Eric Holzer, Uptake. Traducido por Roberto Trujillo Corona, Noria Latin America Durante muchos años, el proceso de análisis de lubricantes, refrigerantes y combustibles para mejorar la confiabilidad y el mantenimiento de las máquinas se ha mantenido relativamente sin cambios. Por lo general se toman las muestras de un activo con una frecuencia regular y se envían a un laboratorio para su análisis. Los resultados son interpretados por expertos o por análisis simples basados ​​en reglas, y se recibe un reporte. El propietario del activo debe usar el reporte para decidir si toma algunas medidas o continúa con la operación normal. Aunque el análisis de laboratorio produce datos extremadamente valiosos, el proceso puede volverse algo engorroso y puede no proporcionar un espectro consistente de información profunda que los propietarios de los activos necesitan para mejorar el desempeño y la confiabilidad. Hoy en día, el surgimiento de la inteligencia artificial (IA) y el aprendizaje automático está permitiendo la integración de todos los datos del laboratorio en una sola plataforma, así como la capacidad de ver los activos de una manera más profunda y más granular. Esto se traduce en una mayor comprensión que puede ofrecer una mejor precisión, consistencia y plazos de entrega que los métodos anteriores.

Historia del análisis de fluidos

El análisis de fluidos en sus inicios fue pionero en la industria ferroviaria en la década de 1940. La industria ferrocarrilera se dio cuenta rápidamente de que el análisis de fluidos podía identificar proactivamente problemas potenciales con motores diésel, compresores de aire y otros equipos ferroviarios. En la década de 1960, se volvió común el análisis de lubricantes industriales, refrigerantes, combustibles y otros fluidos por parte de laboratorios comerciales. Los datos entregados a la industria por estos laboratorios facilitaron la transición del mantenimiento basado en tiempo al mantenimiento basado en condición de los componentes críticos. El análisis de aceite ahora se está utilizando para diversos beneficios, incluido el análisis de causa raíz, mantenimiento preventivo, cambios de aceite basados ​​en condición y cambios proactivos de componentes. Para equipos nuevos, puede usarse como un complemento de los datos generados por sensores y computadoras a bordo. En equipos heredados sin telemática, sirve como una de las únicas formas que tienen los operadores para conocer el estado de los activos. La práctica del análisis de aceite ha sido ampliamente utilizada y reconocida como valiosa en todos los sectores industriales, incluidos la agricultura, la aviación, la energía, el transporte, la minería, la manufactura y producción de gas y petróleo.

Opciones actuales de análisis de datos

Los laboratorios y las empresas industriales actualmente utilizan datos de análisis de aceite de diferentes maneras. Si bien cada método tiene beneficios, también tienen algunos inconvenientes importantes.

Análisis manual

El análisis manual es el proceso de emplear expertos en el tema para revisar cientos de muestras de laboratorio por día y producir recomendaciones a partir de esos resultados. Para las grandes empresas industriales, este método requiere un número importante de empleados capacitados para monitorear continuamente los resultados del laboratorio. Dado que una cuarta parte de la fuerza laboral industrial es elegible para jubilarse en la próxima década, retener a los expertos existentes mientras capacita a técnicos nuevos y más jóvenes se convertirá en un desafío creciente. Los analistas encargados de revisar diariamente muchas muestras de diversos tipos de activos pueden experimentar fatiga. En el peor de los casos, esto puede generar oportunidades perdidas para alertar sobre problemas que pueden resultar en fallas catastróficas de la máquina. Además, el análisis centrado en el ser humano puede ser inconsistente debido a las diferentes opiniones de analista a analista. Todos estos factores pueden conducir a la obtención de niveles variables de valor por el análisis de resultados en laboratorio.

Alertas proporcionadas por el OEM

Los fabricantes de equipos industriales y lubricantes a menudo proporcionan niveles aceptables de desgaste de metales, contaminantes y propiedades de los fluidos. Debido a la falta de contexto acerca del uso y operación de cada activo, los rangos aceptables proporcionados por los fabricantes de equipo original (OEM, por sus siglas en inglés) a menudo se inclinan hacia el extremo conservador del espectro para proteger al activo. En la práctica, los rangos conservadores pueden producir una gran cantidad de alertas donde no se encuentra ningún defecto en el activo o el lubricante. Por ejemplo, un caso de estudio de 2017 que involucra a un ferrocarril Clase I no encontró defectos en el 86 por ciento de las alertas generadas. Esta falta de precisión por las alertas del OEM ha creado desconfianza en el análisis de aceite en muchas organizaciones. Además, estas alertas falsas dan como resultado miles de dólares en gastos innecesarios de mano de obra y materiales innecesarios.

Alertas basadas en estadísticas

El análisis estadístico se utiliza para construir rangos aceptables para resultados de laboratorio basados ​​en un repositorio representativo de datos de muestras históricas. Estos rangos se convierten en alertas para cada cliente. En este método, los activos industriales deben combinarse con un conjunto de datos con activos similares para que se puedan generar los rangos normales esperados. El análisis estadístico puede producir mejores alertas que los métodos anteriores, pero es difícil de administrar y depende del conjunto de datos históricos utilizado. Con el tiempo, los rangos normales aceptables del activo pueden cambiar según las condiciones de operación, el clima, la edad de la máquina y otros factores. Los operadores también pueden cambiar los tipos de lubricantes o rellenar con fluidos los depósitos de sus equipos. Con cada cambio, la precisión del análisis estadístico inevitablemente se deteriorará durante la vida útil del equipo, y aumentará la tasa de alertas falsas o recomendaciones perdidas. Al final, el análisis estadístico demuestra ser capaz en una aplicación que nunca cambia, pero a menudo se queda corto en los espacios industriales altamente variables de la actualidad.

Inteligencia artificial

Afortunadamente, la inteligencia artificial puede resolver muchos de los inconvenientes de los métodos mencionados. Las técnicas de inteligencia artificial y aprendizaje automático utilizan tanto datos de análisis de laboratorio como datos de falla de activos para reconocer la diferencia entre resultados de laboratorio normales y con alertas. Estas técnicas pueden ser significativamente más precisas, ya que tienen en cuenta el conjunto de datos completo de un activo durante su vida útil en lugar de depender de límites superiores e inferiores aceptables para producir recomendaciones. Al utilizar múltiples señales a la vez, IA puede proporcionar recomendaciones muy específicas, como alertar sobre la falla de un cojinete con base en cambios en la concentración de estaño, plomo y cobre en el aceite. La inteligencia artificial y el aprendizaje automático también pueden distinguir la diferencia entre el aumento lento y aceptable del hollín en un motor en funcionamiento normal y el aumento rápido del hollín en un motor con un problema de inyectores. A través de los comentarios del usuario final, la inteligencia artificial y el aprendizaje automático pueden incluso adaptarse a la maquinaria para garantizar que no se produzcan alertas falsas o alertas perdidas debido a cambios en el fabricante del lubricante, la edad de la maquinaria o cambio en la operación. Algunas organizaciones han comenzado a utilizar la inteligencia artificial en los datos de laboratorio para comprender mejor los análisis que ya realizan. En un caso de estudio reciente realizado para un ferrocarril Clase I, se rastrearon 7,683 activos utilizando análisis de aceite convencional en laboratorio, así como inteligencia artificial y aprendizaje automático. En el transcurso del estudio, el análisis por inteligencia artificial y aprendizaje automático identificó proactivamente el doble de fallas en comparación con las alertas convencionales del laboratorio. Las alertas de IA y aprendizaje automático también vieron un aumento en la precisión de 3.9 veces en comparación con las alertas convencionales. Además, la capacidad predictiva de la inteligencia artificial y el aprendizaje automático aumentó la cantidad de alertas críticas con al menos 30 o más días de advertencia en 4.5 veces. Este aumento en las alertas, la precisión y el tiempo de respuesta que ofrece la IA y el aprendizaje automático está causando que muchas organizaciones volteen a verla. A medida que las mejoras en la confiabilidad y el tiempo de actividad continúan en múltiples industrias, es probable que cada vez más empresas se suban al tren de la IA. ¿Estará la suya entre estas?