¬°Hub de contenido!
Acceso a contenido educativo gratis.
Comience a aprender

M√°s all√° de la caja negra del mantenimiento predictivo

El Internet Industrial de las Cosas promete iniciar una era de mantenimiento predictivo, pero los fabricantes se mueven lentamente, luchando por transformar los datos de activos en información procesable.

_
_

*Este contenido fue enviado directamente a este sitio web por el proveedor.

Como parte del ruido ‚Äúin crescendo‚ÄĚ que rodea al Internet Industrial de las Cosas (IIoT), el mantenimiento predictivo es generalmente considerado como uno de los argumentos iniciales m√°s convincentes para seguir adelante. Sin embargo, a medida que los fabricantes se abren camino en las implementaciones, est√°n descubriendo que recopilar datos de los activos conectados es s√≥lo la punta del iceberg. Identificar los datos correctos, contextualizar esos datos para que se apliquen a los objetivos deseados, y vincular todo el proceso a los flujos de trabajo existentes es donde aparece el verdadero trabajo duro, creando obst√°culos para todas las empresas, excepto para las m√°s avanzadas.

__

La enorme magnitud del salto ‚Äďpasar de procesos de recopilaci√≥n y mantenimiento de datos con d√©cadas de antig√ľedad basados en portapapeles y realizados por el personal de planta in situ a flujos de trabajo digitales que pueden ser automatizados y orquestados por operadores remotos‚Äď requiere de un cierto nivel de confianza y de madurez en infraestructura digital que a√ļn no se ha generalizado entre la mayor√≠a de los fabricantes. Muchos activos industriales heredados a√ļn no est√°n equipados con sensores, y mucho menos conectados, lo que impide cualquier potencial recopilaci√≥n de datos. Adem√°s, la mayor√≠a de los fabricantes a√ļn no tienen una idea clara de c√≥mo crear y aplicar modelos de aprendizaje autom√°tico y predictivos para impulsar estos flujos de trabajo de mantenimiento de √ļltima generaci√≥n. ‚ÄúA pesar de la expectaci√≥n ante el IIoT, hay mucha estrategia de FUD (miedo, incertidumbre y duda),‚ÄĚ dice Kevin Starr, director de programas globales de servicios avanzados de ABB. ‚ÄúLas empresas saben que realmente hay una revoluci√≥n industrial en el horizonte y hay mucho debate en torno a ello, pero no quieren equivocarse y tener que rehacer sus esfuerzos.‚ÄĚ

__

Los fabricantes se han aferrado al concepto de mantenimiento predictivo como un s√≥lido argumento de uso de rendimiento de la inversi√≥n (ROI) para el IIoT, con la esperanza de beneficiarse eliminando los per√≠odos de inactividad, agilizando las llamadas de servicio t√©cnico y reduciendo los costos de mantenimiento. Aunque esos par√°metros de medici√≥n son una posible ventaja para las aplicaciones de mantenimiento predictivo habilitadas por el IIoT, los fabricantes se est√°n dando cuenta de que es mucho m√°s dif√≠cil escalar de un proyecto piloto a producci√≥n, reconoce Rob Patterson, vicepresidente de marketing estrat√©gico de la plataforma de IoT ThingWorx de PTC. ‚ÄúMuchas empresas se quedan atascadas en el purgatorio piloto de los proyectos de IoT,‚ÄĚ dice Patterson, explicando que los fabricantes pueden equivocarse al calcular mal lo que se necesita para dise√Īar y construir los modelos de mantenimiento predictivo, al tiempo que carecen de los cient√≠ficos de datos en plantilla y expertos en la materia que son fundamentales para poner en marcha los proyectos. ‚ÄúLa gente tiene la percepci√≥n de que se trata de una caja negra m√°gica que, en √ļltima instancia, produce resultados y predicciones con muy poca intervenci√≥n de manos humanas. Pero √©sta es una percepci√≥n fundamentalmente err√≥nea de lo que implica el aprendizaje autom√°tico.‚ÄĚ