Senseye: ¿Cómo la inteligencia artificial está revolucionando el mantenimiento predictivo con Edgar

Trend Detection Podcast ·

Show notes

Welcome to the Trend Detection podcast, brought to you by Senseye Predictive Maintenance – which gives you visibility and insights into all your assets, from single machines to full plants to help you reduce downtime, increase knowledge sharing and accelerate digital transformation across your organization.

You can find out more about how Senseye Predictive Maintenance can reduce unplanned downtime and contribute towards improved sustainability within your manufacturing plants, by visiting: www.siemens.com/senseye-predictive-maintenance

Transcript

Sabían que el 80 % de los proyectos enfocados en analítica y mantenimiento predictivo, así como inteligencia artificial, tienen un fallo o no son exitosos. Esto debido a que el cliente tiene muchos retos, los cuales requiere afrontar. Uno quiere omitir completamente el mantenimiento reactivo. Tiene muchísimos datos en su planta, lo cual genera un Sobredimensionamiento de la cantidad y procesamiento de datos que tienen en planta requiere el cliente una solución que pueda ser escalable, es decir, que pueda visualizar equipos no solamente en un en una planta o en un área productiva, sino en diferentes plantas alrededor del mundo. Necesita también que esta solución sea confiable, es decir, que ya exista en otras. Localidades similares a el medio o el proceso productivo en el que ellos trabajan requieren también que estas soluciones tengan una referencia donde ellos puedan tomar como base y posteriormente, que les ayude a que el cambio cultural en la organización sea sencillo y que pueda darse de una manera muy transparente. Mi nombre es Edgar Lorca Vega. Su servidor es responsable de la venta de servicios y también responsable del portafolio de Sensay Mantenimiento predictivo en México. Me acompaña mi colega Jesús Delgado. Yo soy Jesús Delgado, ingeniero de soluciones y preventa para el portafolio de mantenimiento predictivo. Quédense en esta plática para que podamos abordar todo lo relevante al mantenimiento predictivo. Sabían que En los últimos 10 años, el Volumen de negocio que se pierde al no tener un esquema adecuado de mantenimiento predictivo ronda cientos de miles de dólares. Es importante también tomar en consideración que cuando las compañías generan Proyectos en industria 4,0 buscan tener un retorno de inversión en un tiempo menor a 6 meses. Buscan también que la cantidad de falsos positivos que se encuentran alrededor del uso de estas nuevas plataformas tengan un porcentaje alto de De casos efectivos. Ehm. Sensai es una plataforma que nos ayuda a tener un porcentaje de falsos positivos en alrededor del 80 % de exactitud nos ayuda a reducir alrededor del 30 % de la eficiencia del mantenimiento. En las diferentes labores que ayudan a poder eficientar el proceso productivo de nuestros clientes y también nos ayudan a tener un 50 % aproximadamente de reducción del tiempo de inactividad. a qué me refiero con el tiempo de inactividad, es decir, al tiempo que la máquina está parada, al tiempo que la máquina no está produciendo y por ende, a la posible. pérdida de producción que estamos teniendo en ese en ese mismo proceso productivo. Adicionalmente, Side nos ayuda a incrementar un 10 % de la vida útil de los activos que tenemos conectados y por ende, esto ayuda también a poder. optimizar de una manera más eficiente el uso de los recursos que tenemos tanto de capital humano como de equipos interconectividad y posteriormente la salud que tenemos en nuestra planta sabían también que es súper importante. Tener una buena transición del conocimiento que tenemos en la planta. me pregunto yo cuánto tiempo se tarda la gente que tiene más de 30 años de experiencia en una planta para poder pasar el conocimiento de de una persona que tiene estos años de experiencia a una persona de recién egreso que recién está aprendiendo los diferentes problemas que se presentan en un proceso productivo. Yo creería que es alrededor de mínimo como 6 meses, un año, inclusive un poquito más con Sensai tenemos la posibilidad de tener centralizada la información. Poder capitalizar esa información, poder tener soporte y ayuda por parte de stakeholders, no solamente de nuestra de nuestra ciudad, sino también de nivel internacional para poder ayudarnos a solventar los posibles problemas que se presenten en planta. O tú qué opinas, Jesús, Qué es para ti el mantenimiento predictivo y por qué crees que nos pudiese ayudar en un entorno robusto como lo puede ser la industria automotriz, la la industria de metales o la industria de alimentos y bebidas? Pues fíjate, Edgar, que, um así como veo yo, el mantenimiento predictivo es parte de una estrategia, la estrategia de mantenimiento que tiene las diversas plantas o las diver- diversas compañías que Que al final de cuentas se enfrentan a ciertos problemas que tienen que ver con la parte de mantenimiento que tienen que ver con la parte de operación y que tienen que ver con con muchas causas. Es bastante multicausal los problemas de paros que que que existen en en una planta en una compañía, no y y ahora les traigo prácticamente. Algunos datos que que que son importantes y que siempre vale la pena tener en mente. Yo estoy seguro que que todos los que están escuchando, escuchándonos. saben cuánto cuánto cuesta o al menos saben que lo caro que es un tiempo de inactividad, no, y por ejemplo, podríamos mencionar que el tiempo de inactividad pues puede impactar en el costo de producción de cualquier producción puede impactar hasta en un 24%. Por ejemplo, otro dato interesante es que el 90 % del trabajo de mantenimiento catalogado como trabajo de crisis regularmente es para reparación de averías, no. Y estamos hablando justamente de que ya llegamos a un problema de mantenimiento prácticamente cuando ya estamos en el bomberazo, no, y tenemos que que que predecir con bastante antelación. para no llegar a ese evento en el cual pues ya estamos hablando de un bomberazo. Estamos hablando de una reparación de avería y otro dato interesante es que pues así como como solemos ser los seres humanos, pues tendemos a la sobreestimación y en este caso tendemos a la subestimación, no y y es que El costo de inactividad generalmente lo lo vemos subestimado en aproximadamente en un 300 %. Lo cual implica que si a lo mejor yo me iba yo planeé que el trabajo de crisis iba a durar 2 horas para resolver ese trabajo, pues ya no dura 2 horas, no? o sea, regularmente somos como muy subestimados en ese en ese tiempo y a lo mejor salimos del atoro del del at torón los salimos en 3 en 3 horas o salimos en 6 horas, por ejemplo, entonces Es bastante costoso el tiempo en actividad y bueno, pues un dato muy interesante, no el tiempo en actividad va va va a costar entre 10.000 $ la hora y a lo mejor 3,5 millones la hora de dólares en En la fabricación en una fábrica de automóviles en una armadora de automóviles, no, pero obviamente pues todo son costos y el tiempo de inactividad pues es costoso. cómo a qué te has enfrentado, Edgar, con tus clientes? Qué? qué te han comentado respecto de cuánto les ha costado o cuánto tiempo a lo mejor han parado. En en un en un problema en una avería por por no tener disponibilidad de máquina y de línea. Sí, creo que estos son es es es un punto fundamental el que tocas Jesús, inclusive la mayoría de los clientes se rigen por ciertos KPIs de mantenimiento dentro de los más importantes, pues obviamente está la disponibilidad de máquina el OI, pero hay dos métricas super importantes y seguramente todos nuestros escuchan. Que están relacionados con el tema de mantenimiento lo conocen a detalle. Uno es el el el MBF y el MTTR, no siendo el el MBF el tiempo medido entre fallas. Básicamente el MDF mide el tiempo que un sistema funciona antes de fallar y principalmente se utiliza para programar el el mantenimiento y poder mejorar la confiabilidad de las máquinas. Y por otra parte, el MTTR es el tiempo medio de reparación de una máquina. Realmente esto nos sirve o o nos mide el tiempo que se tarda en reparar un fallo en un sistema y la idea es tratar de utilizar este KPI para minimizar el tiempo de inactividad y los costos alineados de reparación de los equipos con los que estamos alineando este KPI son 2 métricas super importantes. Y que la mayoría de los clientes en cualquier sector debería de tenerlas como prioritarias, no, inclusive un punto importante de poder conocer estos 2 KPIs y también cuánto te cuesta la pérdida de producción por hora te da una visibilidad completa de al implementar herramientas disruptivas como lo es ensay el retorno de inversión que podrías obtener a través de estas de esta plataforma. Lo que hemos estado trabajando con plantas de diferentes sectores, como por ejemplo el de metales, donde la industria de metales pesados, el costo por minuto de producción, digamos tomando esto como como un ejemplo de algún cliente y y y siendo anónimo obviamente por por temas restrictivos, nos decía que alrededor de De un minuto del paro de producción son 12.000 $. Entonces imagínate un minuto, 12.000 $. Si ese minuto lo multiplicamos por 60, entonces 12.000. dólares por 60 por hora estaría perdiendo alrededor de 20.000 $. Si eso lo multiplicas por un turno de 8 horas alrededor de 480.000 $, medio millón de dólares en un solo turno. Y si eso lo multiplicas por 3 turnos 1.400.000 en un solo día en un en 3 turnos de 24 horas por no tener un plan de mantenimiento adecuado. Obviamente es importante también diferenciar la parte de mantenimiento reactivo y la parte de mantenimiento proactivo y posteriormente la parte de mantenimiento predictivo. no a final de cuentas, el mantenimiento reactivo, como lo comentabas Jesús es Un mantenimiento enfocado principalmente en bomberazos para eso tienes que tener preparada la gente técnicamente tiene que tener una capacitación adecuada, tiene que saber qué botones apretar para poder salvaguardar el equipo y volver a regresarlo a su estado natural de de de de puesta en marcha. Posteriormente tenemos el mantenimiento. Digamos proactivo haciendo uso de algunos elementos de de monitoreo de condiciones, no, inclusive si se tiene alguna alguna instrumentación entre los equipos, tenemos la posibilidad de ver el estatus en el que están trabajando estos equipos, pero lo que estamos buscando. es impulsar a nuestros clientes para poder predecir los fallos con un buen tiempo de antelación y poder reducir precisamente estos tiempos de paro, no con el mantenimiento predictivo de Sensei. Estamos trabajando en darle a nuestros clientes herramientas para una mejor toma de decisiones y poder predecir errores en un futuro cercano, no. Esto a qué te ayuda a poder hacer una planeación mejor y más adecuada de cuándo intervenir las máquinas, en qué momento hacer algún cambio de algún elemento, algún algún activo y con esto poder actuar de una manera más eficiente. Es importante mencionar que Sensi no viene a sustituir las actividades del equipo de mantenimiento. Viene a robustecerlas a hacer de una manera más sencilla. Pues digamos la la la ejecución de sus actividades es un aliado, inclusive un aliado, pudiésemos decir ahora un aliado virtual, porque también Say está trabajando con copilot para poder tener una conversación con un ente que conoce todos los detalles de tu planta y que te va a ayudar a poder pues determinar cuando ocurre algún error dentro de la misma. No obstante, por otra parte, Jesús, yo yo también. Pensaba pues se oye muy padre, se oye muy bonito, pero tenemos algunos KPI sobre los cuales trabajar, pero realmente Sensi. ¿Cuál es? Cuál es el fundamento con el que trabaja, digamos, Sensi es una herramienta que utiliza inteligencia artificial y machine learning para poder adelantarse a casos o problemas que va a haber en la planta. Pero cómo trabaja ese algoritmo? ¿Quién lo desarrolla? El cliente tiene la posibilidad de Desarrollar programación dentro del mismo algoritmo para poder determinar los problemas que va a ser que va a haber en su planta o Que o tiene que tener algún experto que conozca estos detalles para poder trabajar con la plataforma. Qué? Qué sabes de esto? Jesús? Excelente pregunta, Edgar. Y fíjate que cuando los clientes se nos acercan a preguntar sobre alguna solución de mantenimiento predictivo es algo de lo que siempre tienen en mente. No es muy complicado hacer mantenimiento predictivo. Necesito un Un personal especializado, un personal que sepa de programación, que sepa de algoritmos, que sepa de inteligencia artificial machine learning, no, la respuesta es con nosotros no necesariamente necesita el cliente ningún personal más que el personal que conoce. de piso de fábrica, su personal de mantenimiento que está ahí, que lleva tantos años recorridos que conoce los modos de fallas. Cómo fallan los equipos, cómo se intervienen en las actividades de mantenimiento para lograr que pues siga produciendo la fábrica, la compañía. Entonces, resumidas cuentas, no, no necesita como tal el cliente un personal dedicado, sino que puede hacer uso del mismo personal de mantenimiento para pues trabajar con nuestra solución de Sensay para que se acompañe a través de la solución de Say y algo importante. que hay que tomar en consideración es que Sensay, como bien lo mencionabas, Sensay es una herramienta que va a ser un gran apoyo para la toma de decisiones que es fundamental en el equipo de mantenimiento. Y esto se extrapola a tener obviamente mayor disponibilidad de máquina, mayor línea y no solamente eso, sino que también Impacta en reducción de costos operativos, reducción de riesgos, por ejemplo, e inclusive también impacta en el equipo de mantenimiento debido a que pues gracias a que pues el equipo de mantenimiento puede tener un puede ser más certero puede ser más preciso en la actividad gracias al apoyo de una herramienta de mantenimiento predictivo como lo es ensay pues podemos tener un un incremento en la eficiencia del del equipo de mantenimiento hasta en un 30 %, lo cual es fabuloso, no? Oye, Jesús y y y pensando, digamos a detalle. Eh, el cliente. Debería de trabajar únicamente con activos rotativos, es decir, con motores, con con electroválvulas, con ventiladores, o esta solución de Sai es posible que se pueda extrapolar algún otro tipo de máquina, por ejemplo, AGBs, elevadores, chillers, caja de cambios. Inclusive algunos elementos de potencia y eléctricos o inclusive robots, Sai llega llega a este tipo de equipos o estamos casados únicamente con algún elemento específico, digamos rotativo que tenga alineada alguna variable de de temperatura de voltaje de corriente o de vibración. Excelente pregunta y es una de las preguntas que nos suelen hacer nuestros clientes también, ¿no? Sensai. Nosotros decimos que es una plataforma agnóstica y aunque no estamos tocando ningún tema religioso, sí lo podemos ver desde el punto de vista de que Sai, la plataforma como tal, no necesita como que los datos provengan de ningún Ningún PLC de una marca exclusiva de un sensor exclusivo que solamente se enfoque a un activo en específico como máquina rotativa, como motores, como reductores, como chumaceras, por ejemplo, no. Final de cuentas, ensay trabaja o puede trabajar con cualquier tipo de activo que le pongan enfrente. ¿Por qué? Porque trabaja un concepto muy importante y una metodología muy importante es que no está basado en modelos. de activos. O sea, no es no, no tiene como tal un catálogo de modelos de activo, sino que sensei como plataforma. Crea sus propios modelos cuando va conociendo a través de las variables que tú le vas enviando cuando va conociendo cómo es el comportamiento de esos activos. Entonces tú le puedes meter señales de presión, de corriente, de torque, de vibración. de flujo o cualquier señal que para ti tenga sentido para el modo de falla que has detectado para esos activos y Sensay aprende del comportamiento de de esos de esas variables, no y crea una huella digital. Nosotros le llamamos huella digital. No le no le llamamos modelo o algoritmo modelo como tal, sino que le llamamos huella digital por una Por una cuestión y que Sensai concibe a cada activo que tú le conectes que que tú le envíes la información lo lo concibe como algo único tal cual como lo es nuestras huellas digitales, no. Ok, entonces es como un gemelo digital, digamos de el propio elemento que vas a estudiar y a partir de ahí cómo determinas cuando hay algún algún error, cuáles son, digamos, los principales datos o principal información que tomas en consideración para poder dar el contexto o poder buscar qué se sale de la normalidad en algún activo. Fíjate que cuando Say digamos que es el primer envío de datos hacia la plataforma de un activo, vamos a hablar de algún una bomba, una bomba enviamos a lo mejor presión, enviamos torque, enviamos corriente y enviamos vibración por decir algo, podríamos enviar más variables. Enviamos esa información a la plataforma y la plataforma en primera instancia. Lo que lo que hace es aprender de cómo se comporta o cómo se está comportando ese activo a través de esas variables. Eso le toma un tiempo. Al final de cuentas estamos hablando de algoritmos de inteligencia artificial y machine learning, por lo cual pues le va a tomar cierto tiempo. Estamos hablando no de meses, no de años, sino que estamos hablando de horas, días. Estamos hablando de 5 días como máximo, donde ya aprendió cómo se comporta de forma normal a través de las variables que tú le estás enviando a la plataforma de Sensay. Una vez que ya aprendió. Y alguna de las variables o alguna correlación de variables se sale fuera de esa norma. Pues entonces senseide lo que hace es que levanta la mano así como hablando vulgarmente, pero en realidad te manda una notificación, no? y es bastante práctico porque esa notificación te la manda a través de pues un correo electrónico o te lo manda, te lo visualiza a través del de de la propia interfaz de la plataforma o te lo puede enviar a tu sistema de mantenimiento o a tus CMS que utilices en en planta y y y reconocer justamente que Sai detectó. Pues un problema, no alguna anomalía, alguna tendencia o inclusive que cruzó un umbral o que ya estamos hablando de un pronóstico a los días o a los meses, por ejemplo, de que algo está sucediendo y si no se da una actividad. de mantenimiento con antelación. Pues obviamente pues eso va a ir creciendo o vamos a tener una degradación en el activo y es algo que queremos evitar. Es algo que Sensai como herramienta de mantenimiento predictivo está muy enfocado a evitar que Tengamos un mantenimiento reactivo, tengamos un mantenimiento, digamos como como lo decía anteriormente, no con bomberazos y y esto se logra pues justamente porque Sensai aprende. A lo largo del tiempo y como ya aprendió de los patrones de comportamiento de ese activo en específico, te puede predecir con antelación, con días, con semanas, cuando algo está pasando, cuando algo detecta para que se haga justamente la actividad de mantenimiento y no caigamos en una actividad reactiva en un, en una, en un, una, un trabajo de crisis en una reparación de una avería. Ok, de acuerdo. Oye, y y bueno, una una pregunta que me hacen muchos clientes que creo que es fundamental poder hacerla extensiva a a nuestros escuchas. Eh, qué nivel de madurez en cuanto a conectividad necesito para poder, eh, implantar. Say en mi proceso productivo y en el caso que yo no tenga, digamos alguna segmentación de red adecuada que no tenga alguna zona desmilitarizada configurada adecuadamente, puedo empezar con algún alguna prueba de concepto Siemens me puede ayudar en ese sentido o son pasos que como como responsable. De de de mi planta o de mi proceso. Tengo que tomar en consideración antes de llegar a Sensai. En pocas palabras, ¿cuál es la arquitectura básica que yo necesito? ¿Cuáles son los requerimientos básicos para poder trabajar con esta plataforma que me va a ayudar a determinar errores en mis activos con cierto tiempo de antelación. Excelente pregunta, Edgar. Bueno, quiero empezar primero haciendo hincapié que Sai es una plataforma que solamente está alojada o que puede ser alojada en la nube en la en la nube de Sensai donde donde vive, es una nube. Propietaria de Siemens al final de cuentas y ahí se capturan y se recolectan y y viven esos datos, obviamente, pues con todos los estándares de ciberseguridad que que trabaja Siemens y al ser Siemens una una empresa tan grande. …

Full transcript (WebVTT)