Cuando pensamos en estrategias para la implantación de la Industria 4.0 a medio plazo, una de las aplicaciones que más nos viene a la cabeza es el Mantenimiento Industrial:
Sensores inalámbricos instalados en maquinaria que envían información de manera autónoma a una plataforma cloud, permitiendo monitorizar los activos ‘online’.
Parámetros como vibraciones, temperaturas, estado de aceite, o intensidades, con el objetivo de mantener altos niveles de eficiencia, y generar alertas ante posibles paradas que terminen generando pérdidas de producción o paradas de planta.
Hacia el Mantenimiento Predictivo.
El objetivo de una estrategia de Mantenimiento basado en Internet de las Cosas debe ser el Mantenimiento Predictivo, pero no un mantenimiento basado en análisis de espectros de frecuencia o de intensidad eléctrica (MCSA), que no dejan dejan de ser técnicas de mantenimiento por condición. El objetivo debe ser aprovechar los beneficios del Big Data, la información colectada por los sensores instalados en la maquinaria, para, mediante técnicas de Machine Learning generar predicciones que ayuden a los gestores de operación y mantenimiento a tomar las mejores decisiones, con la finalidad de alargar la vida útil de la maquinaria, optimizar paradas, incrementar la productividad y mejorar la cuenta de resultados.
El objetivo debe ser aprovechar los beneficios del Big Data, para, mediante técnicas de Machine Learning generar predicciones que ayuden a tomar las mejores decisiones.
Partiendo de una planificación de Mantenimiento por Condición con recogida manual de información en planta, las llamadas ‘rutas de mantenimiento’, el primer paso en la implementación de esta nueva estrategia es conectar al Internet de las Cosas los activos a monitorizar. De este modo, se descarga al personal de mantenimiento de tareas de poco valor añadido, para centrarse en analizar la nueva e ingente cantidad de información disponible, generando una base de conocimiento sobre el estado de los activos de la instalación: cómo evolucionan, cómo reaccionan a los cambios del proceso o su comportamiento operativo tras las tareas de mantenimiento. Es una fase de Big Data aplicado a la visualización: hacer visibles los procesos y generar una base de conocimiento en la organización que ayude a tomar mejores decisiones.
