Reducir el tiempo de inactividad con herramientas de IA

Durante más de cuatro meses...seis insólitos pasajeros viajaban en los trenes del metro de Nueva York. Su misión: evitar catástrofes en el metro. Desde primera hora de la mañana hasta altas horas de la noche, estos pasajeros controlaron incansablemente cada trayecto, captando datos de audio y vibraciones en toda la vasta red ferroviaria de la ciudad.

Estos diligentes inspectores no eran humanos: eran smartphones Google Pixel. Montados en los trenes A del metro, introducían los datos de sus sensores en modelos de inteligencia artificial diseñados para detectar defectos en las vías de forma proactiva. Las inspecciones manuales tradicionales a lo largo de la red ferroviaria de 665 millas habían demostrado ser costosas, lentas y poco eficaces. Sin embargo, en este proyecto piloto basado en IA, los sensores identificaron correctamente 92% de los defectos que los inspectores humanos detectaron después manualmente.

En experimento en el metro fue un éxito arrollador. Ofrece una visión convincente de cómo el mantenimiento predictivo impulsado por la IA puede transformar una amplia variedad de industrias, entre ellas las de servicios públicos, transporte y fabricación. El uso inteligente de la IA puede hacer que la gestión de las operaciones pase de la extinción reactiva de incendios a la resolución proactiva de problemas. Sin embargo, los responsables deben superar los problemas de calidad de datos, integración y cultura para cosechar los beneficios.

Cuando el mantenimiento tradicional se sale de madre

Los enfoques de mantenimiento que supervisan diversos activos (como equipos e infraestructuras) en todos los sectores suelen quedarse cortos por tres razones fundamentales:

1. Fuentes de información ineficaces. A menudo, las empresas carecen de los procesos, herramientas y personal formado necesarios para recopilar información precisa, oportuna y relevante sobre el estado de los activos. Las prácticas de introducción manual de datos dan lugar a información incompleta, inexacta o poco fiable. Esto dificulta la predicción de fallos en los activos, lo que provoca costosos tiempos de inactividad no planificados.

2. Confianza en el conocimiento tribal. Las decisiones de mantenimiento suelen depender en gran medida de la experiencia y la intuición individuales, lo que conduce a resultados incoherentes. Cuando los técnicos cualificados tienen "días malos", el rendimiento de la empresa se resiente considerablemente. Además, esta experiencia es vulnerable a la pérdida generacional a medida que los baby boomers se jubilan, llevándose consigo décadas de conocimientos operativos críticos.

3. Retos que impulsan la acción con los operadores. Incluso cuando se dispone de información, el personal sobre el terreno no siempre actúa. Esto suele deberse a la desconfianza en la fiabilidad de las señales, o a la escasa integración de los conocimientos en los flujos de trabajo diarios, lo que puede crear importantes obstáculos a la gestión del cambio. Con el tiempo, el personal puede perder la confianza en los sistemas predictivos, lo que les hace reacios a abordar de forma proactiva los problemas que identifica la tecnología.

Por qué la tecnología puede resolver este problema hoy

Varios avances tecnológicos han sentado las bases para ayudar a los responsables a afrontar estos retos y allanar el camino para la adopción generalizada del mantenimiento predictivo.

1. La explosión de datos y sensores IoT. Los sensores integrados y asequibles son ahora estándar en muchos activos, como las unidades de control de motores y los equipos de alto valor equipados con rastreadores GPS. Combinados con flujos de datos continuos en tiempo real a través de la conectividad 5G y la nube, estos sensores permiten acceder a indicadores precisos del estado de los activos en tiempo real.

2. Avances en IA y algoritmos. Los modelos de aprendizaje automático pueden predecir fallos de forma fiable aprendiendo de los datos históricos y adaptándose a las condiciones cambiantes del entorno. La IA no se limita a los datos estructurados de los sensores; también es excepcional en el procesamiento de datos no estructurados, como imágenes, vídeos y audio. Por ejemplo, los vídeos de las cámaras a bordo de coches o trenes pueden proporcionar un contexto real muy rico, ayudando a la IA a véase cosas, mejorando significativamente el rendimiento del algoritmo.

3. Integración en los flujos de trabajo. Las herramientas de hardware y software modernas se integran ahora fácilmente a través de API y canalizaciones de datos, lo que minimiza la necesidad de transferencias manuales. Esta integración puede garantizar que los conocimientos predictivos activen directamente los flujos de trabajo operativos diarios. Por ejemplo, las predicciones precisas pueden activar órdenes de trabajo de mantenimiento automatizadas que fluyen a través del sistema para la acción humana. El uso de la IA para minimizar las falsas alertas y explicar las predicciones fomenta la confianza de los operarios en los algoritmos y mejora su adopción.

El mantenimiento predictivo basado en IA, en acción

Veamos dos ejemplos reales que demuestran que el mantenimiento predictivo ya es una realidad.

BMW mantiene en movimiento las cintas transportadoras

Problema: La planta de fabricación de vehículos de BMW en Ratisbona (Alemania) se enfrentaba a graves problemas, ya que los fallos del sistema transportador provocaban frecuentes y costosas paradas de la línea de montaje. Estas interrupciones repercutían en los plazos de producción y aumentaban los costes operativos, lo que afectaba a la productividad y la rentabilidad generales.

Enfoque: BMW desplegó un Sistema de mantenimiento predictivo basado en IA que utilizaba los datos de los sensores existentes de los componentes de la cinta transportadora. Este sistema analizaba continuamente flujos de datos en tiempo real en busca de anomalías sutiles, como fluctuaciones inesperadas en el consumo de energía o movimientos anómalos, que sugirieran posibles fallos.

Solución y ventajas: El sistema predictivo generó alertas a tiempo, lo que permitió a los equipos gestionar proactivamente los posibles fallos y evitar tiempos de inactividad prolongados. Esta intervención evitó más de 500 minutos de interrupciones anuales, garantizando la continuidad de la producción y la entrega puntual de los vehículos. Los beneficios cuantificables del proyecto piloto llevaron a BMW a estandarizar este enfoque en todas sus plantas de fabricación del mundo, mejorando la fiabilidad y la eficiencia operativa.

Shell mejora los procesos de refinería

Problema: La refinería Pernis de Shell, una de las mayores de Europa, se enfrentaba a riesgos derivados de paradas imprevistas. Estas interrupciones en las instalaciones de los Países Bajos no sólo aumentaban los costes de reparación y mantenimiento, sino que también ponían en peligro la rentabilidad y la continuidad operativa.

Enfoque: Shell colaboró con C3 AI para implantar un plataforma integral de mantenimiento predictivo. Este sofisticado sistema supervisaba continuamente más de 10.000 activos críticos de las refinerías, analizando semanalmente unos 20.000 millones de puntos de datos para predecir averías en los equipos con una precisión excepcional.

Solución y ventajas: La plataforma de IA identificó con éxito dos fallos inminentes y críticos de los equipos con mucha antelación, lo que permitió a Shell tomar medidas de mantenimiento preventivo, evitando así costosos tiempos de inactividad y reparaciones. Este enfoque proactivo supuso un ahorro estimado de aproximadamente $2 millones y mejoró sustancialmente la fiabilidad operativa. Shell creó una sólida estrategia de gestión de activos a largo plazo que ha adoptado en muchas de sus refinerías de todo el mundo.

Lo que puede salir mal: no se trata sólo de la IA

A pesar de la promesa de utilizar herramientas de IA para realizar mantenimiento predictivo, los líderes que desean implementarlas se enfrentan a varios obstáculos potenciales. Tres retos clave requieren una atención cuidadosa.

1. Problemas de calidad de los datos. Los datos de alta calidad son fundamentales para el mantenimiento predictivo. Deficiente calidad de los datos a menudo se debe a errores de introducción manual, prácticas de captura de datos incoherentes y procesos de gestión de datos inadecuados. Sin datos de calidad, incluso los modelos de IA más sofisticados fracasan, lo que ilustra el clásico axioma "basura entra, basura sale". La calidad de los datos es uno de los mayores retos a los que se enfrentan los proyectos de IA en todos los sectores y necesita mucha más atención por parte de los líderes.

Recomendaciones: Automatice los procesos de captura de datos siempre que sea posible para reducir los errores humanos. Audite periódicamente los datos capturados para comprobar su exactitud y utilidad. Para garantizar que los datos son realmente utilizados por personas que pueden juzgar su calidad, introdúzcalos en las decisiones operativas. Esto ayuda a llamar la atención sobre posibles problemas de calidad de los datos y permite tomar medidas correctivas inmediatas en la fase de recopilación de datos.

2. Retos de integración. Incluso las predicciones más precisas de la IA pueden echarse a perder si no se integran bien en los flujos de trabajo existentes. Por ejemplo, gran parte del software heredado aún no se ha rediseñado con interfaces modernas de intercambio de datos. Además, las organizaciones suelen llevar a cabo implantaciones de IA en silos con una escasa implicación interfuncional. Cuando estas iniciativas se tratan como proyectos informáticos, están condenadas al fracaso desde el principio.

Recomendaciones: Diseñe sistemas predictivos que se comuniquen directamente con los sistemas de mantenimiento y los integren en el flujo de trabajo operativo diario. Modernizar el software heredado e implantar API sólidas y herramientas de automatización para salvar las distancias entre la información y la ejecución. Garantizar que los líderes operativos asuman el compromiso junto con el equipo de TI.

3. Resistencia cultural. Los empleados suelen temer a la IA debido a la preocupación por la seguridad en el empleo o la desconfianza en las capacidades de la nueva tecnología. Esta resistencia frena la adopción, limitando la eficacia de las iniciativas de mantenimiento predictivo.

Recomendaciones: Implique a los empleados desde el principio para abordar el miedo a la tecnología. Reconozca que, aunque algunos tipos de tareas se automatizarán, existen varias oportunidades de colaboración. Por ejemplo, la IA podría detectar problemas en los equipos en una fase temprana y ayudar a los técnicos a diagnosticarlos, mientras que los humanos validarían y aplicarían las soluciones. Implique activamente a los trabajadores en proyectos piloto de IA y dé prioridad a la formación para mejorar la fluidez tecnológica de los empleados e impulsar la adopción.

La automatización total no es el objetivo

¿Cómo pueden empezar los directivos con el mantenimiento predictivo? Deben empezar por identificar áreas ricas en datos con gran impacto en el negocio en las que puedan poner a prueba iniciativas de mantenimiento predictivo. Empezar con proyectos específicos y viables conduce a victorias rápidas y a una demostración más clara del valor, allanando el camino para una implantación más amplia y una adopción a largo plazo.

Recuerde que el objetivo del mantenimiento predictivo no es la automatización total. Se trata de reducir el tiempo de inactividad de los activos optimizando los esfuerzos de supervisión. Aumentar los flujos de trabajo de mantenimiento con la supervisión automatizada en tiempo real, con la ayuda de la revisión humana y la acción oportuna sobre el terreno, requiere la colaboración entre máquinas y humanos.

Los líderes deben celebrar las victorias rápidas a lo largo del camino para generar confianza en los equipos y mejorar la visibilidad de las iniciativas. Las empresas que adoptan este enfoque proactivo y colaborativo pueden reducir significativamente el tiempo de inactividad, disminuir los costes operativos y obtener una ventaja competitiva sostenible.