Índice del artículo
El mantenimiento predictivo es una solución compleja que requiere mucha experimentación, pero ofrece una jugosa recompensa en términos de ROI y capacidades digitales.
Por Jair Pérez, CEO de Gesta Labs
Mail: jair@gestalabs.com
El fabricante japonés de puertas…
para automóviles, Hirotec, sufría por los paros no programados y tiempos de inactividad de sus equipos -una situación que, por cierto, es bastante común, pues 8 de cada 10 empresas industriales experimentan este problema-.
En el caso de Hirotec -una productora de autopartes de primera línea que tiene 26 instalaciones industriales en nueve países e ingresos por 16 mil millones de dólares- el problema era muy habitual, por lo que trabajó una solución de IoT + IA para crear un sistema de mantenimiento predictivo que redujera los paros no programados. ¿El resultado?
Eliminación total de las inspecciones manuales de los equipos mediante analítica predictiva que, además, elevó el rendimiento de los equipos a tal grado que la empresa ahorró en la inversión de nuevos equipos CNC.
Los paros no programados…
son uno de los principales dolores de cabeza de los industriales. En Norteamérica, por ejemplo, los fabricantes de equipo original (OEMs) pierden 1.3 millones de dólares por hora debido a este problema, según PTC, una empresa especializada en soluciones de IoT.
El mantenimiento predictivo goza de mucha fama porque aborda un problema muy sencillo de definir, como son los paros no programados de las máquinas y los equipos que ocasionan prolongados tiempos de inactividad. Además, es relativamente sencillo de definir el impacto económico que tendrá la solución, es decir, en cuánto tiempo se tiene un payback y un retorno de inversión más global.
Sin embargo, tiene su grado de complejidad y las empresas deben considerar que tiene un alto grado de complejidad detrás. “Es crucial para los industriales entender el peligro de hacerlo mal. Una falsa alarma impulsada por datos imprecisos puede conducir a acciones incorrectas y costos adicionales”, dice un artículo de Forbes respecto a esta solución.
Una solución de este tipo…
analiza a profundidad las fuentes de datos (sensores, PLCs), el tipo de datos críticos, las piezas, los equipos, el costo de los fallos por equipos, y la combinación de datos ideal para predecir paros no programados. En suma, es un trabajo exhaustivo de los equipos operativos, de mantenimiento y de ciencia de datos.
Y sí: hay que constantes iteraciones y experimentaciones hasta dar en el clavo, en una solución lo suficientemente impactante como para que los directivos decidan dejar atrás sus clásicos programas de mantenimiento por una solución basada en analítica predictiva. Y el trabajo no termina aquí, porque hay que dar mantenimiento constante a sensores, validar datos y, en ocasiones, volver a calibrar el modelo.
¿Vale la pena? Por supuesto. El mantenimiento predictivo es tan popular y exitoso, que es el principal caso de uso de inteligencia artificial en el sector industrial, y ocupa casi 25% del valor total de mercado de este segmento, que en 2019 tuvo un valor cercano a los 15,000 millones de dólares. Su adopción es constante a tal grado que, para 2026, alcanzará un valor de 23,000 mdd (Allied Market Research).
Y no solo vale la pena por el payback a corto plazo y el ROI exponencial que logran las empresas en términos financieros, sino por la serie de capacidades digitales que aporta a largo plazo.
El economista británico John Maynard decía que, a la larga, “todas las máquinas fallan”. Qué mejor que predecir cuando vayan a hacerlo.
Este artículo se publicó originalmente en el sitio web de México Industry