El intralogista TGW anticipa problemas con el mantenimiento predictivo

• TGW se basa en la monitorización del estado del premiado robot de picking Rovolution

• Gemelo digital como innovación central en la era de la Industria 4.0

(Marchtrenk) En el marco del desarrollo de la Industria 4.0, se espera que el tiempo de inactividad de las instalaciones intralogísticas sea cosa del pasado, ya que se monitoriza el estado de componentes clave. La clave está en optimizar permanentemente la disponibilidad de las instalaciones, enfatiza el Dr. Maximilian Beinhofer, jefe de Desarrollo de Sistemas Cognitivos en el especialista en intralogística TGW, en una conversación:

¿Cuáles son las desventajas de realizar trabajos de mantenimiento solo cuando un componente deja de funcionar?

Dr. Maximilian Beinhofer: En tal caso, hablamos de mantenimiento correctivo. Esto puede llevar a que una máquina o instalación esté parcialmente o completamente inactiva. Es decir, la disponibilidad se reduce, lo que puede acarrear desventajas económicas para el usuario. Otro problema: puede que primero haya que buscar el fallo, lo que cuesta tiempo valioso.

Se pueden reemplazar las piezas de desgaste de forma regular…

Sí, eso se llama mantenimiento preventivo. Se trata de establecer ciclos de mantenimiento o reemplazo basados en experiencias previas. Esto garantiza una disponibilidad de la instalación muy alta. La desventaja: los costos son más altos, ya que también se reemplazan piezas que aún tienen un margen de desgaste. La gran habilidad consiste en encontrar el momento ideal, tanto para el proveedor de mantenimiento como para el receptor. Por lo tanto, una buena solución es el Condition Monitoring, es decir, la monitorización del estado, así como el mantenimiento predictivo. Basado en lo que se llaman gemelos digitales, se considera una de las innovaciones centrales en el ámbito de la Industria 4.0.

¿Cómo funciona el mantenimiento predictivo?

Con la ayuda de la monitorización del estado de los componentes a través de sensores, se puede representar en el software si se está acercando un problema. Idealmente, esto sucede en tiempo real o con una mínima demora. El núcleo de nuestro enfoque es: con algoritmos inteligentes, es decir, métodos del área de Machine Learning y Data Science, conectamos o fusionamos en TGW los datos existentes de los sensores de manera tan inteligente que podemos hacer afirmaciones muy precisas sobre el estado o el desgaste de los componentes. Esto ahorra costos, ya que no tenemos que instalar sensores adicionales.

¿Tienen un ejemplo práctico?

 En nuestro premiado robot de picking Rovolution, medimos el estado del vacío en el dispositivo de agarre. Si, por ejemplo, debido a la carga de polvo en el entorno se produce una pérdida de presión, lo vemos de inmediato y podemos reaccionar.

¿Cómo se manejan las instalaciones más antiguas que no cuentan con los sensores necesarios?

Se pueden instalar sensores adicionales, por ejemplo, para medir vibraciones. Dependiendo del tamaño de la instalación, se pueden necesitar desde unos pocos hasta más de cien sensores, por lo que se debe realizar un análisis de viabilidad de antemano. Sin embargo, en principio, también se pueden actualizar las instalaciones intralogísticas existentes.

¿Cuál es la diferencia entre el mantenimiento predictivo y el prescriptivo?

Los dos enfoques se basan uno en el otro. Como base del mantenimiento predictivo, se necesita la monitorización del estado. Aquí no basta con saber si un sensor está ocupado o no. Se trata de cuán avanzado está el desgaste. Una vez que se tienen estos datos, se puede crear una previsión con software de mantenimiento predictivo, indicando que un componente, a partir de un cierto valor, por ejemplo, durará aproximadamente tres meses más. El mantenimiento prescriptivo luego da el consejo de hacer esto o aquello en tres meses.

¿Cuáles son las principales ventajas del mantenimiento predictivo?

En principio, se trata de optimizar la disponibilidad de las instalaciones a los costos más bajos. Además, el bucle de retroalimentación se mejora continuamente. Los algoritmos aseguran que el sistema autoaprendizaje se optimice de forma permanente.

¿En qué áreas es útil el mantenimiento predictivo?

En principio, en cualquier parte de una instalación. Sin embargo, los elementos conectores son los más interesantes. Si, por ejemplo, uno de diez puestos de trabajo de picking falla, aún están disponibles el 90 por ciento de la capacidad de picking. Pero si un sistema de clasificación falla, por el que pasan todos los productos, eso significa una parada inmediata.

¿Cuáles son los desafíos del mantenimiento predictivo?

Por un lado, se trata de generar el mayor impacto con el menor esfuerzo. Por otro lado, el desafío técnico es utilizar las redes de la instalación de tal manera que se puedan transferir los datos necesarios para el software de mantenimiento predictivo. El tercer desafío son los bucles de retroalimentación. Si surgen problemas en la tecnología de transporte, los técnicos en el lugar deben reportarlo. Como fabricante, se deben desarrollar métodos inteligentes para que la retroalimentación se produzca de inmediato y, además, sea evaluable de manera automática.

¿Cómo se asegura esto?

Para poder entrenar los algoritmos, es necesario saber exactamente cuándo se realizó un mantenimiento y qué se hizo exactamente. De lo contrario, el sistema creerá que ha habido una mejora por sí solo. Este informe no debe ser un texto libre redactado por el técnico. Deben ser respuestas estandarizadas de un menú desplegable, ya que se necesitan datos legibles por máquina para poder entrenar el sistema de Machine Learning. Al mismo tiempo, el bucle de retroalimentación debe ser rápido y fácil de usar, para que el técnico de mantenimiento pueda dar su retroalimentación rápidamente.

¿Para qué módulos desarrolla TGW el mantenimiento predictivo?

En el robot de picking Rovolution, el Condition Monitoring ya está disponible. Paralelamente, estamos desarrollando una solución en la nube especial para la recopilación y procesamiento de datos. En principio, se trata de que desde la mecatrónica hasta la TI, se deben recopilar todos los datos en el futuro; por supuesto, se cumplirán las regulaciones de la GDPR y la seguridad de datos. Recopilamos los datos de varios clientes. Esto tiene la ventaja de que un nuevo cliente se beneficia de los datos de los clientes existentes y recibe consejos del software sobre qué hacer para optimizar su instalación. Al final del proceso, se encuentra el gemelo digital. Esto permite no solo analizar en modo repetición lo que ha sucedido, sino también ver en tiempo real lo que está sucediendo. En un paso adicional, también se puede mirar hacia el futuro y hacer previsiones.

¿Cómo se desarrollará la demanda de soluciones en el área de mantenimiento predictivo?

El tema es actualmente popular. Supongo que en cinco a diez años solo se venderán instalaciones que ofrezcan este servicio. En el caso de grandes máquinas individuales, ya es habitual que se utilice un sensor de vibración. En las instalaciones intralogísticas ampliamente conectadas, actualmente existen diferentes estrategias.

 ¿Los clientes ven el beneficio y están dispuestos a pagar por tales servicios?

Creo que a largo plazo, los modelos de negocio detrás de los contratos de mantenimiento cambiarán. Las nuevas herramientas y servicios ofrecen ventajas para los clientes, y estas ventajas se verán al final en el análisis de costos totales (TCO, Total Cost of Ownership). Por lo tanto, también ajustaremos nuestros modelos de negocio.

Foto de título: © TGW / Descripción de la imagen: PickCenter Rovolution de TGW: el Condition Monitoring asegura una alta disponibilidad del robot de picking premiado en múltiples ocasiones.

El Dr. Maximilian Beinhofer dirige el área de Desarrollo de Sistemas Cognitivos en la sede del Grupo TGW Logistics en Marchtrenk, Austria. Estudió matemáticas en las universidades de Aachen y Friburgo y obtuvo su doctorado en informática en el campo de la robótica probabilística. En 2014, el científico comenzó su carrera en TGW como consultor en logística y TI. Desde 2016, dirige el equipo de desarrollo en el área de Desarrollo de Sistemas Cognitivos.