*Este contenido fue enviado directamente a este sitio web por el proveedor.
Como parte del ruido “in crescendo” que rodea al Internet Industrial de las Cosas (IIoT), el mantenimiento predictivo es generalmente considerado como uno de los argumentos iniciales más convincentes para seguir adelante. Sin embargo, a medida que los fabricantes se abren camino en las implementaciones, están descubriendo que recopilar datos de los activos conectados es sólo 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 obstáculos para todas las empresas, excepto para las más avanzadas.
_
La enorme magnitud del salto –pasar de procesos de recopilación y mantenimiento de datos con décadas de antigüedad 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– requiere de un cierto nivel de confianza y de madurez en infraestructura digital que aún no se ha generalizado entre la mayoría de los fabricantes. Muchos activos industriales heredados aún no están equipados con sensores, y mucho menos conectados, lo que impide cualquier potencial recopilación de datos. Además, la mayoría de los fabricantes aún no tienen una idea clara de cómo crear y aplicar modelos de aprendizaje automático y predictivos para impulsar estos flujos de trabajo de mantenimiento de última generación. “A pesar de la expectación ante el IIoT, hay mucha estrategia de FUD (miedo, incertidumbre y duda),” dice Kevin Starr, director de programas globales de servicios avanzados de ABB. “Las empresas saben que realmente hay una revolución industrial en el horizonte y hay mucho debate en torno a ello, pero no quieren equivocarse y tener que rehacer sus esfuerzos.”
_
Los fabricantes se han aferrado al concepto de mantenimiento predictivo como un sólido argumento de uso de rendimiento de la inversión (ROI) para el IIoT, con la esperanza de beneficiarse eliminando los períodos de inactividad, agilizando las llamadas de servicio técnico y reduciendo los costos de mantenimiento. Aunque esos parámetros de medición son una posible ventaja para las aplicaciones de mantenimiento predictivo habilitadas por el IIoT, los fabricantes se están dando cuenta de que es mucho más difícil escalar de un proyecto piloto a producción, reconoce Rob Patterson, vicepresidente de marketing estratégico de la plataforma de IoT ThingWorx de PTC. “Muchas empresas se quedan atascadas en el purgatorio piloto de los proyectos de IoT,” dice Patterson, explicando que los fabricantes pueden equivocarse al calcular mal lo que se necesita para diseñar y construir los modelos de mantenimiento predictivo, al tiempo que carecen de los científicos de datos en plantilla y expertos en la materia que son fundamentales para poner en marcha los proyectos. “La gente tiene la percepción de que se trata de una caja negra mágica que, en última instancia, produce resultados y predicciones con muy poca intervención de manos humanas. Pero ésta es una percepción fundamentalmente errónea de lo que implica el aprendizaje automático.”
