Si su empresa cuenta con una gran flota de activos físicos caros o críticos como camiones, bombas, o maquinaria compleja, probablemente busque la forma de minimizar los riesgos de los impactos negativos que pueden causar las fallas en los mismos. Este tipo de empresas, a lo largo de los años ha experimentado distintas estrategias para la gestión de los activos físicos. Los activos caros y críticos están generalmente gestionados por un plan de mantenimiento preventivo, en el cual los activos son inspeccionados conforme a un programa basado en uso y por tiempo calendario, frecuentemente conforme a lo sugerido por el fabricante del activo. El software para la gestión de activos físicos, es un gran soporte para ejecutar los planes de mantenimiento correspondientes..
El mantenimiento preventivo, conforme a un programa fijo tiene sus limitaciones. Los activos físicos del mismo tipo que se usan en distintas circunstancias, pueden requerir un mantenimiento según la condición (CBM) que abarque el total de los requisitos específicos de la operación. El mantenimiento basado en condición presenta un desafío, ya que requiere inspecciones programadas para relevar la condición del activo, lo que consume tiempo cuando el equipo podría haber sido productivo. Además, el acto de parar y abrir un activo aumenta el riesgo de dañar alguno de los componentes, que cause un daño futuro. De esta manera, los activos sufren paradas no anticipadas en cualquier de los tipos de mantenimiento programado, lo que impacta negativamente en el costo operacional y en el nivel del servicio de la organización.
¿No sería ideal si pudiésemos ver cuando un activo está por fallar y optimizar la programación del mantenimiento basándonos en la condición del equipo, y poder mantenerlo operando? ¿Y si los ingenieros de mantenimiento pudiesen focalizarse en activos con una alta probabilidad de fallas antes del próximo cierre programado de la planta? Cuando se repara un componente de algún activo, ¿no deberían los ingenieros inspeccionar los componentes riesgosos cercanos, para reducir gastos en viajes y costos? Existen dos nuevos conceptos súper novedosos que integrados a la gestión de los activos pueden lograr estos objetivos: el Internet de las Cosas (IoT), y el machine learning.
Análisis más profundo de los datos
El IoT lleva los datos de los sensores a la nube, listos para ser analizados. Los sensores pueden medir la temperatura, presión, tasa de flujos, vibraciones, voltaje, o corriente eléctrica en distintos puntos del activo. Pero los sensores pueden también basarse en lo geo locación de un activo en movimiento, o en evento de excepción que fueron capturados por el software embebido en el activo. Sea lo que sea que se mide, la información puede procesarse y almacenarse en un ambiente que permite un análisis más profundo de los datos.
Los activos pueden ser enormes estructuras muy complejas (tan grandes como una planta entera o un ferrocarril), conteniendo miles de sensores. La solución para la gestión de los activos físicos permite modelar a los mismos en una estructura jerárquica de componentes. En tales situaciones, el principal interés es optimizar el plan de mantenimiento de los componentes.
Existen plataformas de ciencia dinámicas que agregan aún más sofisticación al proceso de la gestión de activos físicos. La nueva plataforma de IoT puede optimizar las funcionalidades de modelado de activos registrando los sensores para componentes específicos de los activos. Esto no solo facilita la gestión de un gran volumen de sensores, también unifica las lecturas de los sensores relacionados para el análisis predictivo.
La plataforma del IoT también incluye funcionalidades de machine learning, que permite detectar un patrón en los datos que puede utilizarse para la clasificación y predicción. Si conocen el software de predicción facial, ya tienen una idea de lo que puede hacer el machine learning: luego de capacitar un algoritmo con imágenes de caras de personas, junto con los nombres de esas personas, el software puede identificar a los individuos en otra foto. El software aprende los patrones faciales y los identifica macheándolos con una nueva foto.
Podemos pensar en el conjunto de lecturas de sensor para un activo como una imagen, ya que las lecturas contienen patrones específicos que lo identifican.. Podemos relacionar las lecturas de los sensores con las órdenes de trabajo anteriores (de un sistema de gestión de activos de la empresa) que nos dicen cuándo ha fallado el activo o su componente. Para cada activo, ahora podemos construir una colección de ‘fotos’ que consiste en las lecturas del sensor para un punto en el tiempo, anotadas con el tiempo hasta la siguiente falla. Un algoritmo de aprendizaje automático puede ser entrenado en estos datos, y el software puede usar este algoritmo para hacer predicciones en tiempo real sobre fallas futuras de los mismos. Estas predicciones se pueden usar para optimizar el programa de mantenimiento. También le brindarán información que puede ayudarlo a mejorar la eficiencia y la confiabilidad de los activos críticos.
Infor Dynamic Science Labs está trabajando actualmente en el entrenamiento de estos algoritmos para diferentes tipos de activos y trabajando estrechamente con los equipos Infor IoT y Enterprise Asset Management para crear una solución de mantenimiento predictivo aún más poderosa.
