La evolución del mantenimiento tiene un nuevo impulso ante el desarrollo tecnológico de la Industria 4.0, lo que ha provocado un incremento de las capacidades para determinar el estado de un activo antes de intervenirlo, logrando mayor disponibilidad, postergando o evitando la necesidad de una inspección o desarme a través de los mantenimientos con intervalos fijos o incluso los mantenimientos basados en condición. Esto hace posible optimizar el costo global y mejorar la productividad y la seguridad de las personas, lo que es un poderoso incentivo para las organizaciones y especialmente en aquellas intensas en activos complejos como es el caso de la Armada, que cobra más fuerza ante escenarios de una economía volátil y restrictiva.

La Armada de Chile tiene una larga tradición en la implementación de estrategias asociadas a ciclos de mantenimiento y ha desarrollado capacidades para el monitoreo de la condición de equipos basado en el análisis de vibraciones, análisis de aceite y termografías; sin embargo, el desarrollo tecnológico está empujando, en conjunto con la ciencia de datos, a que el monitoreo por condición y mantenimiento predictivo estén en una importante fase de evolución, en la cual la Armada de Chile no puede quedar atrás. Por otro lado, nuevas herramientas en el ámbito del mantenimiento están yendo un paso adelante, no solo previniendo respecto a un potencial fallo, como lo hace el mantenimiento predictivo, sino proponiendo soluciones y/o cursos de acción para resolver estos problemas de la forma más eficiente, lo cual genera un salto tecnológico en lo que respecta al actual estado del arte del mantenimiento moderno

La batalla por la disponibilidad

Para los planificadores y operadores de mantenimiento, la gran batalla es contra la indisponibilidad, lo que se puede ver desde una visión empresarial, como el tiempo de inactividad de los activos productivos que implica un costo de ineficiencia al perder facturación respecto de las metas del negocio (Arata, Ingeniería de Confiabilidad,2005), o como en el caso de la Armada la no disponibilidad de sus unidades a flote impacta el cumplimiento de las operaciones en las diferentes áreas de misión, por el menor grado de actividad respecto del planificado o esperado.

Aunque parezca obvio es importante destacar que la disponibilidad corresponde a la relación entre el tiempo de actividad u operación de una unidad a flote, un sistema o equipo con relación al tiempo total en que estaba planificada su operación. La disponibilidad está influenciada directamente de los conceptos de mantenibilidad y confiabilidad de un sistema o equipo; la mantenibilidad se puede definir como la facilidad, precisión, seguridad y economía en la ejecución de las acciones de mantenimiento y la confiabilidad como la probabilidad que un sistema o equipo operara de manera satisfactoria por un período de tiempo cuando es usado bajo ciertas condiciones operacionales predefinidas, o simplemente se puede expresar en relación a las fallas y matemáticamente también como el tiempo promedio entre fallas (B.S. Blanchard, 2008). Adicionalmente podemos identificar la disponibilidad en las relaciones de tiempo y los estados de condición del material utilizado por el Departamento de Defensa Australiano (Australian Defence Reliability, Availability and Maintainability Manual, 2015).

Lo relevante para efectos de la disponibilidad es minimizar las tareas mantenimiento preventivo y correctivo reduciendo los tiempos de intervención conocidos como MTTR (Mean Time To Repair).

La evolución del mantenimiento

El mantenimiento según Blanchard incluye todas las acciones necesarias para mantener o devolver un sistema o producto en una condición de servicio (Blanchard, Logistic Engineering and Management, 2008). Por otra parte la Armada Australiana considera que el mantenimiento consiste en todas las acciones tomadas para retener el equipo o para restaurarlo al nivel mínimo de conformidad con el conjunto de estándares técnicos del material, junto con los elementos y procesos de soporte, que incluyen inspección, prueba, servicio, reparación, reconstrucción y recuperación (Australian Maritime Logistics Doctrine, 2016). En síntesis, como definición propia, mantenimiento es un conjunto de actividades o acciones que permitan asegurar que el material se mantenga en una condición que le permita funcionar de manera confiable en su entorno previsto y como fue diseñado.

Como se desprende de lo anterior, para lograr planes de mantenimiento efectivos se deben mezclar estrategias que permitan reducir las probabilidades de ocurrencia de un fallo, por lo que los planificadores deben evaluar cuidadosamente cada estrategia, ya que el contexto operativo de cada activo va a generar sus propias exigencias, que el planificador debe estar atento a descubrir para así implementar el mantenimiento que sea más costo/efectivo al potencial modo de falla del equipo, pesando la criticidad de éste para la misión. En la literatura se identifican como mejores prácticas del mantenimiento moderno (Gulati y Smith, Maintenance and Reliability Best Practices, 2009) las que:

o    Reduzcan su tiempo de baja (Downtime).

o    Incrementen su expectativa de vida.

o    Reduzcan tiempos y costos respecto a reparaciones por falla.

o    Reduzcan los costos en repuestos (las fallas normalmente arrastran más repuestos).

Como consecuencia de lo indicado en el punto anterior, el mantenimiento evoluciona en la búsqueda de la menor indisponibilidad, intentando siempre incrementar el ciclo de vida de los activos tratando de evitar al máximo las intervenciones. Es así como la primera generación del mantenimiento, denominada la estrategia del mantenimiento preventivo (MpV), fue la mejor solución para reducir las paradas no programadas. Luego evolucionó al monitoreo por condicion (MpC), el cual se basa en intentar medir el estado de salud de un activo e intervenirlo cuando su condición superara un parámetro definido. La siguiente generación es la del predictivo (MpD). En base a los parámetros monitoreados, los algoritmos son capaces de predecir cuándo un equipo estaría cercano a un modo de falla y así programar con mayor certeza una parada. De esta forma, las operaciones de mantenimiento se realizan antes de que falle. lo que reduce la indisponibilidad del equipo o sistema, y la frecuencia de mantenimiento también se reduce significativamente. Gracias a la adaptación de nuevas e inteligentes tecnologías como la industria 4.0, MpD se ha vuelto más ventajoso que otras estrategias de mantenimiento.

El impacto de la industria 4.0 en el mantenimiento

Los cambios ya observados del estado de arte en la tecnología actual, han generado un incremento vertiginoso en el mantenimiento mediante el uso de las capacidades de análisis del Big Data, la simulación y el avance en el internet de las cosas (IoT), conecta el espacio físico con el espacio virtual, y mejores sensores y transductores instalados en los equipos envían flujos de datos en tiempo real, procesados y almacenados gracias al aprendizaje automático y la inteligencia artificial (IA). La integración de estas tecnologías está posibilitando la creación de gemelos digitales, que son una representación digital de los procesos físicos que reflejan la realidad en tiempo real. El entorno virtual del gemelo digital permite simular y predecir durante el funcionamiento del sistema, también otorgar mayor seguridad mediante una supervisión y control constantes y de diagnóstico al identificar perturbaciones imprevista.

Estos desarrollos también son usados para mejorar las estrategias de mantenimiento, impactando principalmente en la estrategia del mantenimiento predictivo, esto por sobre las otras estrategias de mantenimiento. El rápido incremento tecnológico posibilitará cada vez mayores capacidades de sensorización y monitoreo, lo que, junto con algoritmos eficientes para interpretar los datos entregados por los sensores, harán que la predicción sea más efectiva. En los últimos años algoritmos especializados, softwares desarrollados para monitorear de manera continua, el IoT, y el Deep learning, se han integrado de tal forma que se espera que en un futuro cercano la predicción de fallas sea extremadamente exacta. En la medida que crece la tecnología lo hace también la capacidad para capturar y almacenar datos, así como la complejidad de los algoritmos que harían más factible reconocer zonas de falla antes desconocidas.

Evolución del mantenimiento predictivo

Cada equipo tiene un diseño y opera en un contexto determinado que hace necesario comprender las funciones y técnicas de sus componentes y los modos en que estos pueden fallar, así como las capacidades y características de los sensores y las variables de funcionamiento medidas y su relación, que son elementos fundamentales para ayudar a dar sentido inicial al enorme volumen de datos que será utilizado para la predicción. La experiencia en los proyectos MpD señala que la mayor parte del tiempo se invierte en la comprensión, selección, integración, limpieza y construcción de datos que se puedan aplicar a ellos técnicas matemáticas que den respuesta a los objetivos del proyecto.

La comprensión de miles y hasta millones de datos de diferentes variables presenta un desafío para el analista. Uno de los pasos principales es entonces centralizar y ordenar los datos. En esta fase se intentan entender matemáticamente los datos viendo por una parte cómo se distribuye cada variable y por otra cómo se relacionan las variables entre sí. El uso de gráficos útiles en este sentido suele ser el de aquellos que dan información sobre datos agrupados tales como los diagramas de barras, de cajas o mapas de calor. Todas estas técnicas de visualización y análisis de lo que ha pasado entran dentro del ámbito de la analítica descriptiva o Business Intelligence. El análisis descriptivo puede dar una idea clara de cuáles son algunos factores que hacen que una máquina o un componente falle. De esta forma, se puede tener una primera aproximación de qué variables son importantes para encontrar respuesta a los objetivos planteados, qué forma tienen estas variables y qué transformaciones necesitan de cara a aplicar un modelo de predicción u otro. Cabe destacar que la analítica descriptiva es un paso anterior al predictivo; hoy en día también ha tenido mayor desarrollo de las aplicaciones de software utilizadas para la administración y apoyo al mantenimiento industrial, acrecentado por la incorporación de elementos de la industria 4.0 y las mayores capacidades en el análisis de datos para la generación de reportes de funcionamiento y diagnóstico de equipos como las herramientas de inteligencia de negocios.

Las etapas anteriores, descritas brevemente, permiten finalmente acceder a la etapa de la analítica predictiva y que corresponde a la aplicación de modelos matemáticos para estimar aquellos datos que son desconocidos o inciertos; estas técnicas buscan patrones, tendencias o modelos en los datos pasados que puedan predecir la probabilidad de eventos futuros. En forma simple se podría inferir que el hecho de que una pieza pueda fallar en los próximos 10 días depende directamente de los incrementos de temperatura por encima de los 100 grados que ha tenido a lo largo de su vida útil. Podríamos tener un modelo entonces cuya respuesta fuera «sí» si el sensor correspondiente ha detectado más de 10 incrementos de temperatura desde que se instaló la pieza y «no» en otro caso. En esta etapa es fundamental tener un conocimiento previo respecto de la viabilidad de los modelos sobre del caso en particular a analizar, las experiencias y avances en cada área de la industria donde se están utilizando los modelos predictivos con éxito. 

Dependiendo de la naturaleza de los datos habrá modelos que den una respuesta más precisa a los objetivos planteados en el análisis de los mismos. En este sentido los especialistas en ciencia de datos deben elegir el modelo que tenga una precisión mayor. El éxito del modelo puede ser observado en el tiempo respecto el comportamiento del sistema para validar el modelo buscando coincidencias en la predicción.

Modelo de implementación

Dada la experiencia preliminar en la implementación de pilotos de MpD en equipos de la Armada que se ha estado realizando desde el año 2021, en la fig. se puede ver las etapas descritas para la implementación como un proceso continuo.

La secuencia de implementación del mantenimiento predictivo corresponde a la selección del equipo sujeto a análisis, en este caso un motor de propulsión, donde el objetivo es desarrollar un sistema de diagnóstico con análisis remoto y en tiempo discreto pero escalable a tiempo real y la predicción temprana de fallas recurrentes; seguidamente de un análisis de criticidad para determinar los modos de falla y técnicas más adecuadas para su monitoreo a través de parámetros y datos a ser recolectados, los que posteriormente, a través de un proceso de depuración, son preparados para ser visualizados mediante herramientas de inteligencia de negocios que reporten la condición de estado de salud del equipo. Los datos recolectados además son usados para desarrollar modelos predictivos, debidamente validados para detectar fallas o anomalías en el comportamiento de los sistemas y que generan indicadores y alertas para mejorar y optimizar el mantenimiento y rendimiento del equipo.

Una nueva estrategia: mantenimiento prescriptivo

El siguiente paso del mantenimiento es el proceso de prescripción, es decir el mantenimiento prescriptivo (RxM), que utiliza el aprendizaje automático e inteligencia artificial junto con IoT para hacer recomendaciones específicas de cómo evitar la falla o retrasarla. Combina tecnologías que analizan el comportamiento histórico, hacen suposiciones, prueban y vuelven a probar los datos libremente para procesar los resultados de múltiples escenarios lo cual resulta en un listado de posibles soluciones priorizados en base a factores predeterminados durante la construcción del algoritmo, lo que permite que el análisis prescriptivo determine la solución más eficiente para mitigar la falla¹.

Si bien esto se aprecia como el futuro del mantenimiento, empresas como IBM² ya ofrecen mantenimiento prescriptivo en la nube y están apareciendo casos de éxito como el de ThyssenKrupp que puede prever averías de un ascensor debido a un problema en la puerta con 5 días de antelación basado en un modelo prescriptivo que ofrece las 4 causas más probables del problema. Los técnicos consiguen resolver el problema en la primera inspección en el 90 % de las ocasiones.

Como todo elemento de análisis, se deben tener presentes algunas ventajas y desventajas, antes de pensar en esta estrategia como una alternativa:

Ventajas

o    Provee de múltiples escenarios y usa machine learning e inteligencia artificial para prescribir de manera automática un amplio espectro de opciones frente al estado de un activo.

o    Apoya las decisiones tomadas incluyendo el factor económico.

o    Optimiza las operaciones de mantenimiento y minimiza el tiempo de baja.

o    Crea un modelo digital permitiendo evaluar y simular modificaciones y sus efectos.

o    Puede ser usado para resolver fallas de equipos complejos o deterioros imperceptibles.

Desventajas

o    El costo de implementar sensores, uso de inteligencia artificial y aprendizaje de máquina.

o    El sistema no es inmediato. Es posible que sea necesario enseñarle a la plataforma de aprendizaje de máquina, lo cual toma tiempo antes de generar una prescripción.

o    Las normas no estarán necesariamente en línea con las posibles prescripciones, lo que implicará toma de decisiones con menor respaldo normativo.

o    Como tecnología emergente, aún falta madurez para que sea un sistema confiable para los mantenedores, sobre todo en sistemas críticos.

o    La cultura organizacional puede verse impactada por esta tecnología, lo cual implicaría una resistencia al cambio.

Conclusiones

El mantenimiento de activos tiene como fin último la disponibilidad de éstos a un mínimo costo, lo que representa eficiencia en el uso de recursos, por lo que las organizaciones deben tener el compromiso constante en la búsqueda de las mejores estrategias para lograr un mantenimiento efectivo y por sobre todo eficiente.

La evolución del mantenimiento ha permitido mejorar el conocimiento sobre la condición y la prevención de fallas de un equipo, impulsada por el aumento de la sensorización y cúmulo de datos que se pueden extraer y analizar gracias al avance de las tecnologías de la industria 4.0. En este camino la analítica descriptiva o inteligencia de negocios facilita la mejora del mantenimiento hacia capacidades de análisis predictivo.

El mantenimiento predictivo está en un proceso importante de evolución y las organizaciones deben evaluar el actual estado del arte para implementar adecuadamente las enormes posibilidades que entrega para mejorar en mantenimiento de sus activos críticos.

El mantenimiento prescriptivo es una realidad y va a seguir evolucionando. Con la promesa de proponer automáticamente las mejores rutinas de mantenimiento para un activo, se debe tener presente la importancia del entendimiento de sus algoritmos, con el objeto de que no se presenten problemas de transparencia en las posibilidades asignadas.

La Armada de Chile debe estar preparada tanto en personal y equipamiento para tener la capacidad de capturar, centralizar y por sobre todo analizar los datos. Esto debe estar guiado por una estrategia al más alto nivel y con una organización que pueda operativizar este proceso.

Bibliografía

1. Borri, L. (s.f.). Historia y Arqueología Marítima. Obtenido de https://www.histarmar.com.ar/Armada%20Argentina/AviacionNaval/Historia-RescateCRUBE.htm.

2. Corrientes, C. (s.f.). Centro de ex soldados combatientes en malvinas de corrientes. Obtenido de https://www.cescem.org.ar/excombatientes/listas/muertos/ara/apellidos_n_r.html. 

3. Garnham, J. P. (2012). Malvinas: chilenos en la guerra. Qué Pasa.

4. Martinic, I. (2022). Patagonia vigilada. Chile en la guerra de las Malvinas/Falklands. RIL Editores.

5. Mayorga, H. (1998). No Vencidos. Planeta.

6. Santiago, M. (6 de abril de 2012). Capitán del “Piloto Pardo” revela secretos del rescate de los náufragos del “Belgrano”. Mercurio de Santiago, pág. Cuerpo A 6.

7. Taringa. (2017). Hundimiento del ARA Belgrano y la Armada de Chile al Rescate. Obtenido de https://www.taringa.net/+info/hundimiento-del-ara-belgrano-y-la-armada-de-chile-al-rescate_u8jn9.

8. Woodward, S. (1992). Los cien días. Sudamericana.