Mantenimiento de equipos en la era de la disrupción digital


Recuerdo mis días como un joven supervisor de producción; tenía que perseguir las cuadrillas de mantenimiento cada vez que una máquina se detenía de manera no programada y dependía de ellos para volver a tener la producción operando.

Durante los últimos 30 años hemos visto una lenta evolución mientras nos movemos de mantenimiento puramente reactivo a un punto en el cual la práctica estándar es mantenimiento preventivo. Durante los años 80s y 90s el cambio lo han guiado el crecimiento de los PLCs (Programmable Logic Controllers), DCSs (Distributed Control Systems), las comunicaciones digitales, y la proliferación de herramientas de análisis estadístico.

La era del IoT (Internet of Things) y la disrupción digital

La IoT nos conduce a una nueva era de cambio rápido – la disrupción digital que crean los sensores embebidos de bajo costo, la extensa conectividad inalámbrica, el cloud computing, el flujo de datos y las máquinas analíticas. En los últimos 10 años los costos de infraestructura han disminuido considerablemente.

Todo lo anterior ha contribuido a rápidos avances en gestión de mantenimiento. Estamos entrando en la gestión de mantenimiento cognitiva – combinando inteligencia humana con aprendizaje de máquina e Inteligencia Artificial para liberar el total valor de la IoT.

¿Qué es gestión de mantenimiento cognitiva?

La gestión de mantenimiento cognitiva es la ciencia de acceder a datos de equipos y productos conectados, combinarlos con servicios de conocimiento existentes y otras fuentes externas de datos relevantes, para entender los datos y usar ese entendimiento para mejorar la calidad de los equipos, su disponibilidad, tiempos de servicio y la experiencia total del servicio.

La gestión de mantenimiento cognitiva puede:

  • Conectar lo que tienes con dónde lo tienes.
  • Prevenir sucesos antes de que ocurran.
  • Proveer una guía paso a paso proactiva para hacer reparaciones en el campo, correctas, y con el menor posible costo y disrupción.
  • Optimizar el uso de sistemas, máquinas individuales y personas.
  • Aplicar sistemas de razonamiento y aprendizaje para llegar a ser continuamente inteligentes y más optimizados en el tiempo.

El desafío es que los datos que necesitamos están ampliamente distribuidos, llenos de inconsistencias y son difíciles de combinar.

Los datos de billones de interacciones entre máquinas, dispositivos y personas son masivos, complejos y variables. Podemos reparar una máquina, pero no entender cómo las complicaciones de una máquina pueden llevar a una falla en otra máquina.

El desafío del análisis de datos

Los programas pre-definidos no son capaces de analizar holísticamente todos los datos. Los sistemas tradicionales no pueden tomar el sentido de todos los datos IoT combinados con datos no estructurados. Tenemos datos directos de las máquinas y registros de los operadores, pero entenderlos y extraer valor es difícil. Podemos predecir y ganar visibilidad cuando una máquina falla o un repuesto se rompe, pero no hacemos fácil para el técnico resolver el problema. Muchas reparaciones cambian partes que están funcionando bien.

El análisis de datos tradicional que usa reportes y tableros de control necesita a los humanos para identificar patrones y ganar visibilidad. No es posible que los humanos puedan manejar efectivamente la invasión de datos IoT. El riesgo de llegar a conclusiones y decisiones inadecuadas aumenta exponencialmente.

Un sistema cognitivo puede considerar datos de todo tipo – trabaja a través de fuentes de datos, decidiendo patrones y relaciones que hacen sentido. Usa aprendizaje de máquina y analítica avanzada para organizar datos y generar visibilidad interna. Evoluciona y mejora usando autocorrección y adaptación aprendida y puede:

  • Considerar defectos ambiguos.
  • Proveer respuestas con un margen de error y alternativas.
  • Manejar información sin conocer la semántica explícita.
  • Interactuar en lenguaje natural con humanos y máquinas.

Watson-IoT-Equipment-Advisor-768x432

Entonces ustedes se pueden preguntar – ¿cómo el aprendizaje de máquina en el contexto de mantenimiento cognitivo provee más visibilidad en los datos que lo que pueden aprender del mantenimiento predictivo tradicional?

El mantenimiento predictivo no examina ni puede examinar fácilmente los factores ambientales que afectan la diferenciación de una pieza de un equipo. Tampoco puede crear un ambiente de aprendizaje mediante el aprovechamiento de la base de conocimientos de los técnicos expertos y sus libros de registro. El entrenamiento para un maratón a nivel del mar es muy diferente a entrenar en altura, cómo te afectan las variables ambientales determina cómo entrenas. Del mismo modo con el mantenimiento, ¿cómo los diferentes entornos de operación (temperatura, humedad, polvo, polen) afectan el rendimiento?

Imagine ser capaz de aprovechar el conocimiento “tribal” que los técnicos expertos tienen en sus cabezas y los registros personales para arreglar las cosas más rápido. Todas esas cosas deben tenerse en cuenta en forma integral al mirar los datos y dar con predicciones exactas de cuándo y cómo reparar y reemplazar las partes. El mantenimiento cognitivo puede proporcionar esta visión sobre las combinaciones de factores que conducen a una falla del equipo, junto con la mejor manera de dar servicio al producto al menor costo posible.

Fuente: Krish Dharma, IBM

Si está evaluando implementar soluciones de Mantenimiento escriba una CONSULTA y le asistiré en su búsqueda.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s