear esos conocimientos para lograr tareas y metas concretas a través de la adaptación flexible.”
Por otra parte, el Machine Learning, es una de las disciplinas de la Inteligencia Artificial que, a través de algoritmos, dota a los ordenadores de capacidad para identificar patrones en datos masivos y con ellos, elaborar interpretaciones y predicciones.
Ambas técnicas son utilizadas en esta tercera fase para poder cerrar el ciclo y ofrecer resultados.
Dentro de las previsiones que se realizan en el mantenimiento predictivo, siempre se tiene en cuenta un porcentaje de fallos imprevistos o aleatorios, esto es lo que denominamos, intervalos de confianza. Se predice un tiempo en el que va a ocurrir la falla y se incluye este intervalo para que tengas una visión realista del pronóstico.
En mantenimiento predictivo, cuántos más datos tengas del activo, los pronósticos serán mucho más acertados.
Hasta ahora hemos hablado sobre mantenimiento predictivo en activos que se pueden monitorizar mediante diferentes técnicas de recogida de datos. Ante los sucesos raros como las fallas de activos, todos los métodos que usamos desde la Big Data hasta los promedios habitualmente fallan en el intento de calcular patrones y pronósticos.
Sin embargo, nuestro equipo de Predictto, ha comprendido que aplicar un mantenimiento predictivo al total de tus activos, sean del tipo que sean, te permitirán un mayor control sobre todo tu plan de mantenimiento. Por ello han desarrollado los modelos de confiabilidad, y para la extracción de sus resultados, han aplicado el análisis Weibull a este proceso.
En Predictto, utilizamos los modelos de confiabilidad para para predecir el futuro de activos que no es posible monitorizar de forma automática o no son tan importantes como para hacerlo. Este sería el caso, por ejemplo, de una bombilla. Normalmente, en un activo como este, no se aplica mantenimiento preventivo, sino que se espera a que se estropee y se cambia. Con los modelos de confiabilidad, también es posible predecir el futuro de estos activos.
El estudio de los sucesos raros y los valores extremos que se desarrollan en sectores tan diferentes como los seguros, la hidrología y el mantenimiento son tratados usando distribuciones de probabilidad tipo Weibull que buscan responder cuántas pérdidas ocurrirán, cuando se desbordará un rio o cuando fallará un activo basado en los registros históricos disponibles.
La confiabilidad es la probabilidad de que un activo opere de forma adecuada hasta un momento determinado en el tiempo y corresponde a 100% cuando el activo opera de forma confiable y 0% cuando ya ha presentado una falla. La confiabilidad es una medida que permite establecer el nivel de operación o servicio de un sistema llegando a incluirse como parte de los acuerdos o contratos de servicio de mantenimiento.
La curva de confiabilidad o curva de supervivencia, base del Mantenimiento Centrado en la Confiabilidad (RCM), es la descripción a lo largo del tiempo de la confiabilidad de uno o varios activos y permite pronosticar su nivel en el tiempo para realizar planes y tomar decisiones.
Si quieres profundizar un poco más sobre qué conceptos son los que manejamos a la hora de realizar el análisis Weibull dentro de los modelos de confiabilidad, puedes leer este artículo: Modelos de confiabilidad en mantenimiento predictivo: Análisis Weibull.
Según un estudio, en 2021, del Analytics Institute de Deloitte, se concluye que la implantación del mantenimiento predictivo puede incrementar la productividad de los equipos en un 25%, reducir las averías en un 70% y recortar en un 25%, los gastos de mantenimiento, con todo el aumento en tiempo de funcionamiento de los activos y ahorro de costes que esto conlleva. Precisamente estas son solo un par de las ventajas que ofrece el mantenimiento predictivo:
Para aplicar estas técnicas predictivas necesitamos de herramientas especializadas en la materia y, aunque son diversas, algunas de las más importantes son:
1. Sensores y comunicación de datos: Se trata de sensores IoT instalados en los equipos, maquinaria y activos físicos en general. Se encargan de recopilar la información de funcionamiento y enviarla para el análisis. Los más comunes son los de análisis de vibración, sónico y ultrasónico, de imagen térmica y de aceite y lubricante. Hoy, las soluciones IoT están ganando cada vez más terreno en el entorno empresarial. De hecho, de acuerdo con estadísticas recopiladas por DataProt, se estima que 83% de las organizaciones han potenciado su eficiencia gracias a la incorporación de esta tecnología en sus procesos cotidianos.
2. Almacén central de datos: Se trata del datacenter al que llegan los datos recopilados por los sensores, para almacenarlos, procesarlos y analizarlos para determinar las acciones de mantenimiento a ejecutar. Suelen estar alojados en la nube, brindando mayor dinamismo a las operaciones y facilitando el acceso a los datos.
3. Algoritmos de análisis predictivo: Se aplican a los datos almacenados con el fin de reconocer patrones y generar conocimientos a modo de cuadros de mando y alertas. Se apoya del Big Data y el Machine Learning.
4. Herramientas de Programación: Se hacen cargo de programar los tiempos y recursos necesarios para ejecutar las acciones de mantenimiento determinadas en los análisis de fallas y de variables monitoreadas. En los software modernos, se ejecutan de forma automática.
Además de por todas las ventajas que te hemos comentado anteriormente, el mantenimiento predictivo es una de las tres partes que conforman el mantenimiento inteligente. Si ya cuentas con un CMMS/GMAO, como Fracttal One, para la gestión y el control de activos y también dispones de dispositivos IoT para realizar un monitoreo de condición en tus activos físicos, contar con un software de mantenimiento predictivo, te ayudará a completar el ciclo, aportando información futura sobre el estado de esos activos en tu plan. Todo conectado a través de la plataforma CMMS/GMAO, hará que construyas un plan de mantenimiento sólido y completo basado en datos reales.
Con Predictto tomarás decisiones sobre tu planificación de mantenimiento de forma fácil con la ayuda del Machine Learning y el IoT, y en tan solo un par de clics. Conocer el momento preciso en el cual uno de tus activos puede fallar es ya, una realidad.
Con Predictto los modelos son ajustables a tus necesidades y en nuestros resultados siempre te ofrecemos un rango de probabilidades para que tú seas quién tome la decisión final. No hace falta ser un experto en ciencia de datos para que los utilices a la hora de pronosticar el futuro de tus activos.
Conocer el momento preciso en el cual uno de tus activos puede fallar es ya, una realidad. No hace falta ser un experto en ciencia de datos para utilizarlos a la hora de pronosticar qué ocurrirá con tus activos.
Con Predictto tomarás decisiones sobre tu planificación de mantenimiento de forma fácil con la ayuda del Machine Learning y el IoT, y en tan solo un par de clics.