¿OEE capturado directamente de sus máquinas, sin registros manuales?
Verlo en vivoEl término IA se aplica a la tecnología de mantenimiento manufacturero de forma tan amplia que prácticamente ha perdido su significado en el marketing de los proveedores.
Cualquier plataforma con un algoritmo afirma tener capacidad de IA.
No todo algoritmo es IA en un sentido significativo.
Una definición útil para fines de mantenimiento manufacturero es la siguiente.
La IA en el mantenimiento manufacturero se refiere a modelos de aprendizaje automático y técnicas relacionadas que aprenden patrones a partir de datos históricos de mantenimiento y producción y utilizan esos patrones aprendidos para generar resultados que mejoran las decisiones de mantenimiento, predicen fallos de equipos o automatizan flujos de trabajo de mantenimiento.
La palabra clave es aprender.
Una alerta por umbral que se activa cuando la amplitud de vibración excede un valor configurado no es IA.
Es una regla.
Un modelo que aprende las firmas específicas de vibración que preceden a fallos de rodamientos en un modelo de motor específico bajo las condiciones operativas concretas de una planta concreta, y que predice que el rodamiento de este motor fallará en 14 a 21 días según la tendencia actual, sí es IA.
La distinción importa porque los requisitos de datos, la complejidad de implementación y las características de rendimiento del monitoreo basado en reglas y de la predicción basada en IA son fundamentalmente diferentes.
Aplicación 1: Predicción de fallos
La predicción de fallos es la aplicación de IA más comúnmente descrita en el marketing del mantenimiento manufacturero.
Un modelo de aprendizaje automático se entrena con datos históricos de un activo o clase de activos específica, incluyendo lecturas de sensores, tendencias de OEE, registros de órdenes de trabajo de mantenimiento y eventos de fallo documentados.
El modelo aprende los patrones en esos datos históricos que preceden a los eventos de fallo.
Aplicado a datos operativos actuales, el modelo estima cuándo es probable que ocurra el próximo fallo y con qué probabilidad.
La salida es una estimación de la vida útil restante o una probabilidad de fallo dentro de una ventana temporal definida.
Esta salida permite al equipo de mantenimiento planear una intervención en el momento óptimo: lo suficientemente tarde para extraer el valor completo de la vida útil del componente actual, y lo suficientemente pronto para ejecutar la intervención antes de que ocurra una falla funcional.
El requisito de datos para la predicción de fallos es el más exigente de las cuatro aplicaciones.
El modelo necesita eventos de fallo documentados con los datos de condición que precedieron a cada evento.
Un motor que ha fallado dos veces en su historia operativa no puede soportar un modelo de predicción de fallos fiable.
Un motor que ha fallado 20 veces con datos de condición conectados y limpios de cada fallo proporciona la base de entrenamiento que la predicción fiable requiere.
Aplicación 2: Clasificación de fallos
La clasificación de fallos utiliza aprendizaje automático para categorizar automáticamente eventos de fallo de mantenimiento a partir de datos crudos de sensores, señales de máquina o descripciones de órdenes de trabajo de mantenimiento.
Cuando una máquina se detiene, su PLC genera un código de paro.
Ese código de paro puede ser lo suficientemente específico como para indicar directamente el modo de fallo, o puede ser un código de fallo genérico que requiere el diagnóstico de un técnico para interpretarlo.
Los modelos de clasificación de fallos por IA aprenden a distinguir entre modos de fallo a partir de las firmas de datos crudos asociadas con cada modo, asignando automáticamente clasificaciones específicas de fallo a los eventos de paro sin requerir diagnóstico manual del técnico.
Esta aplicación es valiosa porque reduce el tiempo de diagnóstico, mejora la consistencia de los códigos de fallo entre técnicos y turnos, y produce el historial de mantenimiento específicamente clasificado que los modelos de predicción de fallos y el análisis de equipos problemáticos requieren.
El módulo de visión por computadora de Fabrico incluye capacidad de clasificación de causas mediante IA que actualmente está en desarrollo y en la hoja de ruta del producto para esta aplicación específica.
Aplicación 3: Detección de anomalías
La detección de anomalías utiliza aprendizaje automático para identificar cuándo el comportamiento operativo de una máquina se desvía de su patrón normal aprendido en formas que indican un fallo en desarrollo.
A diferencia del monitoreo de condición basado en umbrales que se activa cuando un parámetro específico excede un valor configurado, la detección de anomalías aprende el patrón normal operativo multivariante de cada máquina específica e identifica desviaciones de ese patrón que ningún umbral individual podría capturar.
Un motor que simultáneamente muestra un aumento del 3% en el consumo de corriente, un incremento del 2% en la temperatura del rodamiento y una reducción del 1,5% en la velocidad del eje puede no activar ninguna alarma por umbral individual.
Un modelo de detección de anomalías que ha aprendido la firma operativa multivariante normal de este motor reconoce el patrón combinado como anómalo y genera una alerta.
El valor de la detección de anomalías está en su sensibilidad a patrones multivariantes sutiles que el monitoreo basado en reglas no detecta, y en su capacidad para detectar modos de fallo novedosos que no han sido previamente categorizados en la configuración de umbrales.
Aplicación 4: Optimización de flujos de trabajo de mantenimiento
La cuarta aplicación de IA en mantenimiento es menos visible que la predicción de fallos pero ampliamente aplicable desde una etapa anterior de madurez de datos.
La optimización de flujos de trabajo de mantenimiento utiliza aprendizaje automático para mejorar la eficiencia de la programación de mantenimiento, la gestión de repuestos y la calibración de intervalos de PM.
Los modelos de optimización de programación aprenden los patrones en la carga histórica de trabajo de mantenimiento, la disponibilidad de técnicos, las restricciones de programación de producción y los resultados de cumplimiento de PM que predicen qué configuraciones de programación producen el mejor cumplimiento de PM y la menor proporción planificado-reactivo.
Los modelos de optimización de repuestos aprenden los patrones de consumo a partir de los registros de piezas en órdenes de trabajo para mejorar las configuraciones de cantidad mínima y reducir simultáneamente tanto las faltas de stock como el exceso de inventario.
Los modelos de optimización de intervalos de PM aprenden a partir de los registros de hallazgos de PM qué intervalos están generando intervenciones de mantenimiento significativas y cuáles están generando intervenciones innecesarias en activos que aún no se acercan a su umbral de mantenimiento.
Esta aplicación requiere menos profundidad de datos históricos que la predicción de fallos y ofrece valor más pronto en el proceso de acumulación de datos.
Cada aplicación de IA en mantenimiento requiere una base de datos.
La base tiene tres componentes.
Conectividad. Datos conectados a la máquina mediante integración PLC, sensores IoT o hardware de monitoreo de condición. Los modelos de IA no pueden entrenarse con datos que nunca se capturaron.
Los datos de OEE reportados por operadores y los registros manuales de órdenes de trabajo son insuficientes como fuente principal de datos de entrenamiento para los modelos de IA porque son incompletos, se registran de forma inconsistente y carecen de la resolución temporal que el aprendizaje automático requiere.
Integridad. Datos históricos que cubran todo el rango de condiciones operativas, modos de fallo e intervenciones de mantenimiento de los que el modelo necesita aprender. Un conjunto de datos que carece del 40% de los eventos de fallo porque no se registraron en el CMMS producirá un modelo con puntos ciegos sistemáticos que se manifestarán en sus predicciones como fallos no detectados en los modos que estuvieron subrepresentados en el entrenamiento.
Consistencia. Datos etiquetados de forma consistente a lo largo del tiempo y entre diferentes técnicos. Un código de fallo que significa una cosa para un técnico y algo diferente para otro produce un conjunto de entrenamiento con ruido en las etiquetas de clase que degrada el rendimiento del modelo.
La aplicación consistente de códigos de fallo, el registro del consumo de piezas y las prácticas de cierre de órdenes de trabajo son prerrequisitos para la calidad de los datos de entrenamiento.
La regla de los 12 meses refleja los tres requisitos.
12 meses de datos conectados, completos y etiquetados de forma consistente proveen suficientes ejemplos de patrones operativos normales, variación estacional y eventos de fallo para entrenar modelos que generalicen de forma fiable a nuevas situaciones.
Conjuntos de datos más cortos pueden contener suficientes ejemplos para entrenar un modelo, pero el modelo encontrará condiciones operativas en despliegue que no vio en el entrenamiento y producirá salidas poco fiables.
La regla de los 12 meses es una guía más que una garantía.
Los activos con alta frecuencia de fallos pueden acumular datos de entrenamiento suficientes más rápido.
Los activos con frecuencia de fallos muy baja pueden requerir períodos de acumulación de datos más largos antes de que los modelos de predicción de fallos sean fiables.
Dada la amplitud de afirmaciones sobre IA en el marketing del mantenimiento manufacturero, vale la pena ser directo sobre qué no es la IA en mantenimiento.
La IA no es una alerta por umbral.
Configurar un umbral de amplitud de vibración y generar una alerta cuando se excede es monitoreo de condición basado en reglas.
Es valioso. No es IA.
La IA no es un panel con líneas de tendencia.
Un panel que muestra tendencias de OEE, tendencias de costos de mantenimiento y tendencias de cumplimiento de PM es inteligencia de negocio.
Es valioso. No es IA.
La IA no es alcanzable sin la base de datos.
Cualquier proveedor que afirme que su plataforma de IA producirá predicciones de fallos fiables desde el primer día de despliegue en una instalación sin datos conectados históricos o está describiendo detección de anomalías con fiabilidad muy baja o está tergiversando la capacidad de sus modelos.
La IA en mantenimiento requiere la base de datos antes de ofrecer salidas fiables.
Los proveedores que afirman lo contrario deben ser solicitados a demostrar la precisión de predicción sobre datos históricos de sus clientes existentes antes de confiar en la fiabilidad de su capacidad de IA.
La IA no sustituye a la ingeniería de mantenimiento.
Los modelos de IA ponen de manifiesto patrones y predicciones sobre los que actúan los ingenieros de mantenimiento.
No reemplazan el juicio técnico necesario para evaluar si un fallo predicho justifica una respuesta inmediata, un mantenimiento programado o una investigación adicional antes de comprometerse con una intervención.
El ingeniero de mantenimiento que entiende los modos de fallo, los intervalos P‑F y el contexto operativo específico de cada activo sigue siendo quien toma la decisión.
La IA es la herramienta que le proporciona a ese ingeniero mejor información más rápidamente que el análisis manual.
Las capacidades actuales de IA de Fabrico y su hoja de ruta reflejan la secuenciación realista que una implementación responsable de IA en el mantenimiento manufacturero requiere.
La plataforma actual proporciona la conectividad a máquinas y el monitoreo de OEE que generan los datos conectados, limpios y estructurados de forma consistente que los modelos de IA requieren como base de entrenamiento.
La clasificación de causas por IA dentro del módulo de visión por computadora está actualmente en desarrollo y en la hoja de ruta del producto, orientada a la aplicación de clasificación de fallos descrita anteriormente.
El Agente de Fabrico, un asistente de flujos de trabajo de mantenimiento potenciado por IA, está actualmente en desarrollo y en la hoja de ruta del producto, orientado a la aplicación de optimización de flujos de trabajo de mantenimiento.
Los módulos predictivos de mantenimiento con IA están actualmente en desarrollo y en la hoja de ruta del producto, orientados a la aplicación de predicción de fallos a medida que la base de datos madura en la base de clientes.
Esta secuenciación es intencional y honesta.
Construir la base de datos primero produce los datos de entrenamiento que los modelos de IA requieren.
Desplegar modelos de IA sobre un conjunto de datos maduro, limpio y conectado produce salidas fiables.
Desplegar modelos de IA antes de que la base de datos esté establecida produce salidas que parecen confiadas pero no son fiables, lo que daña la confianza en la tecnología y en el programa de mantenimiento que depende de ella.
La mayoría de los fabricantes que preguntan sobre IA en mantenimiento se encuentran en diferentes etapas del viaje de prerrequisitos.
Etapa 1: Establecer conectividad a las máquinas y captura de datos limpios.
Sin datos conectados, la IA en mantenimiento no es alcanzable. Esta etapa es el prerrequisito para todo lo que sigue.
Etapa 2: Construir 12 meses de historial de mantenimiento conectado y etiquetado de forma consistente.
La calidad de los datos de órdenes de trabajo, la especificidad de los códigos de fallo y el registro del consumo de piezas son las disciplinas de calidad de datos que hacen que este historial sea utilizable como datos de entrenamiento de IA.
Etapa 3: Desplegar detección de anomalías en activos de Nivel 1.
La detección de anomalías requiere menos profundidad de datos históricos que la predicción de fallos y ofrece valor más pronto. Es la primera aplicación de IA en mantenimiento apropiada para la mayoría de los fabricantes.
Etapa 4: Desplegar optimización de flujos de trabajo de mantenimiento.
La optimización de programación, la optimización de repuestos y la calibración de intervalos de PM mediante aprendizaje automático pueden desplegarse una vez que la calidad de los datos del CMMS y los datos de producción conectados estén maduros.
Etapa 5: Desplegar predicción de fallos en activos con historial de fallos suficiente.
La predicción de fallos en activos específicos donde el conjunto de datos histórico incluye suficientes eventos de fallo documentados para entrenar modelos fiables es la etapa final del viaje de IA en mantenimiento.
Esta etapa llega en distintos momentos para distintos activos, dependiendo de la frecuencia de fallos y de la calidad de los datos.
¿Necesito un científico de datos para implementar IA en el mantenimiento manufacturero?
No para las plataformas comerciales de IA en mantenimiento que proporcionan modelos preconstruidos entrenados en grandes conjuntos de datos industriales.
Los modelos preconstruidos de plataformas consolidadas pueden aplicarse a los datos de una instalación con la orientación del equipo de implementación de la plataforma en lugar de requerir capacidad interna de ciencia de datos.
Para el desarrollo de modelos personalizados entrenados específicamente con datos de fallos propios de la instalación, la capacidad de ciencia de datos es necesaria ya sea internamente o a través de socios especializados.
¿Qué tan precisos son los modelos de predicción de fallos en la práctica?
La precisión varía significativamente según el tipo de activo, el modo de fallo, la calidad de los datos y la madurez del modelo.
Los modelos de predicción de fallos bien implementados en activos con abundantes datos históricos de fallos suelen alcanzar entre 70% y 90% de precisión en las predicciones de fallo dentro de su horizonte de predicción declarado.
Esto significa que entre el 10% y el 30% de las predicciones son falsas alarmas que generan respuestas de mantenimiento innecesarias.
La comparación alternativa no es predicción perfecta frente a predicción imperfecta.
Es predicción temprana e imperfecta frente a no tener predicción, con fallos no planificados como resultado.
Incluso con un 80% de precisión, la predicción de fallos con IA elimina el 80% de los fallos no planificados que fue diseñada para prevenir, lo que supone una mejora significativa frente al monitoreo de condición sin modelos predictivos.
¿Cuál es la diferencia entre mantenimiento predictivo con IA y mantenimiento basado en condición?
El mantenimiento basado en condición desencadena intervenciones de mantenimiento cuando un parámetro de condición monitorizado cruza un umbral configurado.
El mantenimiento predictivo con IA utiliza aprendizaje automático para estimar cuándo ocurrirá un fallo en función de patrones en datos históricos, proporcionando estimaciones de vida útil restante en lugar de alertas por cruce de umbrales.
El mantenimiento basado en condición es el prerrequisito para el mantenimiento predictivo con IA y aporta un valor significativo por sí mismo.
El mantenimiento predictivo con IA añade la capacidad de predecir el momento del fallo en lugar de sólo detectar el deterioro actual, permitiendo una programación de mantenimiento más precisa dentro de una ventana de fallo predicha específica.
La IA en el mantenimiento manufacturero no es un atajo tecnológico. Es el siguiente paso natural para los programas de mantenimiento que han construido la base de datos que sus modelos requieren.
Los fabricantes que más se benefician del mantenimiento con IA no son los que la desplegaron primero. Son los que construyeron la disciplina de calidad de datos que hace que las salidas de la IA sean lo bastante fiables como para confiar en ellas.
Convierta el tiempo de inactividad en un dato accionable para su equipo.
Reservar una demo
Iniciar sesión
Blog
