El poder del mantenimiento predictivo

Jul 27, 2023

Un sensor instalado en esta transmisión del transportador monitorea la exposición a vibraciones para evitar fallas en la transmisión.

Fotos cortesía de Balluff Inc.

Este gráfico ilustra cómo funciona el programa ZDT con un robot. La llave inglesa indica en qué parte de la EOAT el programa obtiene información para recomendar acciones de mantenimiento. El signo más muestra dónde se encuentran las características predictivas.

Gráfico cortesía de FANUC America Corp.

Los sensores IO-Link, el software y una unidad base conforman el Condition Monitoring Toolkit.

Foto cortesía de Balluff Inc.

Basado en la nube, el Sistema de Monitoreo Portátil contiene un sensor de monitoreo de condición, una puerta de enlace móvil para transmisión de datos y software para ver datos en cualquier dispositivo terminal.

Foto cortesía de Balluff Inc.

Predecir el futuro ya no es lo que solía ser. De hecho, es mucho mejor, y eso es una gran noticia para los fabricantes.

Este es definitivamente el caso del mantenimiento de equipos en una línea de montaje. Hoy en día, muchos tipos de sistemas de advertencia permiten a los fabricantes tomar medidas ahora para evitar el temido tiempo de inactividad no planificado de robots, transportadores, motores, ventiladores, bombas y otras máquinas.

"Llegar al nivel de mantenimiento predictivo es un proceso evolutivo para los fabricantes, independientemente de su especialidad", señala Will Healy III, gerente de estrategia comercial global de Balluff Inc. "En este momento, existe un gran interés en actualizar equipos con sensores para realizar condiciones "El monitoreo como un medio para implementar el mantenimiento predictivo. El siguiente paso es usar equipos con sensores inteligentes integrados e inteligencia artificial. Estas tecnologías también permiten el mantenimiento prescriptivo, que utiliza el aprendizaje automático para ayudar a las empresas a ajustar específicamente sus condiciones operativas para obtener los resultados de producción deseados".

Hace casi dos años, los ingenieros de Balluff se enfrentaron a un interesante desafío de mantenimiento: ayudar a un gran proveedor automotriz de primer nivel a mantener en funcionamiento su viejo transportador de cadena. El transportador cuenta con múltiples transmisiones sincronizadas, tiene casi 2000 pies de largo y mueve grandes componentes estructurales de metal a lo largo de todo el ancho de la planta, según Healy.

"Debido a que las unidades están completamente sincronizadas, cuando una se cae, la cadena del transportador se pandea y se bloquea, lo que provoca un importante tiempo de inactividad en la producción", explica Healy. "Instalamos un sensor en cada unidad para monitorear su exposición a la vibración. Cuando la vibración excesiva en la caja de cambios alertó a mantenimiento sobre una falla en la unidad, el fabricante realizó un apagado controlado, evitando así un accidente importante de la máquina".

El mantenimiento de equipos ha recorrido un largo camino en un largo período de tiempo, desde la Revolución Industrial hasta el Internet industrial de las cosas (IIoT). El enfoque estándar durante muchas décadas fue el mantenimiento reactivo, o arreglar las cosas después de que comienzan a afectar negativamente la producción. Luego vino el mantenimiento preventivo, donde el objetivo es prevenir la falla de la máquina (por fatiga, negligencia o desgaste normal) entre los tiempos de mantenimiento programados.

Ahora es el momento de que los fabricantes disfruten de los muchos beneficios del mantenimiento predictivo. A través de sensores estándar y software basado en IA, las empresas pueden maximizar el tiempo de actividad del equipo, enfocarse en componentes específicos que necesitan atención (lo que da como resultado un mantenimiento más eficiente en el tiempo) y reducir los costos del ciclo de vida del equipo a través de un rendimiento mejorado y una vida útil prolongada del equipo.

Actualmente, un pequeño porcentaje de fabricantes ha implementado el mantenimiento predictivo. Pero, es seguro decir que ese número aumentará cuando los no practicantes se encuentren perdiendo participación de mercado frente a competidores que ofrecen un mayor rendimiento y fabrican mejores productos.

En lo que respecta a los robots, la clave para obtener los numerosos beneficios del mantenimiento predictivo es la conectividad. Sin él, no se pueden obtener datos relacionados con el proceso en tiempo real de varios sensores integrados en controladores, brazos robóticos y herramientas de extremo de brazo.

Una de las primeras aplicaciones robóticas de mantenimiento predictivo de IIoT ocurrió hace varios años en la industria automotriz cuando General Motors se asoció con Cisco y FANUC America Corp. para lanzar un programa de tiempo de inactividad cero. Llamado ZDT, el servicio de análisis predictivo identifica fallas potenciales para que los ingenieros y gerentes de planta puedan programar el mantenimiento y las reparaciones. Esto evita averías inesperadas durante la producción, lo que ahorra tiempo y dinero a los fabricantes.

"ZDT funciona bien porque FANUC está integrado verticalmente", explica John Tuohy, gerente de cuentas nacionales de FANUC. "El servicio también usa código binario para cálculos rápidos y simples. Antes de presentar ZDT, notificábamos a los fabricantes con algunas semanas de anticipación sobre el mantenimiento requerido. Hoy, notificamos hasta con seis meses de anticipación y programamos el mantenimiento según la conveniencia del cliente. "

Según Tuohy, el programa ZDT ha demostrado ser bastante exitoso en los últimos años. Él dice que alrededor de 30,000 robots en todo el mundo están conectados al sistema.

Los fabricantes de automóviles representan el grupo más grande de usuarios de ZDT. Otros incluyen empresas de las industrias aeroespacial, de electrodomésticos, de embalaje y de alimentos y bebidas.

"La objeción que escucho de los clientes que dudan en invertir en ZDT es que no lo necesitan, ya que sus robots FANUC funcionan muy bien y, a menudo, exceden el tiempo medio entre fallas (MTBF) sugerido", señala Tuohy. "Para nuestros robots industriales, el MTBF es de 100 000 horas o 10 años, mientras que para los cobots es de 80 000 horas u 8 años.

"Sin embargo, señalamos a los usuarios finales el otro beneficio de ZDT, que es su capacidad para extraer datos del proceso ERP para determinar con precisión el rendimiento de la producción", continúa Tuohy. "Al aprovechar estos datos, un fabricante puede estar seguro de que su robot funciona de manera óptima".

Dentro de la planta de cada cliente hay un colector de datos ZDT, o una máquina virtual, que transfiere mensajes de forma segura desde los robots al centro de datos ZDT de FANUC en la nube. Allí, los programas analíticos de FANUC revisan cuidadosamente los datos en busca de posibles problemas.

"Si aparece una anomalía estadística, ZDT notifica automáticamente a nuestro equipo de servicio y le brinda al cliente las acciones recomendadas para confirmar y corregir el problema", dice Tuohy. "Independientemente de si ese cliente es un fabricante o un integrador, obtener esta información puede ser suficiente para mejorar la productividad del robot".

Para los clientes con operaciones en varios estados o incluso en el extranjero, ZDT combina datos de robots de todas las ubicaciones en un solo tablero para que los gerentes e ingenieros puedan verificar de forma remota el estado del equipo y brindar asistencia al personal de mantenimiento local. Según Tuohy, cuanto más sepa FANUC sobre lo que sucede dentro de un robot, mejor podrá comprender todos los elementos alrededor del robot que afectan un proceso de fabricación.

También reconoce que los fabricantes que implementan ZDT pueden necesitar o no reemplazar sus robots FANUC más antiguos. Esto se debe a que muchos modelos más antiguos se pueden mejorar con ZDT, pero los modelos más nuevos pueden maximizar sus capacidades de mantenimiento predictivo.

KUKA Robotics ofrece su propia plataforma de inteligencia y análisis de datos basada en la nube, que se llama KUKA Connect. Supervisa cosas como la velocidad y la carga del brazo, y predice cómo los ciclos de mantenimiento proyectados se ven afectados por diversas aplicaciones de ensamblaje.

Otros beneficios incluyen ser independiente de la plataforma, escalable verticalmente, de reacción rápida y fácil de operar. Esta última capacidad se deriva de su interfaz web que no requiere la instalación de software y se conecta a cualquier dispositivo móvil desde cualquier lugar y en cualquier momento.

Una plataforma basada en suscripción, KUKA Connect permite a los fabricantes aprovechar los datos de producción integrales, los procesos de fabricación innovadores y los componentes de red flexibles. La versión Lite de la plataforma proporciona acceso a información sobre la funcionalidad de cada robot KUKA. La actualización a Connect Plus brinda a los usuarios acceso completo a notificaciones en tiempo real e informes exportables.

"Los usuarios de transportadores tienen dos opciones cuando se trata de mantenimiento predictivo", explica Mike Hosch, vicepresidente de negocios industriales de Dorner Manufacturing Corp. "El enfoque más popular es montar sensores de terceros en varios puntos de cada transportador y hacer que los sensores alimentar datos en tiempo real a un PLC o dispositivo maestro. Los tipos de datos obtenidos a menudo están relacionados con la velocidad de la correa, las horas de funcionamiento, la vibración del motor y el consumo de amperaje, y la temperatura de los cojinetes".

Menos popular entre los fabricantes, al menos hasta este momento, es lo que Hosch llama mantenimiento predictivo de 'Nivel 2'. En este nivel, uno o más transportadores están equipados con sensores integrados, que funcionan junto con software o inteligencia artificial para proporcionar datos de rendimiento y más. Esta configuración avanzada de recopilación de datos también permite al gerente de la planta monitorear de manera fácil y continua todos los transportadores en una instalación en un iPhone u otro dispositivo inteligente.

"Para aumentar la cantidad de fabricantes que implementan el mantenimiento predictivo de nivel 2, los proveedores de transportadores deben enfrentar dos grandes desafíos", señala Hosch. "Uno es convencer a los clientes de que, aunque los transportadores con sensores integrados cuestan más, aumentarán el tiempo de actividad de la producción tanto a corto como a largo plazo".

Al mismo tiempo, los proveedores deben disminuir las preocupaciones de seguridad de los datos de los clientes al utilizar estos transportadores tecnológicamente avanzados. Según Hosch, esto requiere responder las preguntas clave que el personal de TI del cliente tiene en relación con el muestreo de datos. Por ejemplo, ¿con qué frecuencia se realizará (cada 5 segundos, 30 segundos, 2 minutos, etc.) y qué tan seguros estarán los datos cada vez?

"El mantenimiento predictivo es similar al preventivo en que ambos requieren que el personal de mantenimiento preste atención regular a los transportadores", dice Hosch. "La verdadera diferencia es que el modelo predictivo requiere que el personal de mantenimiento esté mejor capacitado".

Hosch dice que, idealmente, la capacitación debería incluir a más de un empleado en el personal. De esta manera, si un transportador falla, siempre hay disponible al menos una persona con la capacitación adecuada. Otra buena práctica es asegurarse de que todo el personal de mantenimiento esté presente siempre que se realice una auditoría del transportador y se implemente el mantenimiento predictivo.

Hosch reconoce que los fabricantes a veces agregan sensores externos a las series de transportadores de banda Dorner 2200 y 3200, a pesar de que requieren poco mantenimiento desde el primer día. Esto se debe a que ambos modelos cuentan con un tensado preciso de la correa de piñón y cremallera y cojinetes sellados de por vida. La serie 3200 también ofrece bandas estándar modulares y empalmadas que permiten un cambio rápido de banda.

En 2020, la firma de consultoría y análisis de datos global Quantzig implementó el mantenimiento predictivo para un fabricante y proveedor de servicios europeo de cintas transportadoras. Se contrató a Quantzig para ayudar a la empresa a dar sentido a los grandes volúmenes de datos que recibía de los clientes que los obtenían de sensores instalados cerca de las bandas en los transportadores en funcionamiento.

El cliente quería cambiar del mantenimiento reactivo al predictivo para reducir los riesgos e identificar los problemas de rendimiento de la banda antes de que ocurran. Quantzig les ayudó a lograr este objetivo en tres pasos.

El primero fue enseñarles la importancia de establecer y monitorear las líneas base condicionales de todos los activos. Luego, los expertos de Quantzig aprovecharon los datos de cada sensor y crearon modelos de series temporales combinados con aprendizaje automático.

Finalmente, se utilizaron algoritmos de máquina de vectores de soporte y Fourier para transformar los datos en un análisis predictivo que generó alertas y recomendaciones específicas de mantenimiento. El resultado final de todo este trabajo es uno que hace muy feliz al fabricante: un aumento de cuatro años en la vida útil, en promedio, por cada banda que fabrica.

El rendimiento de una amplia gama de equipos de línea de montaje, además de robots y transportadores, se puede optimizar mediante el mantenimiento predictivo. Este equipo incluye motores, bombas, ventiladores y compresores.

Balluff ofrece tres productos que permiten a los fabricantes implementar el mantenimiento predictivo mediante la actualización de máquinas. Los sensores IO-Link de la empresa, por ejemplo, se acoplan a cualquier máquina y obtienen datos en tiempo real relacionados con las horas de funcionamiento y la vida útil restante. Healy menciona las máquinas CNC, las prensas de estampado, las grúas pórtico y los extractores de aire para soldadura como aplicaciones comunes.

Estos sensores IO-Link también están disponibles como parte de un kit de herramientas de monitoreo de condición, que incluye software y una unidad base. La visualización de datos y la puesta en marcha plug-and-play son posibles con el kit, siempre que la máquina adaptada tenga alimentación de 24 voltios y un punto de conexión a la red de la planta.

El producto tres es un sistema de monitoreo portátil basado en la nube. Contiene el sensor de monitoreo de condición BCM, una puerta de enlace móvil para la transmisión de datos a través de radio móvil y un software para visualizar datos en cualquier dispositivo terminal. Healy dice que el sistema viene preconfigurado para monitorear digital y eficientemente bombas, ventiladores, motores y máquinas herramienta.

"Un factor importante para comprender el mantenimiento predictivo es la curva PF, o el intervalo de tres dominios entre la detección de una falla potencial (P) y la ocurrencia de una falla funcional (F)", dice Healy. "En el dominio proactivo, la falla está relativamente lejana, ya que la máquina aún puede ser nueva. La falla aún puede estar lejana en el dominio predictivo, pero los síntomas están emergiendo con señales de advertencia relativamente tempranas. Se pueden tomar medidas oportunas, como como reemplazar el equipo defectuoso, antes de que ocurra una falla catastrófica. Sin acción, uno ingresa al dominio de falla, donde la falla está ocurriendo o es inevitable, y los síntomas indican que se necesita una acción inmediata".

Los módulos del software Festo Automation Experience (Festo AX) se basan en la monitorización de estado basada en IA para lograr el mantenimiento predictivo de componentes, máquinas y sistemas. Frank Latino, gerente de productos para automatización eléctrica en Festo Corp., dice que el módulo de mantenimiento permite a las empresas usar dispositivos y sensores para recopilar datos de actuadores neumáticos y eléctricos, colectores de válvulas e interruptores en abrazaderas neumáticas que mantienen las piezas en su lugar en las estaciones de trabajo.

"Festo AX requiere una breve fase de entrenamiento de IA y la entrada de algoritmos del sistema, junto con la entrada humana, en la función de análisis del software mientras se recopilan datos de la planta", explica Latino. "Estos datos se evalúan en el borde de una red o en la nube utilizando Microsoft Azure, Amazon Web Services u otros servicios similares".

Según Latino, los principales beneficios del módulo de mantenimiento Festo AX son un mayor tiempo de actividad y una reducción del 20 por ciento en el tiempo dedicado al mantenimiento. El análisis de causa raíz también ayuda a los fabricantes a identificar específicamente las causas sistémicas de cada problema de mantenimiento.

Como regla general, la temperatura del motor suele ser un buen indicador de la eficiencia con la que funciona una máquina o una línea de montaje. Un pico de 20 grados en la temperatura del motor, por ejemplo, podría indicar que algunos componentes de la transmisión mecánica deben repararse o reemplazarse.

Motores de control de variadores de CA de Yaskawa. También utilizan simultáneamente datos visualizados para detectar anomalías y predecir fallas de la máquina a través de los motores.

Algunas empresas usan una o más unidades para monitorear los ventiladores en la línea de montaje. En ese caso, el variador monitorea y detecta constantemente la cantidad actual de obstrucción del filtro y contaminación acumulada. Cuando es necesario, el variador notifica al operador que limpie el filtro.

También se pueden monitorear bombas y compresores. La incorporación de aire y el funcionamiento en seco de una bomba pueden hacer que el variador notifique al operador de una posible falla debido a cualquiera de las dos condiciones. En cuanto a los compresores, el retorno de líquido en los congeladores o enfriadores en los que se monta un compresor a menudo cambiará la pulsación de la frecuencia de entrada. Si esto sucede, el variador le indicará al operador que es hora de realizar el mantenimiento del compresor.

"Las empresas a menudo conservan los equipos mucho más tiempo que su vida útil declarada, por lo que definitivamente hay un beneficio al implementar el mantenimiento predictivo", dice Healy. “Máquinas que se hacen para trabajar de 5 a 7 años, a veces se acaban usando 25.

“La escasez de trabajadores, en general, y de profesionales del mantenimiento, en particular, debería incrementar la implantación del mantenimiento predictivo”, concluye Healy. "Pero, lo que realmente lo impulsará es cuando los gerentes de planta o de nivel medio lo promuevan, y los ejecutivos con influencia y autoridad presupuestaria lo impulsen para que sea una realidad".

Jim es editor sénior de ASSEMBLY y tiene más de 30 años de experiencia editorial. Antes de unirse a ASSEMBLY, Camillo fue editor de PM Engineer, Association for Facilities Engineering Journal y Milling Journal. Jim tiene un título en inglés de la Universidad DePaul.