Una gran revolución en el mantenimiento: mantenimiento predictivo guiado por inteligencia artificial/Internet de las cosas que previene las interrupciones

Para mantener las líneas de producción funcionando de manera segura y con la producción planificada, la inspección y el mantenimiento son esenciales (Fig. 1). No hay dudas de que esto también requiere tiempo, esfuerzo, dinero y personal; aunque algunos países han enfrentado una escasez de personal de mantenimiento en los últimos años, debido a que tienen una tasa de natalidad que va en disminución y población envejecida. Además, ya que el mantenimiento está vinculado de manera indirecta con el valor del producto, muchas empresas preferirían reducir el personal involucrado.

Fig. 1: La optimización de la inspección y el mantenimiento puede ser una ventaja clave de las fábricas inteligentes

Las líneas de producción se pueden detener por varios motivos, pero las detenciones breves se producen cuando se acumulan varios factores: ligeras demoras en la línea, o equipos que no funcionan bien o que no están bien sincronizados. Esta multiplicidad de factores hace que las detenciones breves sean difíciles de predecir.

Recientemente, los fabricantes han empleado Internet de las cosas para recopilar datos sobre las condiciones de funcionamiento de equipos y el movimiento de trabajadores, lo que se puede comprender en tiempo real. La recopilación y el análisis de datos masivos adquiridos han llevado al desarrollo de técnicas para predecir detenciones breves al hacer referencia a instancias anteriores. Las detenciones breves anticipadas se pueden prevenir ajustando las condiciones de funcionamiento del equipo relevante o al tener más trabajadores involucrados.

En contraste, otros factores pueden requerir reparaciones, si las piezas mecánicas se desgastan u oxidan, suciedad o elementos extraños se acumulan, o temperaturas más cálidas producen expansión. Los cambios que al final conducen a fallas son complejos y suceden de manera gradual, lo que hace que esta falla sea difícil de predecir.

El mantenimiento preventivo tradicionalmente ha involucrado inspecciones regulares y minuciosas, y el reemplazo de piezas de productos de consumo parcialmente usadas, para evitar la falla que requiere reparación. Este enfoque ha presentado dos desafíos. En primer lugar, la variación de la pieza quiere decir que la falla se puede producir antes de lo esperado. En segundo lugar, parece ser un derroche reemplazar piezas que lucen perfectamente bien antes del fin de su vida útil. Sin embargo, en años recientes, la Internet de las cosas y la inteligencia artificial han permitido que haya una actitud proactiva mediante la detección temprana de signos de falla. Esto se conoce como mantenimiento predictivo (Fig. 2). Potenciales indicadores como el aspecto, sonido, presión, calor y vibración se recopilan como datos desde los sensores en los equipos de producción, y técnicas de análisis que incluyen inteligencia artificial ayudan a detectar signos de falla o mal funcionamiento de manera anticipada. Con el mantenimiento predictivo, las piezas de productos de consumo se pueden usar en su potencial máximo. Esto permite tener un enfoque sistemático con el mantenimiento y los pedidos de piezas.

Fig. 2: Diferencia entre mantenimiento preventivo y predictivo

En algunas fábricas establecidas hace tiempo, los ingenieros experimentados pueden detectar anomalías en los equipos por el sonido o las vibraciones que sienten en las manos. Este gran conocimiento ha evitado detenciones breves o fallas de equipos que requieran reparación.

Hay cada vez menos de estos ingenieros veteranos ahora y como la tasa de natalidad va en disminución en una sociedad envejecida, es difícil traspasar estas habilidades y hay menos personas que capacitar. Con las fábricas inteligentes, se pueden crear sistemas para que monitoreen sin parar todos los equipos de producción sin omitir anomalías: una hazaña imposible de igualar de manera convencional en fábricas que confían en las habilidades de un par de personas.

La predicción de fallas no es el único beneficio de tecnologías de recopilación y análisis de datos más avanzadas con una detección de anomalías más precisa. También podemos predecir problemas como caídas en la producción y calidad. Sin embargo, una detección de anomalías más precisa requiere que los fabricantes recopilen suficientes datos de alta calidad de áreas adecuadas, lo que también requiere sensores, módulos de comunicación, baterías y otros componentes de los sistemas de Internet de las cosas más avanzados que recopilen los datos (Fig. 3).

Fig. 3: Componentes clave para lograr una mayor precisión de detección de anomalías en fábricas inteligentes

Con este fin, estos componentes se deben fabricar más pequeños, más livianos y más ahorradores de energía, de modo que los requisitos de instalación no limiten dónde se pueden recopilar los datos. Los componentes también deben tener resistencia al ambiente e inmunidad al ruido para garantizar un funcionamiento estable, incluso en condiciones de fábrica difíciles.

Un desarrollo en años recientes que se está volviendo gradualmente más popular como fuente de alimentación para dispositivos con Internet de las cosas es la recolección de energía, la que convierte fuentes de energía ambiental como la luz, diferenciales de temperatura, ondas electromagnéticas o la vibración en energía eléctrica. En el futuro, las baterías de estado sólido a base de óxido que mejoran la resistencia al ambiente de los dispositivos con Internet de las cosas que funcionan a batería, prometen ampliar las áreas donde se pueden usar estos dispositivos.