En el marco industrial actual, la reducción de costes y optimización de las operaciones se hacen pilares fundamentales. Con este fin, la reducción de paradas y la disminución del tiempo de estas paradas forman uno de los objetivos principales en la planificación del mantenimiento de una planta. Dentro de esta planificación, nos encontramos con tres grandes bloques en cuanto a tipología de mantenimiento se refiere. Los dos más ampliamente utilizados hasta la fecha, mantenimiento correctivo y preventivo, y una vertiente que, en los tiempos que corren, está cobrando cada día más fuerza gracias al desarrollo de la Inteligencia Artificial y el Big Data. Se trata del Mantenimiento Predictivo basado en lo que se conoce como Machine Learning.
MANTENIMIENTOS CORRECTIVOS Y PREVENTIVOS
El mantenimiento correctivo, muy presente todavía en la industria, consiste en abordar el problema en el momento que ocurre dicha avería. Esto provoca paradas no planificadas que dependiendo de la tipología pueden llegar a ocasionar largos periodos de tiempo con la producción parada, y la consiguiente consecuencia económica en pérdidas que eso genera.
Con el fin de disminuir esta casuística realizamos revisiones periódicas y abordamos tareas de mantenimiento según planificación previa o recomendaciones de los fabricantes. Esto habitualmente ayuda a reducir el número de paradas imprevistas. Pero se siguen planteando problemas. Se puede incurrir en gastos de sustitución de componentes cuando aún tienen vida útil o, que sigan ocurriendo estas averías inesperadas porque las condiciones de funcionamiento han cambiado respecto a lo considerado inicialmente.
MANTENIMIENTO PREDICTIVO
El mantenimiento predictivo podemos decir que es una optimización del proceso de mantenimiento preventivo. En auge gracias la aparición de tendencias como la Industria 4.0 y el Inthernet of Things (IoT). Con él lo que se busca es conocer cuál es la vida útil restante de un componente, con la intención de llevar a cabo tareas de mantenimiento preventivas evitando realizar revisiones innecesarias. Las piezas que se conoce que son susceptibles de fallos se sensorizan y monitorizan, usando los datos obtenidos para determinar la vida útil del componente.
Máquina de llenado en parada de mantenimiento.
El objetivo principal es la anticipación ante posibles paradas imprevistas y reducir los tiempos de paradas de la producción. Para ello, es interesante aplicar esta metodología en los puntos o sistemas críticos de fallo o que puedan suponer un alto coste. Mediante el uso de diversos sensores como acelerómetros, cámaras termográficas, micrófonos de ultrasonidos, sensores de corriente o de presión. Se pueden medir diferentes variables tales como vibraciones, temperatura, ruidos de la máquina, anomalías de consumo, o variaciones de presión. El posterior análisis de estos datos mediante técnicas de Machine Learning nos va a permitir predecir posibles fallas y el tiempo que pasará hasta que ocurra dicha avería. Permitiéndonos adelantarnos y estar preparados, disminuyendo el tiempo de parada necesario para solucionarlo.
¿EL MANTENIMIENTO PREDICTIVO FUNCIONA REALMENTE?
Según un estudio de Baker Hughes y Kimberlite [1] la tasa de paradas imprevistas pasa del 8,43% cuando se usa mantenimiento correctivo, hasta el 5,42% al incorporar al mantenimiento general de la empresa tareas de mantenimiento predictivo. Además, el impacto económico generado por la inactividad inesperada se reduce en un 58,59%. Es cierto, que el coste inicial de aplicar este sistema, en muchas ocasiones, puede ser alto. Es por eso, que lo ideal es determinar cuáles son los puntos críticos de tus procesos. Para conocer qué tipo de mantenimiento es más conveniente en cada uno de ellos.
En conclusión, un análisis del proceso y de la planificación del mantenimiento es lo que va a determinar dónde y cómo aplicar cada uno de los diferentes sistemas. Pudiendo así disminuir las paradas no planificadas y los tiempos de inactividad, con la reducción de coste que eso conlleva.
Si quieres ampliar información al respecto ponte en contacto con nosotros https://i-daf.es/pages/contact
[1] BHGE. (2016). The Impact of Digital on Unplanned Downtime.
0 Comments