Mantenimiento predictivo frente a preventivo: ¿cuál es mejor?

En el caso de la maquinaria industrial, las reparaciones de emergencia se caracterizan por prolongar periodos de inactividad innecesarios. Tanto el mantenimiento predictivo como el preventivo son útiles para mantener los equipos industriales en buen estado y para abordar los problemas antes de que ocurran. Sin embargo, existe una gran diferencia entre ambas medidas.

Los fabricantes se adaptan continuamente para hacer frente a una competencia cada vez mayor Las tendencias de los consumidores cambian rápidamente, y la presión para ofrecer productos de alta calidad rápidamente. El tiempo de inactividad de los equipos puede comprometer seriamente los resultados de una empresa

Los fabricantes experimentan una media de 27 horas de inactividad al mes debido a averías en los equipos, según el especialista en mantenimiento Senseye. Esto se traduce en pérdidas de ingresos anuales de varios millones.

Pasado vs. presente

El mantenimiento preventivo y el predictivo suelen utilizarse indistintamente. Normalmente, en referencia a las estrategias de mantenimiento que permiten a los fabricantes actuar antes de que fallen los equipos. Ambos métodos son mucho mejores que el mantenimiento reactivo.

Mantenimiento reactivo

Es cuando el equipo funciona hasta que se necesitan reparaciones de emergencia. Por ello, suele costar a las empresas entre cuatro y cinco veces más que las opciones de mantenimiento proactivo. La Guía de prácticas de operaciones y mantenimiento, versión 3.0 lo confirma.

Sin embargo, no es lo mismo mantenimiento preventivo que predictivo.

¿Cuál es la diferencia entre mantenimiento preventivo y predictivo?

¿Qué es el mantenimiento preventivo?

El mantenimiento preventivo implica realizar controles a intervalos regulares, independientemente del estado del equipo. Se basa en las directrices de las mejores prácticas y en datos históricos. Por lo tanto, ayuda a los responsables de planta a mantener las máquinas en buen estado. Sin embargo, sigue requiriendo tiempos de inactividad cíclicos planificados.

No obstante, se calcula que el mantenimiento preventivo ahorra a las empresas alrededor de un 12 - 18 por ciento en costes en comparación con el mantenimiento reactivo.

¿Qué es el mantenimiento predictivo?

El mantenimiento predictivo, en cambio, solo se realiza cuando es necesario. Se basa en datos en tiempo real de equipos conectados a IIoT para identificar posibles amenazas antes de que se produzca un problema. De este modo, las reparaciones abordan un problema real y son más específicas. Esto significa que el tiempo de inactividad, cuando es necesario, se reduce en un 25 - 30 % en comparación con otros métodos de mantenimiento.

Almacenamiento de macrodatos

Para trabajar de forma eficaz, el mantenimiento predictivo depende de datos de sensores que informan sobre el estado de salud de los equipos. Sin embargo, IBM calcula que alrededor del 90% de todos los datos generados por sensores no se utilizan. Lo que significa que los fabricantes pierden oportunidades de tomar decisiones fundamentadas sobre sus equipos mientras siguen pagando por recopilar y almacenar datos.

Los datos recopilados pero no procesados ni utilizados de ningún modo se conocen como datos oscuros. Esto representa un reto considerable para la industria.

Los sensores para recoger datos pueden ser relativamente baratos y fáciles de instalar. Sin embargo, la parte difícil es procesar los datos para sacar conclusiones sobre la salud de la máquina.

El procesamiento de datos puede resultar complicado por muchos motivos, desde comprender los datos hasta transmitirlos al departamento correspondiente. Por ejemplo, los silos de datos se producen cuando se procesan los datos y se descubren patrones relevantes. Sin embargo, los distintos departamentos de una organización no comparten estos patrones.

Esto puede ocurrir si la empresa no dispone de la tecnología necesaria para la visibilidad de los datos. Por ejemplo, puede carecer de una herramienta unificada de gestión integrada de datos (GID) o de un sistema de gestión de mantenimiento asistido por ordenador (GMAO). Esto significaría que cada equipo podría depender de plataformas diferentes.

Los transformadores de corriente pueden recoger datos brutos sobre los rotores excéntricos de un motor eléctrico, los problemas del bobinado y los de la barra del rotor. Sin embargo, sin el software GMAO, es posible que los datos no se compartan con el equipo de mantenimiento de la planta de producción. Lo que podría provocar tiempos de inactividad imprevistos a pesar del uso de sensores.

Cómo mejorarlo

Contar con sensores para recopilar información sobre los equipos es el primer paso para incorporar la técnica predictiva a su estrategia de mantenimiento. Las máquinas modernas suelen venir con distintas opciones para la toma de datos en tiempo real.

Sin embargo, los equipos antiguos también pueden readaptarse con sensores complementarios de bajo coste. De hecho, el mantenimiento predictivo puede ser un activo vital. Resulta especialmente útil cuando se trata de equipos antiguos. Esto se debe a que los equipos antiguos requieren una planificación cuidadosa a la hora de obtener piezas de repuesto obsoletas.

Sin embargo, la industria contiene una cantidad impresionante de datos oscuros. Unido al problema de los silos de datos, esto demuestra que no basta con recopilar datos. Para predecir eficazmente los fallos de los equipos, los fabricantes deben implantar tecnologías que faciliten el procesamiento de datos en tiempo real. Permitiendo que todo el personal pertinente acceda a los conocimientos resultantes.

Para combatir estos problemas entre los distintos departamentos, las empresas deben dar prioridad a la fusión de la tecnología de la información (TI) y la tecnología operativa (TO). La gestión separada de estos equipos a partir de diferentes conjuntos de competencias fue en su día lógica. Sin embargo, la creciente digitalización de los procesos de fabricación, incluido el mantenimiento, significa que ahora es necesario unir estas áreas.

La TO recoge los datos brutos de PLC, sensores y otros equipos clave, mientras que la TI da sentido a los datos descubriendo patrones relevantes. Sin embargo, tanto las máquinas como los equipos tienen que comunicarse y colaborar de forma proactiva.

Uno de los problemas de los datos recogidos por los equipos industriales es que, a medida que envejecen, su relevancia y precisión disminuyen. En este sentido, la computación frontera puede ser una solución útil. La computación frontera minimiza la latencia y favorece la toma de decisiones en tiempo real analizando los datos lo más cerca posible de la fuente. En lugar de enviarlo todo a la nube.

La informática frontera también puede ayudar a conectar más equipos a la ciberseguridad del IIoT. Cuando los datos viajan de un lado a otro de la nube, aumenta el riesgo de comprometerlos. Procesar los datos más cerca de la fuente reduce este riesgo.

Ofrece las ventajas de una mayor digitalización sin abrir más superficies potenciales de ataque. Esto no significa que deba evitar a toda costa procesar o almacenar datos en la nube. Simplemente significa que las dos opciones pueden ir de la mano para maximizar los resultados.

El mantenimiento predictivo y el preventivo siempre tendrán más éxito que el reactivo. Incluso a pesar de los problemas con los datos oscuros y la necesidad de una transformación cultural en las operaciones de fabricación. Para prosperar en un mundo cada vez más digital, los fabricantes tienen que reducir los tiempos de inactividad y los costes así como aumentar la eficiencia.