Previsión basada en estadísticas y probabilidades
Toda previsión se basa en métodos estadísticos y probabilidades calculadas. Esto significa que:
- una buena previsión requiere una gran cantidad de datos
- una previsión nunca es una certeza.
En un primer momento, para prever la fecha de avería de una máquina o de una pieza, habrá que aceptar que las máquinas fallen para obtener el mayor número posible de casos de avería con el fin de integrarlos en el modelo de análisis estadístico y, a partir de este modelo, calcular una fecha teórica de avería… Hay que tener en cuenta que, sea cual sea la fiabilidad del modelo, esta fecha siempre incluirá un margen de error y, en el caso de los equipos industriales, el margen de error puede ser mayor porque cada máquina es más o menos un caso distinto.
Este enfoque es demasiado costoso y arriesgado para ser aceptable.
Anticiparse para disponer de más tiempo
Preferimos la anticipación a la previsión, utilizando una mezcla de métodos condicionales y predictivos, y haciendo hincapié en la importancia y fiabilidad del diagnóstico.
Desarrollamos nuestros algoritmos de diagnóstico automatizado para que los equipos de mantenimiento sólo reciban una alerta cuando una máquina tenga realmente una avería, pero con la suficiente antelación para que las reparaciones puedan planificarse con calma.
Nuestro objetivo no es tanto prever el resultado (aparición de una avería) como identificar el elemento desencadenante lo antes posible. De este modo, prolongamos el intervalo entre el momento del diagnóstico y el momento en que se alcanza el punto crítico Level y proporcionamos así un plazo más largo durante el cual puede llevarse a cabo la intervención.
Predecir significa anunciar un acontecimiento por intuición o premonición, sin pruebas reales, mientras que pronosticar es creer que un acontecimiento futuro es muy probable basándose en algunos datos. Es comprensible que la norma NF EN 13306 no reconozca el término «mantenimiento predictivo«.
Por ello, con el desarrollo de la inteligencia artificial (en particular, el aprendizaje automático no supervisado), es posible -a partir de una colección de datos- «leer» índices dispares que no llamarían la atención si se consideraran aisladamente, pero que «revelan» un problema cuando se reúnen.
Las futuras generaciones de algoritmos permitirán dotar a las herramientas de diagnóstico automatizado de ese elemento de intuición que a veces utilizan los especialistas experimentados para resolver problemas complejos. Sus predicciones nos permitirán ampliar el alcance de nuestros pronósticos.
(Para saber más sobre esto, lea nuestro artículo: ¿Cómo mejora la inteligencia artificial el análisis de vibraciones?).
Consideramos el mantenimiento predictivo como una ciencia que implica la detección de señales débiles y la extrapolación de curvas de tendencia con fines de diagnóstico, y no como un método probabilístico para calcular las fechas de mantenimiento. ¿Y usted?
