Las tareas de mantenimiento en una industria son la espina dorsal de la rentabilidad. Tener que parar una cadena de montaje en plena producción por una avería imprevista puede suponer un batacazo muy complicado de superar. Afortunadamente, hoy existen tecnologías capaces de remediar este problema recurrente.

En este contexto, el mantenimiento predictivo (predictive maintenance, PdM) avanza con paso firme. A fin de cuentas, informes de consultoras como Deloitte estiman que una estrategia de mantenimiento deficiente puede reducir la capacidad productiva general de una planta entre un 5% y un 20%. Además, un estudio encargado por WSJ Custom Studios revela que el tiempo de inactividad no planificado le cuesta a los fabricantes cerca 50 000 millones de dólares al año.

El objetivo fundamental de las soluciones PdM es, precisamente, aplicar algoritmos matemáticos muy sofisticados para ser capaces de, analizando los datos provenientes de sensores, predecir con cierta probabilidad cuándo va a fallar un determinado dispositivo en esas líneas de producción. Se trata de pasar de un mantenimiento reactivo, o incluso planificado, a uno predictivo.

La recolección de datos no basta, es necesario agruparlos, cruzarlos e interpretarlos

Aplicación

En realidad, muchos de estos modelos de algoritmos matemáticos fueron desarrollados hace décadas, pero es ahora cuando la industria puede contar con la capacidad de almacenamiento y la potencia de proceso necesarias para poder aplicarlos con una utilidad real. De hecho, antes de la llegada de todo el conjunto de tecnologías big data, habrían sido necesarios varios días para poder aplicar estos algoritmos y procesar esa ingente cantidad de información procedente de miles de sensores. Este desfase de tiempo, entre la recolecta de información y la obtención del posterior diagnóstico, en la mayoría de los casos hacía inviable su aplicación.

Para ilustrar la magnitud de la importancia del mantenimiento predictivo, basta pensar en el caso del motor de un avión. Mantener las turbinas en perfecto estado de funcionamiento es una prioridad para las líneas aéreas. Estas turbinas tienen varios miles de sensores que recogen y transmiten grandes volúmenes de información, desde temperaturas, a presiones o revoluciones por minuto, que pueden llegar a generar 20 terabytes de datos cada hora.

Analizar todos esos datos y establecer correlaciones entre ellos es una tarea imposible para un ser humano. Es necesario disponer de sistemas “inteligentes” capaces de realizar ese trabajo y, de ese modo, poder determinar el estado de salud de la turbina, detectando anomalías o patrones que nos puedan dar pistas sobre un posible fallo. Anticiparse al fallo de un motor de un avión no solamente es clave para no poner en peligro vidas humanas: también puede ser un ahorro muy grande para la propia aerolínea. Pensemos que corregir un fallo grave puede ser mucho más caro que realizar una serie de correcciones menores o acciones de mantenimiento para prevenir daños mayores.

Ecosistema PdM

Sería un error de bulto pensar que para materializar una estrategia de mantenimiento predictivo es suficiente con sembrar de sensores una planta de producción. Eso sí, el progresivo abaratamiento que han experimentado estos dispositivos durante los últimos años incide de forma positiva en esta tendencia. En cualquier caso, la simple recolección de datos no basta: es necesario agruparlos, cruzarlos e interpretarlos o, lo que es lo mismo, procesarlos para, de esta manera, poder anticiparse a las incidencias.

HPE Pointnext, con su portfolio de productos y servicios, cubre todo el ciclo de vida PdM, desde los mismos dispositivos adheridos a los sensores, que por sí solos realizan análisis de datos in situ, a los modelos de machine learning con los que es posible conocer el histórico de datos para crear modelos y adelantarse a cualquier avería ante determinado patrón de comportamiento.

Se puede programar con mucha antelación una parada técnica de la línea de producción

Casos prácticos

HPE Pointnext apuesta claramente por esta área de analítica avanzada. Uno de los proyectos más recientes que está llevando a cabo es el desplegado en una importante acerera europea. La complejidad de la línea de producción en esta industria la hace idónea para la aplicación de estas tecnologías.

Tras la implantación de esta solución, los diferentes componentes de la cadena de producción se encuentran totalmente monitorizados gracias a la instalación de sensores que recogen todas las variables de rendimiento. Este caudal de datos es procesado en tiempo real, aplicando un algoritmo, de manera que es posible anticiparse hasta un mes a la avería de una máquina.

De esta manera, la fábrica puede programar con mucho tiempo de antelación una parada técnica de la línea para reparar —o para reemplazar— el componente, sin que ello afecte a la producción y, por tanto, ahorrando cientos de miles de euros.

Otro de los proyectos más interesantes en los que HPE Pointnext desempeña un papel esencial se enmarca dentro de la industria del aluminio. En esta ocasión, la infraestructura tecnológica desplegada por la compañía no vela tanto por el rendimiento de las máquinas en sí como por que todas las variables que intervienen en la producción se den de manera óptima para garantizar la calidad del producto final.

Así, se monitorizan factores como la temperatura de la aleación para que, si se encuentra por debajo o por encima de la ideal, se corrija a tiempo la producción de manera que no se fabrique aluminio de una calidad menor. Gracias a este mantenimiento predictivo se evita, por un lado, que haya que desechar una parte de la producción por no contar con una calidad óptima (con los gravosos costes para la cuenta de resultados de la organización) y, por otro, que esta llegue al mercado sin los estándares de calidad que acompañan a la tarjeta de presentación de la compañía.