Cómo crear un programa de mantenimiento predictivo desde cero
El mantenimiento realizado según un calendario fijo es una forma ineficiente de mantener los equipos funcionando sin problemas. El desgaste de las máquinas no sigue un calendario. Los técnicos pueden perder tiempo realizando tareas de mantenimiento en equipos que no lo necesitan y pasar por alto fallos en piezas que se desgastan antes de la fecha de mantenimiento programada en el calendario. El resultado es un aumento del tiempo de inactividad no planificado y de los costes innecesarios.
Una investigación de McKinsey muestra que un programa de mantenimiento predictivo reduce el tiempo de inactividad no planificado entre un 30% y un 50% [1]. Un análisis de Deloitte también concluye que esta estrategia reduce el gasto total en mantenimiento entre un 18% y un 25% [2].
Los responsables de planta deben revisar cómo sus instalaciones supervisan el estado de las máquinas para ahorrar estos costes y operar de forma más eficiente. Para consultar una comparación completa de las estrategias operativas, véase La guía completa de estrategias de mantenimiento en la automatización industrial.
¿Qué es el mantenimiento predictivo?
El mantenimiento predictivo consiste en que los técnicos supervisan las condiciones de los equipos en tiempo real para determinar exactamente cuándo es necesario realizar el mantenimiento. La estrategia programa las reparaciones antes de que los componentes se averíen, lo que evita retrasos inesperados en la producción.
El mantenimiento predictivo funciona mejor cuando se recopilan suficientes datos de forma continua. Según el Departamento de Energía de EE. UU., un programa de mantenimiento predictivo bien implementado puede generar ahorros de entre el 8% y el 12% en comparación con un programa estándar de mantenimiento preventivo [3].
Requisitos previos antes de iniciar un programa de mantenimiento predictivo
Los tres requisitos previos que deben estar establecidos antes de iniciar un programa de mantenimiento predictivo incluyen los siguientes:
- El equipo de ingeniería necesita un registro completo de los equipos. Cada pieza de equipo industrial debe tener un identificador único y un código de ubicación dentro de una base de datos central.
- Los datos históricos de fallos deben ser fácilmente accesibles para que los equipos sepan qué piezas se averían con mayor frecuencia.
- La alfabetización digital básica es fundamental, ya que los técnicos deben ser capaces de responder a las alertas automatizadas del software.
Fase 1: Análisis de criticidad de activos
Las instalaciones deben realizar un análisis de criticidad de activos para comprender cómo asignar mejor los recursos. Este proceso registra el impacto de la maquinaria en la producción, los riesgos de seguridad y los gastos de sustitución.
Si la falla de un motor específico detiene toda la línea de producción, esa máquina requiere mantenimiento. La norma ISO 17359 establece criterios estándar para evaluar los perfiles de riesgo de las máquinas [4]. Los activos con puntuaciones bajas deben mantenerse en programas de mantenimiento más sencillos para reducir los costes.
Fase 2: Análisis de modos de fallo
El Análisis de Modos y Efectos de Fallo (FMEA) ayuda a los equipos a aislar riesgos mecánicos específicos. Esto revela los modos de degradación de un componente y los indicadores que muestran que las piezas son susceptibles de romperse.
El análisis de modos de fallo debe realizarse antes de que los ingenieros compren cualquier hardware para activos críticos. De esa manera, saben exactamente qué piezas deben pedirse y cuántas.
Un intervalo P-F es muy importante en esta etapa. Es el período entre el fallo inicial detectable (P) y el fallo funcional (F) [3]. Los sensores deben capturar datos al principio de este intervalo. No habría tiempo para reparar el activo de forma proactiva si el período es demasiado corto.
Fase 3: Selección de tecnología
La selección del hardware depende de los modos de fallo identificados. El mantenimiento 4.0 moderno se basa en sensores específicos de monitorización de condiciones para realizar un seguimiento de los signos de degradación. Por ejemplo, la maquinaria rotativa suele requerir herramientas de análisis de vibraciones para detectar de forma temprana el desgaste de los rodamientos.
La infraestructura de datos debe ser compatible con esta red de mantenimiento IIoT. Las pasarelas inalámbricas locales recopilan los datos de los sensores y los transmiten a servidores en la nube o a redes locales.
Fase 4: Implementación piloto
Antes de implementar el programa completo de mantenimiento predictivo, los responsables de la planta deben seleccionar uno o dos activos críticos para una implementación piloto específica. Los pilotos localizados ayudan a perfeccionar los métodos de recopilación de datos antes de la expansión a toda la fábrica [5].
Este ensayo también limita el riesgo financiero inicial a la vez que demuestra el concepto operativo a las partes interesadas corporativas. La fase de prueba debe durar de 3 a 6 meses. Los equipos deben realizar un seguimiento de métricas de referencia claras durante este período, incluido el tiempo medio de reparación (MTTR) y el número de fallos evitados.
Fase 5: Gobernanza e integración de datos
Los datos sin procesar de los sensores no aportan mucho valor sin un procesamiento adecuado. Las instalaciones deben conectar las plataformas predictivas con el CMMS principal. Esta conexión automatiza las órdenes de trabajo cuando los sensores detectan tendencias anómalas.
La gobernanza de datos con reglas estrictas mantiene los datos del sistema claros y útiles. Los ingenieros de fiabilidad deben establecer umbrales de alerta exactos basados en una referencia histórica o una norma ISO. Si un parámetro supera un umbral, el sistema emite una alerta. Esto permite a los técnicos prepararse para intervenir antes de que se produzca un fallo funcional.
Fase 6: Escalar e iterar
Una vez que el proyecto piloto demuestra ser exitoso, la dirección puede ampliar la estrategia de PdM a otras líneas críticas de la planta. El escalado requiere actualizar los procedimientos operativos estándar para reflejar los flujos de trabajo basados en datos. Las lecciones aprendidas durante las primeras etapas ayudan a los ingenieros a perfeccionar la ubicación de los sensores en los activos secundarios.
Esta expansión operativa puede afectar a las necesidades de aprovisionamiento de la planta. Dado que los fallos se predicen con semanas de antelación, las instalaciones pueden ajustar sus estrategias de inventario. El abastecimiento de componentes a través de EU Automation permite a las plantas pedir piezas exactamente cuando las necesitan.
Errores comunes de implementación
Estos son errores comunes de despliegue que los equipos de planta pueden evitar:
- Realizar el seguimiento de demasiados activos simultáneamente, lo que sobrecarga los sistemas de almacenamiento de datos
- Ignorar la formación de los técnicos, dejando al personal sin capacidad para responder a las alertas automatizadas del sistema
- Establecer umbrales de alerta demasiado bajos provoca fatiga por falsas alarmas en los distintos turnos de ingeniería
- Descuidar la sustitución de las baterías de los sensores y el mantenimiento del hardware de red
- No actualizar el inventario de piezas de repuesto para que coincida con las necesidades previstas de componentes
KPIs para medir el éxito del programa de mantenimiento predictivo
Las instalaciones deben realizar un seguimiento de estas métricas clave para medir con precisión el éxito de un programa de mantenimiento predictivo:
- Horas de inactividad no planificada - El tiempo total de producción perdido debido a paradas inesperadas de los activos
- Tiempo medio de reparación (MTTR) - La duración media necesaria para diagnosticar y reparar una avería
- Tasa de precisión de las alertas - El porcentaje de alertas del sistema que revelan fallos mecánicos reales
- Coste de mantenimiento por activo - Gasto total en piezas y mano de obra para la maquinaria supervisada
Cuándo el mantenimiento predictivo no está justificado
Si el coste del hardware de sensores y de las suscripciones de software supera el valor de las pérdidas de producción, el mantenimiento predictivo no está justificado. Por ejemplo, elementos sencillos y no críticos, como los ventiladores de extracción de oficinas o las bombas secundarias de respaldo, no justifican los elevados costes de los sensores. Utilizar estos elementos hasta que fallen es una decisión económica racional.
Conclusión
Construir un sistema predictivo desde cero evita fallos inesperados en producción que detienen las líneas de producción. Comprobar primero la criticidad de las máquinas, en lugar de supervisarlo todo a la vez, evita gastos innecesarios.
Empezar con una pequeña prueba y comprobar el sistema antes de su implementación completa es esencial. Esta prueba permite a los equipos configurar alertas correctas y flujos de trabajo claros sin sobrecargar a los técnicos.
Detectar pronto los fallos de la maquinaria reduce el estrés y el tiempo de inactividad asociados a las reparaciones de emergencia. Conocer los fallos con antelación también ayuda a las plantas a almacenar piezas de repuesto de forma más eficiente. Esto reduce el gasto de almacén sin arriesgarse a sufrir tiempos de inactividad adicionales. Seguir estas fases claras protege la producción de la fábrica y mantiene los presupuestos bajo control.
Los responsables de planta que busquen respaldar actualizaciones basadas en datos y el mantenimiento continuo de líneas de producción críticas pueden adquirir piezas de EU Automation. Contar con una fuente fiable de componentes de automatización industrial puede garantizar que las estrategias de mantenimiento predictivo se lleven a cabo con éxito.
Referencias
[1] McKinsey & Company, Digitally Enabled Reliability: Beyond Predictive Maintenance, 2018.
[2] Deloitte, Predictive Maintenance and the Smart Factory.
[5] McKinsey & Company, Prediction at Scale: How Industry Can Get More Value Out of Maintenance, 2021.
