Las máquinas que no admiten ningún error ya siembran su revolución
¿Imagina que a partir de un sensor instalado en su cuerpo se pudiera predecir que en una fecha determinada su corazón va a sufrir un infarto? ¿O advertirle de que su rodilla sufrirá una fractura por las vibraciones que recibe del impacto contra el suelo al correr? Pues algo similar es lo que hace el mantenimiento predictivo en nuestras industrias y fábricas. A partir de sensores ubicados en máquinas (desde los más sencillos que miden vibraciones, o termográficos para detectar fugas, hasta sistemas más complejos de ultrasonidos, que registran temperaturas, o radiografías industriales, para detectar los defectos internos en una pieza) es posible anticiparse a averías y fallos de la maquinaria o de cualquier elemento o componente en una cadena de producción.
Redes de sensores y otros dispositivos proporcionan datos que conectados a través de internet a software industriales (Internet de las Cosas Industrial) y utilizando la computación en la nube, la analítica de datos y los algoritmos de la Inteligencia Artificial hasta predicen cuándo se va a parar la producción de una planta, con toda la pérdida millonaria que eso supone para una compañía. El mantenimiento predictivo es el primer paso hacia el que avanza nuestra industria en el camino a convertirse en las Smart Factories del futuro. Pero todavía queda recorrido para su total implantación.
El ahorro en costes de mantenimiento es del 40%
No son pocas sus ventajas. El estudio «El mantenimiento predictivo en la industria 4.0», realizado por Fujitsu entre empresas clientes y otras que son miembros del Observatorio de Industria 4.0, estima que la identificación temprana y la solución de problemas antes de que ocurran pueden ahorrar un 40% en costes de mantenimiento. Un atractivo beneficio como para plantearse incorporar estas tecnologías a una fábrica.
«Si sabes cuál es el momento óptimo para hacer un mantenimiento, lo planificas», comenta Marga García, vicepresidenta responsable de Industria y Farma de Capgemini. Se evitan así los gastos de visitas técnicas y revisiones innecesarias. Y se minimizan los tiempos de inactividad para realizar las intervenciones. Se reducen, incluso, los costes por repuestos pues estos se cambian cuando fallan o están deteriorados y no antes de que agoten su vida útil, que es lo que se hace muchas veces como medida preventiva.
Evitar el parón
«En mantenimiento no saber lo que va a pasar tiene un coste muy elevado», advierte Andrés Iborra, director de la Business Unit Data & Performanc de Inetum. Por eso resulta vital para la industria conocer a tiempo si un eje está desequilibrado, si hay holguras en un engranaje, o se ha producido una fisura en una pieza. Eso evita fallos y averías que podrían desencadenar uno de los mayores males que temen las fábricas y que supone una sangría millonaria: la parada de la producción para reparar o cambiar una máquina o un componente. «El paro de tres o seis horas o un día supone millones de euros», afirma Pedro Ortega, gerente de Ingenor Sistemas, una consultoría de mantenimiento predictivo. Una parada afecta a todo: repercute en la gestión de stock y en la cadena de suministros, en los turnos de trabajo, en los plazos de entrega, en la logística…
El mantenimiento predictivo tiene un gran potencial combinando diferentes tecnologías. Recopilar los datos sobre el funcionamiento de las máquinas, cruzarlos, tener un historial y estadísticas abre un campo de posibilidades increíble. «Es el lenguaje de las máquinas y hay que aprender a interpretarlo», cree Ortega. «Una empresa —prosigue— que tiene 9 fábricas y un número de fallos determinado puede hacer una estadística para saber qué fallos son y en qué máquinas». «El mantenimiento predictivo dice qué va a fallar, cuándo, cuál es el fallo y el motivo por el que se ha producido», detalla Iborra.
Los beneficios
Si a la analítica de datos se incorpora la Inteligencia Artificial los beneficios aumentan. «Los modelos de analítica adelantan si una máquina va a fallar, su índice de salud, detectan anomalías y averías, reconocen patrones… Y el responsable decide qué hacer. Sin embargo, cuando hablamos de Inteligencia Artificial es el sistema el que da una prescripción muy detallada de lo que se tiene que hacer. La IA todavía está en pañales. Hoy día se lanzan alarmas, se hacen recomendaciones… y es el humano el que toma las decisiones y planifica», explica Álvaro López, líder de Investigación de la Cátedra de Industria Conectada (CIC).
Así que un mantenimiento predictivo «bien hecho abre la puerta a mejorar otras muchas partidas —continua López—. Además de reducir las paradas de una planta a la mínima expresión, optimiza los stock y los activos, porque permite mejorar la eficiencia de muchas máquinas. Optimiza la calidad, algo muy importante para muchas industrias que no se pueden permitir defectos en su producto pues les ahoga. Incluso consigues mejoras medioambientales al reducir rechazos y residuos». Por ejemplo, en industrias donde la materia prima es cara «conocer si el comportamiento de la máquina va mal es fundamental, porque pueden parar a tiempo y ahorrar mucha de esa materia prima a la se le hubiera dado un mal uso», añade Marga García.
Otra de las bondades que destacan los expertos es que el mantenimiento predictivo alarga la vida útil de máquinas, piezas y componentes. «Si el motor que mueve las aspas de un generador eléctrico pasa de una vida útil de 25 años a 35, eso va a la cuenta de resultados», asegura Iborra. «Hay industrias que todos los años cambian máquinas y otros elementos que podrían seguir trabajando», cuenta Ortega.
El estudio de Fujitsu cita, entre otras ventajas, que el mantenimiento predictivo también incrementa la productividad de las líneas de producción. «Y ahora hay apetito por ganar en productividad y eficiencia, por buscar el equilibrio operacional de máxima disponibilidad y menor coste», apunta Marga García. También incrementa la rentabilidad. Algo que confirma Iborra: «Quienes trabajan el mantenimiento predictivo tienen mucha rentabilidad, pero hay poca gente que lo haga».
De momento, la industria pesada, el sector de generación de energía, las refinerías, aeronáuticas, navieras… son las más avanzadas en la implementación del mantenimiento predictivo. «Sobre todo las industrias productivas intensas en el uso de capital, que no van a invertir cada cinco años diez millones de euros en una máquina nueva», dice López. Según el estudio de Fujitsu, solo el 10% de las empresas industriales llevan tiempo aplicando las nuevas tecnologías en sus procesos de mantenimiento, el 35% lo está empezando a hacer, el 28% lo hará en el corto plazo y un 10% no lo tiene en cuenta.
Desde luego son tecnologías que encuentran sus barreras. «El de mantenimiento es un sector bastante reñido al cambio», dice Iborra. También la falta de personal cualificado y la inversión que se requiere son otros de los frenos. «Añadir sensores a una planta es muy delicado, porque hay que parar y es una pérdida de dinero.Además, hay un riesgo al implementar cambios en líneas que están funcionando a pleno rendimiento y podrían dejar de hacerlo con nuevos elementos», sostiene Álvaro López. Obstáculos que habrá que vencer en el camino a que nuestra industria avance hacia el futuro.
Una penetración dispar
El grado de implementación de todas estas tecnologías en la industria resulta muy diferente. Por ejemplo, la sensorización en los activos más críticos es lo más extendido. Pero solo un 10% de las empresas del estudio de Fujitsu tiene sensorizado toda la fábrica o el proceso de producción. «Estamos sensorizando porque el sensor es muy barato», afirma Iborra. Internet de las Cosas (IoT) y la analítica de datos son las otras tecnologías en las que también avanza la industria. El 21% de las empresas afirma haber aplicado ambas. Donde hay mayor retraso es en la incorporación de la Inteligencia Arificial (6%), y más aún combinada con el Big Data (3%). No obstante, Álvaro López indica que «no existe un traje a medida para ningún sector en particular ni para ningún tipo de fábrica». Por tanto, no a todos les resultará rentable las mismas tecnologías.
.