IBM Maximo Application Suite: Accelerated Asset Performance Management

Del Modelo T al IBM MAS-ters

La inteligencia artificial puede contribuir significativamente a prolongar la vida productiva de los activos. La clave para lograr esta optimización para una empresa requiere tres atributos críticos:

• ● Gestión de activos y mantenimiento alineada con la estrategia y los objetivos corporativos de la organización.
• Los conocimientos de ingeniería analítica adecuados para aprovechar las ventajas de un sistema de gestión predictiva de activos y planificación de inversiones basado en datos; y
• Aplicaciones multicapa de APM (Asset Performance Management) y de AIP (Asset Investment Planning) para simplificar este proceso y aumentar sus actuales sistemas de gestión de activos empresariales

Tony Turner, Projects and Innovations Director en Vetasi, considera que el nuevo IBM MAS (Maximo Application Suite) es una de las aplicaciones APM más completas que existen.

“El Maximo original pasó de ser un sistema informatizado de gestión del mantenimiento (CMMS) en la década de 1990 a un sistema de gestión de activos empresariales (EAM) alineado con el sector después de 2000. MAS ahora se extiende sobre el paradigma EAM y permite el paso hacia APM, así como la planificación del ciclo de vida de los activos y de las inversiones”.

En Vetasi lo llamamos “EAM Extended”.

Descargue el documento IBM Maximo Application Suite Overview para obtener más información

Vetasi, consultora global de gestión de activos, y parte de Cohesive, es el mayor socio de IBM Maximo en Europa, África y el bloque ASEAN.

Ventajas del Mantenimiento Predictivo

Damien de Gouveia, Lead Consultant en Vetasi, afirma que la versatilidad de MAS es tal que puede ayudar a una empresa a realizar la transición de los modos de mantenimiento prescriptivo y basado en la condición al mantenimiento predictivo, a la vez que desbloquea valor a varios niveles en el proceso.

Figura 1 Una indicación tanto de las intervenciones de mantenimiento como de los gastos de mantenimiento de los distintos modos de mantenimiento de activos.

De Gouveia considera que las ventajas del mantenimiento predictivo que permite el MAS son múltiples:

• Permite realizar predicciones sobre la vida útil restante (VUL) de los activos, lo que supone una clara ventaja frente a la planificación, que utiliza el ciclo de vida asumido por el fabricante de equipos originales (OEM). Por ejemplo, si el OEM indica que una bomba debe sustituirse al cabo de 10 años y los flujos de datos digitales Big Date de lecturas de temperatura, caudal, vibración y fatiga del metal indican que es “buena para otros 8 años”, la sustitución es innecesaria. La rentabilidad de la inversión en esa bomba aumenta enormemente. El beneficio: optimo rendimiento financiero y productivo de los activos.
• Reduce la interrupción del proceso de producción: en el modo reactivo, en el que el mantenimiento y las reparaciones se realizaban cuando fallaba el activo; se producían costosas interrupciones de la producción y mantenimiento no planificado. En el modo planificado (programado) de mantenimiento preventivo (por ejemplo, la revisión de un coche cada año o cada 15.000 km, lo que ocurra primero), la producción se interrumpe de forma planificada, pero el coste del mantenimiento es elevado, ya que las piezas se sustituyen, en la mayoría de los casos, mientras todavía existe una considerable RUL de los activos. Los beneficios: menos interrupciones del proceso de producción y menores costes de mantenimiento.
• El mantenimiento basado en la condición que introdujo el mantenimiento predictivo se acopla en el MAS con la inteligencia artificial (IA), basada en la tecnología del Internet Industrial de las Cosas (IIoT) haciendo nuevos avances masivos tanto para maximizar el RUL como para prevenir el fallo de los activos. El beneficio: reducción tanto de los tiempos de inactividad imprevistos como de las sustituciones inesperadas de activos físicos.
• No sólo tendrá datos sobre lo que se ha roto y cómo se ha roto, sino también sobre lo que ha causado el fallo, ya que el flujo de datos registra todo el comportamiento de los activos. Por ejemplo, los aumentos bruscos de vibración pueden vincularse, gracias a la IA, a fallos posteriores de juntas y sellos. Por tanto, la IA mejora el mantenimiento preventivo, ya que no se trata sólo de sustituir las juntas, sino de buscar y eliminar la causa de los picos de vibración. El beneficio: minimizar no sólo los fallos de los activos, sino también los desencadenantes o causas de dichos fallos.

Además, se obtienen ganancias adicionales en los gastos de capital gracias a una planificación mejor informada de la inversión en activos para el inventario de activos.

De Gouveia afirma que el software y los algoritmos de MAS de IBM, la dependencia de los activos raíz y APM se solidificaron en la ciencia de datos. Como los latidos del corazón de un paciente se monitorizan constantemente después de una operación a corazón abierto, el flujo continuo de datos de todos los instrumentos evalúa las desviaciones de la norma.

Mediante el aprendizaje automático, la interpretación continua del flujo de datos digitales y la evaluación con respecto a los datos operativos históricos y las especificaciones de los fabricantes de equipos originales, un solo pico (por ejemplo, un paciente que se mueve en su cama de hospital) se tratará como un falso negativo, si todos los indicadores vuelven inmediatamente a los parámetros aceptados. El pico queda registrado y forma parte del historial de funcionamiento de esa bomba. Por tanto, la repetición de picos posteriores podría indicar estrés en el activo y un posible fallo.

Los cuadros de mando muestran automáticamente las desviaciones que pueden (dentro de unos parámetros predefinidos) desencadenar acciones correctivas automáticas, o resaltar y asesorar al ingeniero de fiabilidad sobre las opciones de acción correctiva. De este modo, se acelera el proceso de toma de decisiones en una situación de riesgo potencial, ya que se dispone de asesoramiento basado en IA.

No utilizar la IA en la producción es como hacer los presupuestos con un ábaco

Turner afirma que, para optimizar la creación de valor en las industrias que hacen un uso intensivo de activos, la inversión, la aplicación, el rendimiento y el mantenimiento de los activos físicos deben tratarse como un objetivo empresarial estratégico básico y no como una mera función de apoyo.

Según Turner, el problema es que muchas empresas todavía no han transformado sus operaciones en torno a prácticas basadas en datos y “están atrapados en el modo de acciones impulsadas por el personal, desencadenadas por decisiones de gestión (la figura 2 describe cómo el gestor de servicios decidirá qué hacer) o por calendario (¿cuándo vence un servicio?). No adoptar la toma de decisiones basada en datos es como seguir utilizando calculadoras mecánicas, bolígrafo y tinta para elaborar presupuestos y estados financieros”.

“Dados los avances tecnológicos, resulta extraño que, en muchas industrias que hacen un uso intensivo de activos, la inversión en nuevos activos físicos, así como el mantenimiento de la base de activos, se traten como algo secundario. Estas son las funciones básicas más fundamentales y deberían alinearse activamente con la estrategia y los objetivos empresariales de la compañía.”

This outmoded approach is still governed by the paradigm of the Model T Ford: service and replaced regularly in accordance with the service cards or by weeks, but in case of malfunction, in between…”

Figura 2 Extracto del manual de servicio del Ford Modelo T de 1925

Al igual que las empresas no pueden controlar sus finanzas si no utilizan hojas de cálculo y sistemas financieros avanzados, ignorar las tecnologías basadas en datos y los sistemas de gestión del rendimiento de los activos no hará sino afianzar la incapacidad de seguir el ritmo.

Turner afirma que la falta de una infraestructura de capas de datos es un factor común en las plantas que no logran desbloquear un valor sustancial tanto de los datos existentes como de las tecnologías que ofrece el Internet Industrial de las Cosas (IIoT).

Los proyectos piloto de IIoT proporcionaron flujos eficaces de datos digitales. Sin embargo, surgieron problemas a la hora de ampliarlos: a veces por motivos técnicos, pero más a menudo por falta de alineación con los objetivos corporativos y una capacidad insuficiente de interpretación de datos debido a sistemas que luchan por gestionar la explosión de datos.

Para tener éxito a este nivel se requiere una estrategia de capa de datos capaz de gestionar la intensidad de datos y, al mismo tiempo, ofrecer una evaluación instantánea del rendimiento de los activos medido en función de los parámetros de rendimiento de la aplicación, y de los fabricantes de estos instrumentos y de la infraestructura industrial. Y lo que es más importante, el sistema debe evaluar los datos en relación con los datos operativos y el contexto de la empresa.

Muchos de los primeros sistemas analíticos basados en la nube no eran lo suficientemente robustos como para integrarse correctamente con las bases de datos tradicionales, o bien la sincronización de los sistemas operativos presentaba algunos obstáculos.

IBM, ha sido durante décadas uno de los líderes con sus aplicaciones Maximo, proporcionando una base para la Gestión de Activos Empresariales (EAM) para la industria. El mantenimiento predictivo MAS está habilitado para alcanzar “EAM Extended”.

En un blog posterior, Turner & De Gouveia analizarán las características de la MAS:

EAM Extended: Adding value with IBM’s MAS and Maximo Application Suite is no Rubik Cube: flexibility in a container