¿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, también conocida como la "fábrica inteligente", está alcanzando su madurez con importantes inversiones proyectadas en sistemas ciberfísicos, computación en la nube e Internet de las Cosas. Actualmente, la demanda global de sistemas de automatización industrial está en aumento, ya que las empresas manufactureras buscan reducir los costos de producción y, al mismo tiempo, mejorar la calidad. Esta demanda también impulsa grandes inversiones en software de automatización industrial y, específicamente, en análisis predictivo basado 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, todavía se realiza periódicamente mediante técnicos que van de máquina en máquina tomando muestras manuales de su estado. Por ejemplo, un técnico puede tomar lecturas de vibración en una máquina para detectar el deterioro de los rodamientos. Este método sigue siendo mejor que el antiguo 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 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 están aprovechandoIoT que registran grandes cantidades de datos y aplican métodos de umbralización o machine learning para identificar anomalías.El desafío radica en que, una vez implementados a gran escala, estos sistemas de recopilación de datos generan un volumen de datos ingente que dificulta la obtención de información útil para un mantenimiento predictivo eficaz. 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 dependen del contexto y la orientación para generar información relevante.

Cuando se detectan anomalías mediante el mantenimiento predictivo automatizado, incluso con la ayuda de ciertasIoT soluciones machine learning, sigue siendo difícil comprender la causa y la importancia de la anomalía, ya que las muestras no fueron recolectadas por un experto. La detección de anomalías con las técnicas tradicionales de monitoreo manual de condición ayudaba al técnico a llegar a un pronóstico específico.IoT buscan mejorar la comunicación entre máquinas y profesionales. Sin embargo, con el mantenimiento predictivo automatizado, se rompe parte de la relación cercana entre el técnico y la máquina, lo que dificulta enormemente la comprensión de las anomalías detectadas de forma remota.

Las “señales líderes” como solución viable

Una solución propuesta para estos desafíos, que evita recurrir a diagnósticos manuales y aprovecha las ventajas de la automatización, consiste en centrarse en un número limitado de "señales clave" mientras se buscan anomalías que indiquen problemas en el estado de la máquina. El objetivo de las señales clave es obtener primero una visión general con señales claras y fáciles de comprender que nos alerten de que algo no funciona correctamente. Por el contrario, si intentamos procesar todos los datos disponibles a la vez, nos vemos abrumados por un mar de falsas alarmas 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 de maquinaria, el sonido es una excelente señal para identificar anomalías, ya que es fácil de comprender para los humanos, incluso si no se encuentran físicamente cerca de la máquina. Una vez identificada, una anomalía en el sonido puede localizarse en su origen. 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 IIoT 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.