<\/span><\/h2>\nSe trata de un enfoque proactivo<\/strong> del mantenimiento dentro de las empresas. El objetivo final es prevenir los fallos y mejorar la vida \u00fatil de los equipos, evitando as\u00ed fallos de productividad y sobrecostes. Te lo explicamos todo en este art\u00edculo de nuestro blog<\/b>\u00a0<\/strong><\/p>\n<\/span>Primera etapa. Monitorizaci\u00f3n del funcionamiento de la m\u00e1quina.<\/strong><\/span><\/h2>\nEs necesario, como primer nivel de la digitalizaci\u00f3n, leer nuestra m\u00e1quina: <\/strong>es decir, disponer de forma permanente, autom\u00e1tica y digitalizada<\/strong> de los datos de proceso. Los par\u00e1metros relevantes<\/strong> y la frecuencia de lectura<\/strong> son totalmente dependientes de las caracter\u00edsticas del proceso. Por ejemplo, puede ser necesario, en un proceso de soldadura cr\u00edtico, medir los par\u00e1metros de posici\u00f3n de un brazo rob\u00f3tico cada 10 ms, mientras que en un proceso de prensado la posici\u00f3n puede ser importante s\u00f3lo al final del recorrido.<\/em><\/p>\nLa elecci\u00f3n adecuada de estos par\u00e1metros es crucial para el \u00e9xito del proyecto, por eso desde LIS Data Solutions ponemos a disposici\u00f3n nuestra experiencia en una alta variedad de procesos industriales para orientar a nuestros clientes hacia la mejor soluci\u00f3n.<\/p>\n
<\/p>\n
<\/span>Segunda etapa. Modelizaci\u00f3n del proceso productivo. Mantenimiento preventivo dirigido.<\/strong><\/span><\/h2>\nUna vez monitorizamos los par\u00e1metros relevantes del proceso es momento de generar hist\u00f3rico <\/strong>y llevar a cabo un an\u00e1lisis de c\u00f3mo los valores medidos est\u00e1n determinando el comportamiento<\/strong> de nuestros equipos, y viceversa. Para ello nos valemos de algoritmos que relacionan<\/strong> par\u00e1metros y ponderan la influencia<\/strong> de unos sobre otros. En este proceso, cuanto mayor sea el set de datos, m\u00e1s variabilidad podremos contemplar y mayor ser\u00e1 la exactitud de correlaci\u00f3n. Esto implica que a lo largo del tiempo seremos capaces de obtener resultados m\u00e1s precisos.<\/p>\n <\/p>\n
La relaci\u00f3n ponderada de los par\u00e1metros nos permitir\u00e1 modelizar el comportamiento normal<\/strong> de nuestras m\u00e1quinas en el proceso. Esto es clave para alcanzar el mantenimiento predictivo, si bien no es suficiente todav\u00eda. En esta etapa podemos implementar lo que conocemos como Mantenimiento Preventivo Dirigido<\/strong>: vamos a seguir lanzando nuestras labores de mantenimiento de forma preventiva, pero, dado que ya conocemos el funcionamiento normal de nuestras m\u00e1quinas, priorizamos aquellas que m\u00e1s afectadas est\u00e9n, es decir, que m\u00e1s se desv\u00eden de este funcionamiento normal. En esta etapa ya podemos apreciar un sustancial ahorro y un descenso de imprevistos, <\/strong>dado que disponemos de datos objetivos para tomar decisiones.<\/p>\n<\/span>Tercera etapa. Definici\u00f3n de escenarios l\u00edmite<\/strong><\/span><\/h2>\nMientras progresamos en esta hoja de ruta acumulamos cada vez m\u00e1s informaci\u00f3n. Conforme la informaci\u00f3n relacionada con las aver\u00edas<\/strong> producidas se va enriqueciendo, mejoramos la definici\u00f3n de los l\u00edmites de funcionamiento<\/strong> de nuestras m\u00e1quinas. Estos l\u00edmites son las zonas en las que sabemos que la probabilidad de aver\u00eda es superior a la admisible.<\/p>\nPara las m\u00e1quinas, para las cuales hemos podido definir estos l\u00edmites con alta probabilidad, ya nos encontramos en posici\u00f3n de implementar el mantenimiento predictivo<\/strong>.<\/p>\n\u00a0<\/strong><\/p>\n<\/span>Cuarta etapa. Mantenimiento Predictivo<\/strong><\/span><\/h2>\nEn la primera etapa hemos modelado el funcionamiento normal de nuestra m\u00e1quina. Posteriormente, durante la segunda y tercera etapa hemos analizado informaci\u00f3n para definir los l\u00edmites dentro de los cuales nuestras m\u00e1quinas no corren peligro. En este punto sabemos con certeza probabil\u00edstica que s\u00f3lo deberemos desplegar labores de mantenimiento en aquellas m\u00e1quinas que lleguen a su zona de funcionamiento l\u00edmite. Esto reducir\u00e1<\/strong> nuestras intervenciones<\/strong> a las estrictamente necesarias, adem\u00e1s de proporcionarnos una visi\u00f3n general del estado de nuestros equipos<\/strong> de manera anticipada, algo que mejorar\u00e1 la coordinaci\u00f3n<\/strong> con el departamento de producci\u00f3n y planificaci\u00f3n.<\/p>\n \u00a0<\/strong><\/p>\n<\/span>Seguimiento y mejora continua.<\/strong><\/span><\/h2>\nComo cualquier implementaci\u00f3n de digitalizaci\u00f3n de Industria 4.0, el Mantenimiento Predictivo<\/strong> debe monitorizarse y chequearse regularmente, con objeto de hacer efectiva una mejora continua real. Deben controlarse los KPIs m\u00e1s importantes para servir de impulso y seguimiento de las acciones de mejora del proceso. De esta forma no nos detendremos en la mejora de eficiencia de la f\u00e1bric<\/p>\n","protected":false},"excerpt":{"rendered":"En el post: \u00bfQu\u00e9 es el mantenimiento predictivo? ya introdujimos esta herramienta de producci\u00f3n. Aqu\u00ed analizamos una hoja de ruta para su implantaci\u00f3n que nos permite obtener beneficios desde el primer d\u00eda. Un punto destacable es que el mantenimiento predictivo debe ser concebido como el final de un proceso, cuya velocidad de implantaci\u00f3n depender\u00e1 del […]<\/p>\n","protected":false},"author":1,"featured_media":1390,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0},"categories":[111,35],"tags":[],"acf":[],"yoast_head":"\n
Pasos para implantar un plan de mantenimiento predictivo | LIS Data Solutions<\/title>\n \n \n \n \n \n \n \n \n \n \n \n\t \n\t \n\t \n \n \n \n\t \n\t \n\t \n