Hoy en día, la maquinaria y la planta están optimizadas para que puedan garantizar tanto tiempos de inactividad comparablemente bajos como alta calidad de los productos fi nales. Sin embargo, las nuevas exigencias del mercado, como la producción personalizada y los ciclos de vida cada vez más cortos de los productos, signi- fi can que las empresas manufactureras se enfrentan a la tarea de seguir optimizando los procesos para mantener su posición y avanzar frente a la competencia internacional. La digitalización ofrece a los constructores de máquinas y a las empresas manufactureras nuevas oportunidades para aumentar sus propios niveles de productividad y diferenciarse de la competencia a través de servicios basados en datos.
Predicción de errores con analítica industrial
Los sensores existentes en máquinas y la planta miden y registran varios valores, como temperatura, presión, consumo de energía y vibraciones. Estos datos pueden aportar claridad tanto sobre procedimientos individuales, como sobre el proceso mismo, siempre que la empresa sea capaz de evaluar toda la información relevante.
Los módulos de autoaprendizaje de IA utilizan datos grabados para generar automáticamente modelos que se utilizan como referencia para el funcionamiento en tiempo real. Con la estrategia correcta, es posible detectar incluso desviaciones menores del comportamiento normal de una máquina que pueden apuntar hacia problemas futuros. Dependiendo de la complejidad de las máquinas, la calidad predictiva deseada y del plazo de previsión, una precisión de 95% de la predicción y los plazos de entrega de previsión de 24 horas se pueden lograr mediante el uso de modelos entrenados de analítica industrial.
Flujo de trabajo del proyecto
Para implementar correctamente el mantenimiento predictivo con analítica industrial, se requiere un fl ujo de trabajo de proyecto coherente y colaborativo, desde la adquisición de datos a través de módulos analíticos hasta la visualización. La Figura 1 explica la interacción entre los pasos individuales de proceso. Dentro del ámbito de la implementación, se debe tomar una decisión sobre si los diferentes procesos deben tener lugar localmente, en la nube o si se emplearán soluciones híbridas.
Los datos necesarios para el modelo de IA se adquieren directamente en la máquina. La infraestructura existente se utiliza para registrar y transferir los datos necesarios. Si es necesario, esto se puede complementar con puntos de medición e interfaces adicionales. Para optimizar la potencia informática y la cantidad de datos, la selección y el procesamiento de datos deben realizarse localmente si es posible.
El diseño del modelo de autoaprendizaje basado en los datos registrados puede tener lugar ya sea en la fábrica o en la nube. Lo mismo se atribuye a la aplicación y visualización del modelo. La decisión relativa al punto en el que se deben ejecutar los módulos para una solución de mantenimiento predictivo depende de las infraestructuras existentes, los conjuntos de datos, los requisitos de seguridad y los costos. Por lo general, los usuarios optan por soluciones híbridas, con las proporciones de aplicaciones locales y basadas en la nube que varían considerablemente.
Un proyecto de análisis debe llevarse a cabo dentro de un fl ujo de trabajo bien organizado. En la práctica, existe un procedimiento probado de cinco etapas (ver la Figura 2). Al inicio del proyecto, el enfoque se centra en analizar el problema y defi nir el objetivo. Durante esta fase, los desarrolladores y usuarios defi nen, entre otras cosas, qué errores específicos debería ser posible predecir. Durante la fase de exploración posterior, se realizan comprobaciones para ver si se puede detectar un error defi nido sobre la base de los valores medidos recogidos o si se requiere una mayor calidad de datos. Con la Prueba de Concepto (PoC, por sus siglas en inglés), se desarrolla un modelo estadístico para detectar automáticamente el error. Así, la viabilidad técnica y económica se comprueba sobre la base de los datos previamente registrados (análisis fuera de línea). Durante la fase piloto, se ejecuta un prototipo funcional en una plataforma IoT en tiempo real (análisis en línea). Al hacerlo, se recopilan los resultados y los valores de experiencia, que se implementan en la solución de análisis fi nal durante la última fase. Esta solución se puede aplicar a un número ilimitado de máquinas del mismo tipo.
Las perspectivas de éxito de un proyecto de análisis pueden y deben reevaluarse después de cada fase, para asegurarse de que la solución fi nal cumple los objetivos defi nidos al principio. La duración de un proyecto de este tipo es razonable: normalmente se requieren de dos a tres meses desde el inicio del proyecto hasta el exitoso PoC. Para que el fl ujo de trabajo del proyecto tenga éxito, los científi cos de datos deben tener una comprensión profunda de las tecnologías de construcción de la máquina. También debe haber un estrecho intercambio con el usuario futuro.
Sin embargo, la creación de procesos de análisis confi ables por sí sola no genera sufi ciente valor agregado económico. Gracias a soluciones de analítica industrial como el mantenimiento predictivo, los fabricantes de máquinas pueden benefi ciarse de nuevos modelos de negocio en el área de servicio y obtener una ventaja competitiva a través de nuevas funciones.
Conclusiones
Los datos existentes provenientes de las máquinas de producción tienen el potencial de generar un considerable valor agregado para los constructores de máquinas y las empresas manufactureras. La clave aquí es el análisis rentable y el uso de estos datos con soluciones de analítica industrial. No hay ningún concepto estándar que se adapte a todos los usuarios, sino que se requieren soluciones individuales que se desarrollen en estrecha coordinación con el usuario. La implementación exitosa de proyectos de análisis requiere que se cumplan ciertos criterios clave:
• Las áreas de aplicación deben seleccionarse sobre la base de un análisis de costos/benefi cios al inicio del proyecto.
• El know-how de la máquina de los expertos en analítica se combina con el conocimiento de la aplicación del usuario para desarrollar una solución basada en las necesidades.
• La infraestructura de datos y la plataforma de datos deben analizarse, defi - nirse y complementarse, si es necesario, para garantizar un proceso de extremo a extremo.
• Debe ser posible adaptar el software y la interfaz de usuario a los requisitos del usuario.
• La planificación y ejecución se lleva a cabo en colaboración con la participación del proveedor de análisis, el constructor de máquinas y el operador de la máquina.
• El objetivo debe ser establecer una asociación a largo plazo entre el usuario y el desarrollador con el fi n de generar valor añadido a largo plazo a partir de la solución de análisis.
Ejemplos específicos de la industria demuestran que el uso de soluciones de análisis, como el mantenimiento predictivo, da como resultado nuevos modelos de negocio, mejora los conceptos de servicio, genera ingresos adicionales y reduce los costos. Además, los hallazgos previamente no detectados con respecto al comportamiento de la máquina están dando lugar a nuevos desarrollos de productos y al uso optimizado de sensores.
Artículo gentileza de Weidmüller Chile. • Rodrigo.Hernandez@weidmueller.com • https://www.weidmuller.es