¿Existe una interfaz hombre-máquina para el mantenimiento predictivo?

Hoy en día, empresas de muchas industrias pesadas, como la manufacturera, la generación de energía, el petróleo y el gas, las energías renovables, los metales, los productos químicos y la minería, están aplicando técnicas de mantenimiento predictivo (PdM) a sus operaciones globales multimillonarias para reducir los costos y el tiempo de inactividad asociados con fallos y daños críticos inesperados en la máquina.

En muchos sentidos, la relación médico-paciente es una buena analogía con la relación técnico-máquina en términos de intentar comprender el significado de una condición observada. Imagine que la temperatura corporal de un paciente es más alta de lo normal. Esto podría deberse a varias cosas: algunas normales (por ejemplo, ejercicio extenuante) y otras que indican una enfermedad (por ejemplo, fiebre) que debe tratarse.

Una vez que se identifica la temperatura corporal más alta, tiene sentido observar factores adicionales para llegar a un pronóstico claro. En este caso, la temperatura corporal es lo que yo llamo una buena “señal guía” en el caso del seguimiento del cuerpo humano. Las señales anticipadas también son una buena solución para PdM en máquinas industriales, pero antes de llegar a eso, retrocedamos y analicemos el problema en contexto.

Industria 4.0 y la evolución del Mantenimiento Predictivo

La Industria 4.0 o lo que se ha llamado la “fábrica inteligente” está comenzando a madurar con inversiones masivas proyectadas en sistemas ciberfísicos, computación en la nube e Internet de las cosas. Hoy en día, la demanda mundial de sistemas de automatización industrial está aumentando a medida que las empresas manufactureras buscan formas de reducir los costos de producción y al mismo tiempo mejorar la calidad. Esta demanda también está impulsando importantes inversiones en software de automatización industrial y, específicamente, 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, que surge del análisis predictivo, todavía lo realizan periódicamente los técnicos que van de máquina en máquina y toman muestras manuales del estado. Por ejemplo, un técnico puede tomar lecturas de vibración en una máquina para detectar el deterioro en la condición de los rodamientos. Este método sigue siendo mejor que el antiguo estilo de mantenimiento preventivo, pero al igual que la propia 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 PdM totalmente automatizado parece ideal en términos de eficiencia, este escenario no está exento de desafíos.

Desafíos y obstáculos con el Mantenimiento Predictivo automatizado

Las empresas que adoptan el mantenimiento predictivo automatizado están aprovechando las soluciones I IoT que registran cantidades masivas de datos y aplican métodos de umbralización o aprendizaje automático para identificar anomalías. El desafío aquí es que una vez que estos sistemas de recopilación de datos se implementan a escala, se produce un tsunami de datos que dificulta la tarea de encontrar conocimientos prácticos para una PdM significativa. Éste es el problema inherente a todas las situaciones en las que prevalecen los "grandes datos". La IA se utiliza cada vez más para resolver el problema de los big data, pero incluso esos algoritmos de aprendizaje de IA dependen del contexto y la orientación para producir conocimientos significativos.

Cuando se detectan anomalías mediante el mantenimiento predictivo automatizado, incluso cuando se complementa con ciertas soluciones I IoT que emplean aprendizaje automático, sigue siendo difícil comprender la causa y el significado de la anomalía porque las muestras no fueron recopiladas por un experto. La detección de anomalías con las técnicas tradicionales de monitoreo de condición manual en realidad ayudó al técnico a alcanzar un pronóstico específico. I IoT tienen como objetivo mejorar el flujo de comunicación entre máquinas y profesionales. Sin embargo, con el PdM automatizado se rompe una parte de la relación íntima entre el técnico y la máquina, lo que dificulta mucho la comprensión de las anomalías detectadas de forma remota.

Las “señales principales” como solución viable

Una solución propuesta a estos desafíos que no recurre al diagnóstico manual y que aprovecha los beneficios de la automatización es centrarse en un número limitado de "señales principales" mientras se buscan anomalías que indiquen problemas con el estado de la máquina. El objetivo de las señales principales es mirar primero el panorama general con señales claras que entendamos fácilmente y que nos alerten de que algo no está bien. Por el contrario, si intentamos ingerir todos los datos disponibles a la vez, nos ahogamos en un mar de alertas de falsos positivos sobre anomalías menores que no necesitan atención.

Una vez que se identifica una anomalía con una señal principal y se entiende fácilmente como una anomalía significativa, se pueden analizar conocimientos y datos adicionales a partir 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 instantáneamente nuestra intuición (como la temperatura corporal de un paciente). Cuando estas señales son humanamente identificables a través de sentidos como el oído, la visión o el tacto, el proceso de validar la importancia de las anomalías es mucho más fácil y rápido para los humanos que ya enfrentan una sobrecarga cognitiva con información de sistemas automatizados.

El papel del sonido en PdM automatizado

Para PdM de máquinas industriales existen muchos tipos de señales principales que los humanos pueden entender fácilmente. Una vez más, hasta la fecha PdM se ha basado principalmente en contactos (yendo de una máquina a otra con un sensor) y detecta anomalías con señales principales como vibración, temperatura y consumo de energía. La vibración, por ejemplo, es una buena señal principal; 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 necesitarán varios sensores. Esto, a su vez, contribuye al problema de la avalancha de datos.

En el caso de la PdM de la máquina, el sonido es una señal excelente para identificar anomalías porque es fácil de entender para los humanos, incluso si no están físicamente cerca de la máquina. Una anomalía en el sonido se puede localizar en su fuente una vez identificada. Por lo tanto, la cobertura de la máquina es mucho mejor incluso con un solo sensor y la señal representa la condición normal o anormal de toda la máquina.

El sonido como señal principal para PdM automatizado permite la detección y clasificación de una amplia gama de fenómenos mecánicos, a menudo antes que otros métodos de detección. Esto se debe al simple hecho de que las partes móviles, ya sean sólidas, líquidas o gaseosas, producen un patrón de sonido único, y cuando algo en ese movimiento cambia, aunque sea ligeramente, el sonido producido también cambia. Tomemos, por ejemplo, un rodamiento mecánico sometido a tensiones dinámicas extremas. Cuando aparece la primera grieta, el rodamiento producirá un patrón ultrasónico único que indica el problema que se avecina.

Conclusión

A medida que lleguen al mercado nuevas tecnologías, el PdM automatizado seguirá evolucionando. Pero los desafíos de recopilar conocimientos a partir de datos y mantener a humanos y máquinas conectados para obtener los mejores diagnósticos nunca cambiarán. Como ocurre con todos los problemas de big data, la mejor solución es centrarse en pequeñas cantidades de datos comprensibles y luego ampliar el alcance del análisis a partir de ahí. Comenzar con señales principales (aquellas cosas que los humanos reconocen instantáneamente) es la clave para optimizar la PdM automatizada, y el sonido es una señal lógica que ayuda a abordar estos desafíos de manera significativa y mensurable.

Este artículo fue publicado originalmente en I IoT World y escrito por Amnon Shenfeld , un ingeniero de software de formación y un desarrollador de software práctico experimentado apasionado por la creación de aplicaciones de software disruptivas. Amnon es actualmente director ejecutivo y cofundador de 3DSignals , una empresa pionera en la aplicación de mantenimiento predictivo basado en sonido para equipos industriales y de fabricación.