Dr. Maximilian Beinhofer:<\/strong> En tal caso, hablamos de mantenimiento correctivo. Esto puede llevar a que una m\u00e1quina o instalaci\u00f3n est\u00e9 parcialmente o completamente inactiva. Es decir, la disponibilidad se reduce, lo que puede acarrear desventajas econ\u00f3micas para el usuario. Otro problema: puede que primero haya que buscar el fallo, lo que cuesta tiempo valioso.<\/p>\n Se pueden reemplazar las piezas de desgaste de forma regular…<\/strong><\/p>\n S\u00ed, eso se llama mantenimiento preventivo. Se trata de establecer ciclos de mantenimiento o reemplazo basados en experiencias previas. Esto garantiza una disponibilidad de la instalaci\u00f3n muy alta. La desventaja: los costos son m\u00e1s altos, ya que tambi\u00e9n se reemplazan piezas que a\u00fan 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 soluci\u00f3n es el Condition Monitoring, es decir, la monitorizaci\u00f3n del estado, as\u00ed como el mantenimiento predictivo. Basado en lo que se llaman gemelos digitales, se considera una de las innovaciones centrales en el \u00e1mbito de la Industria 4.0.<\/p>\n \u00bfC\u00f3mo funciona el mantenimiento predictivo?<\/strong><\/p>\n Con la ayuda de la monitorizaci\u00f3n del estado de los componentes a trav\u00e9s de sensores, se puede representar en el software si se est\u00e1 acercando un problema. Idealmente, esto sucede en tiempo real o con una m\u00ednima demora. El n\u00facleo de nuestro enfoque es: con algoritmos inteligentes, es decir, m\u00e9todos del \u00e1rea 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.<\/p>\n \u00bfTienen un ejemplo pr\u00e1ctico?<\/strong><\/p>\n \u00a0En<\/strong> nuestro premiado robot de picking Rovolution, medimos el estado del vac\u00edo en el dispositivo de agarre. Si, por ejemplo, debido a la carga de polvo en el entorno se produce una p\u00e9rdida de presi\u00f3n, lo vemos de inmediato y podemos reaccionar.<\/p>\n \u00bfC\u00f3mo se manejan las instalaciones m\u00e1s antiguas que no cuentan con los sensores necesarios?<\/strong><\/p>\n Se pueden instalar sensores adicionales, por ejemplo, para medir vibraciones. Dependiendo del tama\u00f1o de la instalaci\u00f3n, se pueden necesitar desde unos pocos hasta m\u00e1s de cien sensores, por lo que se debe realizar un an\u00e1lisis de viabilidad de antemano. Sin embargo, en principio, tambi\u00e9n se pueden actualizar las instalaciones intralog\u00edsticas existentes.<\/p>\n \u00bfCu\u00e1l es la diferencia entre el mantenimiento predictivo y el prescriptivo?<\/strong><\/p>\n Los dos enfoques se basan uno en el otro. Como base del mantenimiento predictivo, se necesita la monitorizaci\u00f3n del estado. Aqu\u00ed no basta con saber si un sensor est\u00e1 ocupado o no. Se trata de cu\u00e1n avanzado est\u00e1 el desgaste. Una vez que se tienen estos datos, se puede crear una previsi\u00f3n con software de mantenimiento predictivo, indicando que un componente, a partir de un cierto valor, por ejemplo, durar\u00e1 aproximadamente tres meses m\u00e1s. El mantenimiento prescriptivo luego da el consejo de hacer esto o aquello en tres meses.<\/p>\n \u00bfCu\u00e1les son las principales ventajas del mantenimiento predictivo?<\/strong><\/p>\n En principio, se trata de optimizar la disponibilidad de las instalaciones a los costos m\u00e1s bajos. Adem\u00e1s, el bucle de retroalimentaci\u00f3n se mejora continuamente. Los algoritmos aseguran que el sistema autoaprendizaje se optimice de forma permanente.<\/p>\n \u00bfEn qu\u00e9 \u00e1reas es \u00fatil el mantenimiento predictivo?<\/strong><\/p>\n En principio, en cualquier parte de una instalaci\u00f3n. Sin embargo, los elementos conectores son los m\u00e1s interesantes. Si, por ejemplo, uno de diez puestos de trabajo de picking falla, a\u00fan est\u00e1n disponibles el 90 por ciento de la capacidad de picking. Pero si un sistema de clasificaci\u00f3n falla, por el que pasan todos los productos, eso significa una parada inmediata.<\/p>\n \u00bfCu\u00e1les son los desaf\u00edos del mantenimiento predictivo?<\/strong><\/p>\n Por un lado, se trata de generar el mayor impacto con el menor esfuerzo. Por otro lado, el desaf\u00edo t\u00e9cnico es utilizar las redes de la instalaci\u00f3n de tal manera que se puedan transferir los datos necesarios para el software de mantenimiento predictivo. El tercer desaf\u00edo son los bucles de retroalimentaci\u00f3n. Si surgen problemas en la tecnolog\u00eda de transporte, los t\u00e9cnicos en el lugar deben reportarlo. Como fabricante, se deben desarrollar m\u00e9todos inteligentes para que la retroalimentaci\u00f3n se produzca de inmediato y, adem\u00e1s, sea evaluable de manera autom\u00e1tica.<\/p>\n \u00bfC\u00f3mo se asegura esto?<\/strong><\/p>\n Para poder entrenar los algoritmos, es necesario saber exactamente cu\u00e1ndo se realiz\u00f3 un mantenimiento y qu\u00e9 se hizo exactamente. De lo contrario, el sistema creer\u00e1 que ha habido una mejora por s\u00ed solo. Este informe no debe ser un texto libre redactado por el t\u00e9cnico. Deben ser respuestas estandarizadas de un men\u00fa desplegable, ya que se necesitan datos legibles por m\u00e1quina para poder entrenar el sistema de Machine Learning. Al mismo tiempo, el bucle de retroalimentaci\u00f3n debe ser r\u00e1pido y f\u00e1cil de usar, para que el t\u00e9cnico de mantenimiento pueda dar su retroalimentaci\u00f3n r\u00e1pidamente.<\/p>\n \u00bfPara qu\u00e9 m\u00f3dulos desarrolla TGW el mantenimiento predictivo?<\/strong><\/p>\n En el robot de picking Rovolution, el Condition Monitoring ya est\u00e1 disponible. Paralelamente, estamos desarrollando una soluci\u00f3n en la nube especial para la recopilaci\u00f3n y procesamiento de datos. En principio, se trata de que desde la mecatr\u00f3nica hasta la TI, se deben recopilar todos los datos en el futuro; por supuesto, se cumplir\u00e1n 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 qu\u00e9 hacer para optimizar su instalaci\u00f3n. Al final del proceso, se encuentra el gemelo digital. Esto permite no solo analizar en modo repetici\u00f3n lo que ha sucedido, sino tambi\u00e9n ver en tiempo real lo que est\u00e1 sucediendo. En un paso adicional, tambi\u00e9n se puede mirar hacia el futuro y hacer previsiones.<\/p>\n \u00bfC\u00f3mo se desarrollar\u00e1 la demanda de soluciones en el \u00e1rea de mantenimiento predictivo?<\/strong><\/p>\n El tema es actualmente popular. Supongo que en cinco a diez a\u00f1os solo se vender\u00e1n instalaciones que ofrezcan este servicio. En el caso de grandes m\u00e1quinas individuales, ya es habitual que se utilice un sensor de vibraci\u00f3n. En las instalaciones intralog\u00edsticas ampliamente conectadas, actualmente existen diferentes estrategias.<\/p>\n \u00a0<\/strong>\u00bfLos clientes ven el beneficio y est\u00e1n dispuestos a pagar por tales servicios?<\/strong><\/p>\n Creo que a largo plazo, los modelos de negocio detr\u00e1s de los contratos de mantenimiento cambiar\u00e1n. Las nuevas herramientas y servicios ofrecen ventajas para los clientes, y estas ventajas se ver\u00e1n al final en el an\u00e1lisis de costos totales (TCO, Total Cost of Ownership). Por lo tanto, tambi\u00e9n ajustaremos nuestros modelos de negocio.<\/p>\n Foto de t\u00edtulo: \u00a9 TGW \/ Descripci\u00f3n de la imagen:<\/em><\/strong> PickCenter Rovolution de TGW: el Condition Monitoring asegura una alta disponibilidad del robot de picking premiado en m\u00faltiples ocasiones. <\/em><\/p>\n \u2022 TGW se basa en la monitorizaci\u00f3n del estado del premiado robot de picking Rovolution \u2022 Gemelo digital como innovaci\u00f3n central en la era de la [\u2026]<\/span><\/p>\n","protected":false},"author":0,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1665,1560,1561],"tags":[],"class_list":["post-24929","post","type-post","status-publish","format-standard","hentry","category-categories","category-intralogistics","category-regions"],"acf":[],"yoast_head":"\n![\"\"](\"https:\/\/transportjournal.com\/wp-content\/uploads\/sites\/2\/2025\/12\/TGW_22.4.21_2.jpg\")
El Dr. Maximilian Beinhofer <\/strong>dirige el \u00e1rea de Desarrollo de Sistemas Cognitivos en la sede del Grupo TGW Logistics en Marchtrenk, Austria. Estudi\u00f3 matem\u00e1ticas en las universidades de Aachen y Friburgo y obtuvo su doctorado en inform\u00e1tica en el campo de la rob\u00f3tica probabil\u00edstica. En 2014, el cient\u00edfico comenz\u00f3 su carrera en TGW como consultor en log\u00edstica y TI. Desde 2016, dirige el equipo de desarrollo en el \u00e1rea de Desarrollo de Sistemas Cognitivos.<\/p><\/blockquote>\n","protected":false},"excerpt":{"rendered":"