La mayoría de los equipos de mantenimiento ya conocen la teoría. Los sensores supervisan los equipos, un algoritmo detecta una anomalía y un técnico soluciona el problema antes de que se convierta en una avería. Eso es el mantenimiento predictivo en pocas palabras.
La brecha se hace patente en la ejecución. Un martes se detecta un pico de vibración, el miércoles se emite la orden de trabajo y, a continuación, el planificador descubre que el cojinete que, según las previsiones del modelo, iba a fallar, no se encuentra en el almacén. Se trata de un artículo con un plazo de entrega de tres semanas procedente de un proveedor extranjero. La predicción fue correcta y útil, pero aun así no evitó el tiempo de inactividad.
Esta es la parte del mantenimiento predictivo que rara vez se muestra en las demostraciones de los proveedores. La calidad de una predicción depende de tu capacidad para actuar en consecuencia, y esa capacidad casi siempre se reduce a si la pieza de recambio adecuada está disponible en la planta correcta en el momento oportuno.
Este artículo analiza el mantenimiento predictivo como una estrategia integral, más allá de la mera cuestión de los sensores. Abordaremos el abanico de estrategias de mantenimiento, cómo encaja en este contexto la gestión del rendimiento de los activos (APM), en qué ámbitos la inteligencia artificial aporta un valor añadido real y el aspecto en el que la mayoría de los equipos invierten menos de lo necesario: la conexión entre las predicciones de fallos y la disponibilidad de piezas de recambio.
El lugar que ocupa el mantenimiento predictivo en el espectro estratégico
El mantenimiento predictivo no sustituye a ningún otro enfoque. Es una opción más dentro de un amplio abanico, y los programas de fiabilidad consolidados aplican varios enfoques en paralelo en función del activo.
En un extremo se encuentra el mantenimiento reactivo, en el que se utiliza el equipo hasta que se estropea. Su planificación resulta barata, pero su reparación es cara cuando falla; no obstante, sigue siendo una opción razonable para activos de baja criticidad y fácilmente sustituibles.
El mantenimiento preventivo se basa en un calendario fijo. Se realiza el mantenimiento de la bomba cada 90 días, independientemente de si lo necesita o no. Esto es predecible y fácil de planificar, pero supone un desperdicio de esfuerzo en equipos que funcionan correctamente y, aun así, no permite detectar averías que no se producen según un calendario. Si deseas una comparación más detallada de estos dos enfoques, nuestro análisis de mantenimiento preventivo frente a mantenimiento predictivo analiza en detalle las ventajas e inconvenientes.
Arregla lo que se rompa
Sin gastos de planificación. Alto coste en caso de fallo. Adecuado para activos no críticos y de baja repercusión.
- No se requieren sensores ni datos
- Plazos y costes de reparación impredecibles
- Solo es aceptable cuando el fallo es tolerable
Servicio según un horario establecido
Intervalos de tiempo fijos o en función del uso. Son predecibles y fáciles de planificar, pero solo permiten realizar el mantenimiento de los activos que se encuentran en buen estado y no detectan los fallos que se producen fuera de los ciclos de mantenimiento.
- Fácil de planificar y de dotarlo de recursos
- Desperdicia esfuerzos en equipos en buen estado
- Fiable para activos con patrones de desgaste conocidos
Intervenir con una condición
Datos reales sobre el estado de las instalaciones y modelización de fallos. Máxima precisión, mínimo desperdicio, pero requiere datos fiables y disponibilidad de piezas de recambio.
- No se realizan operaciones de mantenimiento innecesarias en activos en buen estado
- Requiere una buena cobertura de los sensores y una buena calidad de los datos
- Ideal para activos críticos y de gran importancia
El mantenimiento predictivo se basa en el estado real del activo para decidir cuándo intervenir. En lugar de seguir un calendario, se analizan las vibraciones, la temperatura, la calidad del aceite y otras señales para detectar a tiempo los signos de deterioro. Si se lleva a cabo correctamente, permite realizar el mantenimiento del equipo justo antes de que se produzca una avería, en lugar de en una fecha arbitraria.
Lo importante es que elegir la estrategia adecuada para cada activo es, en sí mismo, una disciplina. Esa decisión suele derivarse de un marco más amplio de mantenimiento centrado en la fiabilidad, que te obliga a preguntarte qué hace cada activo, cómo falla y cuál es el coste real de ese fallo antes de asignarle un enfoque de mantenimiento.
Utilizar el activo hasta que falle y, a continuación, repararlo. Bajos costes de planificación, alto coste de los fallos. Solo es razonable en el caso de equipos no críticos, de bajo coste y fácilmente sustituibles, en los que un fallo no tenga consecuencias para la seguridad ni para la producción.
Mantenimiento a intervalos fijos de tiempo o de uso. Es predecible y fácil de programar, pero implica realizar tareas de mantenimiento innecesarias en activos en buen estado y, aun así, no detecta los fallos que no se ajustan al calendario. Es una opción predeterminada razonable para activos de criticidad media con patrones de desgaste bien conocidos.
Intervenir basándose en datos reales sobre el estado de las instalaciones y en modelos de fallos. Ofrece la máxima precisión y el mínimo esfuerzo innecesario, pero requiere una cobertura adecuada de sensores, datos de calidad y, sobre todo, la disponibilidad de piezas de repuesto. Se recomienda reservarlo para activos críticos y de gran importancia, en los que el tiempo de inactividad resulta muy costoso.
Cómo el APM vincula la predicción con la acción
La gestión del rendimiento de los activos (APM) es el nivel que transforma los datos sobre el estado de los activos en decisiones. Cuando un sensor indica que un cojinete se está calentando, la APM reúne la información de monitorización del estado, el historial de averías, el nivel de criticidad y los registros de mantenimiento para ofrecerte una visión completa del estado de los activos en toda la planta.
La razón por la que el APM es importante para el mantenimiento predictivo es que una predicción por sí sola no es más que una señal. El APM es lo que aporta contexto a esa señal. Responde a las preguntas que determinan si la predicción conduce a un buen resultado o a una situación de emergencia. ¿Qué importancia tiene este activo para la producción? ¿Cuál es el modo de fallo probable? ¿Qué piezas se necesitan para subsanar ese fallo? ¿Las tenemos y dónde se encuentran?
Es precisamente en ese último conjunto de cuestiones donde la mayoría de las implementaciones de APM fallan de forma discreta. Son eficaces a la hora de detectar y diagnosticar, pero deficientes a la hora de vincular el diagnóstico con el inventario físico necesario para actuar en consecuencia. Un modelo puede indicarte con un alto grado de fiabilidad que una caja de cambios fallará en dos semanas, pero si nadie ha relacionado esa caja de cambios con su lista de materiales ni ha comprobado las existencias en todas las plantas, la predicción no cambia lo que sucederá a continuación.
Una gestión eficaz de la gestión del rendimiento de los activos (APM) cierra ese círculo. Aúna el activo, sus modos de fallo, sus piezas de recambio y su situación de inventario en una única vista, de modo que se genera automáticamente una predicción sobre si estás preparado para responder. Es precisamente aquí donde la inteligencia de activos y la inteligencia de piezas de recambio deben funcionar como un único sistema, en lugar de como dos herramientas desconectadas entre sí.
Detectar y diagnosticar
El APM recopila datos sobre el estado a partir de sensores de vibración, térmicos y del IIoT para detectar precozmente el deterioro y caracterizar el modo de fallo probable. Esta es la parte del APM que la mayoría de las herramientas realizan correctamente.
Preparados y listos para actuar
La parte más complicada. El APM debe vincular cada fallo previsto con las piezas de recambio necesarias y el estado actual del inventario, de modo que una alerta active una comprobación de disponibilidad y no una búsqueda de última hora por los almacenes.
Dónde la IA realmente se gana su lugar
Hoy en día, la inteligencia artificial se asocia a casi todos los productos de mantenimiento, por lo que conviene precisar en qué casos realmente mejora los resultados y en cuáles es solo un adorno.
La verdad es que la IA aporta valor en tres aspectos del flujo de trabajo del mantenimiento predictivo. El primero es la detección de anomalías a gran escala. Una persona puede supervisar unos pocos activos críticos. Un modelo, en cambio, puede analizar miles de flujos de datos de sensores y detectar los patrones sutiles con múltiples variables que preceden a un fallo, aquellos que no activan una simple alarma de umbral.
El segundo es la clasificación de los modos de fallo. No basta con saber que algo va mal. Hay que saber qué tipo de problema es, ya que el modo de fallo determina las piezas y la reparación. Un modelo entrenado con datos de fallos industriales puede pasar de «este activo se está deteriorando» a «esto parece un fallo específico del cojinete que requerirá estas piezas», lo cual es un resultado mucho más útil para la toma de decisiones.
El tercero, y el más subestimado, es la generación de señales de demanda de piezas de recambio. Cuando un modelo predice un fallo, esa predicción es también una señal de demanda. Indica que probablemente se consumirá una pieza concreta en breve. Si se incorporan suficientes señales de este tipo a la planificación de inventarios, se pasa de prever las piezas de recambio basándose en medias históricas a hacerlo basándose en fallos reales previstos. Se trata de una mejora significativa de la precisión, y solo es posible cuando el motor de predicción y el motor de inventario se comunican entre sí.
Hay dos salvedades que nos mantienen con los pies en la tierra. Las predicciones de la IA son probabilísticas, no certeras, por lo que sigue siendo esencial que un ser humano revise las decisiones de alto impacto. Además, todas y cada una de estas capacidades dependen de la calidad de los datos subyacentes. Un modelo que base su razonamiento en registros de piezas de recambio duplicados, mal clasificados o incompletos generará respuestas que, aunque parezcan fiables, serán erróneas, lo cual es peor que no dar ninguna respuesta.
El problema de las piezas de recambio que nadie quiere asumir
Aquí es donde las estrategias de mantenimiento predictivo se consolidan o fracasan en la práctica. Puedes contar con sensores perfectos, un modelo bien ajustado y una plataforma de APM consolidada, y aun así fracasar en el almacén.
El fallo se presenta así: la predicción se activa correctamente; se genera la orden de trabajo; y entonces alguien descubre que la pieza no está en stock, o que se encuentra en un almacén de otra planta a trescientas millas de distancia, o que el registro correspondiente está tan mal llevado que nadie puede confirmar si los dos números de referencia, que parecen similares, corresponden realmente al mismo componente.
Hay tres problemas subyacentes que provocan esta situación, y ninguno de ellos se resuelve con sensores de mayor calidad.
El primero es el nivel de criticidad de las piezas de recambio. Los equipos suelen dar por sentado que cualquier pieza acoplada a un activo crítico es, a su vez, crítica, y eso simplemente no es cierto. Solo algunas piezas de un activo crítico son críticas, mientras que otras piezas de activos no críticos tienen más importancia de lo que cabría esperar. Si se comete un error en este aspecto, se acaba acumulando un exceso de existencias de los artículos equivocados y quedándose sin los adecuados. Una gestión adecuada evaluación de la criticidad de los activos tiene que extenderse hasta el nivel de las piezas, no limitarse al activo.
El segundo es la calidad de los datos. El mantenimiento predictivo depende de que los datos sobre piezas de recambio estén limpios, y es bien sabido que los datos sobre piezas de recambio industriales suelen ser desordenados. Hay registros duplicados, descripciones incoherentes, especificaciones que faltan y no existe una relación fiable entre las piezas y los activos a los que pertenecen. Si no existe esa relación entre la pieza y el activo, una predicción de fallo no puede indicarte automáticamente qué pieza debes sacar del almacén.
El tercer aspecto es la ubicación en el almacén. Aunque los datos sean correctos y se haya establecido adecuadamente el nivel de criticidad, la pieza tiene que estar en el lugar adecuado. Un repuesto crítico que se encuentre en una planta equivocada equivale, a efectos prácticos, a una falta de existencias. Por eso gestión de piezas de recambio necesita una visión global de todas las plantas, en lugar de una por planta, de modo que una avería prevista pueda activar un traslado entre plantas antes de que se convierta en un pedido de emergencia.
El verdadero coste de equivocarse en esto
Más de la mitad del tiempo de inactividad de las máquinas se debe a la falta de disponibilidad de piezas de recambio o a que los técnicos no disponen de lo necesario para llevar a cabo una reparación. Al mismo tiempo, aproximadamente una cuarta parte del inventario de mantenimiento se encuentra en forma de existencias muertas: artículos obsoletos que consumen espacio en el almacén y capital circulante durante años. Ambos problemas tienen la misma causa fundamental, que es la toma de decisiones sobre piezas de recambio sin tener en cuenta los datos reales sobre los activos y las averías.
Cerrar el ciclo con MRO360
Esta es precisamente la laguna que MRO360 se propuso subsanar. Aborda el mantenimiento predictivo no como un problema de detección, sino como un flujo integral, desde la señal de fallo hasta la pieza adecuada en la estantería correcta. El nexo de unión entre la predicción y la acción es lo que falta en la mayoría de las plataformas, y ese es precisamente el objetivo principal del producto.
Todo comienza con la evaluación de la criticidad a nivel de pieza, no solo a nivel de activo. MRO360 aplica un sistema de puntuación multivariable que tiene en cuenta los modos de fallo, el impacto en la producción, los plazos de entrega de los proveedores, la sustituibilidad y las consecuencias para la seguridad, con el fin de puntuar cada pieza del 1 al 10, con una justificación por escrito para cada puntuación. Un experto en la materia puede anular cualquier puntuación, y esa corrección se tiene en cuenta y se aplica en todas las plantas, de modo que una decisión tomada en una planta mejora la precisión en todas partes.
Vincula automáticamente las piezas con los activos. Al leer la lista de materiales de los activos desde tu ERP, MRO360 establece las relaciones entre piezas y activos que hacen que una predicción sea viable. Cuando se predice un fallo en un activo concreto, el sistema ya sabe qué piezas se necesitarán para subsanarlo, ya que la relación ya existe y no es necesario determinarla en ese momento.
Incorpora predicciones a la previsión de la demanda. El módulo de mantenimiento predictivo utiliza los datos de los sensores del IIoT como una capa adicional de inteligencia, aprendiendo qué activos son propensos a fallar, por qué y qué piezas se necesitarán para solucionar la avería. Esa información se incorpora directamente a la previsión de la demanda, de modo que una avería prevista se convierte en una necesidad de inventario planificada, en lugar de un pico imprevisto.
Además, gestiona de forma dinámica los puntos de reposición y el posicionamiento. MRO360 calcula los puntos de reabastecimiento utilizando el consumo medio diario, el plazo de entrega y el stock de seguridad, y recomienda un stock de reserva generoso para las piezas críticas y moderado para las no críticas. Cuando una pieza crítica cae por debajo del umbral en cualquier ubicación, señala la falta de existencias y sugiere o bien una solicitud de aprovisionamiento o bien una transferencia entre plantas antes de que la falta de existencias se convierta en un tiempo de inactividad.
Sistema de puntuación multivariable que tiene en cuenta los modos de fallo, el tiempo de anticipación, la sustituibilidad y la seguridad, con intervención humana que entrena al sistema planta por planta.
Lee las listas de materiales de los activos del sistema ERP para vincular cada pieza a su equipo, de modo que, ante un fallo previsto, se muestren al instante las piezas que se necesitarán.
Convierte las predicciones de averías del IIoT en previsiones de necesidades de stock y distribuye las existencias entre las distintas plantas para que la pieza adecuada esté disponible allí donde se realice la reparación.
Descubre cómo MRO360 vincula las predicciones de averías con la disponibilidad de piezas de recambio en todas las plantas, de modo que se eviten los tiempos de inactividad en lugar de limitarse a predecirlos.
Empresas de Fortune 500 y Global 2000 confían en nosotros
Una guía práctica para dar los primeros pasos
El mantenimiento predictivo, cuando se lleva a cabo correctamente, es un proceso gradual, no algo que se active de un plumazo. Los equipos que intentan implantar todo de golpe suelen quedarse estancados bajo el peso de datos de mala calidad y prioridades poco claras. Una estrategia más fiable consiste en sentar primero las bases.
Empieza por poner en orden los datos y la criticidad. Antes de añadir ni un solo sensor, pon en orden los registros de piezas de recambio y asigna una puntuación de criticidad a cada pieza. Es un trabajo poco glamuroso, pero es el que mayor impacto tendrá, ya que todo lo que viene después se basa en estos cimientos. Si hay errores, unos sensores mejores solo servirán para dar respuestas erróneas más rápido.
A continuación, establece los vínculos entre las piezas y los activos. Asegúrate de que cada activo esté vinculado a su lista de materiales y de que cada modo de fallo se corresponda con las piezas que consume. Esto es lo que permite que una predicción se convierta automáticamente en una acción de gestión de inventario, en lugar de requerir una investigación manual.
A continuación, incorpora la monitorización del estado de tus activos más críticos. No es necesario que instales sensores en toda la planta desde el primer día. Centra la inversión en sensores en aquellos puntos donde un fallo resulte más costoso y en los que ya hayas realizado el análisis de criticidad para saberlo.
Por último, vincula las predicciones a la planificación de existencias. Incorpora las señales de fallo en la previsión de la demanda y en la lógica de reposición, de modo que una predicción influya en qué productos almacenas y dónde. Este es el paso que convierte el mantenimiento predictivo de un simple panel de control en una herramienta que reduce los casos de falta de existencias y el stock muerto. Para conocer el contexto más amplio de cómo encaja esto en un programa de gestión de activos, consulta nuestra descripción general de Gestión de inventarios MRO es una lectura complementaria muy útil.
Eliminar duplicados y enriquecer los registros de piezas de recambio, y evaluar su importancia a nivel de pieza. La base de todo lo demás.
Relaciona cada activo con su lista de materiales (BOM) y asigna los modos de fallo a las piezas que consumen, para que las predicciones se puedan poner en práctica.
Implemente la monitorización de estado en aquellos puntos en los que las averías resultan más costosas, basándose en el análisis de criticidad ya realizado.
Incorpora las predicciones a la previsión de la demanda y a la lógica de reposición, de modo que las interrupciones previstas determinen qué productos debes almacenar y dónde.
Conclusión
El mantenimiento predictivo suele presentarse como una cuestión de sensores y algoritmos, y es precisamente en ese enfoque donde muchos programas obtienen discretamente resultados por debajo de lo esperado. La tecnología de detección está consolidada y se ha convertido cada vez más en un producto básico. Lo que marca la diferencia es lo que ocurre una vez que se activa la predicción.
Una predicción de averías solo aporta valor si se puede actuar en consecuencia, y actuar en consecuencia casi siempre implica disponer de la pieza de recambio adecuada, correctamente identificada, en el lugar adecuado y en el momento oportuno. Se trata de un problema de datos y de piezas de recambio mucho más que de un problema de sensores.
Los equipos que sacan el máximo partido al mantenimiento predictivo son aquellos que tratan la predicción y las piezas como un único sistema interconectado. Limpia los datos, determina correctamente el nivel de criticidad de cada pieza, vincula las piezas a los activos e integra las predicciones en la planificación de inventario. Si lo haces, el mantenimiento predictivo dejará de ser un panel de control que te indica qué está a punto de averiarse y se convertirá en una capacidad operativa que, de forma discreta, garantiza que la avería nunca se traduzca en un tiempo de inactividad.
Preguntas frecuentes sobre el mantenimiento predictivo
Preguntas frecuentes sobre la estrategia de mantenimiento predictivo, cómo se relaciona con la gestión del rendimiento de las aplicaciones (APM) y las piezas de recambio, y en qué aspectos la inteligencia artificial resulta realmente útil.
¿Cuál es la diferencia entre el mantenimiento predictivo y el preventivo?
El mantenimiento preventivo sigue un calendario fijo y consiste en revisar un activo en momentos o intervalos de uso determinados, independientemente de su estado real. El mantenimiento predictivo utiliza datos sobre el estado real —como la vibración y la temperatura—, además de modelos de fallo, para intervenir únicamente cuando el activo está experimentando un deterioro real. El mantenimiento predictivo es más preciso y supone un menor desperdicio de recursos, pero requiere una cobertura de sensores, datos limpios y la disponibilidad de piezas de recambio para poder funcionar.
¿Qué relación existe entre la gestión del rendimiento de los activos y el mantenimiento predictivo?
El APM es la capa que transforma las señales de estado en decisiones. Un solo sensor te indica que un activo se está sobrecalentando, mientras que el APM reúne datos de monitorización del estado, historial de averías, nivel de criticidad y piezas de recambio para ofrecer un contexto completo sobre el estado del activo. Un APM eficaz vincula una predicción con las piezas y el inventario necesarios para actuar en consecuencia, en lugar de limitarse a la detección.
¿Por qué son tan importantes las piezas de recambio para el mantenimiento predictivo?
Una predicción solo evita el tiempo de inactividad si la pieza necesaria está disponible. Muchos programas predicen correctamente un fallo y luego descubren que la pieza está agotada o se encuentra en otra planta. Vincular las predicciones de fallos con el nivel de criticidad de las piezas, disponer de datos precisos sobre la relación entre piezas y activos, y conocer la ubicación del inventario en varias plantas es lo que convierte una predicción en un fallo evitado.
¿En qué aspectos aporta realmente valor la inteligencia artificial al mantenimiento predictivo?
En tres aspectos principales. Detectar anomalías en miles de flujos de sensores que las alarmas de umbral no detectan, clasificar el modo de fallo específico para que se sepa qué piezas se necesitan y generar señales de demanda de piezas de recambio al tratar cada fallo previsto como una necesidad de inventario anticipada. Los tres aspectos dependen de que los datos subyacentes estén limpios, y las predicciones de alto impacto siguen requiriendo una revisión humana.
¿Son también críticas todas las piezas de recambio de un activo crítico?
No, y darlo por sentado es un error habitual y costoso. Solo algunas piezas de un activo crítico son en sí mismas críticas, y algunas piezas de activos no críticos tienen más importancia de lo que cabría esperar. La criticidad debe evaluarse a nivel de cada pieza, sopesando el modo de fallo, el plazo de entrega, la sustituibilidad y las consecuencias para la seguridad, de modo que se almacenen los artículos adecuados en lugar de acumular un exceso de existencias de los incorrectos.
Verdantis se enorgullece de ser el socio de confianza de organizaciones líderes en todo el mundo.
Desde empresas de Fortune 500 hasta pioneras del sector, nuestros clientes han confiado en nuestras soluciones MDM
