Análisis de mantenimiento predictivo: cómo se realizan realmente las predicciones de PdM.
Se supone que el mantenimiento predictivo ayuda a los equipos de mantenimiento a detectar problemas incipientes en los equipos antes de que se conviertan en paradas no planificadas. Pero para pasar de la lectura de un sensor a una decisión de mantenimiento útil se necesita algo más que decir: "La IA predice la falla". Los datos deben mostrar un cambio significativo, el análisis debe reconocerlo y el hallazgo debe llegar al equipo de mantenimiento para que alguien pueda decidir qué medidas tomar.
Este es el proceso analítico que respalda el mantenimiento predictivo. Para conocer los métodos de detección específicos que generan los datos subyacentes de los sensores, consulte nuestra Guía de técnicas de mantenimiento predictivo.
El proceso de tres pasos: Monitorear, Analizar, Actuar
Para un equipo de mantenimiento, el mantenimiento predictivo se reduce a tres pasos básicos: recopilar datos de los equipos, determinar si algo está cambiando y decidir qué hacer al respecto. La tecnología detrás del análisis puede ser compleja, pero el objetivo del mantenimiento es sencillo: detectar un problema incipiente con la suficiente antelación para poder solucionarlo.
1Monitorización
Los sensores recopilan información como temperatura, vibración, presión, caudal o corriente eléctrica. El objetivo es determinar cómo es el funcionamiento normal e identificar cambios que puedan requerir atención.
2Analizar
El análisis compara las lecturas actuales del equipo con las condiciones normales de funcionamiento, los datos históricos o los patrones de fallos conocidos. El resultado puede ser una anomalía, una advertencia de que una situación está empeorando o una estimación de la vida útil restante.
3Act
Aquí es donde el mantenimiento predictivo se integra al proceso de mantenimiento. Alguien debe revisar el hallazgo, determinar si requiere alguna acción y documentar lo que se hizo. Esto puede implicar una inspección, una reparación, un pedido de repuestos, una parada programada o simplemente un monitoreo continuo.
Lo importante es que la predicción no es el final del proceso. Es información que ayuda al equipo de mantenimiento a decidir qué hacer a continuación.
De datos brutos de sensores a algo que un equipo de mantenimiento pueda utilizar.
Un flujo continuo de lecturas de temperatura o vibración no basta por sí solo para indicar a un equipo de mantenimiento que una máquina necesita atención. Primero, los datos deben organizarse en mediciones útiles, un proceso que a menudo se denomina ingeniería de características.
En la práctica, esto puede significar calcular una temperatura media móvil para identificar un aumento gradual, observar la vibración máxima dentro de un período de tiempo determinado o utilizar una media móvil para reducir el ruido normal y facilitar la visualización de una tendencia en desarrollo.
Estas mediciones calculadas proporcionan al análisis información útil con la que trabajar. Pero antes de confiar en los resultados, hay otra pregunta que responder: ¿muestran los datos realmente un patrón de degradación significativo?
Un modelo no puede predecir con fiabilidad un modo de fallo si no hay evidencia útil de dicho fallo en los datos disponibles. Si los datos del equipo no muestran un patrón reconocible, la solución podría residir en mejores sensores, mejores datos o un enfoque de monitorización diferente, en lugar de simplemente utilizar un algoritmo más complejo.
Mantenimiento para llevar. Más datos no significan automáticamente mejores decisiones de mantenimiento. Los datos deben aportar información útil sobre el estado del equipo.
Tres maneras de estimar la vida útil restante
La vida útil restante (RUL, por sus siglas en inglés) es una estimación de cuánto tiempo más puede seguir funcionando un activo antes de que requiera mantenimiento. Para un gerente de mantenimiento, el valor no reside en tener una fecha exacta, sino en contar con mejor información para decidir cuándo inspeccionar, reparar, solicitar repuestos o programar el trabajo.
Existen tres métodos establecidos para estimar la vida útil restante (RUL). El que sea más adecuado depende de los datos disponibles para el equipo.
| Nuevo enfoque | Qué datos necesita | Cómo funciona |
|---|---|---|
| Modelos de supervivencia | Estadísticas agregadas de fallos de máquinas similares | Utiliza distribuciones de probabilidad de tiempos de falla anteriores, ajustadas según las condiciones de operación, para estimar la probabilidad de falla en un punto determinado. Se trata de una estimación de probabilidad, no de una fecha exacta. |
| Modelos de similitud | Una biblioteca de datos históricos de funcionamiento hasta el fallo | Compara el patrón de degradación del activo actual con el de activos históricos que llegaron a fallar y estima la vida útil restante a partir de los que presentan mayor similitud. |
| Modelos de degradación | Datos del sensor más un umbral de fallo definido | Realiza un seguimiento de un indicador de estado, como la vibración o la temperatura, y predice cuándo la tendencia puede superar el umbral de fallo definido. |
Muchos programas de mantenimiento tienen datos históricos limitados sobre la vida útil de los equipos para cada tipo de activo. Por eso, los enfoques basados en la condición y la degradación pueden ser puntos de partida prácticos cuando se dispone de datos de sensores fiables y umbrales significativos.
¿Qué hay realmente detrás de la predicción?
No es necesario crear un modelo de aprendizaje automático para gestionar un programa de mantenimiento predictivo. Sin embargo, comprender los tipos básicos de análisis puede ser útil al evaluar a un proveedor o al intentar comprender el significado real de una predicción.
| Nuevo enfoque | Pregunta de mantenimiento | Métodos comunes |
|---|---|---|
| Clasificación | ¿Este activo muestra indicios de que podría fallar pronto? | Bosques aleatorios, potenciación de gradiente, máquinas de vectores de soporte |
| Regresión | ¿Cuánta vida útil podría quedarle? | Modelos entrenados para estimar un valor numérico en lugar de un resultado de sí/no. |
| Detección de anomalías | ¿Este equipo se comporta de manera diferente a su patrón de funcionamiento normal? | Métodos como los autoencoders que identifican lecturas o patrones que no se ajustan a la condición normal aprendida. |
Para equipos en los que un problema se desarrolla gradualmente a lo largo de varias lecturas, pueden resultar útiles los modelos diseñados para trabajar con secuencias de datos. Los modelos LSTM, por ejemplo, están diseñados para reconocer patrones en una serie de lecturas, en lugar de analizar únicamente la medición más reciente.
La conclusión práctica para un equipo de mantenimiento es sencilla: no existe un único algoritmo de mantenimiento predictivo que funcione para todos los activos. El enfoque adecuado depende del tipo de fallo, de los datos disponibles y de cómo evoluciona el estado del equipo con el tiempo.
Por qué una precisión del 85% aún puede hacerte perder dinero.
Si usted es responsable del presupuesto de mantenimiento, un porcentaje de precisión por sí solo no basta para decidir si vale la pena usar un sistema de mantenimiento predictivo. También necesita saber qué sucede cuando el sistema falla.
McKinsey documentó un caso real de una empresa tecnológica que desarrolló un modelo de mantenimiento predictivo. El modelo predijo correctamente aproximadamente una cuarta parte de las averías de la empresa y alcanzó una precisión general del 85 %. Esto suena a un resultado excelente. Sin embargo, el modelo también presentó una tasa de falsos positivos del 10 %.
A la escala de la empresa, esa tasa de falsos positivos del 10 % se traducía en aproximadamente 1,000 casos adicionales de "fallas previstas" cada año que al final no eran nada. Cada uno de ellos podía desencadenar una inspección, un pedido de piezas o el envío de un técnico que en realidad no era necesario.
La empresa había estimado ahorros de más de un millón de dólares anuales gracias al programa de mantenimiento predictivo. Sin embargo, los costos de mano de obra y repuestos asociados con la resolución de las falsas alarmas anularon los ahorros generados por las predicciones correctas.
Para un gerente de mantenimiento, esa es una distinción importante. Un índice de precisión del 85 % puede verse bien en una presentación del proveedor, pero no indica cuánto le costará al equipo de mantenimiento cuando el sistema cometa algún error.
Qué preguntas hacer antes de poner en producción un sistema predictivo. ¿Con qué frecuencia genera falsas alarmas? ¿Qué debe hacer su equipo cuando se recibe una alerta? ¿Cuánto cuesta una inspección, el envío de un técnico o un pedido de piezas innecesario? ¿Y cuántas alertas puede revisar su equipo de forma realista sin llegar a la saturación de alertas?
La lección no es que el análisis predictivo no funcione, sino que la precisión debe considerarse junto con la tasa de falsos positivos y el costo real de responder a una alerta incorrecta.
McKinsey también documentó casos en los que la monitorización basada en condiciones, más sencilla, y los enfoques avanzados de resolución de problemas generaron ahorros reales y cuantificables sin necesidad de un modelo predictivo de aprendizaje automático completo: una reducción del 30 % en mano de obra, tiempo de inactividad, repuestos y costes relacionados para un fabricante de tecnología, y una reducción del 18 % al 25 % en los costes de mantenimiento para un fabricante de dispositivos médicos. Para algunos equipos, actuar cuando una condición supera un umbral definido puede proporcionar una advertencia útil con menor complejidad y menos falsas alarmas que un modelo predictivo completo.
Por eso, la pregunta sobre el mantenimiento no es simplemente: "¿Qué tan preciso es el modelo?", sino: "¿Esta información nos ayuda a tomar mejores decisiones de mantenimiento a un costo razonable?".
Vea las reseñas de nuestros Guía de mantenimiento basado en condiciones Para obtener más información sobre cómo se compara este enfoque con el mantenimiento predictivo.
Dónde encaja un CMMS en el mantenimiento predictivo
La plataforma de análisis o el sistema de sensores pueden identificar un problema incipiente en el equipo. Pero el equipo de mantenimiento aún tiene que decidir qué hacer con esa información.
Ahí es donde un sistema CMMS pasa a formar parte del proceso.
Un sistema CMMS puede proporcionar al equipo de mantenimiento un lugar donde convertir un hallazgo en una orden de trabajo con seguimiento, asignar el trabajo, documentar lo que se encontró, registrar la reparación, realizar un seguimiento de las piezas y la mano de obra, y mantener el historial del activo.
Ese historial importa. Si el mismo activo presenta un problema similar seis meses después, el equipo de mantenimiento puede analizar lo sucedido la primera vez en lugar de tratar el problema como si fuera completamente nuevo.
El CMMS también permite comparar el trabajo de mantenimiento generado por el programa predictivo con los resultados. ¿Se detectaron problemas antes de que ocurrieran las fallas? ¿Cuánto trabajo planificado se generó? ¿Cuántas alertas resultaron ser falsas alarmas? ¿Cuál fue el costo de las reparaciones?
Esas son las cifras que ayudan a determinar si el mantenimiento predictivo realmente está ayudando a la operación.
Vea las reseñas de nuestros Guía de ROI para el mantenimiento predictivo Para obtener más información sobre cómo evaluar el caso de negocio y nuestra Guía de técnicas de mantenimiento predictivo para los métodos de detección que generan los datos de los sensores que utilizan estos análisis.
Convierta un hallazgo predictivo en trabajo de mantenimiento.
El análisis predictivo puede identificar un posible problema en un equipo, pero alguien aún tiene que inspeccionar el activo, decidir qué medidas se necesitan, realizar el trabajo y documentar el resultado. eWorkOrders Proporciona a los equipos de mantenimiento un único lugar donde convertir ese hallazgo en una orden de trabajo, realizar un seguimiento del resultado y construir el historial de activos necesario para evaluar el programa a lo largo del tiempo.
El objetivo no es simplemente generar más alertas, sino proporcionar a los equipos de mantenimiento información útil sobre la que puedan actuar y un registro de lo sucedido posteriormente.
Preguntas frecuentes
¿Cómo predice realmente un fallo el análisis de mantenimiento predictivo?
Los sensores recopilan datos como temperatura, vibración, presión o corriente. Estos datos se pueden convertir en mediciones útiles, como promedios móviles u otros indicadores de estado. Posteriormente, el análisis compara el estado actual del equipo con patrones históricos, condiciones normales de funcionamiento o umbrales definidos. El resultado puede ser una alerta, una anomalía, una estimación de fallo o una estimación de la vida útil restante.
¿Qué es la vida útil restante (RUL)?
La vida útil restante es una estimación de cuánto tiempo más puede seguir funcionando un activo antes de que requiera mantenimiento. Según los datos disponibles, la estimación puede basarse en estadísticas de fallos, activos históricos similares o una tendencia de degradación medida.
¿Merece siempre la pena implementar un modelo con una precisión del 90% o superior?
No. La precisión por sí sola no indica cuántas falsas alarmas produce el sistema ni cuánto le cuestan esas falsas alarmas a su operación de mantenimiento. Un modelo puede tener una alta precisión general y aun así generar suficientes inspecciones o reparaciones innecesarias como para reducir el beneficio económico del programa.
¿Necesito el aprendizaje automático para realizar el mantenimiento predictivo?
No. Los enfoques basados en condiciones pueden proporcionar alertas útiles al activar acciones de mantenimiento cuando la lectura de un equipo supera un umbral definido. Algunos programas de mantenimiento pueden utilizar este enfoque antes de incorporar análisis predictivos más avanzados a determinados activos.
¿Puede un sistema CMMS crear modelos de mantenimiento predictivo?
Construir y entrenar modelos de aprendizaje automático es un trabajo especializado de ciencia de datos. Un CMMS como eWorkOrders Cumple una función diferente: ayuda al equipo de mantenimiento a gestionar lo que sucede después de que se identifica un hallazgo, convirtiéndolo en una orden de trabajo con seguimiento, documentando el trabajo y manteniendo el historial del activo.
Fuentes
2. MathWorks: Tres maneras de estimar la vida útil restante para el mantenimiento predictivo. ·
3. Google Cloud: Un proceso para implementar el mantenimiento predictivo industrial, Parte II ·
4. McKinsey & Company: Estableciendo la estrategia de mantenimiento adecuada basada en análisis de datos.
Alcance: Esta es una guía general sobre el funcionamiento del análisis de mantenimiento predictivo. No se trata de una guía de implementación para crear su propio modelo de aprendizaje automático. El enfoque adecuado depende del equipo, los datos disponibles, las condiciones de operación y los requisitos de mantenimiento.
