Mantenimiento predictivo

Los datos pueden provenir de muchas fuentes: de instrumentos de proceso, de informes periódicos de inspección, de sistemas de monitoreo continuo, sistemas de GMAO o de libros de registro (de mantenimiento) ingresados manualmente. Saber qué datos recopilar es el primer paso para la gestión del rendimiento de los activos. 

Antes de que el modelado y el análisis puedan comenzar, los datos deben ser accesibles. Esto puede variar desde la digitalización de registros de datos completados manualmente, hasta la recopilación periódica de volcados de datos de herramientas de inspección manuales, la transferencia de datos de anomalías y la transferencia de datos completos en tiempo real. Los datos se pueden transferir a entornos de nube, pero también se pueden mantener descentralizados ("computación en la niebla").  

A pesar de su nombre, el análisis de big data no se trata de arrojar cantidades masivas de datos a un programa de computadora, esperando que escupa nuevas correlaciones. Agrupar los datos en modelos en torno a mecanismos de falla acelerará en gran medida el análisis. Esto incluye la construcción de algoritmos que aprenden a detectar anomalías y mecanismos de falla basados en fallas históricas (huellas dactilares). 

En este siguiente paso, en realidad observamos lo que el modelo recopilado nos dice sobre el rendimiento de los activos. Se trata de determinar la fiabilidad de los modelos, prevenir falsos positivos y falsos negativos, sacar las conclusiones correctas y construir casos de negocios para determinar el mejor curso de acción. 

La visualización de datos en paneles llenos de gráficos y tablas puede mejorar la información y, por lo tanto, proporcionar un importante apoyo a la toma de decisiones. Esto puede ser una mezcla de datos históricos que muestran tendencias, alertas en tiempo real y predicciones sobre la salud / posibilidad de fallas específicas. Los grandes proveedores de automatización como IBM, Emerson y OSIsoft proporcionan el software, que posteriormente debe configurarse y alinearse con los KPI específicos del cliente. 

Saber que algo fallará no dicta inmediatamente cuál será la acción correctiva. Las opciones incluyen aplicar alguna técnica de mantenimiento en línea, correr el riesgo de esperar el próximo cambio planificado, cerrar prematuramente la planta... En el caso del mantenimiento prescriptivo, estas decisiones están automatizadas, pero de lo contrario los humanos deben decidir. De cualquier manera, las decisiones deben convertirse en órdenes de trabajo, que harán que las personas adecuadas sean enviadas con las herramientas adecuadas y en el momento adecuado para ocuparse de la situación.