Llevar el mantenimiento predictivo a la planta de producción
La fábrica actual es un entorno complejo, a menudo de alta tecnología. Las líneas de montaje comprenden una serie de equipos y componentes, cada uno de los cuales realiza una tarea específica en un orden determinado. Un problema con un solo componente puede tener un gran impacto y echar por tierra todo el proceso de fabricación. Estas paradas son extremadamente caras, por lo que las fábricas hacen especial hincapié —y destinan un presupuesto considerable— en el mantenimiento. El problema es que la mayoría de las actividades de mantenimiento son o bien rutinarias, lo que significa que ocurren independientemente de si hay que arreglar una pieza del equipo, o bien reactivas, lo que significa que ocurren después de que algo se rompa. Aunque ambos enfoques contribuyen a reducir el riesgo de una parada larga, ninguno de ellos es demasiado bueno en prevenir la parada en primer lugar. Lo que las fábricas necesitan es un mantenimiento predictivo, que es exactamente lo que pretende ofrecer el proyecto financiado con fondos europeos PROGRAMS (PROGnostics based Reliability Analysis for Maintenance Scheduling). «Nuestra intención es extraer información de todos los niveles de la fábrica —datos de controladores y sensores, informes de mantenimiento, experiencia de los operarios, características físicas, etc.— y, mediante un algoritmo de IA, determinar la programación óptima de las actividades de mantenimiento», afirma Sotiris Makris, coordinador del proyecto y jefe del grupo de Robots, Automatización y Realidad Virtual del Laboratorio de Sistemas de Fabricación y Automatización de la Universidad de Patras en Grecia. «Al minimizar el impacto que las actividades de mantenimiento tienen en el plan de producción, podemos ayudar a aumentar la productividad y reducir los costes».
Una revolución en el mantenimiento predictivo
El resultado que define el proyecto es el desarrollo de una herramienta innovadora para predecir la vida útil restante (VUR) de una pieza. «Gracias a algoritmos inteligentes que explotan los modelos de IA y los datos recogidos sobre el terreno, esta herramienta es una revolución absoluta en el ámbito del mantenimiento predictivo», señala Makris. Según Makris, conocer la VUR de una pieza permite a la empresa calcular los gastos de capital a corto y largo plazo. Y añade: «Esta información respalda la toma de decisiones sobre el pedido de piezas de repuesto o la programación de las actividades de mantenimiento. También se puede utilizar para garantizar que el personal está debidamente formado para realizar una tarea de mantenimiento específica». Al desarrollar la herramienta, los investigadores se enfrentaron a un reto único. «Sorprendentemente, no se produjo ninguna avería durante el período del proyecto, lo que significa que no teníamos datos sobre casos de averías para alimentar nuestro algoritmo de IA», explica Makris. En su lugar, el proyecto utilizó modelos de IA para simular el estado de bajo rendimiento de los equipos. «Las averías de la maquinaria van precedidas de un cierto deterioro del rendimiento y de la consiguiente disminución de la calidad del producto», añade Makris. «Nuestros socios de la industria han acogido realmente bien este ajuste, ya que les permite evitar no solo una avería, sino también la disminución previa del rendimiento».
Un hito importante
Ahora, el equipo del proyecto trabaja para mejorar la madurez de su herramienta y acercarla a la comercialización. «Nuestro objetivo final es desarrollar tecnologías de mantenimiento predictivo robustas y basadas en IA que puedan integrarse en las aplicaciones industriales», señala Makris. Conseguirlo ha sido más fácil, en parte porque el proyecto está incluido en ForeSee Cluster, una red de seis proyectos financiados con fondos europeos que trabajan en tecnologías de mantenimiento predictivo. «Nuestra participación en este grupo ha sido un hito importante para el proyecto», concluye Makris. «No solo garantiza que nuestros resultados se incorporen a los esfuerzos de normalización, sino que también nos presenta a varias partes interesadas que pueden utilizar nuestro trabajo como base para su propia investigación».
Palabras clave
PROGRAMA, mantenimiento predictivo, mantenimiento, fábrica, algoritmos inteligentes, inteligencia artificial, IA, análisis de datos, vida útil restante, líneas de montaje, fabricación, aplicaciones industriales
