Cómo implementar un modelo de mantenimiento 4.0

Características de un modelo de mantenimiento prescriptivo

Un modelo de mantenimiento prescriptivo debe tener la capacidad de integración para eliminar los silos de información y así poder contar con un mayor volumen de información y realizar un análisis multiparamétrico.

El mantenimiento prescriptivo es resultado de la conjugación y aplicación de:

1. Metodologías de confiabilidad tradicional.
2. Análisis y estadística avanzada, con las cuales es posible realizar la predicción de eventos no deseables con bastante anticipación.
3. Generación de acciones recomendadas que permitan evitarlos.
4. Documentación de las posibles causas y acciones que dieron por resultado el evitar un fallo potencial.

Para lograr lo anterior, el modelo debe estar integrado con fuentes de datos como herramientas de mantenimiento predictivo, sistemas de control e historiadores; y herramientas empresariales como CMMS, MES, ERP’s, sistemas de gestión energética, de gestión del almacén de repuestos, correo electrónico o sistema de mensajería institucional.

Desde luego, también deben tomarse en cuenta las mejores prácticas y recomendaciones en materia de ciberseguridad.

El modelado del modelo

Es singularmente importante el tener acceso a los datos históricos, estos datos son útiles para realizar la labor de modelado y entrenamiento del “Modelo de Mantenimiento Prescriptivo” antes de que sea puesto en marcha con información On Line. A esta etapa se le conoce como analítica Off Line, la cual puede estar conformada por las siguientes tareas:

• Cleaning: se eliminan los datos no útiles o corruptos.
• Clustering: es una tarea que consiste en agrupar un conjunto de objetos (no etiquetados) en subconjuntos de objetos llamados clusters. Cada cluster está formado por una colección de objetos que son similares (o se consideran similares) entre sí, pero que son distintos respecto a los objetos de otros clusters.
• PCA: es el análisis de componentes principales (en español, ACP) es una técnica utilizada para describir un conjunto de datos en términos de nuevas variables o componentes.
• Decision tree analysis: el análisis del árbol de decisiones implica hacer un diagrama en forma de árbol para trazar un curso de acción o bien un análisis estadístico de probabilidad. Se utiliza para dividir problemas complejos en “ramas”,  cada rama del árbol de decisión podría ser un posible resultado.
• Regresión: la regresión lineal es un tipo de análisis estadístico que ayuda a mostrar una relación entre dos variables. La regresión lineal examina varios puntos de datos y traza una línea de tendencia, con la cual se puede crear un modelo predictivo en datos aparentemente aleatorios.
• Reglas secuenciales: es una técnica de Data Mining que consiste en descubrir y describir reglas o secuencias que se asocian a ciertos eventos. 

El análisis off line también sirve para capturar el conocimiento adquirido con el tiempo, esto es realizar el modelado con base a análisis por mantenimiento centrado en fiabilidad (de la sigla en inglés para RCM) o Análisis de Modo y Efecto de Fallos (AMEF), ACR’s, diagrama de tuberías e instrumentación (DTI) o diagramas de flujo del proceso.

Una vez realizados los modelos y el análisis offline, se procede a probar el resultado y entrenar el “Modelo de Mantenimiento Prescriptivo”. Para esto se pueden simular valores y el sistema deberá entregar el diagnóstico o predicción de las fallas así como las acciones correctivas recomendadas.

Si bien, las tareas Off Line pueden sonar complejas, estas pueden ser ejecutadas por un científico de datos, quién es el especialista en el modelado. Sin embargo, es de vital importancia el que esté involucrado personal con experiencia operativa, ya que el científico de datos puede lograr un modelado y configuración de gran nivel, pero los eventos que el “Modelo de Mantenimiento Prescriptivo” detecta y las recomendaciones correctivas deben ser asociadas con escenarios operativos, los cuales muchas veces son desconocidos por él.

En el mercado también existen herramientas que ya cuentan con modelos configurables, es decir, para cierto tipo de activo o sistema los modos de fallo o eventos detectables ya están configurados y solamente deberá realizarse la configuración fina y la validación de los mismos previo a poner Online el modelo. Una vez ejecutada la fase de minería de datos, creación y prueba de los modelos se puede proceder a poner en línea al “motor de inteligencia analítica”.

Cómo trabaja un modelo de mantenimiento prescriptivo