Conectando máquinas a la Industria 4.0. Caso práctico.
Publicado por Alfredo Sánchez Córdoba el 16-03-2017
Cuando pensamos en estrategias para la implantación de la Industria 4.0 a medio plazo, una de las aplicaciones que más nos viene a la cabeza es el Mantenimiento Industrial:
Sensores inalámbricos instalados en maquinaria que envían información de manera autónoma a una plataforma cloud, permitiendo monitorizar los activos 'online'.
Parámetros como vibraciones, temperaturas, estado de aceite, o intensidades, con el objetivo de mantener altos niveles de eficiencia, y generar alertas ante posibles paradas que terminen generando pérdidas de producción o paradas de planta.
Hacia el Mantenimiento Predictivo.
El objetivo de una estrategia de Mantenimiento basado en Internet de las Cosas debe ser el Mantenimiento Predictivo, pero no un mantenimiento basado en análisis de espectros de frecuencia o de intensidad eléctrica (MCSA), que no dejan dejan de ser técnicas de mantenimiento por condición. El objetivo debe ser aprovechar los beneficios del Big Data, la información colectada por los sensores instalados en la maquinaria, para, mediante técnicas de Machine Learning generar predicciones que ayuden a los gestores de operación y mantenimiento a tomar las mejores decisiones, con la finalidad de alargar la vida útil de la maquinaria, optimizar paradas, incrementar la productividad y mejorar la cuenta de resultados.
El objetivo debe ser aprovechar los beneficios del Big Data, para, mediante técnicas de Machine Learning generar predicciones que ayuden a tomar las mejores decisiones.
Partiendo de una planificación de Mantenimiento por Condición con recogida manual de información en planta, las llamadas ‘rutas de mantenimiento’, el primer paso en la implementación de esta nueva estrategia es conectar al Internet de las Cosas los activos a monitorizar. De este modo, se descarga al personal de mantenimiento de tareas de poco valor añadido, para centrarse en analizar la nueva e ingente cantidad de información disponible, generando una base de conocimiento sobre el estado de los activos de la instalación: cómo evolucionan, cómo reaccionan a los cambios del proceso o su comportamiento operativo tras las tareas de mantenimiento. Es una fase de Big Data aplicado a la visualización: hacer visibles los procesos y generar una base de conocimiento en la organización que ayude a tomar mejores decisiones.
En un siguiente paso, con la organización formada, es el momento de emplear técnicas de analítica inteligente al proceso, técnicas como Machine Learning que conformen un sistema autónomo basado en aprendizaje, y que permita a los gestores mejorar la productividad en base a criterios tangibles, objetivos y actualizados.
Caso Práctico.
La empresa, perteneciente a un fuerte grupo industrial, tiene implantado un plan de mantenimiento preventivo por calendario (PdM) y busca, en un primer paso, evolucionar hacia Mantenimiento Basado en Condición (CBM). En este estadío hay una apuesta de la dirección por la formación de los trabajadores tanto a nivel teórico (cursos) como práctico. La formación práctica se basa en el análisis de la información colectada al conectar los equipos al Internet de las Cosas: todo el personal de mantenimiento tiene acceso a un portal de visualización del estado de cada activo sensorizado en modo online.
El objetivo a medio plazo es lograr un sistema de Mantenimiento Predictivo, sistema basado en el análisis autónomo por técnicas de Machine Learning de la información recogida por los sensores, colaborando con el personal de mantenimiento en la optimización de tareas.
La solución:
- La colecta de datos en los ‘equipos críticos’ se automatiza, instalando sensores conectados a la plataforma IDAB IIoT.
- Se realiza una lectura por equipo cada 12 minutos.
- Los datos se envían a una plataforma Cloud donde se muestran al personal de mantenimiento de forma gráfica.
- Las tareas de colecta y visualización se automatizan reduciendo los costes de supervisión del plan.
- El personal de mantenimiento tiene acceso a información 'online' sobre el comportamiento de los activos ante cambios operativos.
