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

Hoy en día, las empresas de muchos sectores pesados como la fabricación, 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 costes y el tiempo de inactividad asociados a averías y daños inesperados en máquinas críticas.

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

Una vez identificada la temperatura corporal más elevada, tiene sentido examinar otros factores para llegar a un pronóstico claro. En este caso, la temperatura corporal es lo que yo llamo una buena "señal líder" en el caso de la monitorización del cuerpo humano. Las señales líderes también son una buena solución para la PdM en máquinas industriales, pero antes de llegar a eso, demos un paso atrás y analicemos el problema para contextualizarlo.

Industria 4.0 y la evolución del mantenimiento predictivo

La Industria 4.0 o lo que se ha dado en llamar la "fábrica inteligente" está empezando a madurar con las enormes inversiones previstas en sistemas ciberfísicos, computación en la nube e Internet de las Cosas. En la actualidad, la demanda mundial de sistemas de automatización industrial va en aumento, ya que las empresas manufactureras buscan formas de reducir los costes de producción al tiempo que mejoran la calidad. Esta demanda también está impulsando grandes inversiones en software de automatización industrial y, en concreto, en análisis predictivo impulsado por IA, un mercado que alcanzará los 18.500 millones de dólares en 2021 según Research and Markets.

Sin embargo, en muchos casos, el mantenimiento predictivo, que se deriva del análisis predictivo, sigue realizándose de forma periódica por 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 del estado 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 el análisis predictivo y el aprendizaje profundo donde los datos se recopilan y analizan continuamente en tiempo real. Aunque el PdM totalmente automatizado parece ideal en términos de eficiencia, este escenario no está exento de desafíos.

Retos y obstáculos del mantenimiento predictivo automatizado

Las empresas que adoptan el mantenimiento predictivo automatizado aprovechan las soluciones IIoT que registran cantidades masivas de datos y aplican métodos de umbralización o aprendizaje automático para identificar anomalías.El reto aquí es que una vez que estos sistemas de recopilación de datos se implementan a escala, se produce un tsunami de datos resultante que dificulta la tarea de encontrar perspectivas procesables para una PdM significativa. Este 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 macrodatos, pero incluso estos algoritmos de aprendizaje de IA dependen del contexto y de la orientación para producir perspectivas significativas.

Cuando se detectan anomalías a través del mantenimiento predictivo automatizado, incluso cuando se complementa con determinadas soluciones de IIoT que emplean el aprendizaje automático, sigue siendo difícil comprender la causa y la importancia de la anomalía porque las muestras no fueron recogidas por un experto. La detección de anomalías con las técnicas manuales tradicionales de monitorización del estado ayudaba en realidad al técnico a llegar a un pronóstico concreto. Las soluciones IIoT pretenden mejorar el flujo de comunicación entre las máquinas y los profesionales. Sin embargo, con la PdM automatizada, se rompe una parte de la relación íntima entre el técnico y la máquina, lo que dificulta enormemente la comprensión de las anomalías detectadas a distancia.

"Señales de alerta" como solución viable

Una solución propuesta para estos retos que no recurre al diagnóstico manual y que aprovecha las ventajas de la automatización consiste en centrarse en un número limitado de "señales principales" mientras se buscan anomalías que indiquen problemas en el estado de la máquina. El objetivo de las señales principales es observar primero el panorama general con señales claras que comprendamos fácilmente y nos alerten de que algo no va bien. Por el contrario, si tratamos de ingerir todos los datos disponibles a la vez, nos ahogamos en un mar de falsas alertas positivas sobre anomalías menores que no necesitan atención.

Una vez que una anomalía se identifica con una señal principal y se entiende fácilmente como una anomalía significativa, entonces se pueden analizar ideas y datos adicionales de otras señales recogidas para facilitar el diagnóstico remoto y los procesos de causa raíz.

Las señales de alerta son mejores cuando son algo que los humanos entendemos fácilmente y activan al instante nuestra intuición (como la temperatura corporal de un paciente). Cuando estas señales son humanamente relacionables a través de sentidos como el oído, la vista o el tacto, el proceso de validación de la importancia de las anomalías es mucho más fácil, más rápido para los seres humanos que ya se enfrentan a una sobrecarga cognitiva con la información de los sistemas automatizados.

El papel del sonido en la PdM automatizada

En el caso de la PdM de máquinas industriales, hay muchos tipos de señales principales que los humanos pueden entender fácilmente. De nuevo, la PdM hasta la fecha se ha basado principalmente en el contacto (ir de máquina en máquina con un sensor) y detecta anomalías con señales principales como la vibración, la temperatura y el consumo de energía. La vibración, por ejemplo, es una buena señal principal, pero en el caso de la PdM automatizada, depende mucho más de la ubicación del sensor, por lo que para cubrir por completo 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 máquinas, el sonido es una excelente señal principal para identificar anomalías porque es fácil de entender para los humanos, aunque no estén físicamente cerca de la máquina. Una anomalía en el sonido puede localizarse hasta su fuente una vez identificada. Por tanto, la cobertura de la máquina es mucho mayor incluso con un solo sensor, y la señal representa el estado normal o anormal de toda la máquina.

El sonido como señal principal para la PdM automatizada permite detectar y clasificar una amplia gama de fenómenos mecánicos, a menudo antes que otros métodos de detección. Esto se debe al simple hecho de que las piezas en movimiento -ya sean sólidas, líquidas o gaseosas- producen un patrón sonoro único, y cuando algo en ese movimiento cambia, aunque sea ligeramente, el sonido producido también cambia. Tomemos por ejemplo un rodamiento mecánico sometido a una tensión dinámica extrema. Cuando aparezca la primera grieta, el rodamiento producirá un patrón ultrasónico único que indica el problema que se avecina.

Conclusión

A medida que salgan al mercado nuevas tecnologías, la PdM automatizada seguirá evolucionando. Pero el reto de extraer información de los datos y mantener conectados a humanos y máquinas para obtener los mejores diagnósticos nunca cambiará. Como ocurre con todos los problemas de big data, la mejor solución es centrarse en pequeñas cantidades de datos comprensibles y, a partir de ahí, ampliar el alcance del análisis. Empezar por las señales principales -aquellas cosas que los humanos reconocen al instante- es la clave para optimizar la PdM automatizada, y el sonido es una señal lógica que ayuda a abordar estos retos de forma significativa y cuantificable.

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