Los periodos de inactividad imprevistos siguen siendo uno de los retos más costosos en las industrias que hacen un uso intensivo de activos. Según un estudio de Siemens, las paradas imprevistas cuestan a las grandes empresas 11% de sus ingresos. Acumulados, suman alrededor de $1,4 billones anualmente.
Imagine que este tiempo de inactividad se prolonga durante horas o un día entero en su organización. Le costaría millones de dólares. Aunque muchas empresas intentan resolver estos problemas, persisten porque la atención se centra en solucionar el problema inmediato.
El Análisis de Causas Raíz (ACR) aborda esta carencia mediante un enfoque estructurado y basado en datos. Permite a los profesionales pasar del ciclo de mantenimiento reactivo al mantenimiento proactivo. En esta guía, explorará todo lo relacionado con el ACR, desde qué es hasta cómo se aplica, especialmente en entornos de activos intensivos.
¿Qué es el Análisis de Causas Raíz (ACR)?
El análisis de la causa raíz es un proceso estructurado de identificación de la causa subyacente de los fallos. En lugar de fijarse en el problema superficial, permite ir más allá y examinar su causa para evitar que vuelva a producirse.
Consideremos una planta de fabricación de alimentos y bebidas que experimenta frecuentes paradas de la línea de producción durante el embotellado. Supongamos que el equipo de mantenimiento reinicia la línea cada vez que se produce el fallo. Así se reanuda la línea de producción, pero el problema sigue surgiendo cada pocos días. Al principio, esto parecerá un simple fallo mecánico. Sin embargo, la realización de un ACR podría revelar el problema subyacente.
Por ejemplo, cuando el equipo de mantenimiento aprovecha el ACR, podría descubrir que el problema no está en la máquina. En su lugar, se debe a las dimensiones incoherentes de las botellas de un lote específico de un proveedor. Esto da lugar a una desalineación en el proceso de llenado y tapado, lo que provoca paradas automáticas para evitar defectos.
En este caso, el equipo de mantenimiento se centró inicialmente en el rendimiento de la máquina, el equipo de ingeniería identificó los desajustes de tolerancia y el equipo de compras rastreó el problema hasta la variabilidad del proveedor con la ayuda del análisis de causa raíz.
Un ACR eficaz permite a las empresas:
● It lets them reduce repeat failures
● Enterprises can enhance asset reliability while bringing stability to all operations
● Improve maintenance planning
En mantenimiento y operaciones, se centra en determinar la cadena de acontecimientos y los factores que contribuyen a que se produzcan averías en los equipos, desviaciones en los procesos o problemas de calidad.
Tiene muchos aspectos, desde el análisis de los datos de averías hasta la comprobación del historial de mantenimiento. Todos ellos ayudan a rastrear los problemas hasta su origen. Aunque el objetivo principal es resolver los problemas, el análisis de las causas profundas va más allá. Se trata de la fiabilidad a largo plazo mediante la solución sistemática de los problemas.
He aquí algunos ejemplos de lo útil que puede resultar el análisis de causas:
| Modo de fallo | Causa inmediata | Causa raíz | Medidas correctoras |
|---|---|---|---|
| Fallo del rodamiento | Sobrecalentamiento | It was an inadequate lubrication schedule that was causing overheating |
The manager can revise preventive mantenimiento intervals to prevent este |
| Fugas en las juntas | Degradación del material | The management team was choosing the wrong material based on the operating conditions |
Change the material and update the part specification |
| Viaje en coche | Sobrecarga eléctrica | The load was not being distributed appropriately |
Businesses can rebalance system load |
Más allá de las averías de los equipos, el ACR también es aplicable a las ineficiencias de los procesos y a los problemas de la cadena de suministro. A veces, estos fallos pueden solaparse. Por ejemplo, la ineficacia de un proceso puede provocar averías en los equipos y afectar a la cadena de suministro. El análisis de causa raíz proporciona el marco adecuado para conectarlas e identificar el verdadero origen del problema.
Explicación de las metodologías habituales de ACR
El análisis de la causa raíz puede realizarse utilizando múltiples metodologías y enfoques, entre los que se incluyen los siguientes:
La técnica de los 5 porqués
As the name suggests, this method is all about asking “Whys,” particularly 5 times. It lets you drill down to the root cause of a problem by asking "why" repeatedly until you get to the bottom of the issue. Answers to all these whys will let you interrelate data to create a clear picture of the underlying problem.
Aunque se trata de un planteamiento sencillo, puede ser eficaz si se aplica con preguntas disciplinadas y validación de datos. Por ejemplo, cada una de sus respuestas al "por qué" debe estar respaldada por datos históricos, registros de inspección, planes de mantenimiento y condiciones de funcionamiento.
A simple example is that Verdantis helps you identify the underlying cause of bearing failure. Verdantis tools can help you maintain log data for every asset, spare part, work order, and more. You can use this to ask relevant questions to determine the potential issue. In that case,
here are the five questions and responses you can find:
● Why did the bearing fail? -> Because of excessive temperature recorded (sensor data)
● Why was the temperature high? -> Lubrication breakdown (inspection report)
● Why did lubrication fail? -> Grease started to degrade beyond the interval (PM logs)
● Why was the interval exceeded? -> PM schedule not triggered (CMMS gap)
● Why was it not triggered? -> Incorrect asset hierarchy configuration prevented it
Dado que se trata de una forma muy simplificada de ver los fallos, funciona mejor para problemas estándar en los que múltiples factores no interactúan simultáneamente.
El mejor caso para utilizar este método es cuando la ruta del fallo es directa y se necesita una causa raíz rápida. Por ejemplo, puede utilizarlo en casos de fallos repetidos de los rodamientos debidos al incumplimiento de los programas de lubricación, sobrecalentamiento del motor de la cinta transportadora debido a una manipulación inadecuada de la carga o fugas en las válvulas causadas por una instalación incorrecta de las juntas.
Diagrama de espina de pescado
También conocido como diagrama de Ishikawa o de causa y efecto, este método funciona clasificando las causas de un problema en múltiples subcausas. Puede tratarse de materiales, mano de obra, métodos, entorno, medidas o cualquier otra subcausa. El nombre de este método deriva de su estructura, que es una espina de pescado. Además, Kaoru Ishikawa fue el pionero del concepto. De ahí el nombre alternativo.
Va más allá del pensamiento lineal al permitirle categorizar los distintos factores que contribuyen desde múltiples ámbitos.
La metodología RCA del diagrama de espina de pescado es la más adecuada para los problemas multifactoriales. Puede tratarse de un escenario en el que los equipos de mantenimiento y compras tengan que trabajar juntos para encontrar la causa raíz. Un ejemplo sencillo serían los fallos en las juntas de las bombas, en los que intervienen la calidad del material, la instalación y las condiciones de funcionamiento. Del mismo modo, también se puede utilizar cuando la ineficacia de una caldera está vinculada a la calidad del combustible, a lagunas en el mantenimiento y a factores medioambientales.
Análisis del árbol de fallos
Similar al diagrama de espina de pescado, el nombre del análisis del árbol de fallos se deriva de su estructura. Es un método deductivo, basado en la lógica, que modela cómo se combinan múltiples fallos para producir un evento de nivel superior.
Debería utilizar este método cuando analice la causa raíz de fallos a nivel de sistema. Funciona mejor en estos casos, ya que descompone los problemas de alto nivel en averías inferiores que contribuyen a ellos.
Este método utiliza la lógica booleana. Para la puerta OR, cualquier entrada puede provocar el fallo, mientras que para la puerta AND, todas las entradas deben producirse simultáneamente. Esta lógica permite cuantificar la probabilidad de fallo cuando se conocen las tasas de fallo.
He aquí un ejemplo:
Evento principal: Parada del compresor
Fallo mecánico (OR)
Fallo del rodamiento
Fallo del rotor
Fallo de control (AND)
Fallo del sensor
Error lógico de control
El análisis de árboles de fallos es el más adecuado para identificar la causa raíz de los fallos de sistemas complejos. Son útiles cuando los fallos afectan a sistemas interdependientes y requieren una asignación lógica. Algunos ejemplos son el fallo del sistema HVAC, la parada del compresor, el disparo de la turbina, etc.
Análisis de los modos de fallo y sus efectos (AMFE)
En lugar de reaccionar ante un problema, este método consiste en buscar proactivamente posibles fallos. El AMFE se suele utilizar para determinar los fallos de un sistema concreto. Así, las empresas aplican esta metodología para llevar a cabo el ACR siempre que se introduce un nuevo proceso o producto. Como método proactivo, FEMA también prioriza los riesgos y previene los problemas estimando su gravedad o probabilidad.
Además, determina con qué frecuencia se produce un fallo y qué medidas hay que tomar para evitarlo. También identifica las acciones que resultaron eficaces para evitar que el fallo se repitiera. El AMFE es especialmente útil cuando se integran con métricas de fiabilidad como el tiempo medio entre fallos (MTBF) y las distribuciones de fallos.
El AMFE es el más adecuado para situaciones en las que se producen múltiples fallos y es necesario priorizar los riesgos. Por ejemplo, si desea evaluar los riesgos de fallo de piezas de repuesto o equipos críticos, puede recurrir al AMFE.
Análisis de Pareto
El nombre de esta metodología procede del economista italiano Vilfredo Pareto. Se trata de un simple gráfico de barras que representa los datos de los fallos por orden descendente de ocurrencia o impacto. Así, esta metodología de análisis de causas raíz ayuda a identificar los problemas más significativos entre ellos. Colectivamente, estos problemas pueden proporcionar una imagen clara de los fallos más recurrentes y cómo se correlacionan entre sí.
Por ejemplo, los datos de entrada, como la contribución de los tiempos de inactividad por activo, los costes de mantenimiento por avería y el número de averías por tipo, pueden generar información como, por ejemplo, que 20% de activos son responsables de 75% de tiempos de inactividad.
Esta información permite al equipo directivo centrar sus esfuerzos en el análisis de las causas en los puntos en los que pueden tener un mayor impacto. Además, pueden hacer un seguimiento del progreso mediante la supervisión del acortamiento de una barra a lo largo del tiempo.
Considere el escenario en el que está llevando a cabo un ACR para comprender el análisis de costes de mantenimiento de las piezas de repuesto utilizadas en los equipos de su empresa minera. Para ello, analizará los datos de los últimos 12 meses. Tras el análisis, descubrirá estos patrones:
● Bearings are causing 35% of failures
● Seals cause 25%
● Filters cause 15%
● Others cause 25%
La conclusión es que los rodamientos y las juntas son responsables del 60% de todos los fallos. A partir de ahí, sabrá dónde debe centrar sus esfuerzos de ACR.
El análisis de Pareto es para los problemas de alta frecuencia o de alto riesgo. Por ejemplo, supongamos que una cinta transportadora se avería con regularidad. En este caso, puede haber varios problemas de piezas de recambio que contribuyan a ello. Sin embargo, usted querría saber qué pieza de recambio contribuye más al tiempo de inactividad. Del mismo modo, a la hora de determinar las principales causas de avería en varios activos o de analizar los costes de mantenimiento por tipo de equipo, resulta útil el análisis de Pareto.
Diagrama de dispersión
Piense en un diagrama de dispersión como un gráfico bidimensional. Se utilizan varios puntos para representar los valores de distintas variables numéricas. Su posición en los ejes X e Y muestra la relación entre dos variables. Esta representación permite a las organizaciones visualizar las correlaciones entre causas y efectos.
También se pueden utilizar gráficos de dispersión con análisis de regresión para cuantificar las relaciones. Algunos ejemplos en los que se puede utilizar esta metodología de ACR incluyen la determinación de relaciones y comparaciones entre la amplitud de la vibración y la tasa de fallos de los rodamientos, o entre la carga y la temperatura del motor.
La metodología del diagrama de dispersión es la más adecuada para el análisis de correlación. Un caso de uso típico será relacionar los lotes de proveedores con las tasas de fallos o las tendencias de carga frente a fallos. Puede elegir esta opción cuando sospeche que existe una relación entre variables pero necesite validar los datos.
Conexión de RCA con GMAO y datos de órdenes de trabajo
Root cause analysis in asset-intensive environments, such as mining, utilities, and oil & energy, requires high-quality data support. However, gathering and leveraging quality data is a significant challenge for many businesses.
Según nuestra encuesta de 1.900 altos ejecutivos de estos sectores, 51% destacaron problemas de calidad de los datos en las operaciones de MRR. Además, 49% citaron incoherencias en los datos maestros de los proveedores.
A reliable Computerized Maintenance Management System (CMMS) serves as the primary data backbone for root cause analysis through reliable supplier master data. La eficacia del ACR depende directamente de la calidad, la estructura y la exhaustividad de los datos de mantenimiento registrados en la GMAO.
Por ejemplo, una GMAO puede proporcionar datos como jerarquías de activos, registros de mantenimiento, sistemas de codificación de averías, seguimiento del historial de averías y mucho más. También estructura todos estos datos para garantizar que estén listos para el ACR.
La tabla siguiente muestra la relación entre los datos de la GMAO y los resultados del ACR:
| Campo de datos GMAO | Ejemplo | Relevancia del ACR | Ideas generadas |
|---|---|---|---|
| Identificación de activos | Bomba - 102 | It identifies the failure location |
This helps track failure frequency and clustering |
| Código de fallo | Fuga del sello | Failure classification is standardized |
It enables pattern recognition |
| Notas de la orden de trabajo | Junta desgastada irregularmente | Businesses get contextual evidence with this |
This data supports hypothesis validation |
| Duración de la inactividad | 3,5 horas | Data represents the impact of failure |
Helps prioritize critical failures |
| Tipo de mantenimiento | Correctivo |
Indica la estrategia de mantenimiento |
Highlights reactive trends |
Sin estos datos estructurados, el análisis de las causas se convierte en algo anecdótico en lugar de analítico.
Dentro de una GMAO, los datos de las órdenes de trabajo son los más útiles y procesables para el ACR. No sólo reflejan lo que falló, sino también cómo se solucionó el problema. Estos datos históricos constituyen la base del análisis de la causa raíz de los fallos frecuentes.
De hecho, también puede permitir la automatización del ACR. Por ejemplo, la dirección puede establecer desencadenantes para automatizarlo en función del número de fallos, los datos que deben utilizarse, etc. Así, por ejemplo, cada vez que la GMAO registre por quinta vez un fallo en un equipo concreto, activará un análisis automatizado de la causa raíz.
Además de ayudar a la automatización, la integración de la GMAO también proporciona una hoja de ruta para utilizar los conocimientos del ACR en la planificación del mantenimiento. Una vez identificada la causa raíz, los responsables pueden integrar las conclusiones en la ejecución del mantenimiento.
Por ejemplo, pueden optimizar el mantenimiento preventivo, los planes de trabajo y el perfeccionamiento de la estrategia de activos. También pueden alinear las piezas de recambio pertinentes con procesos MRO para un mantenimiento rápido.
Cómo el ACR une a distintos departamentos
Uno de los mayores retos a la hora de comprender la causa raíz en una industria con muchos activos es la culpa interdepartamental.
Consideremos el sencillo ejemplo de una planta de fabricación en la que se produce un fallo en una línea de automatización. En este caso, la mayoría pensaría que se debe a un fallo de automatización (equipo de TI) o a un fallo mecánico. Para solucionar el problema, el equipo de mantenimiento supervisaría el rendimiento de la línea de automatización, y el equipo de TI revisaría el código para evitar que el problema se repita.
Aquí empezaría el juego de las culpas. El equipo informático puede culpar a los de mantenimiento por no hacer su trabajo, y viceversa.
Sin embargo, el análisis de la causa raíz en distintos departamentos revelaría un panorama diferente. Por ejemplo, el equipo de mantenimiento podría encontrar fallos regulares en los sensores. Además, el equipo de ingeniería podría descubrir que no hay ningún fallo de diseño, pero que la sensibilidad del sistema es alta.
El equipo de aprovisionamiento puede aportar más información, revelando que los sensores adquiridos esta vez procedían de un nuevo proveedor con algunas variaciones en las especificaciones. Basándose en esta información del equipo de la cadena de suministro, el equipo informático puede descubrir que el sistema de control no se ha actualizado recientemente para reflejar los umbrales de tolerancia revisados.
Esto indicaría que se necesitan cambios en todos estos departamentos. Una vez realizados estos cambios, el equipo de operaciones podrá acelerar la producción y satisfacer la demanda.
El ACR fomenta el intercambio de ideas en lugar de crear hipótesis aisladas. Esto proporciona un enfoque estructurado para diferentes equipos. Ya sea un gestor de la cadena de suministro, un ejecutivo del departamento informático, una persona de mantenimiento o un director de operaciones, todos pueden reunirse para resolver el problema rápidamente.
El papel de la IA en el ACR moderno
Los métodos manuales tradicionales de ACR se basan en gran medida en la investigación manual, el juicio de expertos y conjuntos de datos limitados. Este procedimiento puede seguir siendo eficaz para fallos aislados o simples. Sin embargo, se enfrentan a limitaciones en el MRR, ya que en los fallos influyen múltiples variables.
La Inteligencia Artificial (IA) puede salvar esta distancia mediante el reconocimiento de patrones a gran escala y la correlación automatizada entre diversas fuentes de datos.
Los modelos de IA pueden analizar órdenes de trabajo históricas, lecturas de sensores y registros de fallos para identificar las relaciones entre las variables causantes de los fallos. Esto ofrece un camino más rápido y preciso para identificar la causa raíz de una avería o fallo. Con datos de calidad de los que aprender, los modelos de IA también pueden automatizar los flujos de trabajo de análisis de la causa raíz.
Lo que añade más valor al análisis de causas raíz automatizado y basado en IA es la integración con otras tecnologías. Por ejemplo, puede integrarse con el Internet de las Cosas (IoT) y la realidad aumentada para recopilar datos de la fuente y crear una representación visual de los mismos.
A medida que crece esta conectividad, la IA te permite realizar análisis predictivos. Gracias a la entrada constante de datos y a la retroalimentación, los modelos de aprendizaje automático pueden aprender comportamientos normales, detectar anomalías, correlacionar eventos entre sistemas y sugerir la causa más probable de un problema antes de que se agrave.
| Aspecto | Ejemplo | ACR basado en IA |
|---|---|---|
| Alcance de los datos | Limitado, basado en muestras |
Large-scale, multi-source datasets |
| Velocidad de análisis | Tiempo intensivo | Automatizado, casi en tiempo real |
| Detección de patrones | Basado en la experiencia |
Algorithm-based pattern recognition |
| Precisión de la causa raíz | Variable |
Mayor con modelos de datos validados |
| Escalabilidad | Limitado a casos específicos |
Ampliable a distintos activos y centros |
He aquí un ejemplo que le ayudará a comprender mejor el impacto de la IA. Supongamos que una instalación experimenta averías periódicas en bombas centrífugas de varias plantas. Los equipos de mantenimiento han intentado resolver el problema inmediato sustituyendo impulsores y juntas, pero los fallos persisten. La tabla siguiente muestra el desglose de cómo puede ayudar la IA en una situación así.
| Escenario | Fuente de datos | AI-Driven RCA Outcome | Impacto de MRO |
|---|---|---|---|
| Detección de fallos | CMMS work orders reflect regular pump fallos |
The AI system will detect patterns across multiple assets and sites. |
Highlights systematic issues, not isolated fallos |
| Correlación de datos |
Órdenes de trabajo + datos de sensores |
Unlike traditional RCA, where your IT team must review log data to identify the cause, AI models can correlate vibration spikes with specific operating conditions. |
This will identify failure triggers quickly. |
| Análisis de piezas | Inventory + datos sobre adquisiciones |
Manual RCA offers limited supplier comparison, but AI links higher failure rates to specific impeller supplier batches. |
It flags a supplier quality issue. |
| Root cause identification |
Análisis de ingeniería | AI goes beyond focusing solely on mechanical failures to identify a combination of substandard impeller material and operating load conditions in pump failures. |
You can determine the connection between parts, operaciones, y suppliers. |
| Acción recommendation |
NA |
The automated RCA tool can suggest a supplier change, updated material specifications, and revised operating limits to support decision-making. |
This reduces repeat failures. |
| Continuous monitoring | Periodic review and feedback |
Traditional RCA only |
You can engage with maintenance plans through a preventive enfoque. |
Impacto empresarial de un ACR eficaz
Cuando las empresas llevan a cabo un análisis de las causas profundas de forma eficaz, pueden afectar significativamente a sus índices de mantenimiento y averías.
Reducción de fallos repetidos
Dado que el ACR se aplica principalmente a los fallos del MRR, no es de extrañar que su resultado más mensurable sea la reducción de los fallos repetidos. Sin un análisis de la causa raíz, las empresas intentan resolverlas sustituyendo componentes. Esto proporciona una solución a corto plazo, pero el fallo se repite al cabo de un tiempo.
Menores costes de mantenimiento
Los costes de mantenimiento se inflan con soluciones a corto plazo, intervenciones reactivas, reparaciones de emergencia y un consumo excesivo de piezas de recambio. Como el ACR pone de manifiesto el problema subyacente, las soluciones se derivan de conocimientos precisos, que abordan el problema a largo plazo. Además, el análisis automatizado de las causas subyacentes, basado en datos, hace que el mantenimiento pase de ser reactivo a ser planificado y optimizado.
Mejora del tiempo de actividad y la disponibilidad de los activos
Cuando se producen fallos y averías, aumenta el tiempo de actividad. Una vez resuelta la causa raíz de un problema, las empresas disfrutan de una mejor gestión de activos y disponibilidad, lo que reduce el tiempo de inactividad no planificado. Además, el análisis automatizado de la causa raíz también aumenta el tiempo medio entre averías y reduce el tiempo medio de reparación para disminuir los costes de mantenimiento.
Mayor seguridad y conformidad
In asset-heavy industries like oil & mining, utilities, and manufacturing, machine failure can create a hazardous work environment. For example, broken equipment can fall onto someone and result in fatal injuries.
El ACR contribuye a la seguridad y el cumplimiento de las normas
● Identifying failure mechanisms that could lead to unsafe conditions
● Preventing recurrence of incidents through corrective actions
● Supporting documentation required for audits and regulatory reviews
● Improving adherence to maintenance protocols
Conclusión
La mayoría de las empresas consideran que el análisis de causa raíz es sólo una herramienta de resolución de problemas. Sin embargo, es mucho más que eso, ya que puede influir no sólo en los índices de fallos, sino también en los costes de mantenimiento, el tiempo de actividad, la disponibilidad de activos, la cadena de suministro y mucho más. Por ejemplo, puede integrarlo con datos de GMAO para crear un sistema de bucle cerrado en el que cada fallo pueda aprovecharse para optimizar las estrategias de mantenimiento, la selección de piezas y la toma de decisiones operativas más informadas.
La incorporación de la IA refuerza aún más esta capacidad mediante el análisis de datos. Sin embargo, todo depende de la calidad y coherencia de los datos subyacentes que utilice para el ACR.
El enfoque de Verdantis en la gestión de materiales y la estandarización de datos MRO le permite crear conjuntos de datos limpios, estructurados y fiables en todos los sistemas de mantenimiento y cadena de suministro. Esto le permite analizar los fallos con mayor precisión y generar perspectivas más sólidas a partir de enfoques de RCA tanto tradicionales como basados en IA.
Conéctate hoy para obtener una demostración de cómo Verdantis puede ayudarle a mejorar la eficacia de su análisis de causa raíz.
Preguntas frecuentes
¿En qué se diferencia el análisis de causa raíz de la resolución de problemas?
El objetivo principal de la resolución de problemas es restablecer la funcionalidad lo antes posible. En pocas palabras, aborda la causa inmediata de un fallo. El ACR, en cambio, investiga los factores subyacentes al fallo. Elimina la repetición mediante la identificación de problemas sistémicos.
