El fabricante japonés de puertas para automóviles, Hirotec, sufría por los paros no programados y tiempos de inactividad de sus equipos, una situación que, por cierto, es bastante común, pues 8 de cada 10 empresas industriales experimentan este problema.
En el caso de Hirotec —una autopartista de primera línea que tiene 26 instalaciones industriales en nueve países e ingresos por 16,000 millones de dólares— el problema era muy habitual, por lo que trabajó una solución de IoT + Inteligencia Artificial (IA) para crear un sistema de mantenimiento predictivo que redujera los paros no programados.
¿El resultado? Eliminación total de las inspecciones manuales de los equipos mediante analítica predictiva que, además, elevó el rendimiento de los equipos a tal grado que la empresa evitó invertir en nuevos equipos CNC.
Decíamos que los paros no programados son uno de los principales dolores de cabeza de los industriales. En Norteamérica, por ejemplo, los fabricantes de equipo original (OEM) pierden 1.3 millones de dólares por hora debido a este problema, según PTC, una empresa especializada en soluciones de IoT.
El mantenimiento predictivo goza de mucha fama porque aborda un problema muy sencillo de definir, como son los paros no programados de las máquinas y los equipos que ocasionan prolongados tiempos de inactividad. Además, es relativamente sencillo de definir el impacto económico que tendrá la solución, es decir, en cuánto tiempo se tiene un payback y un retorno de inversión más global.
Sin embargo, tiene un alto grado de complejidad detrás. “Es crucial para los industriales entender el peligro de hacerlo mal. Una falsa alarma impulsada por datos imprecisos puede conducir a acciones incorrectas y costos adicionales”, dice un artículo de Forbes respecto a esta solución.
Su complejidad radica en que una solución de este tipo analiza a profundidad las fuentes de datos (sensores, PLC), el tipo de datos críticos, las piezas, los equipos, el costo de los fallos por equipos, y la combinación de datos ideal para predecir los paros no programados. En suma, es un trabajo exhaustivo de los equipos operativos, de mantenimiento y de ciencia de datos.
Y sí, hay que hacer constantes iteraciones y experimentaciones hasta dar en el clavo, en una solución lo suficientemente impactante como para que los directivos decidan dejar atrás sus clásicos programas de mantenimiento por una solución basada en analítica predictiva. El trabajo no termina aquí, porque luego hay que dar mantenimiento constante a sensores, validar datos y, en ocasiones, volver a calibrar el modelo.
¿Vale la pena? Por supuesto. El mantenimiento predictivo es tan popular y exitoso que es el principal caso de uso de inteligencia artificial en el sector industrial, y ocupa casi 25% del valor total de mercado de este segmento, que en 2019 tuvo un valor cercano a los 15,000 millones de dólares. Y, en 2026, puede alcanzar un valor de 23,000 mdd (Allied Market Research).
Y no solo vale la pena por el payback a corto plazo y el ROI exponencial que logran las empresas en términos financieros, sino por la serie de capacidades digitales que aporta a largo plazo.
El economista británico John Maynard decía que, a la larga, “todas las máquinas fallan”. Qué mejor que predecir cuando vayan a hacerlo.
