Fiabilidad habilitada digitalmente: Un paso más allá del mantenimiento predictivo

Por Steve Bradbury, Brian Carpizo, Matt Gentzel, Drew Horah, y Joël Thibert
Fiabilidad habilitada digitalmente: Un paso más allá del mantenimiento predictivo

Para capturar todo lo que la tecnología digital tiene para ofrecer para aumentar la fiabilidad y reducir los costos, las compañías deben elevar sus aspiraciones.

¿Estamos llegando a un mundo de máquinas inteligentes capaces de advertir a sus operadores antes de experimentar una falla? El mantenimiento predictivo avanzado (PdM), posibilitado por la integración de múltiples sensores y técnicas de aprendizaje automático, es uno de los beneficios más pregonados de la cuarta revolución industrial. La idea es sin dudas atractiva, y está alentando a compañías con un uso intensivo de activos a buscar inversiones en mantenimiento y confiabilidad digital.

En nuestra opinión, sin embargo, considerar a PdM como una solución para los problemas de mantenimiento y fiabilidad puede resultar miope. En parte, esto es así porque las técnicas predictivas más avanzadas de la actualidad solo pueden aplicarse en la práctica a un subgrupo de casos de uso. Pero también porque poner demasiado énfasis en una estrategiaimplica que las compañías no se posicionarán correctamente para capturar todos los posibles beneficios de una función de mantenimiento y fiabilidad totalmente digitalizada – y enfocada en aumentar el tiempo de utilización y la eficiencia del mantenimiento.

Los beneficios son significativos: Basándonos en nuestras observaciones de transformaciones digitales de mantenimiento y fiabilidad en la industria pesada, observamos potencial para que las empresas mejoren la disponibilidad de sus activos del 5 al 15 por ciento, y reduzcan los costos de mantenimiento entre un 18 y un 25 por ciento.

Las oportunidades y los desafíos de PdM

Resulta fácil ver por qué el mantenimiento predictivo avanzado ha sido considerado una aplicación determinante para la Industria 4.0. La estrategia combina muchas de las tecnologías que dan sustento a la nueva ola de digitalización industrial, como sensores en red, big data, advanced analytics y aprendizaje automático o ML. Se trata de una técnica poderosa que, al identificar patrones complejos entre cientos o miles de variables de formas que un análisis tradicional no podría hacerlo, permite a los operadores desarrollar un entendimiento más profundo y objetivo del porqué de las fallas. El beneficio prometido es altamente seductor: máquinas que no se rompen.

Pero en la práctica, los usos económicamente viables, en el mundo real de las técnicas avanzadas de PdM están lejos de ser universales. Cuando una máquina presenta un rango acotado de modos de falla fáciles de comprender, por lo general es posible abordar un problema potencial de manera más simple, por ejemplo monitoreando la temperatura o la vibración de un componente con referencia a un umbral determinado, o aplicando en forma consistente y rigurosa técnicas de análisis de fiabilidad basadas en datos para atacar las causas raíz de los modos de falla. A la inversa, cuando una máquina está expuesta a cientos de tipos de fallas diferentes (algunas de ellas muy raras), puede resultar poco práctico crear tantos modelos de calidad suficiente para predecirlas adecuadamente.

Cuando se tienen en cuenta el esfuerzo y el expertise necesarios para desarrollar modelos de ML precisos, el mantenimiento predictivo basado en modelos se transforma en una manera innovadora de resolver ciertos problemas de alto valor, y no el universo completo de oportunidades de mantenimiento. Esta estrategia alcanza su máximo potencial si se cuenta con documentación de los modos de falla con mayor impacto asociado, como por ejemplo en máquinas clave o en grandes líneas de producción. También funciona bien cuando se lo puede aplicar a escala a una gran flota de activos idénticos que cuentan con un historial extenso de fiabilidad para diluir los costos de desarrollo y administración, como en el caso de un parque eólico offshore o una flota de locomotoras. De esta manera, los fabricantes de equipos están posicionados estratégicamente para impulsar el desarrollo de modelos predictivos y desplegarlos a escala en sus usuarios finales – pero este tipo de esfuerzos no se ha materializado aún en forma general.

Capturando el dividendo digital

¿El alcance relativamente limitado de PdM significa que el mantenimiento y la fiabilidad están de alguna manera exentos del imperativo digital? Definitivamente no. De hecho, nuestra propuesta es que las compañías vayan más allá de un tipo específico de herramienta digital y piensen de qué manera las técnicas analíticas avanzadas y la tecnología digital pueden transformar el sistema completo de mantenimiento y fiabilidad. Esto implica buscar oportunidades para utilizar mejor los datos a lo largo de todo el espectro, y aplicar principios de diseño centrado en el usuario para digitalizar los procesos. El impacto sostenible requerirá una combinación de nuevas herramientas digitales, cambios en la estrategia de activos y mejores prácticas de fiabilidad.

Un abordaje integral del mantenimiento y la fiabilidad digital

Las actividades de mantenimiento y fiabilidad están compuestas por dos partes básicas: un elemento programático, que comprende estrategias de activos y planes de mantenimiento, y un elemento de ejecución, que implica identificar, priorizar, programar y llevar a cabo los trabajos. El mantenimiento y la confiabilidad digitales (DRM) comprenden ambos elementos, y los sustentan con un conjunto de habilitadores – la infraestructura, los procesos y las herramientas que las compañías necesitan para gestionar sus activos, datos y personal con el propósito de optimizar la confiabilidad de los activos y el desempeño en mantenimiento (Gráfico).

Digitally enabled reliability: Beyond predictive maintenance

Facilitadores digitales de la fiabilidad

Comenzaremos desde los cimientos hacia arriba, por los habilitadores. Lo más importante de todo: los procesos digitales utilizan como combustible a los datos. Es por eso que establecer un backbone de datos robusto es un elemento facilitador clave para el mantenimiento y la fiabilidad digital.La mayoría de las organizaciones ya cuentan con sistemas para registrar datos de mantenimiento y fiabilidad, pero la efectividad de tales sistemas puede verse afectada por una mala administración de datos. Los mismos activos o problemas pueden ser descritos de formas distintas y en sistemas diferentes, lo que dificulta su integración. O quizás las compañías estén utilizando campos de texto libre para registrar problemas o acciones de mantenimiento, lo que vuelve más difíciles las búsquedas automatizadas o el análisis de datos. O quizás los datos críticos estén inaccesibles, confinados en hojas de cálculo o notas en papel.

Solucionar estos desafíos a menudo depende no de invertir en nuevas tecnologías, sino de la adopción de estándares más rigurosos para la identificación de los activos y la carga de información. Las técnicas de inteligencia artificial, como procesamiento de lenguaje natural, pueden ayudar a las organizaciones a convertir datos históricos mal organizados en un formato apto para análisis automatizados.

De manera similar, el desplome de los costos de almacenamiento y de ancho de banda conllevan que hoy día sea más fácil y económico recopilar flujos de datos de sistemas de control y sensores externos. Estos datos, que podrían ser inaccesibles o incluso descartados en la actualidad, son muy útiles para el mantenimiento basado en la condición de los activos, diagnóstico y análisis de modos de falla, ya sea empleando las estrategias convencionales o aplicando técnicas de AA o ML.

Una vez que cuentan con los datos, las compañías deben definir la manera de acceder a ellos. Para la mayoría de las organizaciones, esto representa un paso adicional. Una capa de servicios de datos consolidada o “laguna de datos” reúne información de múltiples sistemas y fuentes, creando una fuente de verdad única y salvando la brecha de información entre los sistemas para proveer una imagen completa de salud de un activo. Este componente crítico de la arquitectura de datos tiene usos múltiples: provee la base para la gestión digital del desempeño y el uso de analítica descriptiva y de dashboards, además de servir como una capa unificada para nuevas aplicaciones de mantenimiento y confiabilidad y proveer la información requerida por los modelos de AA.

Los siguientes facilitadores clave para DRM son las herramientas digitales para análisis de ingeniería de fiabilidad. La resolución de problemas por su causa raíz, usando metodologías como análisis de árboles de fallas y análisis de causa y efecto o modos y efectos de falla (FMEA), es parte fundamental de la estrategia de mantenimiento y fiabilidad de cualquier organización. En la actualidad, sin embargo, estas actividades por lo general se realizan manualmente, y sus resultados rara vez son registrados de manera centralizada. La integración de herramientas de ingeniería de fiabilidad a la arquitectura DRM de una organización garantiza que los análisis se lleven a cabo en forma consistente y estructurada, y acelera y simplifica el acceso a los datos, además de capturar los resultados de los análisis para uso futuro.

Crear una plataforma digital capaz de manejar toda la gama de herramientas y fuentes de datos utilizadas para mantenimiento y fiabilidad digitalpuede constituir un desafío, pero cuanto antes se lo logre en el programa DRM, mayores serán los beneficios. Una compañía de petróleo y gas ya había comenzado a desarrollar soluciones de mantenimiento en una plataforma existente. Cuando los líderes mapearon sus ambiciones con respecto al         mantenimiento digital, sin embargo, notaron que el sistema carecía de las capacidades técnicas requeridas. Dado que la interconexión entre las herramientas era un aspecto central de su visión del mantenimiento para el largo plazo, la compañía optó por integrar todas sus soluciones de mantenimiento en una nueva plataforma, más allá de que ello implicaba retrabajo en lo inmediato. El resultado fue una función DRM capaz de expandirse junto con las necesidades de la organización y sus competencias digitales, en lugar de proveer únicamente un impulso temporal que perdería fuerza rápidamente a medida que la competencia (y sus capacidades) avancen.

Notablemente, los habilitadores descritos hasta ahora se enfocan en la aplicación de tecnologías digitales para acelerar, racionalizar y mejorar las prácticas de ingeniería de confiabilidad existentes. La digitalización también está proveyendo a los equipos de ingeniería de una gran cantidad de nuevas herramientas y metodologías. Como ya hemos descrito, la aplicación de técnicas de aprendizaje automático para monitorear el estado de los activos ya ha recibido atención considerable, aún cuando su costo y complejidad podrían limitar en cierta forma su aplicación.

Sin embargo, no todas las técnicas de monitoreo de estado requieren algoritmos o modelos complejos. Los abordajes de monitoreo de estado basados en datos emplean consultas simples ejecutadas periódicamente o en tiempo real en series cronológicas de datos generados por máquinas y sensores externos. Si se superan los umbrales establecidos, estos sistemas activan acciones investigativas o correctivas en el flujo de trabajo de confiabilidad digital, o directamente en la ejecución del mantenimiento.

Gestión de desempeño digital

Las tecnologías descritas establecen las bases de DRM, pero no mejoran por sí solas la confiablidad de los activos o la efectividad del mantenimiento. Tales mejoras son el resultado de la manera en que cada organización utiliza los datos digitales para optimizar las actividades de mantenimiento: adaptación de cronogramas, racionalización de planes, o priorización de la asignación de recursos.

Un sistema de gestión del desempeño digital es clave para operar un programa DRM efectivo. Esto implica el uso de analítica descriptiva y de visualizaciones de datos para obtener una perspectiva en tiempo real de la salud de los activos y el desempeño en fiabilidad. La gestión del desempeño digital automatiza la generación y la presentación de las métricas clave y la información cualitativa que las compañías emplean en sus programas de fiabilidad, como efectividad global de equipos (OEE) o causas de fugas. Este tipo de automatización es una palanca de mejora sorprendentemente poderosa, que libera al personal de mantenimiento de la tarea pesada y proclive al error de recopilar y analizar datos. También facilita la rápida identificación de tendencias, la toma de decisiones basada en datos, y las intervenciones oportunas, así como cambios en las inversiones en equipos, los procesos y las políticas.

Algunas veces, las compañías ya cuentan con buena parte de la infraestructura digital necesaria para gestionar el desempeño en mantenimiento. Una compañía minera, por ejemplo, se estaba preparando para adquirir un nuevo sistema de seguimiento del mantenimiento de sus equipos móviles. Después de definir los requerimientos del nuevo sistema, los ejecutivos se dieron cuenta de que las funcionalidades ya estaban disponibles en el sistema computarizado existente. Los módulos relevantes habían sido incluso objeto de un piloto, pero nunca se les había ampliado.

El tiempo de ciclo y la efectividad de las actividades de ingeniería de fiablidad a veces se ven obstaculizadas por la falta de información o de alineamiento entre los equipos de operaciones, fiabilidad y mantenimiento. Los sistemas digitales de flujos de tareas de fiabilidad contribuyen a abordar estas brechas haciendo seguimiento de todo el ciclo de vida de cada unidad de trabajo realizada por la función. Como mínimo, estos sistemas capturan los detalles del evento o los eventos que disparan una investigación del equipo de ingeniería de fiabilidad, las acciones adoptadas como respuesta, y el resultado de tales acciones.

Estrategias de activos digitales

Las nuevas herramientas digitales también pueden ayudar a acelerar y estandarizar los análisis de costo-beneficio y la toma de decisiones relacionadas con las actividades de confiabilidad. Las herramientas digitales para gestión de activos, por ejemplo, ayudan a los equipos de confiabilidad a planear y gestionar las decisiones de reparar o reemplazar durante todo el ciclo de vida de activos individuales o flotas completas. De manera similar, las nuevas herramientas digitales pueden dar soporte al mantenimiento centrado en la fiabilidad, ayudando a los equipos a elegir la estrategia de mantenimiento más adecuada (como operar hasta la falla, planificar mantenimiento preventivo, o realizar el mantenimiento en función del estado) para cada activo.

Gestión de tareas digital

Las nuevas herramientas digitales también están transformando la forma en que las compañías planifican y encaran la ejecución de las actividades de mantenimiento y fiabilidad. La gestión digital de tareas comprende la digitalización de procesos y análisis de datos con el propósito de mejorar la efectividad y la eficiencia del trabajo de mantenimiento. Algunos ejemplos de su aplicación incluyen algoritmos de programación automatizados, entornos de planeación digitalizados, y tablets o dispositivos incorporados a la vestimenta para ingreso y recuperación de datos en el terreno.


La mayoría de los jugadores industriales ya ha iniciado su recorrido DRM, conscientemente o no. Ingresan sus órdenes de trabajo en sistemas ERP o de gestión de activos, y muchos de esos activos ya están generando o recopilando datos, más allá de que esos datos estén muy dispersos o sean poco utilizados.

Por el momento, sin embargo, el abordaje de “digitalización por defecto” no está entregando todo su potencial de impacto. Cuando a principios de año entrevistamos a un grupo de gerentes de mantenimiento, apenas el 50 por ciento sostuvo que su arquitectura de tecnología de la información y operacional (TI/TO) daba soporte adecuado a sus procesos de mantenimiento y fiabilidad, y menos del 20 por ciento creía que el personal de mantenimiento tenía una experiencia de usuario positiva.

El paso crítico para muchas organizaciones es comenzar a utilizar un abordaje proactivo, completo y bien pensado para su estrategia de mantenimiento y fiabilidad digital. Esto requiere un análisis detallado de las prácticas de mantenimiento y fiabilidad en uso para identificar dónde pueden generar impacto las mejoras en la forma de capturar los datos, los insights de advanced analytics y el mayor control de los nuevos sistemas de ejecución del mantenimiento. La clave es adoptar una perspectiva de principio a fin de las posibles aplicaciones y pensar cómo integrar y combinar las nuevas herramientas, tecnologías y abordajes.

Al igual que cualquier otra gran iniciativa de transformación, avanzar hacia esta nueva realidad de fiabilidad y mantenimiento digitales requerirá que las compañías sean audaces en su aspiración, aborden la transformación en forma estructurada y tengan un visión a largo plazo.

Sobre el/los autor(es)

Steve Bradbury es Experto Senior de la oficina de McKinsey & Company en Denver, Brian Carpizo es Socio Asociado de la oficina de Chicago, Matt Gentzel es Socio de la oficina de Pittsburgh, Drew Horah es Socio Asociado de la oficina de Atlanta, y Joel Thibert es Socio Asociado de la oficina de Montreal.

Related Articles