El mantenimiento predictivo combina datos sobre hardware, software y componentes de servicio para determinar los requisitos de mantenimiento de los activos mecánicos. Supervisar los fallos emergentes, predecir los excesos de capacidad, identificar las averías y determinar la vida útil restante de los activos son aspectos del mantenimiento predictivo. AIOps, el uso de Inteligencia Artificial para Operaciones de TI, se utiliza a veces para el mantenimiento predictivo.
Anticiparse y prepararse para el fallo ha sido durante mucho tiempo una realidad en las operaciones mecánicas. Hasta hace poco, la sustitución rutinaria de una pieza al cabo de un tiempo determinado era la forma más común de evitar su fallo en servicio. Esta forma de mantenimiento preventivo programado es útil. Pero no todas las piezas fallan al mismo ritmo, y la sustitución prematura es un despilfarro basado en promedios y aproximaciones. Además, un sistema que sólo se base en el mantenimiento programado no detectará el fallo real o inminente de una pieza que esté prematuramente defectuosa. Otra estrategia para reducir el tiempo de inactividad consistía en sustituir todas las piezas cuando fallaba una, y no estaba claro cuál, pero esta estrategia tiene un claro inconveniente de alto coste.
También hay otras ventajas. Dependiendo del sector, los acuerdos contractuales de nivel de servicio (SLA) pueden exigir a las organizaciones que mantengan la entrega de servicios o materiales de forma estricta 24×7, o enfrentarse a penalizaciones e incluso multas. En otros casos, los fallos de los equipos pueden causar una pérdida de ingresos debido a las interrupciones de las cadenas de suministro, la pérdida de inventario, la pérdida de clientes y otras consecuencias obvias debidas a la ralentización operativa. El mantenimiento predictivo puede ayudar a mitigar todas estas consecuencias potenciales del tiempo de inactividad del sistema.
El uso del análisis estadístico, la monitorización de sensores, la analítica avanzada y la IA para predecir con mayor exactitud cuándo se producirá un fallo ofrece una gran mejora. Con sensores que supervisan continuamente el estado de cada pieza, un sistema de supervisión puede alertarle antes de que se produzca un fallo. Esta es la principal ventaja de poner en marcha un programa de mantenimiento predictivo: solo se sustituyen las piezas casi defectuosas, con lo que se ahorra mano de obra y el gasto de la sustitución innecesaria de piezas, al tiempo que se mantiene un alto tiempo de actividad. Además, un buen sistema de mantenimiento predictivo le da tiempo para programar el mantenimiento en el momento menos perjudicial para la empresa.
Las técnicas de big data que implican el aprendizaje automático y el procesamiento de conjuntos de datos muy grandes han evolucionado para minimizar el tiempo de inactividad y el MTTR (tiempo medio hasta la recuperación). Y aunque estos beneficios son evidentes, hay una serie de retos a los que se enfrentan las organizaciones modernas, entre ellos:
Procesos intensivos en datos
La necesidad de entrenar y mantener modelos de ML en datos históricos a largo plazo a gran escala puede resultar desalentadora para la mayoría de las bases de datos analíticas del mercado.
Almacenamiento de datos por separado
El aprendizaje automático preciso y otras formas de análisis para identificar patrones de fallo requieren acceso a silos de datos remotos y/o datos de proceso. La agregación de datos de distintos tipos, o incluso de tipos similares pero no idénticos -como los datos de series temporales de dos dispositivos tomados a intervalos diferentes-, puede llevar mucho tiempo y suponer un reto.
Dificultades para hacer operativo el ML
La complejidad de la ciencia de datos y la falta de conocimientos especializados pueden obstaculizar la capacidad de un equipo para utilizar el aprendizaje automático como una capacidad crítica en la caja de herramientas del mantenimiento predictivo.
Falsos positivos
Cuando las reglas para una alerta de fallo son demasiado rígidas, o los patrones del modelo se definen de forma demasiado restrictiva, se puede generar un gran número de alertas que en realidad no requieren una acción. Esto puede provocar una fatiga de alertas. La capacidad de revisar y mejorar continuamente las predicciones es un aspecto importante del mantenimiento predictivo.
Mantenimiento reactivo
Problema del sistema
Llamada del cliente
Despacho
Solución de problemas in situ
Entrega de piezas
Reparación o sustitución
Funcionamiento del sistema
Mantenimiento predictivo
La supervisión a distancia predice posibles fallos
Servicio programado
Problema evitado
OpenText™ Vertica™ puede supervisar continuamente incluso conjuntos de datos extremadamente grandes de componentes de equipos a medida que se generan los datos. Si un simple análisis estadístico es suficiente, ese análisis se puede hacer fácil y rápidamente en una base de datos. Vertica tiene más de 650 funciones integradas que pueden hacer análisis rápidos de muchos tipos que son útiles para el mantenimiento predictivo, como el análisis de series temporales, la coincidencia de patrones de eventos, y el aprendizaje automático.
Cuando se utiliza el aprendizaje automático para hacer el mantenimiento predictivo, entonces los datos tales como registros de mantenimiento y cualquier información de los sensores que se ha recogido durante años se acumulan en un almacén de datos, por ejemplo en un sistema de archivos como HDFS, o una ubicación de almacenamiento de objetos como S3. Se entrena un modelo de aprendizaje automático con esos datos para identificar los patrones que indican un problema potencial. A continuación, los datos nuevos y actuales proceden de los dispositivos y sus componentes y son comprobados por ese modelo entrenado. Cuando se detecta un posible problema, se envía una alerta. Se planifican y adoptan medidas correctoras ANTES de que se produzca un fallo.
Obtenga análisis robustos de datos masivos al tiempo que minimiza los requisitos informáticos y de almacenamiento.