Datos en Cinco Minutos  

IOT para el Mantenimiento Predictivo y Grandes Datos

James Reyes
James Reyes | Consultor Principal, Conscious Asset

A menudo se nos pregunta sobre el impacto de la Internet Industrial de las Cosas (IOT) en el mantenimiento de los equipos de las empresas industriales. Cuando se trata de reparaciones, no anticipamos que muchas cosas cambiarán debido a la IOT, excepto en la identificación de cuando se necesitan reparaciones. Hacer que los sistemas sean seguros después de haber sufrido fallos y desmontar cosas y reemplazar componentes siempre requerirá la intervención humana. Sin embargo, en el área del mantenimiento proactivo, vemos un gran impacto y enormes beneficios potenciales.

El IOT para el mantenimiento predictivo permite una vigilancia más amplia del equipo y los procesos a un costo mucho más bajo que los métodos tradicionales y proporciona advertencias accionables para prevenir o reducir al mínimo las consecuencias de un fallo inminente. Cuando el IOT para el mantenimiento predictivo se despliega en un programa bien diseñado utilizando el Mantenimiento Centrado en la Confiabilidad (RCM), reducirá las interrupciones sorpresivas, la pérdida de producción, las reparaciones extensas y los daños secundarios y aumentará la seguridad.

IOT y Big Data – es más que sólo sensores direccionales

La premisa subyacente del IOT es que los sensores, cada uno con una dirección IP individual y la capacidad de comunicarse de forma inalámbrica con una red, nos permiten ver lo que está sucediendo de forma remota cuando se colocan en un equipo industrial. El flujo de señales proporcionadas por estos sensores proporciona los datos en bruto de los que se puede obtener una valiosa información. Utilizando algoritmos de predicción, los datos son analizados y los sistemas son programados para enviar notificaciones a los operadores como alarmas, advertencias o notificaciones de solicitud de trabajo.

La combinación de algoritmos estadísticos y de aprendizaje automático es eficaz para analizar los datos del sensor IOT para el mantenimiento predictivo. Por ejemplo, un modelo desarrollado en la Universidad de Toronto puede predecir con bastante precisión el tiempo de falla basado en correlaciones de datos de fallas históricas y señales de monitoreo de condición. Las compañías generalmente combinan varios de estos tipos de modelos en una sola plataforma que puede manejar varios flujos de datos de señales de monitoreo de condición al construir sus propios sistemas.

 Implementación de una solución de mantenimiento y análisis predictivos

Sugerimos algunos pasos clave para implementar una solución predictiva de mantenimiento y análisis.

  • Aplicar un marco robusto para el mantenimiento centrado en la fiabilidad, como UPTIME y RCM-R®.
  • Identificar qué tipo de sensor instalar, y qué ubicación/posición será la mejor para proporcionar flujos de datos significativos. Esto se hace típicamente con algún tipo de mantenimiento centrado en la confiabilidad
  • Implementar suficientes sensores para recopilar lo que se necesita
  • Reunir y transmitir corrientes de datos temporales o de series temporales de los sensores para su procesamiento y análisis con una frecuencia que proporcione información suficiente para facilitar un análisis más preciso
  • Almacenar los datos generados para análisis futuros y tendencias históricas
  •  Usar algoritmos que puedan manejar múltiples corrientes de datos en tiempo real o casi real
  • Usar múltiples algoritmos en combinación como una sola unidad
  • Implementar la plataforma tecnológica apropiada que pueda ingerir, procesar, almacenar y analizar la velocidad y el volumen de los datos, y potenciar el análisis predictivo
  • Desarrollar, o adquirir, apoyo técnico experto para que la tecnología y los algoritmos ofrezcan
  • Mida y compare sus resultados a medida que avanza para que pueda mejorar continuamente su RCM, usando los datos y la experiencia reunidos para validar y refinar el mantenimiento predictivo
  • Comunicarse con frecuencia y rapidez con la administración para activar nuevas investigaciones sobre el terreno y solicitudes de trabajo

 

La necesidad de velocidad en el análisis predictivo del IOT

Uno de los mayores obstáculos técnicos a los que se enfrentan las empresas con los sistemas de mantenimiento predictivo del IOT es cuando se encuentran con cuellos de botella de datos que pueden ralentizar sus tiempos de respuesta. El objetivo de una solución es eliminar cualquier fricción o retraso desde el momento en que se generan los datos, hasta el momento en que esos conocimientos desencadenan la acción en el campo. Esto se convertirá en un reto mayor cuando se envíen más sensores y mediciones más frecuentes por vía inalámbrica a las redes. Las compañías que han estado confiando en métodos manuales de mantenimiento predictivo comenzarán ahora a recibir volúmenes cada vez mayores de datos del IOT.

Se necesitará una nueva infraestructura, así como nuevas tecnologías, para proporcionar el ancho de banda que permita acomodar los flujos de datos. Una industria que ha enfrentado este desafío de explotar volúmenes de datos de series temporales es el sector de los servicios financieros. En los dos últimos decenios, ha sustituido en gran medida el comercio de voz y cara a cara por el comercio algorítmico. Los bancos y otras organizaciones comerciales toman grandes volúmenes de datos de comercio y cotización en tiempo real de las bolsas de valores para tomar decisiones en microsegundos sobre la compra y venta de valores. Simultáneamente están utilizando muchos terabytes de datos comerciales históricos mediante modelos informáticos y programas de aprendizaje automático para tomar decisiones.

La plataforma de base de datos en memoria kdb+, de Kx, ha sido parte de esta transición en la tecnología del comercio desde el principio. Kdb+ está diseñada para procesar rápidamente velocidades y volúmenes crecientes de datos de series temporales más rápido que las tecnologías tradicionales. Ampliamente implementada en la industria de los mercados de capitales, kdb+ también se utiliza ahora en la fabricación de alta precisión y en aplicaciones de mantenimiento predictivo. El caso de uso de kdb+ en los servicios financieros es similar al caso de uso del IOT; ambas industrias necesitan una tecnología que pueda ingerir, procesar, almacenar y analizar eficientemente flujos de datos en tiempo real e históricos, ya sea de sensores o de bolsas de valores, para tomar decisiones en microsegundos.

Para las empresas industriales que buscan construir sistemas de mantenimiento predictivo de IOT, la elección de la tecnología correcta es esencial. Una implementación exitosa de RCM usando datos de sensores del IOT apoyará los crecientes volúmenes de datos de sensores y el continuo desarrollo y mejora de los algoritmos predictivos.

Esta combinación de proceso y tecnología tiene el potencial de perturbar el mundo del mantenimiento predictivo y para muchas empresas, significará una reducción del tiempo de inactividad, menos reparaciones de emergencia, menores costos de reparación, mayor disponibilidad de activos y mayores ingresos.

SOBRE EL AUTOR

James Reyes
James Reyes Consultor Principal, Conscious Asset

James Reyes-Picknell es autor de “Uptime – Strategies for Excellence in Maintenance Management” (2015), “Reliability Centered Maintenance – Reengineered” (2017). Es Ingeniero Mecánico (Universidad de Toronto 1977) con más de 40 años de Confiabilidad, Mantenimiento y Gestión de Activos. James es ampliamente considerado como un experto en la materia para asegurar la entrega de valor de los activos físicos. Su experiencia abarca una amplia gama de industrias, del sector público y privado, todas dependientes de activos físicos para su éxito. La carrera de James incluye servicio naval (Canadá), petroquímica, aeroespacial, construcción naval, gestión de proyectos, implementación de software, consultoría de gestión y entrega de capacitación.

James es un ingeniero profesional (PEng), consultor de gestión certificado (CMC), profesional certificado de mantenimiento y confiabilidad (CMRP), profesional de gestión de mantenimiento (MMP), asesor de gestión de activos certificado (CAMA) y blockchain certificado profesionales (CBP). Recibió el prestigioso Premio Serio Guy de Canadá en 2016 por sus contribuciones sobresalientes a la profesión.