¿Qué es el mantenimiento predictivo?

Importancia del mantenimiento predictivo

Para comprender los beneficios del mantenimiento predictivo, es fundamental entender los dos modos habituales en que se realiza el mantenimiento: reactivo y preventivo.

Mantenimiento reactivo y mantenimiento preventivo

En un enfoque de mantenimiento reactivo, solo se realiza mantenimiento cuando la maquinaria ha fallado. Es un enfoque adecuado para una bombilla, pero no para maquinaria industrial, en que los fallos y el tiempo de inactividad no planificados pueden resultar muy costosos y peligrosos.

Por lo tanto, muchos optan por el mantenimiento preventivo y planificar el mantenimiento a intervalos regulares sin tener en cuenta el estado actual de la maquinaria. Si bien este enfoque mitiga el riesgo de fallos en comparación con el mantenimiento reactivo, supone costes de mantenimiento superiores, mayor tiempo de inactividad y el consiguiente aumento de inventario y piezas de repuesto. Tampoco evita fallos inesperados, ya que el estado de la maquinaria solo se comprueba periódicamente, en lugar de supervisarse y analizarse continuamente en tiempo real.

Captura de datos

Capturar datos es el primer paso para desarrollar un algoritmo de mantenimiento predictivo. Los algoritmos de IA solo son útiles si cuentan con datos de entrenamiento sólidos que representen los tipos de fallos que se desean predecir. Por lo tanto, es importante recopilar datos que representen la maquinaria con y sin fallos.

No obstante, resulta difícil obtener datos de fallos; al fin y al cabo, el objetivo de un programa de mantenimiento es justamente evitarlos. Sin ellos, los equipos de ingeniería no pueden comenzar a desarrollar un algoritmo preciso.

Una solución a este problema consiste en generar datos sintéticos a partir de modelos basados en la física, tales como los creados en Simulink^® y Simscape™. Por ejemplo, se puede crear un modelo de una bomba de aceite y simular fallos debidos a una válvula con fugas y una tubería bloqueada. De este modo, se pueden generar datos de fallos de forma segura y rentable que no repercuten en el rendimiento de la bomba de aceite real. Luego, estos modelos basados en la física se pueden desplegar en servicio como gemelos digitales para predecir el rendimiento futuro.

Identificación de indicadores de condición

Una vez que dispone de los datos adecuados, el siguiente paso es reducirlos a un conjunto de características que se puedan utilizar como indicadores de condición para entrenar un algoritmo de predicción. Los indicadores de condición son características que muestran la diferencia entre el funcionamiento correcto y el defectuoso. Normalmente, se extraen empleando una combinación de técnicas estadísticas, de procesamiento de señales y basadas en modelos con herramientas de análisis y diseño tales como MATLAB. La experiencia del equipo de ingeniería es clave, ya que pueden identificar las mejores características porque saben cómo funciona la maquinaria.

Identificar las características adecuadas es esencial para el éxito de un algoritmo de mantenimiento predictivo. Se utilizan para entrenar algoritmos con el fin de detectar tendencias que no se pueden observar fácilmente. Además, la extracción de características reduce el tamaño del conjunto de datos no procesados. Por ejemplo, los aviones comerciales generan cerca de un terabyte de datos por vuelo. Transmitir, almacenar y analizar volúmenes tan grandes de datos puede resultar difícil; por este motivo, la extracción de características es cada vez más importante.

Desarrollo de algoritmos

Una vez que haya extraído las mejores características, el siguiente paso es entrenar el algoritmo de predicción. Estos algoritmos pueden clasificarse en tres categorías principales: detección de anomalías, identificación de fallos (diagnóstico) y estimación de la vida útil restante (pronóstico). En última instancia, el objetivo de los algoritmos de mantenimiento predictivo es convertir datos de sensores en decisiones de mantenimiento.

Si los datos están etiquetados con modos de fallo, se pueden utilizar métodos de aprendizaje supervisado para entrenar modelos predictivos y distinguir entre estos modos de fallo. Luego, estos modelos se pueden vincular a sistemas en funcionamiento en la práctica, donde pueden ayudar a determinar la causa raíz de la degradación del rendimiento.

Los métodos de aprendizaje no supervisado son más adecuados para aplicaciones de detección de anomalías, cuyo objetivo es clasificar los valores de indicadores de condición entrantes procedentes de la maquinaria como normales o anómalos. Como los métodos de aprendizaje no supervisado no requieren datos de entrenamiento etiquetados correspondientes a diferentes modos de fallos, son ideales para iniciarse en el desarrollo de algoritmos de mantenimiento predictivo.

Para calcular la vida útil restante (RUL) de maquinaria, se puede utilizar una clase distinta de métodos basados en probabilidad y series temporales. Estos modelos aceptan el valor actual de un indicador de condición y estiman cuándo fallará el equipo dentro de un intervalo de confianza definido. Saber cuándo puede fallar la maquinaria permite planificar el mantenimiento, encargar piezas de repuesto o limitar el funcionamiento para alargar la vida útil.

Despliegue de algoritmos en servicio

Una solución de mantenimiento predictivo es más que un simple algoritmo. Los algoritmos deben implementarse en servicio para materializar las ventajas de reducción de tiempo de inactividad, costes de mantenimiento inferiores y mejoras en eficiencia operativa.

El entorno operativo debe gestionar los datos de manera segura y escalar los recursos informáticos para garantizar que los algoritmos se puedan ejecutar de forma eficaz en sistemas de TI/TO o integrados. Además, debe integrarse con otros sistemas informáticos para gestionar el inventario, generar vales de servicio y presentar paneles con los resultados del algoritmo al equipo de operaciones.

En muchas aplicaciones operativas, los algoritmos de mantenimiento predictivo no solo se ejecutan en servidores locales sino también en la nube. Algunas partes del algoritmo, a menudo el procesamiento de señales y la extracción de características, se pueden desplegar directamente en dispositivos edge tales como controladores industriales, que pueden procesar rápidamente datos de sensores de alta frecuencia en tiempo real. Esto contribuye a reducir los costes de almacenamiento y transmisión de datos.

Mantenimiento predictivo con MATLAB y Simulink

Los equipos de ingeniería utilizan MATLAB, Simulink y Predictive Maintenance Toolbox™ para diseñar, probar y desplegar algoritmos de supervisión de condiciones y mantenimiento predictivo personalizados.

Con MATLAB y Simulink, puede:

• Acceder a datos de streaming y archivados desde almacenamiento en la nube, bases de datos, historiadores de datos y protocolos industriales.
• Explorar, extraer y clasificar características de manera interactiva con Diagnostic Feature Designer.
• Desarrollar modelos predictivos para detectar anomalías, identificar fallos y predecir la vida útil restante (RUL).
• Crear modelos basados en la física para generar datos de sensores sintéticos y desplegar gemelos digitales.
• Generar código C/C++ para procesamiento edge en tiempo real.
• Escalar algoritmos en la nube en forma de librerías compartidas, paquetes, apps web, contenedores Docker, entre otros, para integrarse con sistemas de TI/TO sin necesidad de recodificar.

Temas relacionados