Mantenimiento predictivo

 

¿Qué es el mantenimiento predictivo?

3 cosas que es necesario saber

El mantenimiento predictivo es una técnica para mantener activos industriales operativos, tales como motores a reacción, turbinas eólicas y bombas de aceite, utilizando modelos predictivos. Estos modelos predictivos utilizan datos de sensores y otra información pertinente para detectar anomalías, supervisar el estado de los componentes y estimar la vida útil restante (RUL). Con el mantenimiento predictivo, puede planificar el mantenimiento en el momento exacto: ni demasiado antes ni demasiado después.

Importancia del mantenimiento predictivo

Para entender por qué el mantenimiento predictivo es tan popular, es importante comprender las deficiencias de los métodos alternativos: mantenimiento reactivo y mantenimiento preventivo.

Mantenimiento reactivo y mantenimiento preventivo

En un enfoque de mantenimiento reactivo, solo se realiza mantenimiento cuando el activo ha fallado. Aunque este método resulta adecuado para una bombilla, los fallos no planificados y el tiempo de inactividad representan un coste muy alto para los activos industriales.

Por lo tanto, la mayoría de los operadores optan por el mantenimiento preventivo, planificando el mantenimiento a intervalos regulares sin tener en cuenta el estado real de la máquina. Si bien este enfoque mitiga el riesgo de fallos en comparación con el mantenimiento reactivo, genera mayores costes de mantenimiento, mayor tiempo de inactividad y el consiguiente aumento en el inventario y los activos de repuesto. Tampoco evita fallos inesperados, ya que el estado del activo solo se mide periódicamente, en lugar de supervisarse y analizarse continuamente en tiempo real.

Tres tipos de mantenimiento y su enfoque para administrar los fallos.

Mantenimiento predictivo

El mantenimiento predictivo resuelve los problemas propios de los otros dos enfoques, supervisando continuamente el estado del activo y estimando constantemente el momento en que fallará o requerirá mantenimiento. Esto minimiza el tiempo de inactividad inesperado y reduce los costes operativos, ya que garantiza que el mantenimiento solo se realizará cuando sea necesario. Además, el desarrollo de una solución de mantenimiento predictivo satisfactoria permite a los fabricantes generar un nuevo flujo de ingresos al proporcionar el mantenimiento como un servicio a sus clientes.

Tipos de algoritmos utilizados en soluciones de mantenimiento predictivo y preguntas a las que responden.

Cómo funciona el mantenimiento predictivo

Una solución de mantenimiento predictivo se centra en un algoritmo que analiza los datos de los sensores de un activo y los utiliza para detectar anomalías, diagnosticar problemas del equipo o predecir la vida útil restante (RUL) del activo.

Desarrollar este algoritmo requiere que los ingenieros recopilen los datos apropiados y, después, utilicen herramientas como MATLAB® para preprocesarlos y extraer sus características, para luego utilizarlas como entrada en un modelo de Machine Learning o Deep Learning que realiza una predicción. Este algoritmo se despliega a escala en sistemas de TI/TO a los que se transmiten datos de diversos activos y equipos. Si este paso final no se completa correctamente, no se obtendrán las ventajas de una solución de mantenimiento predictivo.

Flujo de trabajo para desarrollar algoritmos para una solución de mantenimiento predictivo.

Datos de fallos

La recopilación de datos es el primer paso para desarrollar cualquier algoritmo de mantenimiento predictivo. Los modelos de Machine Learning y Deep Learning solo son precisos si tienen datos de entrenamiento sólidos que representen los tipos de fallos que se desean predecir. Por lo tanto, es importante recopilar datos que representen el activo tanto en estado correcto como en estado de fallo.

Sin embargo, a menudo resulta difícil acceder a los datos correspondientes a eventos de fallos en los equipos; al fin y al cabo, el objetivo de cualquier programa de mantenimiento es evitar los fallos. Esto hace que sea difícil para los ingenieros y los científicos de datos obtener el tipo correcto de datos para comenzar a crear un algoritmo.

Una solución a este problema es utilizar modelos virtuales, como los creados en Simulink®, para representar la dinámica de los activos y simular fallos. Por ejemplo, un ingeniero puede crear un modelo de una bomba de aceite y simular fallos debidos a una válvula con fugas y una tubería bloqueada. De ese modo, es posible recopilar datos de fallos de una manera rentable que no afecta al rendimiento de la bomba de aceite real. De hecho, generar datos de fallos para el desarrollo de algoritmos de mantenimiento predictivo es una de las ventajas de invertir en gemelos digitales.

Extracción de características

Una vez recopilados los datos, el siguiente paso es preprocesarlos y reducirlos a un conjunto de características que se pueden utilizar como “indicadores de condición”. Estos indicadores de condición capturan la información pertinente relacionada con el estado de los activos. Normalmente, se extraen mediante una combinación de técnicas estadísticas, basadas en modelos y de procesamiento de señales, implementadas en herramientas de análisis y diseño tales como MATLAB y Simulink. También es la etapa del desarrollo de algoritmos donde el aporte del equipo de ingeniería es clave, ya que tiene una visión única de cómo funciona su activo.

Identificar los indicadores de condición adecuados es fundamental para el éxito de un algoritmo de mantenimiento predictivo. Permite a los ingenieros supervisar un conjunto de datos significativamente más pequeño para determinar por qué su activo está funcionando de ese modo. Por ejemplo, los aviones comerciales generan cerca de un terabyte de datos por vuelo. Analizar cantidades tan grandes de datos puede ser realmente difícil, por lo que la extracción de características es cada vez más importante. Una ventaja adicional es que contribuye a reducir los costes de almacenamiento y transmisión de datos.

Modelos predictivos

Los modelos de Machine Learning y Deep Learning distinguen las soluciones de mantenimiento predictivo de un enfoque tradicional de supervisión basada en condiciones. Estos modelos utilizan indicadores de condición como entradas para detectar la causa raíz de una anomalía o predecir cuándo un activo podría fallar. La supervisión basada en condiciones puede proporcionar actualizaciones en tiempo real, pero no predice el estado futuro del activo.

Si existen valores de indicadores de condición disponibles para diferentes modos de fallos, los ingenieros y los científicos de datos pueden usar métodos de aprendizaje supervisado para entrenar modelos predictivos que pueden diferenciar entre estos modos de fallos. Luego, estos modelos se pueden conectar con activos sobre el terreno, donde pueden contribuir a aislar la causa raíz de un problema que afecta al rendimiento del activo.

Los métodos de aprendizaje no supervisado son más adecuados para aplicaciones de detección de anomalías, donde el objetivo es clasificar los valores de los indicadores de condición entrantes del equipo como “rendimiento normal” o “rendimiento anormal”. Como los métodos de aprendizaje no supervisado no requieren datos de entrenamiento etiquetados correspondientes a diferentes modos de fallos, son de uso habitual para los ingenieros que intentan desarrollar algoritmos de mantenimiento predictivo por primera vez.

Para calcular la vida útil restante (RUL) de una máquina se puede utilizar un tipo distinto de métodos basados en probabilidad y series de tiempo. Estos modelos aceptan el valor actual de un indicador de condición y estiman, dentro de un intervalo de confianza definido, cuándo fallará el equipo.  De hecho, estos modelos de RUL son una forma de gemelos digitales, ya que modelan la degradación gradual de un activo operativo en particular. Armados con información sobre el intervalo de tiempo en el que un activo puede fallar, los ingenieros pueden planificar el mantenimiento en el momento adecuado, realizar un pedido de repuestos o limitar el funcionamiento del activo para ampliar su vida útil.

Algoritmos de vida útil restante disponibles en MATLAB categorizados por el tipo de datos disponibles para realizar predicciones.

Implementación y puesta en práctica

Una solución de mantenimiento predictivo no consiste solamente en desarrollar algoritmos. Una vez que haya desarrollado un algoritmo, debe desplegarlo en un entorno de producción, como un sistema de Internet of Things (IoT), para que las organizaciones obtengan los beneficios de reducir el tiempo de inactividad, reducir los costes de mantenimiento y mejorar la eficiencia operativa.

El entorno de producción en el que se ejecuta el algoritmo debe administrar de forma segura los datos generados por diversos activos operativos y escalar los recursos informáticos según sea necesario para garantizar que los algoritmos se ejecuten de la manera más eficaz posible a través de sistemas edge o de TI/TO. El entorno de producción también debe integrarse con otros sistemas de TI para administrar el inventario, generar tickets de servicio y presentar paneles con los resultados del algoritmo al equipo de operaciones responsable de los activos.

Cabe señalar que, en estos entornos de producción, los algoritmos de mantenimiento predictivo no solo se ejecutan en la nube o en servidores locales. Partes del algoritmo, especialmente las relacionadas con el preprocesamiento de datos y la extracción de características, se pueden evaluar en dispositivos edge, como controladores industriales, que se encuentran justo al lado del activo operativo y son capaces de procesar los datos de alta velocidad que genera. Esto contribuye a reducir los costes de almacenamiento y transmisión de datos.

Componentes de una solución de mantenimiento predictivo desplegada.

Casos de éxito

Daimler presenta un método eficiente de supervisión en tiempo real de un gran número de parámetros de proceso y su aplicación a un ejemplo de datos de producción reales.
Para supervisar los motores, Safran ha creado un entorno para diseñar y desarrollar algoritmos de supervisión de estado. Esta plataforma, utilizada con MATLAB y Simulink, permite a los usuarios integrar aplicaciones algorítmicas tales como procesamiento de textos, entrada/salida o visualización, además de optimizar los algoritmos continua y automáticamente.
Para optimizar la operación de una nueva clase de trenes conectados, SCNF ha utilizado los datos generados por transmisión remota para supervisar el estado, predecir fallos y planificar el mantenimiento.

Mantenimiento predictivo con MATLAB y Simulink

Los ingenieros emplean MATLAB, Simulink y Predictive Maintenance Toolbox™ para desarrollar y desplegar software de supervisión de condiciones y mantenimiento predictivo en sistemas empresariales de TI y TO.

Los ingenieros pueden:

  • Acceder a datos archivados y de streaming mediante las interfaces integradas para almacenamiento en la nube, bases de datos relacionales y no relacionales, y protocolos tales como REST, MQTT y OPC UA.
  • Preprocesar los datos y extraer características para supervisar el estado de los equipos mediante apps de procesamiento de señales y técnicas estadísticas.
  • Desarrollar modelos de Machine Learning para aislar la causa raíz de los fallos, y predecir el tiempo hasta el fallo y la vida útil restante (RUL).
  • Desplegar algoritmos y modelos en los sistemas en funcionamiento de su elección. Generar automáticamente código C/C++, HDL, PLC o CUDA para la implementación embebida o en dispositivos edge. Desplegar algoritmos en la nube como librerías C/C++ compartidas, apps web, contenedores Docker, ensamblados .NET, clases de Java® y paquetes de Python. 

Extracción y clasificación de características de manera interactiva sin necesidad de escribir código con la app Diagnostic Feature Designer en MATLAB.

Más información sobre mantenimiento predictivo

Obtenga más información sobre los conceptos y los flujos de trabajo relacionados con el mantenimiento predictivo.
Descubra cómo utilizar modelos de simulación de sistemas industriales junto con el diseño basado en modelos para abarcar todo el flujo de trabajo de mantenimiento predictivo.
Aprenda a desarrollar algoritmos de mantenimiento predictivo, supervisión de condiciones y detección de anomalías con MATLAB.
Aprenda los conceptos básicos para crear gemelos digitales, incluidos los principales métodos de modelización y la implementación con MATLAB y Simulink.
Diseñe y pruebe algoritmos de supervisión de condiciones y mantenimiento predictivo.
Aprenda a utilizar MATLAB para el mantenimiento predictivo a través de ejemplos y tutoriales en vídeo.
Observe cómo crear una solución de mantenimiento predictivo para la fabricación inteligente a escala. La presentación sigue todo el flujo de trabajo, desde el diseño hasta el desarrollo y desde las pruebas hasta la producción, haciendo hincapié en las herramientas disponibles para los científicos de datos, los arquitectos de sistemas, el equipo de TI y los gerentes de planta.
Descubra cómo utilizar técnicas de Machine Learning en MATLAB para estimar la vida útil restante de los equipos. Mostramos cómo se utiliza MATLAB para crear algoritmos de pronóstico y llevarlos a producción, lo que permite a las empresas mejorar la fiabilidad de sus equipos y crear nuevos servicios de mantenimiento predictivo.

Temas relacionados

30 días de exploración a su alcance

¿Tiene preguntas?