MODELO DE RSL (AVANCE)

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 33

Facultad de Ingeniería

Carrera de Ingeniería Industrial

TRABAJO DE INVESTIGACIÓN PARA OPTAR AL GRADO

ACADÉMICO DE BACHILLER EN INGENIERÍA INDUSTRIAL

Implementación de un Sistema de Mantenimiento mediante el uso de la

inteligencia artificial: Revisión Sistemática

Autores

MARIN TICLLAS, Ginés Fernando (U19205702)

TICSE FALCON, Daniel Orlando (U18215338)

Docentes

Ing. MALCA ROJAS, James Yvan (Especialista)

Prof. PONTE SANTOS, Abel (Metodólogo)

Lima, Perú
Julio – 2023
[Pegue aquí el resumen del resultado del informe de similitud]

2
Índice General

Resumen ..................................................................................................................... 1

1. Introducción ......................................................................................................... 2

2. Metodología ......................................................................................................... 4

3. Resultados ........................................................................................................... 8

4. Discusión ........................................................................................................... 13
23

5. Conclusiones ..................................................................................................... 14
24

6. Bibliografía ......................................................................................................... 16
26

ANEXOS .................................................................................................................... 18
28

3
Resumen
El continuo avance tecnológico y la inteligencia artificial han permitido el desarrollo de sistemas
inteligentes aplicados en diferentes sectores del mercado, tal es el caso del sector de
manufactura en el que permite monitorear los diferentes procesos de una empresa,
principalmente en el campo de la Gestión de Mantenimiento, en el que no solo contribuye en la
información actual del estado de las máquinas, sino también poder analizar esta información y
predecir fallas o averías en los equipos. Esta revisión tiene como objetivo investigar e identificar
que metodologías, técnicas y estrategias de mantenimiento son fundamentales para en un
Sistema de Gestión de Mantenimiento de un modelo predictivo. Por ello, se utilizó 2 metodologías
de revisión sistemática como el método PRISMA y PICO, que, a través de la formulación de
preguntas de investigación y criterios de inclusión y exclusión, se logró recabar 11 artículos de
investigación de libre acceso en las bases de datos de Scopus, Redalyc y Scielo. En ese sentido,
los resultados mostraron los casos en el que se implementaron el Mantenimiento Centrado en la
Confiabilidad (RCM), respecto a una estrategia de mantenimiento predictivo, presentaron
mejores resultados de eficiencia en cuanto a los indicadores de mantenimiento como el Tiempo
Medio entre Fallas (MTBF), y el tiempo Medio de Reparación (MTTR) con respecto a un modelo
preventivo, así como también la variación de resultados de las técnicas de aprendizaje
automático en distintas empresas de manufactura. Por ende, se llegó a la conclusión de que la
metodología del RCM presenta una mejor estructura de etapas para el análisis del estado y
diagnóstico de fallas de las máquinas y poder definir qué tipo de estrategia es ideal en cada caso,
además que cada técnica de aprendizaje automático puede desarrollarse en distintos modelos
de predicción para un Mantenimiento Predictivo.

Palabras Clave
RCM, máquinas, falla del equipo, Mantenimiento Predictivo, sistema automático, optimización y
productividad.
1. Introducción
Desde la creación del primer sistema de inteligencia artificial hasta la actualidad, se han
desarrollado diversos sistemas en diferentes sectores e industrias del mercado global, ya que no
solo permite automatizar algunas operaciones, sino poder analizarlas y generar resultados de
forma instantánea. Por otro lado, se destaca su implementación en la industria manufacturera,
porque permite transformar sus procesos mecánicos en operaciones automatizadas, así como
también contribuye en la presentación de una mejor lectura del panorama de las operaciones de
las empresas, principalmente para los trabajos de mantenimiento de equipos industriales.
Respecto a ello, las tareas de correctivas y preventivas generan limitaciones a las empresas, el
primero, respecto a los costos que genera el periodo de inactividad de la máquina en su
reparación, y el segundo, en el que se realizan mantenimientos periódicos independientemente
del estado del equipo [12]. Por esta razón, en el campo de la Gestión de Mantenimiento surge la
aplicación del Mantenimiento Predictivo, el cual se basa en un estudio realizado por medio de
una fuente de recopilación de datos históricos y en tiempo real, que son procesados por un
software para evaluar estado de las máquinas a fin de precaver una situación problemática sobre
los fallos en los equipos [1]. En tal sentido, la adopción de un modelo predictivo requerirá de 2
elementos fundamentales como son los datos históricos y las funciones de la inteligencia artificial,
mediante métodos y/o herramientas de Machine Learning [2].
Desafortunadamente, la problemática se origina debido a que en Perú aún no se han
implementado distintos tipos de métodos tecnológicos y sistemáticos para la Gestión del
Mantenimiento, ya que en cuanto al sector manufacturero aún se sigue manteniendo métodos
tradicionales y un poco ortodoxos en cuanto a la resolución de fallas de cualquier tipo de
maquinaria encargada de un proceso determinado, sobre todo el de pesado y envasado, tal cual
se han venido solucionando desde la implementación de los sistemas mecánicos en la industria,
generando un retraso en la evolución tecnológica, perjudicando también los tiempos de procesos
para la elaboración del producto, teniendo como consecuencia una pérdida tanto económica
como en insumos para la producción, teniendo así un decaimiento en cuanto a evolución e
innovación en tecnología, sin embargo en la actualidad ya existen métodos que funcionan como
Mantenimiento Predictivo y Preventivo, como la recolección de datos, reconocimiento por
vibraciones en rodamientos o motores que certifiquen en cuanto tiempo podría fallar una parte
determinada de una maquinaria, o la misma maquinaria de manera general, esto se desarrolla
mediante el método de recolección de datos, los cuales pueden ser almacenados en una nube,
y que a su vez se aloje en un servidor o base de datos que trabaje con una IA (Inteligencia
Artificial) que facilite mucho más la información para la intervención en un maquinaria mucho
antes de que presente una falla que ocasione un paro en la producción hasta que pueda
repararse, con todo esto se busca lograr un gran avance en cuanto a la Gestión de Mantenimiento
en el sector manufacturero, logrando que varias empresas del sector puedan trabajar con este

2
método de Mantenimiento y que a la larga conlleve en un gran crecimiento y reconocimiento al
país.
La integración y análisis de la información recuperada en un modelo predictivo también podrían
minimizar riesgos en términos de costos y vida útil de los equipos, puesto que con el desarrollo
de la tecnología siempre se innova el tipo de maquinaria o modo de trabajo en la búsqueda de
una mejor eficiencia en los procesos. Por tal motivo, se relaciona a este periodo de revolución
tecnológica con la creación de fábricas digitales a medida que se desarrollan nuevas
herramientas que optimicen e integren mejor los procesos [3]. En relación con ello, aun con las
nuevas tendencias tecnológicas que se vienen desarrollando en el tiempo, siempre se encontrará
una manera de someterse a un tipo de mantenimiento, ya que cada proceso siempre tendrá que
ser sometido a diferentes tipos de pruebas constantes para poder lograr el objetivo final, el cual
sería tener el más mínimo rango de error en pérdidas generales. Al respecto, se observó que la
mayoría de las publicaciones actuales se han desarrollado de manera experimental y en
diferentes sectores. Sin embargo, se identificó una escasez de estudios de revisión en torno a la
implementación del mantenimiento para modelos predictivos en el sector de manufactura.
En el presente trabajo, se procura analizar la investigación de modelos de mantenimiento
predictivo desarrollados por medio de métodos y técnicas de aprendizaje automático que son
importantes para el análisis de los datos históricos. En tal sentido, el objetivo de este documento
es investigar y evaluar qué tipo de metodologías, técnicas, herramientas y estrategias de
mantenimiento se adecuan y presentan mejores opciones en un Sistema de Gestión de
Mantenimiento Predictivo, para proporcionar una lectura de manera detallada y organizada sobre
los aportes identificados en la revisión sistemática presentada.
En este aspecto, el documento se encuentra organizado de la siguiente manera. La sección 2,
Metodología, se muestra los métodos utilizados para la RSL, en el cual, mediante el método
PICO se describe de forma detallada la pregunta RQ y las subpreguntas de investigación
planteadas, de igual forma, mediante el método PRISMA, se aplicó una serie de criterios de
inclusión y exclusión para determinar los artículos de investigación seleccionados para el trabajo
de revisión sistemática. La sección 3, Resultados, presenta las conclusiones y resultados finales
extraídos del análisis de revisión de los artículos sobre el desarrollo de un modelo de un sistema
mantenimiento predictivo y sus comparaciones con otros modelos como el correctivo y preventivo
conforme al desarrollo en empresas del sector de manufactura. En la sección 4, Discusión, se
aborda el análisis e interpretación de la metodología y estrategia de mantenimiento con mayor
eficiencia. Por último, en la sección 5, Conclusiones, se sintetizan los principales descubrimientos
y limitaciones encontrados como la metodología del RCM para el desarrollo de modelos
predictivos, así como también recomendaciones para futuros trabajos de investigación respecto
al tema de la RSL.

3
2. Metodología

2.1. Estrategia de búsqueda sistemática


El presente trabajo de investigación se desarrolló empleando una Revisión Sistemática de la
Literatura (RSL), con el propósito de contar con una búsqueda precisa de artículos científicos,
por lo que se hizo necesario la aplicación de una estrategia de búsqueda como el método PICO,
el cual respecto al tema de investigación de la RSL propuesto se formula la siguiente pregunta
de investigación (RQ): ¿Qué tipo de Sistema de Gestión de Mantenimiento se implementan para
optimizar las máquinas y los recursos producto de las deficiencias en el área de pesado y
envasado de una empresa manufacturera? Asimismo, mediante ello se formularon las siguientes
subpreguntas de investigación: ¿Qué produce las deficiencias en los procesos del área de
pesado y envasado?, ¿Qué empresas manufactureras del sector de alimentos presentan
problemas similares o relacionados?, ¿Qué tipos de Sistema de Gestión de Mantenimiento
tecnológicos se han implementado?, y ¿Qué tan efectivo han sido los resultados obtenidos
respecto a la Gestión de Mantenimiento habitual en las empresas manufactureras?
De esta manera, se buscó especificar y detallar los conceptos relacionados al tema de
investigación propuesto, teniendo en cuenta ello, se definió los siguientes temas centrales
conforme a cada uno de los componentes del método PICO: Problema o población (P),
deficiencias en los procesos en el área de pesado y envasado en empresas del sector
manufacturero; Intervención (I), Sistema de Gestión de Mantenimiento; Comparación (C),
comparar con el método tradicional de mantenimiento; Resultados (O), optimizar los recursos,
productividad y eficiencias de las máquinas. También, se definieron los términos
correspondientes a las palabras claves especializadas por cada componente PICO, tales como:
Problema o población (P), industria manufacturera, máquinas, sistema de pesaje, falla del
equipo; Intervención (I), IOT, Industria 4.0, Mantenimiento basado en la condición (CBM),
sensores, Internet industrial de las cosas (IIOT), sistema de mantenimiento, mantenimiento
predictivo, Sistema ciber físico (CPS), Eficiencia global del equipo (OEE), ítem de mantenimiento;
detección de fallas; Comparación (C), sistema mecánico, sistema automático, personal humano;
y Resultados (O), optimización, reducción de material, productividad.
Igualmente, de manera más detallada se puede visualizar en la siguiente tabla la estructura de
los componentes y palabras clave conforme al método PICO:

4
Tabla 1. Descripción de componentes y palabras clave por el método PICO.

Por otro lado, el proceso búsqueda sistemática de artículos científicos se realizó en 3 bases datos
especializadas, tales como, Scopus, Redalyc y Scielo, mediante el cual se planteó la siguiente
ecuación de búsqueda como base principal para determinar los artículos de investigación
relacionados directamente con el tema de la RSL propuesta: ("Manufacturing Industry" OR
"Packaging Machines" OR machines OR "Weighing System" OR "Equipment failure") AND
("Industry 4.0" OR CBM OR "Condition based monitoring" OR iot OR sensors OR iiot OR
"Maintenance Systems" OR "Predictive Maintenance" OR cps OR "Cyber Physical Systems" OR
oee OR "Maintenance item" OR "Fault Detection") AND ("Mechanical System" OR "Automated
System" OR "Human Staff" OR "Corrective Maintenance" AND (Optimization OR "Reduction of
Lost Material" OR productivity).
De igual forma, se elaboró un listado de criterios de inclusión y exclusión de artículos científicos
a fin de evaluar su correspondencia con el tema de investigación. En primer aspecto, se definió
los siguientes criterios de inclusión:
CI1. Los artículos revisados deben abordar temas relacionados con Sistemas de Gestión de
Mantenimiento, Mantenimiento Predictivo y/o diagnóstico y detección de fallas en máquinas
industriales del sector manufacturero.

5
CI2. Los estudios deben describir métodos de Mantenimiento Predictivo y/o las herramientas
tecnológicas implementadas en su desarrollo.
CI3. Los estudios deben aplicar o describir métodos enfocados en el pronóstico de fallas en las
máquinas (ítems de mantenimiento) o equipos industriales manufactureros.
CI4. Los estudios se han desarrollado en entornos reales de empresas del sector manufacturero.
CI5. Los estudios incluidos deben reportar resultados estadísticos sobre la aplicación de métodos
de pronóstico de fallas en la industria manufacturera.
En segundo aspecto, se delimitó los siguientes criterios de exclusión:
CE1. Estudios que se desarrollen en laboratorios, entornos simulados o de prueba.
CE2. Tipo de publicación no corresponde a un artículo original (no se incluyen tesis, libros de
texto universitario, material no indexado).
CE3. Publicaciones en idiomas diferentes al idioma inglés y español.
CE4. Documentos anteriores al 2018.
CE5. Artículos cuya aplicación de métodos de pronósticos de fallas y Sistema de Mantenimiento
no estén enfocados en máquinas o equipos del sector manufacturero.
CE6. Artículos cuya aplicación de herramientas tecnológicas no se encuentren realizadas en
máquinas o equipos de manufactura.
2.2. Proceso de selección
Por consiguiente, una vez precisado los criterios de evaluación alineados al tema de
investigación de la RSL, se prosiguió con la búsqueda sistemática en las bases de datos como
Scopus, Redalyc y Scielo, por medio del cual se obtuvieron un total de 186 artículos científicos,
puesto que se encontró 182 artículos en Scopus; 2, en Redalyc; y 2, en Scielo. De esta manera,
se dispuso del método de búsqueda PRISMA, el cual permitió definir los criterios
correspondientes que contribuirán en los siguientes procesos para la selección idónea de
artículos pertinentes al tema de la RSL.
Por tanto, se procedió con la revisión tanto los títulos como los autores de cada uno de los
artículos, de modo que no se identificó la duplicidad en las diferentes bases de datos
seleccionadas. De esta forma, se aplicó un primer filtro mediante puntos de evaluación
relacionados respecto al año de publicación, tipo de artículo e idioma, en el cual se excluyó un
total de 124 artículos, asimismo, seguidamente se evaluaron los títulos, resúmenes y palabras
claves de los artículos extraídos en el proceso anterior, lo que incidió en la exclusión de 36
artículos que no cumplían con estos criterios básicos, es así como se obtuvo un total de 26
artículos científicos alineados al tema de la RSL; de este modo, se continuó con el proceso de
recuperación de los artículos a texto completo respecto a cada base de datos correspondiente,
en el cual se logró recabar 15 artículos disponibles; entonces, se procedió a evaluar a texto

6
completo cada uno de los artículos recaudados conforme a los criterios de selección definidos
anteriormente, por lo que se eliminaron un total de 8 artículos que no cumplían con los puntos
establecidos, de los cuales, 2 artículos fueron eliminados por no cumplir con el criterio
relacionado a la aplicación de los estudios desarrollados en casos reales, debido a que se verificó
su explicación en laboratorios, entornos simulados o de prueba; de igual forma, 2 artículos se
eliminaron por no cumplir con el criterio de aplicación de métodos, pronósticos de fallas y Sistema
de Mantenimiento que estén enfocados en máquinas o equipos del sector manufacturero, por
último, 4 artículos fueron eliminados en cuanto al criterio de aplicación de herramientas
tecnológicas implementadas en máquinas o equipos no correspondientes al sector de
manufactura.
Por ende, en base al proceso de selección de estudios mediante el método PRISMA se definió
un total 7 artículos científicos cuya información es relevante y enfocada al tema de investigación
de la RSL del presente trabajo.
Asimismo, se definió una ecuación de búsqueda con términos especializados en el tema de
investigación de la RSL como es el siguiente:
• Ecuación: RCM AND Machines AND Maintenance AND Maintenance Predictive.
Por tanto, en la búsqueda de la base de datos Scopus designó 16 artículos, de los cuales
mediante un criterio de exclusión se corroboró la relevancia de 2 artículos como elegibles para
el desarrollo del estudio.
De este modo, se presenta en mayor detalle el listado final de artículos de estudios seleccionados
en la Tabla N°11 de la página 29.

7
3. Resultados

Posteriormente a la aplicación de la metodología de búsqueda PICO, se logró disponer de 7


artículos seleccionables mediante todo el proceso exclusión y elegibilidad, adicionalmente se
recuperaron 4 artículos de investigación seleccionados por medio de una ecuación centrada en
palabras claves especializadas en el tema de investigación de la RSL, el cual se organizó en una
tabla de Excel con el propósito de sintetizar los procedimientos realizados (ver Tabla 2).
Tabla 2. Resultado de artículos seleccionados.

Asimismo, se procedió a organizar un listado y designar un código de identificación a cada uno


de los artículos seleccionados como se puede visualizar en la Tabla 3. De esta manera, esta
estructura permitirá analizar en los siguientes procedimientos de manera jerárquica la relevancia
de los artículos respecto al tema de la RSL propuesto.
Tabla 3. Listado y codificación de artículos elegibles.

8
De tal forma, se procedió elaborar una tabla en Excel que permita comparar la relación o nivel
de incidencia de las palabras clave de cada componente PICO conforme a cada uno de los
artículos seleccionados para el presente estudio (ver Tabla 4). Por lo cual, se realizó una
búsqueda de las palabras clave y/o términos relacionados por cada artículo, puesto que por
temas de traducción o terminología pueden diferenciarse algunas palabras mas no su concepto.
Asimismo, se consideraron únicamente los términos encontrados en el contenido de los artículos,
es decir, no se consideró los términos encontrados en la sección de referencias.
Entonces, se ubicaron las palabras clave respecto a cada componente PICO en las 2 primeras
columnas de la tabla presentada en la siguiente página, así como la ubicación de los códigos de
cada artículo seleccionado de forma horizontal en la parte superior de la tabla, por lo que procedió
a marcar con un aspa “X” la incidencia de cada palabra clave dentro del contenido por cada
artículo, de manera que al término de la tabulación, se procedió a sumar la cantidad de palabras
clave ubicándolo en la parte inferior de la tabla respecto a cada artículo.
En ese sentido, se obtuvo un mínimo de 5 palabras clave PICO en el artículo 6 (ART006) y un
máximo de 13 palabras clave relacionadas con el tema de investigación en el artículo 9
(ART009), lo cual refleja su alto nivel de incidencia con el tema de la RSL.

9
Tabla 4. Relación entre las palabras clave PICO con cada artículo de investigación seleccionado.

10
Entonces, se procedió a ordenar en una tabla el listado de artículos respecto a la cantidad de
palabras clave identificadas en cada uno de mayor a menor (ver Tabla 5 y Figura 1). En ese
sentido, fue indispensable el uso de la herramienta Pareto para clasificar el listado de artículos
en 3 categorías de manera jerárquica:
• A: Artículos con un alto nivel de relación al tema de la RSL.
• B: Artículos con un nivel medio de relación.
• C: Artículos con un bajo nivel de relación.
Tabla 5. Clasificación ABC de los artículos de investigación seleccionados.

Figura 1. Diagrama de Pareto de artículos seleccionados.

De esta manera, se contabilizó un total de 97 palabras clave encontradas en los 11 artículos de


investigación, lo cual permitió clasificar 7 artículos en la categoría A; 3, en B y 1 artículo en C.
Por tanto, se concluyó que en los 7 primeros artículos mostrados en la Tabla 5 (ART009, ART003,
ART008, ART010, ART011, ART002 y ART001) se cumple el 75.3% de las palabras clave
definidas por los componentes PICO, mientras que los artículos de clasificación “B” (ART007,

11
ART004 y ART005) y “C” (ART006) presentan un 19.5% y 5.2% de las palabras clave
respectivamente, por lo que mediante esta clasificación permite poder jerarquizar los artículos
seleccionados desde los más a los menos relevantes en mayor incidencia o tendencia cercana
al tema de investigación propuesto como se puede visualizar en la Tabla 6.
Tabla 6. Listado de artículos de manera jerárquica.

A continuación, en los siguientes párrafos se presenta una síntesis de los análisis efectuados en
la lectura de los artículos de investigación seleccionados conforme a cada una de las preguntas
PICO ligadas al tema de la RSL.
RQ: ¿Qué tipo de Sistema de Gestión de Mantenimiento se implementan para optimizar
las máquinas y los recursos producto de las deficiencias en el área de pesado y envasado
de una empresa manufacturera?
En primer punto, se efectuó un análisis de las 3 variables o palabras clave enfocadas al tipo de
sistema de mantenimiento de un modelo predictivo, tales como el IOT (Internet de las cosas), el
Mantenimiento Predictivo y el RCM (Mantenimiento Centrado en la Confiabilidad), por lo que se
extrajo la tabulación de incidencias de los 3 términos respecto a cada artículo efectuados en la
Tabla 4, de manera que se logre un mayor énfasis en los artículos que guarden relación con
estos términos (ver Tabla 7).

2
12
Tabla 7. Listado de incidencias de 2 sistemas y una estrategia de mantenimiento en los artículos seleccionados.

Entonces, se dispuso de 3 artículos tanto para el IOT como el RCM, puesto que los artículos
restantes se encuentran enfocados en la aplicación de herramientas para modelos predictivos
mas no en el sistema en sí, es decir, se centran en la parte operativa como son las estrategias
que se implementan en los sistemas de mantenimiento como el RCM.
En torno a ello, mediante el análisis realizado en cada uno de los artículos seleccionados se
determinó que el Sistema y Metodología del RCM (Mantenimiento Centrado en la Confiabilidad)
fue uno de los más eficientes en la implementación en los casos de algunos artículos
seleccionados. Por tal razón, este sistema permite mejorar la disponibilidad y eficiencia de las
máquinas mediante una serie de procedimientos, en el cual el uso de herramientas e indicadores
de mantenimiento son indispensables, tales como para determinar el tipo de estrategia de
mantenimiento (mantenimiento correctivo, preventivo o predictivo) que puede implementar a
cada sistema o componentes de una máquina conforme al estudio del nivel de criticidad
efectuado al equipo, por ejemplo, este sistema obtuvo resultados positivos en su implementación
en una empresa de conservas de atún y en otras 2 empresas manufactureras [6], [7], [12].
Respecto a lo anterior, se observó que el Sistema IOT (Internet de las cosas) se complementa
de manera efectiva con el RCM, puesto que el IOT es uno de los sistemas de monitoreo y
seguimiento de los estados de las máquinas a tiempo real en la implementación de un modelo
de mantenimiento predictivo. Puesto que, este sistema permite integrar una nube o base datos,
dispositivos tecnológicos, el estado de las máquinas por medio de un software de inteligencia
artificial, por lo que su aplicación no está ligada únicamente en el campo del mantenimiento,
asimismo, su aplicación tuvo éxito en una empresa manufacturera, en el cual el procesamiento
de datos en tiempo real contribuye a su modelo predictivo poder tomar acciones preventivas ante
reporte de una anomalía (ver Figura 2) [2].

3
13
Figura 2. Sistema de mantenimiento predictivo. [2]

RQ1: ¿Qué produce las deficiencias en los procesos del área de pesado y envasado?
En términos generales, las deficiencias que ocurren en los diferentes tipos de sistemas
mecánicos pueden ser causadas por el desgaste, fatiga, corrosión, sobrecarga, falta de
lubricación, entre otros, siendo las más perjudiciales en la mayoría de los casos el desgaste y la
fatiga los cuales se presentan por la fricción de las piezas, la abrasión, la erosión o son sometidas
a sobrecargas de trabajo en repetidas ocasiones causando la fractura de estas [4]. Otro parte
importante de este tipo de maquinaria involucrada en este proceso, vendrían a ser los
rodamientos que se encuentran en distintas partes de la maquinaría como motores, turbinas,
bombas, ventiladores, compresores, etc., volviéndolos las piezas y partes más fundamentales
de la maquinaria para el proceso de envasado y pesado, encontrándose en mantenimiento y
supervisión constante [5].

RQ2: ¿Qué empresas manufactureras del sector de alimentos presentan problemas


similares o relacionados?
En un estudio evaluado a la empresa EUROFISH, centrada en la producción de conservas de
atún, se registraron problemas recurrentes en los componentes de las máquinas de producción,
especialmente en la máquina Luthi y la cerradora de latas con nivel crítico conforme a las
pérdidas económicas ocasionadas a la empresa (ver Tabla 8), por lo que en la implementación
del método del RCM permitió obtener una disponibilidad y fiabilidad de los equipos equivalente
a 3.59 en el Tiempo Medio entre Fallas (MTBF) [6]. No obstante, a diferencia del primer caso en
el que se aplicó una estrategia de mantenimiento preventivo, su implementación varía conforme

4
14
al análisis de criticidad que se efectúa a cada máquina. Tal es el caso de una empresa
manufacturera de Medio Oriente en el que se implementó el RCM en torno a estrategias de
mantenimiento predictivas obteniendo resultados en un estudio de 4 meses respecto al Tiempo
Medio entre Fallas (MTBF) y el Tiempo medio de Reparación (MTTR), en cual tuvo como base
de información el histórico de fallas almacenadas en la plataforma de SAP NetWeaver de la
empresa (ver la Tabla 8) [7].
Tabla 8. Análisis de criticidad conforme a las pérdidas económicas por paralizaciones. [6]

Tabla 9. Comparación de resultados del primer mes respecto al cuarto mes de estudio. [7]

Igualmente, respecto a la Tabla 9, se extrajo los datos de los indicadores de Tiempo Medio entre
Fallas (MTBF) y el Tiempo medio de Reparación (MTTR), en el cual se comparó las tendencias
de los resultados obtenidos en la implementación del RCM aplicado en el segundo caso de la
empresa manufacturera en 6 máquinas de producción, 2 líneas de inspección y una máquina de
embalaje, en el cual se observó un aumento relativo en los indicadores de MTBF, que
corresponde la línea naranja y verde del primer y cuarto mes respectivamente; y el MTTR, línea
roja y azul conforme del primer al cuarto mes de estudio, el cual se observa en la Figura 3.

5
15
Figura 3. Comparación de los índices del MTTR y MTBF respecto al primer y cuarto mes de aplicación del RCM.

RQ3: ¿Qué tipos de Sistema de Gestión de Mantenimiento tecnológicos se han


implementado?
Por otro lado, en un caso se realizó el diagnóstico de fallas en sistemas mecánicos en el sector
manufacturero comparando las estructuras pertenecientes a los algoritmos de Clustering difuso,
DE, PSO y ACO, analizando también su desempeño en el proceso, utilizando una matriz de
confusión para determinar cuál algoritmo era el que contaba con resultados más favorables
mediante 6 experimentos, en el que mediante una muestra paramétrica de Friedman se obtuvo
resultados en los experimentos 4, 5 y 6 (Ver en la Figura 4) [4]. De esta manera, se definió que
el modelo DE tiene resultados más favorables en el estudio, obteniendo los mejores valores de
los indicadores de “m” (factor regulador) y “σ” (ancho de banda) en los experimentos
mencionados para la implementación de sistema de inteligencia artificial en un modelo predictivo.

Figura 4. Resultados de los algoritmos en los experimentos 1, 2, 3, 4, 5 y 6. [4]

6
16
También se sabe que la implementación de técnicas de Machine Learning para modelos de
Mantenimiento Predictivo son fundamentales para el análisis y la evaluación de pronósticos de
fallas en torno a los datos recopilados por dispositivos tecnológicos como los sensores IOT.
En ese sentido, en un estudio de las líneas de producción de pañales para bebés, se evaluaron
los modelos predictivos de 3 técnicas de técnicas Machine Learning, en el cual se observó que
dos algoritmos tuvieron una mayor ratio de efectividad en predicción, como fue el caso del
Random forest y XGBoost con 0.982 y 0.979, respectivamente, a diferencia del Gradient Boosting
que tuvo un menor nivel de eficiencia en la predicción de fallos de las máquinas (ver Tabla 10)
[8]. Por otro lado, en otro estudio para la implementación de un Sistema de Mantenimiento
Predictivo, se evaluaron una muestra de 100 máquinas de producción, mediante el cual conforme
al análisis sobre el estudio de algoritmos de Mahine Learning, se definió el clasificador de
Gradient Boosting como el de mayor eficiencia para métodos de predicción y/o pronóstico de
fallas en una empresa manufacturera (ver Figura 6) [9].
Tabla 10. Comparación de resultados de algoritmos de Machine Learning. [2]

De igual forma, conforme a los datos presentados en la Tabla 10, y respecto a los casos
mencionados anteriormente, se determinó mediante una evaluación del coeficiente de
determinación (R2) para los algoritmos de modelo predictivo en lo que Ramdon Forest (Bosque
aleatorio) y XGBOOST como los únicos con mayor rendimiento en la comparación con los
restantes algoritmos (Ver Figura 5).

7
17
Figura 5. Comparación de resultados de algoritmos en representación gráfica.

Asimismo, en otro de los estudios de modelos predictivos se tomaron en cuenta datos


almacenados en la plataforma SAP para el diagnóstico de 205 motores bomba, en el cual se
instalaron sensores para hacer seguimiento y análisis de la presión, vibración y temperatura del
motor, en el cual obtuvieron resultados satisfactorios de 2 de las 5 técnicas de Machine Learning
utilizadas en su investigación, tales como el Support Vector Machine (SVM) y el Decision Tree
(DT) (ver Figura 6) [10]. Además, en el estudio se recalca que la metodología propuesta puede
adaptarse conforme al uso de otros sistemas o plataformas de gestión de información y/o base
datos de las empresas.

Figura 6. Resultados de las pruebas de varios modelos de clasificación CV 10 veces. [10]

8
18
También, se hizo un énfasis en el estudio de vibraciones basados en MEMS para la detección
de fallas en los sistemas de rodamientos, siendo sometidos a la carga máxima (1,7 kN) y en dos
rangos de velocidad para los ejes (355 RPM y 622 RPM), en el cual se comparó con el sistema
convencional de un acelerómetro convencional y uno MEMS, para posteriormente pasar sus
datos por técnicas de análisis de señales como PCA y LDA, conforme a los resultados evaluados
por la técnica matemática “Transformada Wavelet” se descompuso las señales de vibración en
niveles para extraer características que servieron como entradas para los clasificadores ANN y
kNN, los cuales arrojaron los resultados finales para la evaluación del tiempo de vida de los
rodamientos en diferentes sistemas, en el mantenimiento predictivo [5].
De igual manera, otro es el caso en la implementación de un sistema de envasado automático
para aumentar la productividad y mejorar la eficiencia en la gestión de la información de datos
mediante el uso de “Programmable Logic Controller” (PLC) Rexroth L40 y un cable RS 232 para
el mejoramiento de comunicación y sensores, usando la base de datos de SQL Visual Studio
2010 en la plataforma ASP.NET, en este proceso de recolección aún se contaba con monitoreos
periódicos por parte del personal de la empresa mediante hojas de verificación, asegurando la
calidad y rendimiento, este tipo de alojamiento de datos podría evaluarse en diferentes sistemas
de tableros eléctricos en los procesos de envasados y pesado ya que presenta un modelo similar
de trabajo en ambos sectores [11].
Del mismo modo la recolección y recopilación de datos para el monitoreo y diagnóstico de fallas
en los equipos mecánicos se explayan más en los métodos de estudio de “Máquinas de vectores
soporte” (SVM), “Optimización de enjambre de partículas binarias” (BPSO) y “Selección de
características basada en correlación” (CBC), los tres tipos de métodos se basan en la selección
de características y clasificación de fallas en un sistema de correa, esto se realizó con el fin de
poder elaborar un método propuesto que combina los métodos mencionados previamente
haciendo que mejore la precisión en la detección de fallas con un mínimo consumo de tiempo de
cálculo (ver Figura 7) [8].

9
19
Figura 7. Diagrama de flujo del método de selección de características y diagnóstico de fallas. [8]

Igualmente, la evaluación de la integración de dispositivos de bajo costo en una red


descentralizada para el intercambio de datos de manera simple y económica garantizó su
fiabilidad, en el que se usó los principios de latencia y transferencia en los nodos involucrados
sometidos a la carga máxima (ver Figura 8). De esta manera, se eligió el software Iperf Ver. 3
para realizarse la transferencia de datos permitiendo la interoperabilidad entre los dispositivos a
utilizarse, mediante el protocolo de paquetes ICMP se emplearon los métodos Echo Requests y
Echo Replay, procesos que fueron monitoreados por la herramienta Wireshark (ver Figura 9).
Por ende, teniendo en cuenta los resultados favorables y la comprobación mediante el estudio e
investigación se afirmó que este tipo de método sería viable para la industria del sector
manufacturero [9].

10
20
Figura 8. Diagnóstico de la latencia de ida y vuelta, utilizando paquetes ICMP. [9]

Figura 9. Diagnóstico por saltos de paquetes en cada nodo participante de la red. [9]

RQ4: ¿Qué tan efectivo han sido los resultados obtenidos respecto a la Gestión de
Mantenimiento habitual en las empresas manufactureras?
En torno a la efectividad del sistema de mantenimiento predictivo a un modelo de mantenimiento
convencional, mediante el análisis de las estrategias de mantenimiento (correctivo, preventivo y
predictivo), en un estudio de 100 máquinas de producción, en la implementación de un modelo
de mantenimiento predictivo, se clasificaron en 3 estados, tales como totalmente operativo, falla
sospechosa y estado de falla respecto a la magnitud del costo de mantenimiento entre 2
estrategias de mantenimiento como el Correctivo y el Predictivo (ver Figura 10 y 11) [12].
Asimismo, se observó que la implementación de un modelo predictivo contribuyó en detectar las
máquinas con tendencia a efectuarse un fallo operacional, que según la Figura 10 representa un
30% de la muestra de las 100 máquinas estudiadas, es decir, la empresa pudo implementar un
mantenimiento preventivo en estas 30 máquinas.
Por ende, una de las metodologías que garantiza la fiabilidad de los equipos mediante una serie
de etapas y/o procesos es el RCM, de manera que permite enfocarse en los componentes críticos
y así conseguir una óptima evaluación de los fallos de las máquinas, en el cual la implementación
de un modelo predictivo proporciona un mejor alcance en cuanto al análisis y seguimiento del
estado de las máquinas. No obstante, el proceso requiere de una implementación con resultados

11
21
a largo plazo para medir la eficiencia de este método por medio de los indicadores de
mantenimiento [7], [13]. Por otro lado, en cuanto a partes específicas de la maquinaría y sus
procesos, se concluyó que el método MEMS en base a vibraciones, es el más factible para la
evaluación del tiempo de vida de los diferentes rodamientos involucrados en cada parte de un
motor o ventilador de la maquinaría, permitiendo así que el mantenimiento preventivo que se
desarrollara haría que no la empresa no pierda productividad y tiempo en reparar la maquinaria
afectada [5].

Figura 10. Distribución de mantenimiento predictivo. [11]

Figura 11. Distribución de mantenimiento correctivo. [11]

12
22
4. Discusión

En el presente estudio de revisión, la implementación de un Sistema de Mantenimiento en los


estudios evaluados, se consideró el RCM (Mantenimiento centrado en la Confiabilidad) como
una metodología eficiente por los resultados obtenidos, mediante indicadores de mantenimiento
como el Tiempo Medio entre Fallas (MTBF) y el Tiempo medio de Reparación (MTTR), conforme
a los casos de una empresa de conservas de atún y una empresa de manufactura, en el cual se
implementaron estrategias de mantenimiento preventivo y predictivo respectivamente. No
obstante, respecto al primer caso, se consideró el modelo preventivo por temas económicos y
por la disponibilidad requerida por parte de la máquina que trabajaba en doble jornada (139.47
horas en un semestre), ya que 2 de las máquinas en estado crítico representan el 76.41% del
total de costo de las máquinas paradas, por lo que se toma énfasis en considerar factores como
el costo de reparación y/o el impacto económico que genera, tiempo de reparación y su
importancia dentro de la cadena del proceso de conservas [6]. En ese sentido, conforme al nivel
de criticidad se puede efectuar una estrategia de mantenimiento ideal, por lo que se consideró
viable la implementación de esta metodología en el presente caso de una máquina envasadora,
con el propósito de efectuar un tipo de estrategia de mantenimiento correctivo, preventivo o
predictivo adecuado para cada subsistema de las máquinas evaluado.
Con relación a la eficiencia de un modelo de mantenimiento predictivo, en una empresa de
conservas, respecto al MTBF, se obtuvo un ratio de 3.59 horas [6], mediante la implementación
de un mantenimiento preventivo, a diferencia de una de las máquinas de otra empresa
manufacturera que implementó un modelo predictivo que le permitió obtener un ratio de 16.6
horas del tiempo medio entre fallas [7]. Es por loque se precisa que el mantenimiento predictivo
contribuye en mayor proporción a la prevención de fallas e inoperatividad de las máquinas en
una empresa manufacturera, en contraste con un modelo preventivo, en el que no solo existe
una diferencia de eficiencia, sino también se considera que la implementación de este tipo de
estrategias es a largo plazo.
Por otro lado, conforme a los estudios encontrados aplicados en empresas del sector
manufacturero, el modelo predictivo de aprendizaje automático de Gradient Boosting obtuvo una
eficiencia del 99% [12], sin embargo, en otro estudio evaluado este algoritmo presentó menor
ratio de eficiencia (77.6%), a diferencia del Random Forest con un 98.2% [2]. Inclusive, en
comparación con otro caso evaluado del sector se obtuvo una eficiencia considerable del Support
Vector Machine (94.23%) y Decision Tree (96.15%) [10]. Por ende, se infiere que las técnicas de
Machine Learning para el análisis de un modelo predictivo puede depender de factores como los
tipos de datos con los que se cuenta, es decir, mayores variables de información sobre la
situación de las máquinas, más aún si es en tiempo real, así como también el volumen de los
datos, principalmente, los datos históricos de las máquinas.

13
23
5. Conclusiones
En síntesis, en esta investigación se identificó como la metodología Mantenimiento Centrado en
la Confiabilidad (RCM) es muy eficiente para el análisis, control y prevención de fallas en los
equipos y/o máquinas de producción, dentro de los cuales, la estrategia de mantenimiento
predictivo presenta un mejor índice de rendimiento de Tiempo Medio entre Fallos (MTBF) y
Tiempo medio de Reparación (MTTR) respecto a un mantenimiento preventivo, así como también
la disminución de la frecuencia de averías o fallas. En ese sentido, en la implementación de un
modelo de mantenimiento predictivo, las técnicas de Machine Learning se consideran
fundamentales para su evaluación, puesto que, conforme al estudio de revisión sistemática, los
porcentajes de eficiencia fueron distintos en cada uno de los artículos seleccionados, además
que los mejores resultados obtuvieron un rango del 94% al 99% en cada estudio, por lo que se
dedujo que las técnicas de aprendizaje automático guardan relación con el tipo y volumen de
información con el que se puede contar para el análisis de una máquina.
Asimismo, llegaría también la implementación sobre técnicas de inteligencia computacional junto
a sistemas algorítmicos como el ACO, DOFCM Y KFCM, los cuales serán un aditivo en un futuro
para el sistema manufacturero de ámbito robusto, demostrado que este método para el
mantenimiento preventivo y predictivo es totalmente sustentable, volviéndose adaptable y fácil
de estudiar para lograr su fácil implementación a lo largo de todo el sector de la manufactura,
sumado a ello, un enfoque general y amplio en partes específicas de una máquina como vendrían
a ser los motores y rodamientos, los cuales son más afectados por la fatiga o desgaste, en
métodos como la evaluación por vibraciones y el recojo de datos en MEMS y la recepción por
datos mediante algoritmos garantizan que se puede enfocar y distinguir con precisión los
diferentes tipo de fallas, haciendo que se reduzca el tiempo en que se puede tomar el arreglo de
una máquina y reducir perdidas en producción, teniendo como base de datos placas Raspberry
o microcontroladores, los cuales nos faciliten el intercambio de datos rápido y sencillo con una
nube o con el software para la inteligencia artificial a usar para el correcto mantenimiento
predictivo en el sector manufacturero, específicamente en el proceso de pesado y envasado.
Si bien es cierto, el uso de una inteligencia artificial en el sector peruano no es muy usado aún,
se recalca que aunque sea un método un tanto novedoso, primerizo y un tanto arriesgado
económicamente, también se conoce que traería nuevos ingresos y oportunidades en el sector
de la manufactura, además de tener un buen respaldo en tantos métodos a los cuales puede
acoplarse, los cuales certifican un ahorro de costos de mantenimiento y perdidas de producción,
desembocaría también en que la industria manufacturera del sector peruano crezca
deliberadamente, teniendo productos como la papa o quinua en cereales o grajeas, harían que
Perú se vuelva un gran líder en el sector manufactura, logrando exportar y tener más alcance a
nivel mundial. De igual forma, respecto a la complejidad del tema de mantenimiento predictivo y
técnicas de Machine Learning, se considera importante el estudio de que técnicas y nuevos

14
24
modelos pueden implementarse con las nuevas herramientas digitales y tecnológicas que se
desarrollan en la industria 4.0. y se desarrollarán con el avance tecnológico de la industria 5.0.

15
25
6. Bibliografía

[1] T. Zonta, C. A. da Costa, R. da Rosa Righi, M. J. de Lima, E. S. da Trindade, and G. P.

Li, “Predictive maintenance in the Industry 4.0: A systematic literature review,” Comput. Ind. Eng.,

vol. 150, 2020, doi: 10.1016/j.cie.2020.106889.

[2] S. Ayvaz and K. Alpay, “Predictive maintenance system for production lines in

manufacturing: A machine learning approach using IoT data in real-time,” Expert Syst. Appl., vol.

173, pp. 4–6, 2021, doi: 10.1016/j.eswa.2021.114598.

[3] J. Dalzochio et al., “Machine learning and reasoning for predictive maintenance in Industry

4.0: Current status and challenges,” Comput. Ind., vol. 123, 2020, doi:

10.1016/j.compind.2020.103298.

[4] A. Rodríguez Ramos, J. M. Bernal de Lázaro, A. Prieto-Moreno, A. J. da Silva Neto, and

O. Llanes-Santiago, “An approach to robust fault diagnosis in mechanical systems using

computational intelligence,” J. Intell. Manuf., vol. 30, no. 4, pp. 1601–1615, Apr. 2019, doi:

10.1007/S10845-017-1343-1/TABLES/16.

[5] B. Prashanth, H. S. Kumar, P. Srinivasa Pai, and Muralidhara, “Use of MEMS based

vibration data for REB fault diagnosis,” Int. J. Eng. Technol., vol. 7, no. 3.34 Special Issue 34,

pp. 714–718, 2018.

[6] J. L. Muñoz Cevallos and M. Cantos Macías, “Mantenimiento centrado en la confiabilidad

a equipos en industria de conservas de atún,” 2021.

https://www.redalyc.org/articulo.oa?id=61466617005 (accessed May 19, 2023).

[7] Y. T. Prasetyo and K. K. Mercado Rosita, “Equipment Reliability Optimization Using

Predictive Reliability Centered Maintenance: A Case-Study Illustration and Comprehensive

Literature Review,” 2020 7th Int. Conf. Front. Ind. Eng. ICFIE 2020, pp. 93–97, Sep. 2020, doi:

10.1109/ICFIE50845.2020.9266728.

[8] X. Zhang, Q. Zhang, M. Chen, Y. Sun, X. Qin, and H. Li, “A two-stage feature selection

and intelligent fault diagnosis method for rotating machinery using hybrid filter and wrapper

16
26
method,” Neurocomputing, vol. 275, pp. 2426–2439, Jan. 2018, doi:

10.1016/J.NEUCOM.2017.11.016.

[9] J. Torres Ventura et al., “Rendimiento para la interoperabilidad entre Raspberry pi,

ESP8266 y PLC con Node-RED para el IIoT,” Ingenius. Rev. Cienc. y Tecnol. , vol. 2023, no. 29,

pp. 90–97, Jan. 2023, doi: 10.17163/INGS.N29.2023.08.

[10] M. Kohli, “Using machine learning algorithms on data residing in SAP ERP application to

predict equipment failures,” Int. J. Eng. Technol., vol. 7, no. 2, pp. 312–319, 2018, doi:

10.14419/IJET.V7I2.28.12952.

[11] M. Murugan, J. Rajarajan, G. Hariharan, and S. Jeevitha, “Industry 4.0: A real-time

implementation of automation and digitalization in an industry,” Nat. Volatiles Essent. Oils, vol. 8,

no. 4, pp. 1568–1580, 2021.

[12] E. Ouda, M. Maalouf, and A. Sleptchenko, “Machine learning and optimization for

predictive maintenance based on predicting failure in the next five days,” ICORES 2021 - Proc.

10th Int. Conf. Oper. Res. Enterp. Syst., pp. 192–199, 2021, doi: 10.5220/0010247401920199.

[13] K. K. M. Rosita and M. V. Rada, “Equipment Reliability Optimization Using Predictive

Reliability Centered Maintenance,” 2021 IEEE 8th Int. Conf. Ind. Eng. Appl. ICIEA 2021, pp. 348–

354, Apr. 2021, doi: 10.1109/ICIEA52957.2021.9436745.

17
27
ANEXOS
FIGURA 12. DIAGRAMA DE FLUJO PRISMA DE ARTÍCULOS CIENTÍFICOS

Identificación de nuevos estudios vía bases de datos y archivos

Registros identificados desde:


Identificación

Bases de datos (n = 3)
Registros/Archivos (n = 186) Registros eliminados antes del cribado:
•Scopus (182) Duplicados (n = 0)
•Redalyc (2)
•Scielo (2)

•Registros excluidos por filtro de años,


Registros cribados tipo de artículo e idioma (n = 124)
(n = 186) •Registros excluidos conforme a la
revisión de títulos y/o resumen (n = 36)

Publicaciones recuperadas para


evaluación Publicaciones no recuperadas
Cribado

(n = 26) (n = 11)

Publicaciones evaluadas para


elegibilidad Publicaciones excluidas:
•Aplicación en entornos
(n = 15)
simulados/laboratorios (n = 2)
•Método y Sistema de Mantenimiento
no aplicado en el sector
manufacturero (n = 2)
•Herramientas tecnológicas no
aplicadas en el sector manufacturero
(n = 4)
Incluidos

Nuevos estudios incluidos en la


revisión
(n = 7)

18
28
TABLA 11. LISTA FINAL DE ARTÍCULOS SELECCIONADOS

29
FIGURA 13. LISTA FINAL DE ARTÍCULOS SELECCIONADOS EN MENDELEY

2 30

También podría gustarte