Predicción a escala: Cómo extraer más valor del mantenimiento en la industria

| Artículo

El mantenimiento siempre ha resultado un enigma para las industrias con uso intensivo de activos: pese a que una alta disponibilidad es requisito para asegurar un retorno apropiado de los activos, estas industrias se caracterizan por circunstancias difíciles e impredecibles. Por ejemplo, los equipos de minería deben operar en entornos muy desafiantes; las plantas generadoras de electricidad están sujetas a estrictos regímenes de operación; las industrias de refinación y química necesitan procesar materiales muy complejos. Estas condiciones someten a las máquinas a fuertes exigencias, y los altos gastos en mantenimiento preventivo y reactivo necesarios para mantenerlas saludables provocan el drenaje de recursos.

Durante más de dos décadas, las compañías han visto al mantenimiento predictivo (PdM, por su sigla en inglés) como una panacea, seducidas por la idea de que podrán predecir las fallas mucho antes de que ocurran. Esto, esperan, les permitirá planificar mejor y hasta evitar los tiempos ociosos, aumentando la disponibilidad y al mismo tiempo reduciendo costos innecesarios en mantenimiento preventivo y correctivo. Si bien muchas compañías han lanzado algunos pilotos, son pocas las que lograron desplegar PdM a escala en todas sus operaciones.

Varios obstáculos se interponen en el camino de un programa de PdM exitoso y a gran escala, y la mayoría de las organizaciones enfrentan dificultades en una o más de las siguientes categorías:

  • Los datos son insuficientes, inaccesibles o de mala calidad
  • La tecnología es inadecuada, con escasos sensores o una infraestructura de TI deficiente
  • La priorización resulta compleja, por carecer de una visión clara de los activos a incluir en los programas de PdM
  • Faltan capacidades, en particular ingenieros y científicos de datos calificados necesarios para elaborar modelos analíticos avanzados
  • La gestión de cambios es ineficaz, muchas veces por causa de un diseño difícil de comprender por el usuario
  • La rentabilidad económica es baja, debido al alto costo de desarrollar modelos que abarquen activos muy diversos y un abanico de potenciales modos de falla

Predecir el éxito

Para superar estos desafíos se necesita un abordaje sistemático y holístico del diseño, el desarrollo y la implementación de PdM. Este abordaje comienza con un entendimiento completo de la base de activos de la organización y de sus objetivos de confiabilidad. Las compañías deben además tener en cuenta que el PdM comprende una amplia variedad de metodologías analíticas y tecnológicas, con diferentes grados de complejidad, costos y beneficios (Gráfico 1).

Gráfico 1

Los sistemas de PdM más maduros y que abarcan a todos los activos, conocidos como 4.0, son poco frecuentes todavía, ya que requieren fuertes inversiones en I&D, además de un profundo conocimiento de la industria, acceso a información relevante y experiencia operacional práctica. Pese a que incorporar un socio con antecedentes comprobados reduce sustancialmente los costos de despliegue y adopción, los jugadores mejor posicionados para beneficiarse con un abordaje de esta sofisticación comparten un conjunto de características:

  • Múltiples activos o plantas con cierto grado de similitud, lo que les permite escalar ventajas como replicación de modelos e intercambiar datos y mejores prácticas
  • Crecimiento proporcional a los activos, sin limitaciones comerciales para vender más productos, por lo que la producción extra se traduce en ventas adicionales
  • Un amplio y diverso abanico de causas raíz de paradas que deben solucionarse para capturar impacto significativo
  • Modos de falla de alto valor (como en equipos críticos) y baja frecuencia, lo que dificulta su predicción usando técnicas tradicionales o metodologías de IA clásicas

Creemos que ha llegado el momento de que más organizaciones den un paso hacia niveles más altos de madurez en PdM. Aunque las barreras para el éxito persisten, varios avances recientes han reducido su magnitud y mejorado las condiciones para implementar la metodología. Tales adelantos incluyen sensores más baratos y fáciles de conseguir, disponibilidad de información, mayor poder de procesamiento, un pool de talentos en analítica avanzada en expansión y un ecosistema de socios técnicos que han realizado las inversiones necesarias en propiedad intelectual para industrializar el desarrollo del modelo de mantenimiento predictivo.

Con base en nuestra experiencia de trabajo con compañías industriales de una variedad de sectores, hemos identificado cinco “reglas de oro” para implementar exitosamente el mantenimiento predictivo a escala.

  1. Analizar cuidadosamente qué activos incluir
  2. Seleccionar a los socios adecuados
  3. Dedicar tiempo suficiente a mejorar los modelos
  4. Poner a las personas en primer lugar
  5. Integrar el mantenimiento predictivo al ecosistema digital más amplio de la organización

Regla de oro #1: Seleccionar los activos cuidadosamente

SI bien las implementaciones de PdM de nivel 3.0 y 4.0 han demostrado funcionar bien a escala, requieren un determinado nivel de capacidades de Internet de las Cosas (IoT), un historial de datos extenso y tiempo de inactividad lo suficientemente relevante para ofrecer un retorno atractivo de la inversión. Este es el caso en situaciones como producción de petróleo y gas, grandes refinerías, petroquímica, generación eléctrica, producción de celulosa y papel, u operaciones mineras. El mantenimiento predictivo puede no ser la estrategia de mantenimiento más económica en este momento para otras industrias y activos. En última instancia, la decisión sobre dónde implementar PdM requiere una validación activo por activo de los posibles beneficios y de los datos disponibles.

Creemos que las compañías pueden priorizar los activos que satisfacen los siguientes tres criterios. En primer lugar, son críticos para las operaciones, lo que significa que su falla puede derivar en la interrupción inmediata de producción. Por ejemplo, la avería de equipos rotatorios en las refinerías de petróleo a menudo provoca la parada instantánea de la unidad afectada o incluso de todo el complejo. Segundo, los activos cuentan con buena cobertura de sensores y suficiente disponibilidad de datos. Para cada activo bajo consideración para PdM, las organizaciones deben validar el número y los tipos de sensores instalados, si existe información histórica disponible o recuperable, así como la conectividad de datos online, antes de decidir si los activos son aptos para desarrollar el modelo. En tercer término, son activos que han demostrado un comportamiento anómalo o un nivel de falla previo significativo. Para elaborar modelos de aprendizaje automático (ML), los científicos de datos necesitan aprender de los comportamientos pasados. Los activos con un historial de fallas corto hacen más difícil desarrollar modelos de ML útiles.

Compañías exitosas de todas las industrias están priorizando activos para PdM siguiendo estos criterios. Por ejemplo, una compañía de energías renovables priorizó las cajas de engranajes de sus aerogeneradores, una empresa asiática de petróleo y gas priorizó los equipos rotatorios clave (como el ventilador de aire principal, los compresores, turbinas de gas y bombas), y varias compañías mineras seleccionaron los motores de los camiones volquete y las excavadoras como el equipamiento clave para sus implementaciones de PdM.

Regla de oro #2: Los socios tecnológicos son importantes

Cuanto más sofisticado sea el abordaje de mantenimiento predictivo, mayor será la necesidad de un historial comprobado y elaborado mediante fuertes inversiones en conocimientos, datos y desarrollo. PdM 4.0 es posiblemente más difícil de gestionar que la mayoría de los casos de uso digitales y analíticos, debido a la complejidad del modelado inicial, la implementación del modelo en sí y su actualización continua.

Más allá de la implementación técnica, la otra parte del desafío está en la última milla: la gestión de los cambios asociados a asegurar que las herramientas de PdM estén generando valor significativo y tangible dista de ser tarea fácil. Un socio adecuado puede ayudar a facilitar la adopción del PdM, entre otras cosas proveyendo entrenamiento personalizado al personal e involucrándolo en el despliegue para estimular la identificación, o integrando las acciones de PdM en los sistemas de flujos de trabajo existentes (Gráfico 2).

Gráfico 2

Dado que el valor de la confiabilidad para las grandes empresas industriales reside en un gran número de máquinas y modos de falla, se necesita un grupo amplio y complejo de modelos de PdM. Casi nunca se justifica desarrollar este tipo de modelos internamente, menos aún si se parte desde cero. En cambio, existen socios capaces de aportar propiedad intelectual e información relevantes, reduciendo en buena medida tanto el tiempo de impacto como la inversión necesaria. Algunos de estos proveedores han surgido de las propias industrias, con propuestas de tecnología y propiedad intelectual basadas en años de experiencia desarrollando e implementando PdM en aplicaciones a escala en el mundo real.

Regla de oro #3: Dedicar tiempo a la mejora continua

Más allá de que construir un conjunto inicial de modelos predictivos para los activos de una organización representa una inversión significativa, apenas se trata del primer paso de un proceso de refinación y mejora continuas. Durante esta fase post-implementación, las compañías se enfocan en optimizar tres aspectos de sus sistemas de PdM:

  • Precisión. Representa la fracción de las alertas generadas por el sistema que corresponden a un problema real con el activo. Durante las primeras iteraciones, los modelos de PdM suelen generar un número significativo de falsas alarmas. Con el tiempo, este comportamiento puede debilitar la confianza de los operadores en el modelo, y crear el riesgo de que empiecen a ignorar los avisos generados por el sistema. Para impedirlo, el equipo operativo debe trabajar junto con el de mantenimiento predictivo en la implementación. Su feedback permitirá a los desarrolladores del modelo aumentar la precisión y garantizar que las recomendaciones sean precisas y deriven en acciones concretas.
  • Sensibilidad. Consiste en la proporción de problemas reales con el activo que son detectados por el modelo. La sensibilidad o exhaustividad es la métrica que indica de manera más directa la captura de valor, aunque por lo general se la debe balancear con la precisión. Un modelo que produce numerosas alarmas puede capturar casi todas las fallas (sensibilidad alta), pero en muchas oportunidades será incorrecto y perderá confiabilidad (precisión baja). Con un equipo multidisciplinario y feedback claro de la operación, los modelos pueden ser ajustados para lograr el balance óptimo.
  • Amplitud. Un sistema de mantenimiento predictivo solo es valioso si anticipa los modos de falla que provocan erosión del valor. En contextos industriales amplios, esto implica por lo general una larga cola de causas raíz en máquinas y procesos, que cambia lentamente a medida que las plantas envejecen y los procesos, las máquinas, el software y el comportamiento de las personas evolucionan. Para un sistema de PdM a escala, se necesitan varios modelos para capturar valor significativo en una planta (con frecuencia en cantidades de tres dígitos). Bajo estas condiciones, es posible considerar un despliegue continuo de modelos que aborden las nuevas causas raíz.

Regla de oro #4: Poner a las personas en primer lugar

Una implementación exitosa de mantenimiento predictivo exige no solo diseñar un modelo preciso, sino además nuevos procesos y mentalidades para asimilar los cambios. En efecto, una gestión de los cambios que coloque al usuario en el centro de la implementación es el factor de éxito más importante para garantizar la adopción a escala y alcanzar impacto sostenible.

La combinación de cinco elementos forma un programa de gestión de cambios que da soporte a la introducción de PdM (Gráfico 3). El primero es un rediseño de procesos de principio a fin que apunte a proveer claridad sobre los roles y las responsabilidades post-implementación, sobre la base del input colectivo de los equipos multi-funcionales. El segundo es el desarrollo sostenido de capacidades para equipar a la organización con las habilidades técnicas inmediatas requeridas por la solución digital, que al mismo tiempo aborda el requerimiento a largo plazo de un pool de talentos interno de ingeniería de datos, ciencia de los datos y design thinking.

Gráfico 3

Tercero, se necesitan con frecuencia nuevos KPIs e incentivos que miren más allá de los problemas técnicos (como la precisión del modelo) y en cambio se enfoquen en indicadores prospectivos y retrospectivos más amplios, como reducción de paradas no programadas, adherencia a cronogramas de mantenimiento interno y tasas de adopción de las soluciones. Algunas compañías utilizan elementos de “ludificación” digitalizados para incentivar la adopción y el uso.

Cuarto, la alta dirección se enfrenta a la tarea de transformar su mentalidad colectiva para modelar la nueva manera de trabajar y hacer que su compromiso con el PdM sea visible para todos. Por último, una historia de cambio cuidadosamente diseñada, comunicaciones y campañas regulares por diversos canales y micro-aprendizaje en pequeños módulos ayudan a promover la participación en todos los niveles de la organización.

Regla de oro #5: Integrar el mantenimiento predictivo al ecosistema digital

Por sofisticado que sea, un sistema de PdM solo creará valor si estimula una respuesta en el terreno, es decir, un conjunto de acciones que deriven claramente de la alerta generada por el sistema. A medida que el sistema de PdM crece en escala, se hace más difícil gestionar estas acciones de manera consistente. Para lograrlo, es necesario establecer un vínculo cercano entre los sistemas de PdM y las demás partes del ecosistema digital de mantenimiento (Gráfico 4). En particular, las empresas líderes están incorporando tecnologías de mantenimiento predictivo a sus sistemas de gestión digital del trabajo (DWM).

Gráfico 4

Los nexos entre PdM y DWM operan en ambas direcciones. Las alarmas de mantenimiento predictivo deben disparar órdenes de trabajo en el sistema DWM, por ejemplo, para garantizar que se tomen medidas para prevenir fallas. Y los resultados de esas acciones deben ser retroalimentados al equipo responsable por el sistema de PdM, ayudándolo a mejorar constantemente su desempeño. La combinación de PdM y DWM permite medir con confianza el desempeño y el impacto del sistema, facilitando la rendición de cuentas y la justificación de las inversiones.

La integración también hace que las compañías puedan mejorar las capacidades de sus sistemas de PdM y la efectividad de los procesos de mantenimiento. Las lecciones aprendidas de las fallas y las intervenciones de mantenimiento pueden almacenarse en una base de conocimientos y compartirse con diferentes equipos, activos y plantas. El sistema DWM también contribuye a la planificación proactiva de mejoras del PdM, permitiendo a los equipos identificar y priorizar oportunidades para ampliar los activos y modos de falla cubiertos por el sistema. Adicionalmente, los planificadores pueden adaptar y optimizar sus estrategias de mantenimiento preventivo aprovechando al máximo sus crecientes capacidades predictivas.


Pese a que muchas organizaciones han tenido dificultades para aplicar el mantenimiento predictivo a escala, la experiencia de los pioneros demuestra que es posible. Los jugadores industriales líderes han señalado el camino priorizando cuidadosamente los activos, estableciendo alianzas con proveedores, invirtiendo tiempo suficiente para mejorar los modelos, poniendo a las personas en primer lugar e integrando el PdM a sus ecosistemas de mantenimiento digitales, y han capturado valor gracias a una mayor disponibilidad y a la reducción de los costos de mantenimiento.

Explore a career with us