Blog técnico

Máquinas que se autodiagnostican y autocuran. Más allá del mantenimiento predictivo

Algoritmos para predecir la vida útil y las fallas de las máquinas

Si ya creíamos haberlo escuchado todo respecto al mantenimiento predictivo, actualmente se está desarrollando una nueva tendencia entorno a los sistemas de producción que ese auto-reparan y se autoajustan a las nuevas condiciones de contorno.

Los sistemas productivos han evolucionado desde hace cientos de años de manera lenta, pero fiable. Inicialmente vinieron los sistemas de producción en cadena, allá por el 1913 a un tal Henry Ford se le ocurrió la idea de fabricar en masa automóviles, que previamente estaban siendo producidos de manera unitaria. Esto permitió que los costes de producción se redujeran de manera muy significativa y originó que el automóvil se convirtiera en un producto de consumo de masas.

A principios de la década de los 80 comenzaron a robotizarser los diferentes medios de producción, inicialmente mediante sistemas muy rudimentarios y poco efectivos, pero poco a poco se fue evolucionando hacia robots cada vez más complejos, que desarrollaban tareas cada vez de mayor valor añadido, hasta finalmente desempeñar más de la mitad de las tareas repetitivas que actualmente se dan en las empresas.

Según iban avanzando los procesos de robotización, se hizo más importante contar con un sistema de mantenimiento adecuado, que permitiera en caso de falla poder reparar el robot en tiempo récord. Lo que se venía llamando mantenimiento correctivo. Pero aún más importante era que estos robots no llegaran a tener ningún problema y no se pararan, para impedir impactos en la producción. A esto se le llamó mantenimiento preventivo, y se realizaba, en la mayoría de los casos, siguiendo las instrucciones de mantenimiento que el fabricante de la máquina indicaba, lo que provocaba la realización de tareas repetitivas de mantenimiento qué muchos casos era un “café para todos”.

Las consecuencias directas de este modo de proceder eran:

  1. Sobrecostes en los procesos de mantenimiento por estar manteniendo infraestructuras, robots y máquinas que no necesitaban DS mantenimiento en esos momentos.
  2. Sobrecostes por la necesidad de tener repuestos para todos los equipos o, por lo menos, para las piezas más importantes de las máquinas que acitvas en producción
  3. El mantenimiento preventivo no discrimina sus acciones en función de las cargas de trabajo, del desgaste real de las piezas o del tipo de tarea que se está haciendo.
  4. En muchos casos, se trata a todas las máquinas por igual, por lo que aquellas que estuvieran teniendo un desgaste mayor o problemas internos, acaban teniendo fallas inesperadas a pesar del mantenimiento preventivo.

En los últimos años y antes del desarrollo de los procedimientos de mantenimiento predictivo, se ha desarrollado lo que se denomina mantenimiento preventivo dirigido. A través de este método se monitorizan en tiempo real de todas las máquinas de una planta. Midiendo todos sus movimientos a nivel de segundo, milisegundo o lo la fractura temporal que se estime necesaria, se puede evaluar la evolución del total de la máquina o de cada uno de sus sensores para realizar, en función del desgaste que se detecte, el mantenimiento que requieran.

De esta manera, empoderamos enormemente a los operarios de mantenimiento, qué con su alto nivel de conocimiento del funcionamiento de las máquinas, más la información adicional del estado real de cada aparato que les ofrecen cuadros de mando digitales (Business Intelligence), consiguen mejorar enormemente los sistemas de mantenimiento, asegurando una mayor fiabilidad del proceso productivo y aumentando la OEE general de la empresa.

Algoritmos para predecir la vida útil y las fallas de las máquinas

El gran salto en la evolución de los sistemas de mantenimiento se ha dado con la aplicación de la ciencia de datos y la inteligencia artificial. En LIS Solutions, mediante lo que llamamos RUL (Remaining useful life) y ROF (Risk of Failure), desarrollamos algoritmos que pueden predecir la vida útil restante de las máquinas o el riesgo de falla inesperada, adelantándonos al futuro con los consiguientes ahorros en tiempo, costes por paradas, recambios… y ganando en capacidad productiva, rentabilidad, calidad y rendimiento de los equipos.

Los algoritmos no dejan de ser nada más que fórmulas matemáticas que interpretan la realidad y emiten veredictos de lo que puede llegar a ocurrir. Las fórmulas básicas de la dinámica de sistemas, así como las ecuaciones que permiten entender los sistemas eléctricos de las máquinas, se han de modelizar y transformar en algoritmos conectados a las fuentes de datos que, en tiempo real, absorben todo el flujo de información que se necesita y los almacenan para su posterior uso.

Desde hace ya años, muchos de nuestros clientes tienen implantados en cientos de robots y máquinas estos algoritmos de los que hablamos que, junto a sus grandes aliados los dispositivos IoT (Internet of the Things) y la automatización de sistemas de alarma, ayudan a los expertos de mantenimiento en la toma de decisiones: qué acciones hay que realizar, en qué máquinas y en qué momento.

Estos proyectos engloban retos físicos, electrónicos, informáticos y de negocio en un único producto, el Mantenimiento Predictivo, lo que obliga a contar con expertos en todas estas áreas para el desarrollo de algoritmos que realmente aporten información de valor a los procesos empresariales.

EspecialidadConceptos a aplicar
DinámicaMomento AngularCantidad de MovimientoRozamiento
ElectrónicaLey de WattConsumo eléctricoLey Joule
FluidosViscosidadBernouilliVasos comunicantes
VibracionesTransf. LaplaceTrans. FourierArmónicos

Mantenimiento Prescriptivo Digital

Pero si pensabas que lo habías escuchado todo… Lo siguiente seguro que te inquietará aún más… Una vez que ya tenemos toda la información compilada, almacenada y las alarmas entrenadas para dar aviso de posibles incidencias antes de que ocurran… ¿Por qué no enseñamos a las máquinas a que se auto-reparen?

Aunque suene a ciencia ficción, en LIS Solutions ya desarrollamos proyectos en los que las propias máquinas modifican sus patrones de producción (más temperatura, menos velocidad, más presión de aire, etc…), para optimizar el resultado final de los productos a comercializar. Una vez que conocemos el diagnóstico, obtenido por los sensores e interpretados por los algoritmos, se puede actuar en la máquina de manera remota, mediante los PLCs, para cambiar la configuración de la misma o incluso de todo el sistema productivo (línea de producción).

Avanzamos hacia entornos autónomos donde paulatinamente los sistemas de producción van a incluir algoritmos de Inteligencia Artificial que ayuden en la programación y planificación de la producción, mejoren los resultados de los productos finales, y disminuyan los desperdicios (MUDA), aportando muchas más información a los expertos en producción para mejorar KPIs tan importantes como el OEE o los tiempos de configuración de máquinas.