Monitoreo de lubricantes en la era digital

Los datos son inútiles

El impulso por lo “digital” se basa en gran medida en los datos que un sistema puede ingerir y, por lo tanto, los “datos” se han puesto muy de moda. Ahora, hay casi una obsesión por los datos, pero por sí mismos, los datos son completamente inútiles. Personalmente, soy dueño de una conocida marca de relojes de rastreo de actividad física. Este rastreador de ejercicios tiene una característica maravillosa que rastrea mi sueño. Cuando me despierto, reviso casi obsesivamente mi teléfono, descargo los datos y miro mi patrón de sueño. Puede decirme cuánto tiempo dormí, si me desperté durante la noche e incluso qué tan profundamente dormí durante el transcurso de la noche. Los análisis parecen ser sólidos e incluso los datos se presentan de manera fácil de usar. Pero ¿qué significan estos datos? ¿Qué hago con toda esta información? ¿Qué cambios hago en función de los datos? ¿Qué resultados se derivan de esta función de rastreo de mi patrón de sueño? Ninguno. Cero. Solo son datos inútiles.

Los datos se clasifican en dos categorías: ¿qué me pueden decir y qué necesito saber? En este caso, los datos pertenecen a la primera categoría. Los datos que no generan resultados son datos inútiles.

Para que los datos sean significativos, deben seguir cuatro reglas: análisis, interpretación, contexto y resultado.

Análisis: Los datos deben ser fundamentalmente sólidos. Los números brutos no tienen significado. Los datos brutos deben convertirse en un resultado útil.

Interpretación: ¿Qué significan los datos? ¿Cómo se relacionan los números con la realidad de una situación?

Contexto: Este elemento se ignora en gran medida, pero proporciona la información más importante. El contexto de las condiciones que rodean a los datos puede ser tan importante como los datos mismos.

Resultado: Esta es otra característica de los datos que a menudo se ignora. Según el ejemplo del rastreador de sueño, si los datos no generan un resultado claro, entonces no tienen sentido.

Considere medir el peso de una persona. Digamos que un hombre se pesa y la balanza (digital) muestra que pesa 83 kilogramos. ¿Esto es bueno? ¿Este es un peso saludable? En este punto, solo tienes análisis. Sin los otros tres elementos, estos datos son inútiles.

Para la interpretación, digamos que compara su peso con una tabla de peso/estatura. Según esta interpretación, 83 kg para un hombre que mide 1.87 metros es un peso normal. Aquí suele ser donde termina la investigación de datos, con análisis e interpretación, la correlación de números únicos versus especificaciones y resultados básicos interpretados. Los resultados en verde, amarillo y rojo son normales en la industria, especialmente en los reportes de monitoreo de aceite.

Lo que falta es el contexto y el resultado. Sin contexto, está asumiendo que alguien que pesa 184 libras y mide 6 pies 3 está sano. El contexto se presenta de muchas formas, pero la más común es el análisis de tendencias. En este ejemplo, ¿qué pasa si el hombre pesaba 97.5 kg hace cuatro semanas? Mediante el análisis de tendencias, puede suponer que algo anda mal y que, de hecho, él no está sano. Esa cantidad de pérdida de peso durante un corto período de tiempo es indicativa de una enfermedad potencialmente grave. Por lo tanto, comprender el contexto de los datos puede cambiar todo el panorama.

¿Qué resultados se pueden derivar de esta información? Puede tomar muchas formas. La persona puede comprender los problemas subyacentes y ser capaz de autocorregirse, o puede buscar un análisis más detallado al visitar a un médico.

La relevancia para la industria del análisis de aceite es doble. Primero, el análisis de aceite se centra en el análisis y la interpretación. La propia naturaleza del muestreo indica un solo punto de datos tomado en una instantánea en el tiempo, es decir, la medición del peso de una persona. Con frecuencia, esto está relacionado con una especificación estática (o tabla de altura/peso), y se proporciona un resultado basado puramente en ese único punto en el tiempo (rojo, amarillo o verde).

El análisis y la interpretación, sin contexto y rara vez un resultado, son la norma. Los resultados aparecen en una etapa posterior, una vez que una persona ha realizado una interpretación más completa de esos datos, a menudo con un retraso significativo entre el muestreo y el resultado. He visto muchos ejemplos de un activo que experimenta un evento de falla catastrófica durante este lapso.

En segundo lugar, compare la precisión de los datos con el contexto. Muchas veces, durante las discusiones sobre algunas de las nuevas tecnologías o sensores de monitoreo de lubricantes en tiempo real, me preguntan sobre el desempeño de la solución frente al análisis de laboratorio. Esta es una gran pregunta con una respuesta sencilla. ¿Qué está buscando? Los laboratorios siempre podrán proporcionar un análisis mucho más detallado de los lubricantes. Los sensores y las soluciones de detección nunca reemplazarán por completo la información de un laboratorio.

La ciencia de los sensores simplemente no existe. Los laboratorios pueden ofrecer niveles de precisión con varios decimales y distinguir entre diferentes partículas de metal de desgaste hasta partes por millón. Siempre habrá necesidad de este nivel de precisión, pero debe tener en cuenta su respuesta a la pregunta original (¿qué está buscando?).

Hay dos caminos claros y distintos para esta pregunta. En la primera ruta, a nivel de activo, en tiempo real, durante la ejecución del activo, principalmente necesita saber tres cosas simples: ¿está todo bien, qué está mal y qué debo hacer?

En el segundo camino, después de una falla importante, se debe realizar un análisis forense, una autopsia de un activo que ha fallado. En este caso, después de la falla, se deben responder muchas más preguntas, como por ejemplo, ¿por qué falló, cuál es la causa raíz y qué debemos abordar en otros activos para evitar su falla?

El primer camino es donde entra en juego la necesidad de una nueva tecnología digital que impulse los datos en tiempo real. Los datos que son “suficientemente buenos” pero que brindan lo que necesita saber (en lugar de lo que le pueden decir) son mucho más valiosos en tiempo real con el contexto que los datos extremadamente precisos tomados en una sola instantánea en el tiempo.

Considere nuevamente la analogía del peso de la persona. El hombre usa un dispositivo en su muñeca que mide y rastrea su peso y otros indicadores de salud como presión arterial, frecuencia cardíaca, etc. El software en el dispositivo portátil puede rastrear las tendencias de los datos y proporcionar contexto, así como resultados interpretados basados en datos límites conocidos. Estos datos no son tan precisos como los que obtendría en un hospital, donde se utilizarían grandes máquinas para medir cada indicador individual.

Sin embargo, los datos son “suficientemente buenos”, están en tiempo real, siguen las tendencias y, por lo tanto, ofrecen contexto. Tiene los cuatro elementos de buenos datos: análisis (el dispositivo toma medidas y las convierte en datos), interpretación (coloca los datos relevantes en gráficos que muestran lo que significan los datos), contexto (observa las tendencias a lo largo del tiempo y, a menudo, contexto en torno a la actividad que estaba haciendo en ese momento) y el resultado (algunos dispositivos ahora recomiendan acciones en función de los resultados).

Los datos que son lo suficientemente buenos, pero que muestran el contexto, a menudo pueden ser mucho más valiosos que los datos precisos en un solo momento. Para la industria del monitoreo de lubricantes, esto es relativamente nuevo. El muestreo ha sido la norma durante mucho tiempo, con el enfoque más en la precisión y lo que se puede decir en lugar de lo que necesita saber. La utilización de datos “suficientemente buenos” puede irritar a algunos puristas de la industria, pero creo que es hacia allí hacia donde se dirigen esta industria y muchas otras.

Detección en línea en tiempo real

La aparición de la detección en línea en tiempo real está revolucionando la industria. A menudo me preguntan cuál será el impacto en los laboratorios y los proveedores de kits de prueba, pero nadie tiene una respuesta definitiva sobre cuánto impactarán estos sensores en línea. Sin embargo, la naturaleza del análisis en tiempo real tiene consecuencias obvias para los laboratorios. Si se afianza la aparición de datos “suficientemente buenos”, esto afectará la cuota de mercado de los laboratorios.

La única gracia que salva a los kits de muestreo fuera de línea sobre los sensores en línea es el costo. El costo actual de los sensores en línea es más alto que el de un kit de muestreo, incluso si el valor de la detección en línea supera al de un kit de muestreo. Por supuesto, la expectativa con los sensores es que el costo se reducirá en los próximos años.

De hecho, según Rob Lineback de IC Insights, el costo de los sensores de Internet Industrial de las cosas (IIoT, por sus siglas en inglés) se redujo en más del 90 por ciento en los últimos 15 años. Indudablemente, esta tendencia continuará, y la reducción de precio erosionará la cuota de mercado de los kits de muestra en los próximos años. Los kits de prueba y los sensores en línea se convertirán en competidores directos.

Se ha escrito mucho sobre la aparición del análisis de aceite en tiempo real. Aunque esta nueva tecnología está avanzando, todavía tiene limitaciones. La mayoría de los sensores en línea en tiempo real son de una sola lectura o, en el mejor de los casos, miden dos o tres propiedades del aceite lubricante.

Pueden proporcionar buenos análisis e interpretación a la vez que ofrecen un grado de tendencia, sin embargo, parecen carecer de un enfoque más holístico de la salud de los activos. Medir la viscosidad de un aceite, las partículas de desgaste y el contenido de agua, o incluso determinar la tendencia de estas condiciones, puede ser útil y producir datos lo suficientemente buenos, pero no le brinda una imagen completa de la salud de un activo.