Cómo aprovechar los datos para aumentar la productividad mediante el mantenimiento preventivo

banner 1

Por Daniel Rossek, director de marketing de Omron en Reino Unido

Female Engineer Walks Through Factory Workshop With Augmented Reality 3d Models Cnc Machinery Production Line. Industry 4.0 Graphics Visualization In Factory. Vfx Special Graphics And Visual Effects

Los datos pueden hacer que la función de mantenimiento pase de ser una solución rápida para que las líneas de producción sigan funcionando, a ser una herramienta esencial para el éxito empresarial. En Omron, compañía líder en soluciones de automatización industrial, tenemos claro que una estrategia de mantenimiento puede mejorar mediante el acceso y la utilización de datos ya existentes. 

Los tiempos de inactividad imprevistos son el enemigo número uno de la producción. Dado que la mayoría de los sistemas de fabricación funcionan como parte de un ecosistema más amplio, el fallo de un simple componente puede repercutir en la productividad de toda la empresa, afectando a las operaciones anteriores y posteriores. Puede tener implicaciones, además, en la calidad del producto o causar costosas pérdidas asociadas al mismo. En última instancia, esto puede ocasionar una pérdida de ingresos y perjudicar la reputación de la marca a nivel empresarial.

 

La causa más común de fatiga en las máquinas es el fallo de un componente mecánico a causa, por ejemplo, del desgaste de los rodamientos, del fallo de los cilindros neumáticos, de la desalineación de las guías o de los atascos de la máquina. Muchos fabricantes siguen recurriendo a la estrategia de mantenimiento más básicas (funcionamiento hasta el fallo) y, en consecuencia, sufren tiempos de inactividad inesperados.

 

La solución es el mantenimiento preventivo, donde los componentes se reemplazan en los tiempos establecidos en función de la vida útil prevista de los mismos. Si bien esto reduce las paradas imprevistas, la desventaja es que el componente aún podría seguir utilizándose, por lo que una estrategia preventiva no siempre es compatible con los objetivos de sostenibilidad de una organización. Es decir, reemplazar los componentes antes de que lleguen al final de su vida útil puede ser una solución costosa.

“En el futuro, el mantenimiento formará parte integral de un número cada vez mayor de componentes”

Daniel Rossek, director de marketing de Omron Reino Unido Tweet

Coste humano

Ahora que muchos sectores comienzan el viaje hacia fábricas más inteligentes, es importante tener en cuenta el impacto humano en el mantenimiento. Las soluciones digitales pueden ofrecer muchas ventajas para los equipos de mantenimiento, aliviando la enorme presión que se ejerce sobre ellos cuando hay una parada. El tiempo que se tarde en volver a poner la máquina en marcha determinará el coste del tiempo de inactividad para la empresa. Esto puede hacer que se priorice el tiempo sobre la calidad de la reparación, dando lugar a paradas frecuentes de las máquinas.

Si bien es cierto que no existe una estrategia de mantenimiento que garantice el 100 % del tiempo de actividad de la máquina, las soluciones preventivas y predictivas pueden ayudar a reducir la presión sobre el equipo, ya que pueden planificarse con antelación y llevarse a cabo durante los tiempos de inactividad programados.

Comienzo del viaje hacia un modelo predictivo

En el mundo digital actual, lograr un mantenimiento predictivo es más fácil de lo que parece. Una estrategia de mantenimiento predictivo puede utilizar los datos ya disponibles de los componentes y analizar esta información, resaltando las señales sospechosas, que pueden indicar un posible fallo. Pensemos, por ejemplo, en la vibración o la temperatura. Dado que la mayoría de los componentes funcionan a un nivel de vibración de referencia o a una temperatura de funcionamiento estándar, la monitorización de estos elementos permite detectar cambios que pueden deberse a que un componente está empezando a fallar. Observar más de cerca el vector o la velocidad de cambio hace posible predecir el tiempo que falta para el fallo.

El primer paso del viaje hacia el mantenimiento predictivo es identificar los elementos esenciales del proceso. Esto es: cuáles son, tradicionalmente, las principales causas de paradas imprevistas y en qué parte del sistema se producen. De esta manera, podemos tener una referencia sobre las capacidades de recopilación de datos de los sistemas.

Engineer Using Laptop Computer For Maintenance Automatic Robotic Arm With Cnc Machine In Smart Factory. Industry 4.0 Concept

Con frecuencia, los elementos esenciales serán los motores y los componentes mecánicos como los solenoides del sistema neumático. Por lo general, añadir soluciones de mantenimiento predictivo a estos componentes es una tarea sencilla y, a menudo, no es necesario conectarlas a sistemas más amplios.

En los componentes neumáticos, normalmente, no hay necesidad de incluir tecnología adicional, solo algún medio para registrar los datos. Muchos convertidores de frecuencia, por ejemplo, ya incluyen la funcionalidad de monitorización de corriente, para que los datos estén disponibles. Si el convertidor no tiene esta funcionalidad, una solución sencilla es implementar transformadores de corriente en los motores. Los sensores de vibración pueden detectar un aumento o cambio en los niveles de vibración y predecir posibles fallos, mientras que los solenoides del sistema neumático contienen sensores de posición que se pueden utilizar para determinar el estado del dispositivo a través de un análisis del tiempo que tardan en retraerse y extenderse.

Sin embargo, uno de los retos será comprender que existe una necesidad de interpretar los datos de manera diferente. Por ejemplo, la mayoría de las máquinas registrará las posiciones de inicio y parada del solenoide, pero para el mantenimiento predictivo, será necesario registrar el tiempo que tarda en pasar de un punto a otro. Este tiempo debe ser constante y cualquier variación puede indicar un problema con el cilindro.

Una vez identificadas las soluciones de recopilación de datos, el siguiente paso es evaluar las opciones de recopilación. Algunos sistemas de control más antiguos no tendrán capacidad de captura de datos, pero la idea de cambiar la arquitectura por otra más moderna solo para realizar esta tarea no resulta muy atractiva. Una buena alternativa es añadir una capa secundaria de arquitectura de automatización para recopilar datos e interfaces para el sistema de supervisión. Se trata de un método que no resulta demasiado costoso, ya que no es necesaria ninguna función de control.

“La solución para evitar interrupciones en una industria es el mantenimiento preventivo, donde los componentes se reemplazan en los tiempos establecidos en función de la vida útil prevista de los mismos”

Daniel Rossek, director de marketing de Omron Reino Unido Tweet

En busca del nivel de mantenimiento predictivo más adecuado

 

Existen varios niveles de mantenimiento predictivo y, a medida que se comienza a recibir grandes cantidades de datos, los niveles de complejidad aumentan. También puede ser difícil filtrar las lecturas relacionadas con interrupciones normales ya que pueden provocar una fluctuación de los datos. La carga periódica de una máquina, por ejemplo, puede causar un pico de vibración, o puede que exista una acción repetitiva del proceso que provoca aumentos de vibración y, por lo tanto, una variación en las mediciones. 

La inteligencia artificial (IA) ofrece una buena solución para esta situación: puede aprender rápidamente los patrones de medición y filtrar las actividades habituales, al tiempo que señala cualquier cambio imprevisto en los pasos. Las soluciones de IA basadas en máquinas son excelentes para monitorizar la información de una cantidad relativamente pequeña de conjuntos de datos en tiempo real, y proporcionar un análisis de datos instantáneo para que el equipo se ajuste regularmente, garantizando así que funcione siempre a su máxima capacidad. Una solución de IA basada en la nube permite enviar una mayor cantidad de conjuntos de datos, lo que hace posible realizar análisis de grandes cantidades de datos durante periodos más largos. Ninguna solución de IA es mejor que otra; simplemente depende de las necesidades de la aplicación en particular.

“En el mundo digital actual, lograr un mantenimiento predictivo es más fácil de lo que parece”

Daniel Rossek, director de marketing de Omron Reino Unido Tweet

Conclusión

La creciente cantidad de datos a nivel de planta y la mayor disponibilidad de herramientas de análisis simples han hecho que las funciones de mantenimiento sean cada vez más importantes para aumentar la productividad. Los proveedores de automatización que comprenden la función esencial que puede desempeñar el mantenimiento predictivo ya están desarrollando soluciones que integran la funcionalidad de mantenimiento en sus ofertas.

 

La última generación de robots de Omron, por ejemplo, incluye una funcionalidad integrada de mantenimiento para facilitar el acceso a los datos y simplificar las tareas de mantenimiento predictivo. En el futuro, el mantenimiento formará parte integral de un número cada vez mayor de componentes. 

 

La tecnología de sensores también se está adaptando para satisfacer la necesidad de aumentar la funcionalidad de mantenimiento. Aunque los sensores de vibración ya tienen una salida analógica, es una frecuencia demasiado alta para que la mayoría de los controladores la registren. En la actualidad, se están desarrollando sensores que incorporan una interfaz para permitir la recopilación y el envío masivo de datos a paquetes de análisis a través de la nube.

 

En un futuro no muy lejano, en lugar de tener que implementar o analizar la tecnología de sensores solo para fines de mantenimiento, esta función estará integrada en los sistemas existentes. Esto ayudará a que la función de mantenimiento pueda contribuir positivamente al éxito de la empresa mediante el aumento de la productividad y la reducción de los residuos.

Aniversario AER Automation
Aniversario AER Automation
Fondo BS