AI of Things (XI) Mantenimiento preventivo en sensores: anticipación de fallos en sensores, predicción de cambio de baterías

Víctor Vallejo Carballo    17 octubre, 2022
Foto: Mech Mind / Unslash

Estamos inmersos en una revolución tecnológica sin precedentes en la que el análisis de datos ha tomado el protagonismo principal y más pronto que tarde va a provocar que todas las organizaciones empresariales, o al menos aquellas que quieran seguir siendo competitivas y rentables, se conviertan plenamente en organizaciones Data Driven.  

En el sector industrial, esta revolución tecnológica ha dado pie al término Industria 4.0, o cuarta revolución industrial, un nuevo escenario que se apalanca tanto en la automatización de procesos como en la interconexión de datos basada en la tecnología IIoT (Internet de las cosas aplicadas a la Industria).

Se trata de un conjunto de herramientas, dispositivos y por supuesto, sensores, que se encargan tanto de la recopilación de datos como de su análisis para la posterior toma de decisiones en el plano operativo y de gestión dentro de la propia organización.

Los sensores, componente imprescindible

Los sensores, por tanto, se han convertido en un componente básico, puesto que, a través de la detección, medición y análisis de factores, permiten una mayor automatización de procesos industriales. Sus mediciones van a ser traducidas posteriormente en órdenes, que ejecutarán a continuación los componentes actuadores/ejecutores dentro de un plan de acción/respuesta bien delimitada.

Pero la funcionalidad que ofrecen los sensores no se limita exclusivamente a incrementar la automatización de procesos; su empleo se convierte en esencial para el mantenimiento industrial, ya que estos activos pueden permitir un ahorro significativo en costes de mantenimiento o reparación producidos por paradas no planificadas en la producción, mejoras en la rentabilidad gracias a una monitorización constante durante todo el proceso de fabricación, generando por tanto mayores tasas de rendimiento  en las líneas de producción, así como mejoras en la seguridad de los propios trabajadores industriales.

Pero exactamente, ¿qué cosas miden los sensores?

Foto: Arshad Pooloo / Unsplash
Foto: Arshad Pooloo / Unsplash

Como cabe esperar, la respuesta a esta pregunta es una amplia gama de variables, que dependerán de las características específicas de lo que se fabrique, pero podemos agruparlas en variables ambientales (temperatura, humedad, luz, vibraciones…), mecánicas, derivadas de la propia maquinaria (posición, proximidad, velocidad, …), eléctricas de los consumos energéticos (voltaje, corriente, resistencia, potencia,…) y de procesos sobre las condiciones físicas o químicas generadas durante la fabricación (nivel de fluidos, incremento de temperatura en las máquinas y tiempos de refrigeración, nivel de residuos, densidades, …).

Los sensores se han convertido en una de las piezas más sensibles en el proceso de captura de información temprana.

Ante tal heterogeneidad de variables disponibles, se desprende que los sensores se han convertido en una de las piezas más sensibles en el proceso de captura de información temprana para dar una respuesta adecuada en tiempo y forma durante la fabricación.

Es por ello por lo que tanto la identificación del tipo de sensor a instalar, su ubicación dentro de la cadena así como el mantenimiento de dichos sensores, se antojan cruciales para asegurar que las mediciones sean fiables y significativas, ya que mediciones incorrectas debido a algún defecto o fallo en el sensor pueden acabar derivando en desequilibrios en la composición de los bienes fabricados o incluso pueden suponer una parada total por un error crítico, ya sea por haber usado en exceso o en defecto componentes o ingredientes que son necesarios en su justa proporción para mantener la calidad esperada y aprobada en los estándares, protocolos y certificaciones.

Entonces, ¿qué tipo de mantenimiento ha de realizarse?

Foto: Mech Mind / Unsplash
Foto: Mech Mind / Unsplash

Existen diferentes aproximaciones para abordar esta pregunta, que podemos resumir en 4 tipos diferentes de mantenimiento, atendiendo a la estrategia de implementación:

  1. Correctivo, donde el sensor puede funcionar hasta que falle y en ese momento se procede a su reparación o sustitución
  2. Preventivo, que se realiza de modo sistemático mediante inspecciones, haya fallado o no el activo y que, junto con el mantenimiento correctivo son las estrategias más extendidas hasta ahora.
  3. Predictivo, que hace uso de algoritmos de predicción para estimar con antelación el momento de fallo del sensor, por lo que el mantenimiento se realizará solo cuando sea necesario, anticipándose al siniestro.
  4. Prescriptiva, que se basa en el mantenimiento predictivo e incorpora elementos de gestión de mantenimiento, costes etc.

Una estrategia proactiva enfocada en anticipar y corregir permite conocer con mayor precisión y alargar la vida útil del equipamiento

Con el abaratamiento de los sensores se sigue impulsando su implantación a lo largo de toda la cadena de producción, y esa interconexión de datos generados durante la fabricación, en combinación con técnicas de Inteligencia Artificial dentro del entorno tecnológico del Big Data, están provocando un trasvase desde la prevención hacia la previsión en los procesos de mantenimiento.

Al desplegar un mantenimiento predictivo constante, será cada vez menos necesario detener los procesos para analizar los errores y/o solucionar problemas, puesto que, los modelos predictivos ejecutados en tiempo real utilizando datos históricos, inventariables y de procesos, se emplearán para modelar el esquema de averías mediante el aprendizaje de patrones que preceden a los fallos en una máquina, sensor, activo, etc. y, por consiguiente, prediciendo cuándo será necesario el mantenimiento o reemplazo del sensor o pieza antes de producirse el fallo funcional.

Es decir, estaremos implementando una estrategia proactiva enfocada en anticipar y corregir y determinaremos con mayor precisión la vida útil de equipamientos, riesgos de fallo y potencial impacto en el sistema.

Foto: Vaclav / Unsplash
Foto: Vaclav / Unsplash

Esta estrategia proactiva basada en la ‘sensorización’ de la planta y la adopción de técnicas de aprendizaje automático contribuyen a que, en el largo plazo, el mantenimiento predictivo ofrezca menores costes recurrentes que otras estrategias de mantenimiento, puesto que la mayor inversión inicial se ve retornada en incrementos en el ROI, al incrementarse el número de incidencias detectadas con antelación, reduciendo por tanto la tasa de fallos críticos en la cadena.

Un ejemplo claro de este cambio en la estrategia de mantenimiento se observa en aquellas industrias que tienen un uso intensivo de baterías eléctricas, tanto en entornos estáticos controlados (instalaciones industriales, sistemas telefónicos, etc.) como en entornos dinámicos de movilidad (entorno ferroviario, transporte electrificado, etc.), donde resulta de vital importancia estimar valores de aceptación – rechazo para baterías con una vida útil proyectada de varios años que asegure que ésta no se encontrará operando en el futuro próximo dentro de rangos críticos que comprometan su integridad.

Foto: Lenny Kuhne / Unsplash
Foto: Lenny Kuhne / Unsplash

En el caso de la automoción, cada vez más fabricantes de automóviles confían en el mantenimiento predictivo para monitorizar permanentemente el rendimiento de las baterías de vehículos eléctricos. Los sensores instalados en el coche aprovisionan datos de manera constante a un modelo virtual de la batería, lo que se conoce como gemelo digital, el cual permite modelar a gran escala y en un entorno de laboratorio, la prestación de servicio y estimación de la vida útil óptima de las baterías ante diferentes condiciones de uso.

Los gemelos digitales son representaciones virtuales que reflejan el comportamiento de un producto o servicio físico.

Esta estrategia de creación de baterías digitales conlleva un ahorro significativo en términos de tiempo, puesto que el testeo físico de las diferentes condiciones supone un hándicap por la larga vida útil de las baterías, y a su vez permite realizar múltiples simulaciones en paralelo sin la necesidad de desplegar complejos y costosos entornos de pruebas físicos.

Conocer cuánto tiempo tardará en llegar a valores críticos que comprometan su buen funcionamiento permitirá desplegar acciones específicas para alargar la vida útil de las mismas, mediante el reemplazamiento de piezas y la mejora en los diseños de nuevas celdas y baterías.

Además, esta optimización del rendimiento trae consigo un efecto positivo adicional, la reducción del impacto medioambiental, puesto que cada vez se desecharán menos residuos y se reutilizarán con mayor frecuencia, alargando la vida útil del vehículo y permitiendo que las baterías sean una palanca de cambio clave real en la descarbonización del transporte y parte de los procesos industriales.

🔵 Para más contenido sobre IoT e Inteligencia Artificial, no dudes en leer otros artículos de nuestra serie, cuyo primer artículo puedes encontrar aquí:

Deja una respuesta

Tu dirección de correo electrónico no será publicada.