¿Existe una interfaz hombre-máquina para el mantenimiento predictivo?
En la actualidad, las empresas de muchas industrias pesadas, como las de manufactura, generación de energía, petróleo y gas, energías renovables, metales, productos químicos y minería, están aplicando técnicas de mantenimiento predictivo (PdM) a sus operaciones globales multimillonarias para reducir los costos y el tiempo de inactividad asociados con fallas y daños críticos inesperados en las máquinas.
En muchos sentidos, la relación médico-paciente es una buena analogía de la relación técnico-máquina para intentar comprender la importancia de una condición observada. Imaginemos que la temperatura corporal de un paciente es más alta de lo normal. Esto podría deberse a varias razones: algunas normales (p. ej., ejercicio intenso) y otras que indican una enfermedad (p. ej., fiebre) que debe tratarse.
Una vez identificada la temperatura corporal más alta, conviene considerar factores adicionales para obtener un pronóstico claro. En este caso, la temperatura corporal es lo que yo llamo una buena "señal principal" para la monitorización del cuerpo humano. Las señales principales también son una buena solución para el mantenimiento predictivo (PdM) en máquinas industriales, pero antes de abordarlo, retrocedamos un poco y analicemos el problema para contextualizarlo.
Industria 4.0 y la evolución del Mantenimiento Predictivo
La Industria 4.0, o lo que se ha denominado la "fábrica inteligente", está comenzando a madurar con enormes inversiones proyectadas en sistemas ciberfísicos, computación en la nube e Internet de las Cosas. Hoy en día, la demanda global de sistemas de automatización industrial está en aumento, ya que las empresas manufactureras buscan maneras de reducir los costos de producción y, al mismo tiempo, mejorar la calidad. Esta demanda también impulsa importantes inversiones en software de automatización industrial y, en particular, en análisis predictivos basados en IA, un mercado que alcanzará los $ en 2021, según Research and Markets .
Sin embargo, en muchos casos, el Mantenimiento Predictivo, derivado del análisis predictivo, aún se realiza periódicamente por técnicos que recorren cada máquina y toman muestras manuales del estado. Por ejemplo, un técnico puede tomar lecturas de vibración en una máquina para detectar el deterioro del estado de los rodamientos. Este método sigue siendo mejor que el antiguo método de mantenimiento preventivo, pero al igual que la automatización industrial está evolucionando, están surgiendo nuevos avances en análisis predictivo y aprendizaje profundo, donde los datos se recopilan y analizan continuamente en tiempo real. Si bien el Mantenimiento Predictivo (PdM) totalmente automatizado parece ideal en términos de eficiencia, este escenario no está exento de desafíos.
Desafíos y obstáculos del mantenimiento predictivo automatizado
Las empresas que adoptan el Mantenimiento Predictivo automatizado aprovechan IoT que registran cantidades masivas de datos y aplican métodos de umbralización o aprendizaje automático para identificar anomalías. El reto radica en que, una vez implementados a gran escala estos sistemas de recopilación de datos, se genera una avalancha de datos que dificulta la búsqueda de información útil para un Mantenimiento Predictivo significativo. Este es el problema inherente a todas las situaciones donde predomina el big data. La IA se utiliza cada vez más para resolver el problema del big data, pero incluso estos algoritmos de IA de aprendizaje se basan en el contexto y la guía para generar información significativa.
Cuando se detectan anomalías mediante el Mantenimiento Predictivo automatizado, incluso cuando se complementa con ciertas IoT que emplean aprendizaje automático, sigue siendo difícil comprender la causa y la importancia de la anomalía, ya que las muestras no fueron recolectadas por un experto. Detectar anomalías con las técnicas tradicionales de monitorización manual de condiciones ayudó al técnico a obtener un pronóstico específico. IoT buscan mejorar la comunicación entre las máquinas y los profesionales. Sin embargo, con el Mantenimiento Predictivo automatizado, se rompe parte de la estrecha relación entre el técnico y la máquina, lo que dificulta enormemente la comprensión de las anomalías detectadas remotamente.
Las “señales líderes” como solución viable
Una solución propuesta para estos desafíos, que no recurre al diagnóstico manual y aprovecha las ventajas de la automatización, es centrarse en un número limitado de "señales clave" mientras se buscan anomalías que indiquen problemas con el estado de la máquina. El objetivo de las señales clave es analizar primero el panorama general con señales claras que entendamos fácilmente y que nos alerten de que algo no va bien. Por el contrario, si intentamos procesar todos los datos disponibles a la vez, nos ahogamos en un mar de falsas alertas positivas sobre anomalías menores que no requieren atención.
Una vez que se identifica una anomalía con una señal principal y se entiende fácilmente como una anomalía significativa, se pueden analizar información y datos adicionales de otras señales recopiladas para facilitar el diagnóstico remoto y los procesos de causa raíz.
Las señales principales son mejores cuando son algo que los humanos comprenden fácilmente y activan nuestra intuición al instante (como la temperatura corporal de un paciente). Cuando estas señales son fácilmente reconocibles por sentidos como el oído, la vista o el tacto, el proceso de validar la importancia de las anomalías es mucho más fácil y rápido para quienes ya se enfrentan a una sobrecarga cognitiva con la información de los sistemas automatizados.
El papel del sonido en el PdM automatizado
Para el mantenimiento predictivo (PdM) de máquinas industriales, existen numerosos tipos de señales guía que las personas pueden comprender fácilmente. Hasta la fecha, el PdM se ha basado principalmente en el contacto (pasando de una máquina a otra con un sensor) y detecta anomalías mediante señales guía como la vibración, la temperatura y el consumo de energía. La vibración, por ejemplo, es una buena señal guía; sin embargo, en el caso del PdM automatizado, depende mucho más de la ubicación del sensor, por lo que para cubrir completamente una máquina grande y compleja, se requerirán varios sensores. Esto, a su vez, contribuye al problema de la sobrecarga de datos.
En el caso del mantenimiento predictivo (PdM) de máquinas, el sonido es una excelente señal guía para identificar anomalías, ya que es fácil de entender para las personas, incluso si no están físicamente cerca de la máquina. Una vez identificada, se puede localizar la fuente de una anomalía sonora. Por lo tanto, la cobertura de la máquina es mucho mejor, incluso con un solo sensor, y la señal representa el estado normal o anormal de toda la máquina.
El sonido, como señal principal para el mantenimiento predictivo automatizado (PdM), permite la detección y clasificación de una amplia gama de fenómenos mecánicos, a menudo con mayor rapidez que otros métodos de detección. Esto se debe a que las piezas móviles, ya sean sólidas, líquidas o gaseosas, producen un patrón de sonido único, y cuando algo en ese movimiento cambia, incluso ligeramente, el sonido producido también cambia. Tomemos como ejemplo un rodamiento mecánico sometido a una tensión dinámica extrema. Al aparecer la primera grieta, el rodamiento producirá un patrón ultrasónico único que indica el problema inminente.
Conclusión
A medida que nuevas tecnologías se lanzan al mercado, el PdM automatizado seguirá evolucionando. Sin embargo, los desafíos de extraer información de los datos y mantener a las personas y las máquinas conectadas para obtener los mejores diagnósticos nunca cambiarán. Como ocurre con todos los problemas de big data, centrarse en pequeñas cantidades de datos comprensibles y, a partir de ahí, ampliar el alcance del análisis es la mejor solución. Comenzar con las señales principales (aquellas que las personas reconocen al instante) es la clave para optimizar el PdM automatizado, y el sonido es una señal lógica que ayuda a abordar estos desafíos de forma significativa y medible.
Este artículo se publicó originalmente en I IoT World y fue escrito por Amnon Shenfeld , ingeniero de software de formación y desarrollador de software práctico y experimentado, apasionado por la creación de aplicaciones disruptivas. Amnon es actualmente director ejecutivo y cofundador de 3DSignals , empresa pionera en la aplicación del mantenimiento predictivo basado en sonido para equipos industriales y de fabricación.
