Mantenimiento 4.
0
Jorge Iriarte
Dirección de trabajo: Km 10.5 Vía Bogotá – La Calera
LinkedIn: www.linkedin.com/in/Jorge-Iriarte
Resumen
Después de realizado el mantenimiento
preventivo, la mejor forma de incrementar la
disponibilidad de los sistemas industriales es
predecir los daños de los equipos para evitar
los costos y tiempos de reparación.
La Industria 4.0, llegó con conceptos como Big
Data, Internet de las Cosas (IoT), Data
Analyzing, Machine Learning e Inteligencia
Artificial.
El Mantenimiento 4.0 se convierte en un
subcapítulo de Industria 4.0, cuyo principal
objetivo es predecir daños en los equipos
industriales en tiempo real.
Tabla de Contenido
1. Industria y Mantenimiento 4.0
2. Situación actual en mantenimiento.
3. Resultados encontrados en la industria.
4. Inteligencia Artificial - Modelamiento
de las máquinas.
a. Modelo Clásico para modelar
máquinas.
b. Modelación Machine Learning.
5. Proceso del mantenimiento con
Inteligencia Artificial.
6. Resultados que se obtienen.
7. Estrategia de implementación.
8. Caso de éxito
1. Industria y Mantenimiento 4.0
“Harnessing AI is not optional for those that
want to be, or continue to be, leading
organizations. AI is here to stay and, when
combined with Quantum computing, will, in
1
the blink of an eye, revolutionize our lives.”
Paul Selway Vice Presidente y Chief
Information Officer, AltaGas Ltd.
Las primeras tres revoluciones industriales
fueron las definidas por la máquina de vapor y
mecanización, la electricidad y la
automatización (primera segunda y tercera
revoluciones industriales respectivamente).
El concepto de industria 4.0 representa una
nueva manera de organizar los medios de
producción en la que se logra de las industrias
una mayor adaptabilidad a las necesidades
socioeconómicas y a procesos de producción
de mínima entropía, así como a una asignación
más eficiente de los recursos.
Este ejercicio se basa en un conjunto de
estrategias para mitigar y adaptarse a amenazas
disruptivas y destructivas conocida como
resiliencia empresarial.
Para lograr esta resiliencia y prosperar, las
estrategias de una empresa deben ser adecuadas
para su propósito, basadas en un análisis sólido
que garantice que cada elemento funcione en
conjunto con los demás, y es por esta razón que
este cambio se basa en la gestión de la
información, sensórica, analítica e I.A.
Fue durante las ferias de Hannover de 2011 y
2013 (Salón de Tecnología Industrial) donde se
describió el concepto de Industria 4.0 que poco
más tarde tuvo acogida internacional.
El término Mantenimiento 4.0 fue acuñado más
tarde para describir el mantenimiento basado
en conocimiento, el cual está dirigido a mejorar
ese aspecto del mantenimiento de la tercera
revolución industrial, la máquina automatizada,
ofreciendo agilidad, amplitud y precisión de
información para los técnicos de
mantenimiento, de manera tal que puedan
intervenir los equipos en forma oportuna y
asertiva, a un menor costo.
El mantenimiento predictivo (PdM) es el uso
de datos y algoritmos para optimizar la
maquinaria de alto valor que fabrica, transporta,
genera o refina productos. Por lo general, se
equipa la máquina de alto valor (robots en la
fábrica, red de pozos de petróleo / gas, flota de
vehículos, etc.) con numerosos sensores que
emiten una telemetría, que es el flujo colectivo
de mediciones que emiten los sensores de cada
máquina a través del tiempo. Esa telemetría
caracteriza el estado de cada máquina (es decir,
temperatura, presión, rpm, configuraciones
operativas, etc.) en todo momento durante su
historial operativo.
El efecto es que un algoritmo de aprendizaje
automático, cuando se entrena en telemetría
histórica emitida por muchas máquinas
relacionadas a lo largo del tiempo, puede
alertar al operador de la máquina o al técnico
de mantenimiento con el tiempo suficiente para
efectuar una intervención que evite fallas
catastróficas del equipo en un cercano futuro.
Esto se conoce como el modelo RUL por sus
siglas en inglés Remaining Useful Time.
Sin embargo, un modelo RUL basado solo en
datos de telemetría sigue siendo bastante
simple, dado que tan solo le dice al operador o
técnico de una máquina, cuándo es probable
que una máquina determinada falle. No indica
qué modo de falla particular se avecina (por
ejemplo, válvula rota, fuga de refrigerante o
cojinete picado, etc.), por lo que el técnico de
mantenimiento de la máquina no sabe cómo
mitigar la falla inminente.
2
Una estrategia de PdM exitosa también
requiere información clave adicional: los
registros de reparación de las máquinas.
Cuando una máquina de alto valor sufre una
falla, la producción de esa máquina se detiene
hasta que un técnico llega a la máquina,
diagnostica su modo de falla, repara la máquina
y devuelve la máquina a producción. PdM
también requiere que se registren dos hechos
clave en el registro de reparación de esa
máquina: la marca de tiempo de falla, así como
el diagnóstico del técnico que hizo la
reparación, que es una etiqueta abreviada para
una secuencia ampliamente comprendida de
pasos de reparación que dan como resultado la
limpieza / reparación de piezas específicas /
reemplazo / prueba. Los ejemplos incluyen un
"trabajo de frenado" que en un automóvil
reemplazaría las pastillas, los rotores y la pinza
de una rueda, mientras que un "ajuste"
reemplaza cualquier elemento desgastado en el
sistema de combustible de un automóvil, bujías,
varias válvulas y filtros, y refrigerante según
sea necesario.
El mantenimiento basado en conocimiento es
más que el mantenimiento predictivo conocido
hasta ahora. Es conocimiento e inteligencia
artificial al servicio de los activos de
producción.
Ahora será posible alcanzar más eficientemente
los anhelados indicadores de disponibilidad,
confiabilidad, proactividad de mantenimiento y
optimización de costos de mantenimiento.
2. Situación actual en mantenimiento
Un ciclo de mejoramiento continuo del
mantenimiento se muestra en la figura 1.
Incluye Planeación y Programación, Ajustes (o
mejoras), Ejecución y Verificación.
El Mantenimiento Preventivo está asociado a
las rutinas de mantenimiento alimentadas entre
otros, por lineamientos de edad o uso de
equipos.
El Mantenimiento Predictivo, en cambio, usa
análisis de la condición de los equipos (CBM)
para determinar si variables tales como
vibración, temperatura, calidad de lubricante,
refrigerante y variables eléctricas tiene una
tendencia o condición que recomienda
intervención de equipos previendo un futuro
daño.
Por tratarse de una situación indeseable en este
documento, a propósito, se excluye del
mejoramiento continuo, el caso de
mantenimiento correctivo, al cual se llega por
el daño de equipos o partes detectados ya sea
por rondas estructuradas, detección de los
técnicos o aviso de operador.
3. Resultados encontrados en la industria.
Desde el año 2007, el reporte de la comisión
europea sobre asuntos nucleares, el cual
investigaba los indicadores de desempeño de
mantenimiento, determinó que: “… las fallas
de los equipos durante los últimos años, ha
demostrado que más del 70% de esas fallas no
están relacionadas con la edad o el uso del
equipo. Como consecuencia, eso significa que
menos del 30% de nuestras tareas de
mantenimiento proactivo deben ser motivadas
por el tiempo, la antigüedad del equipo o el uso.
La mayor parte de las acciones de
mantenimiento deben ser predictivas y
detectivas" (del estudio Benchmarking study of
maintenance performance monitoring practices,
European Communities, 2007).
Ahora bien, uno de los obstáculos para el
mantenimiento predictivo actual, es el número
limitado de variables estudiadas, su análisis y
habilidad para concluir sobre cantidades
ingentes de información.
3
En la práctica, una vez se inspeccionan los
equipos y mientras se recolecta y valida la
información de toda la planta, se analiza, se
emiten las recomendaciones y se le entregan
estas recomendaciones al ingeniero de
confiabilidad o mantenimiento de la empresa
dueña del equipo, pasan al menos, tres semanas.
Afortunadamente, el aumento de capacidad de
procesamiento con chips modulares llevó a la
solución del largo tiempo requerido para
analizar y procesar esa cantidad importante de
información, llamada Big Data. Ver Fig. 2.
Es decir, el siguiente nivel de manejo de datos
analiza la información en tiempo casi real y le
aplica un modelo “inteligente”; para acto
seguido comunicar al técnico de planta las
predicciones de eventuales daños de equipos,
día a día ya no con semanas de retraso, sino
con días de anticipación.
4. Inteligencia Artificial y modelamiento
de las máquinas
a. Modelamiento clásico de
máquinas.
Típicamente, los ingenieros
diagnostican una máquina en la
medida que se acerca más o menos
al comportamiento esperado según
los modelos matemáticos, los cuales
a su vez están soportados en las
leyes de la física.
Es así como variables tales como
las temperaturas, velocidades,
presiones, caudales, eficiencia,
rendimiento, entre otras, tienen un
valor esperado en función de las
variables físicas de las cuales
dependen. También están a la mano
las curvas de comportamiento que
ayudan a determinar una variable de,
por ejemplo, altura de cabeza de
salida en función de la velocidad de
la bomba. Todos estos son modelos
matemáticos que ayudan a predecir
o explicar el comportamiento de las
máquinas. Para lograr esto, fue
necesario el concurso de muchas
horas de científicos aplicando sus
conocimientos para proponer y
probar sus teorías.
b. Modelamiento con Machine
Learning
Después de identificar las variables
dependientes en la fórmula que
describe el comportamiento en un
sistema o equipo, el siguiente reto
de los científicos para explicar el
comportamiento de las máquinas,
fue definir las constantes de esas
variables. Hasta que llegó la
inteligencia artificial.
El Machine Learning con la
Inteligencia Artificial, lo único que
hacen es utilizar lógica booleana y
matrices de variables
independientes que se observan en
un sistema o equipo, para, mediante
datos históricos de comportamiento,
correlacionar las variables, aplicar
modelos estadísticos y algoritmos
4
creados por ingenieros muy
inteligentes, para asignar constantes
(tal vez mejor dicho Ponderaciones)
a dichas variables.
Esta resulta ser una forma más
rápida, económica y muy acertada
de hacer un modelo para explicar y
predecir el comportamiento de cada
máquina o sistema en particular.
Aún si llegaran a presentarse fallas,
con la ayuda de los técnicos se
realimenta el sistema, y se minimiza
la propensión a la falla. Con esta
aproximación al modelo de una
máquina o sistema, a medida que
pasa el tiempo, con más variables y
más eventos, el modelo se vuelve
más “sabio”.
Ahora, en lugar de esas ecuaciones
de derivadas parciales, de segundo
grado, potencializadas, con
integrales, logaritmos o basados en
Euler que aquellos científicos nos
regalaron, nos acostumbramos a
trabajar con matrices, herramientas
estadísticas y tendencia
La facilidad de correlacionar y
hacer regresión de otras variables es
una ventaja importante de este
modelamiento basado en Machine
Learning. Mientras en el modelo
clásico se asumen muchas
condiciones como por ejemplo que
el sistema es lineal en cierto rango,
en el modelo de Machine Learning,
se involucran variables externas
antes impensables en el modelo
clásico como intervenciones de
mantenimiento, pluviosidad,
sismología, etc, que al ser
consideradas, pueden llegar a
 aportar información valiosa para los
técnicos de mantenimiento y los
ingenieros de confiabilidad.
Ya con un modelo operando de esta
forma al servicio de los activos,
sólo resta a los técnicos recibir
predicciones diarias de posibles
fallas, con un valor de asertividad
en la predicción y un tiempo
estimado para la ocurrencia de la
falla, para de esta manera, acordar
con operaciones el mejor momento
de intervención y evitar que se
llegue a tan indeseable suspensión
de la operación.
5. Proceso de mantenimiento con
Inteligencia Artificial
El mantenimiento de activos sigue siendo
el mismo: el técnico continúa ejecutando
las rutinas de mantenimiento preventivo
programada, atendiendo las rondas de
revisión de comportamiento en planta,
atendiendo requerimientos de operaciones
o integridad. La mejora está en que el
mantenimiento predictivo se hace más ágil
y, atendiendo la observación de la comisión
europea desde el año 2007, se empieza el
día revisando las recomendaciones de la
aplicación de Inteligencia Artificial. Ver
figura 3.
La recolección de la gran mayoría de los datos
se realiza automáticamente, con los sistemas
existentes o con los ahora muy económicos
dispositivos de Internet de las Cosas (IoT). El
5
procesamiento de datos se hace en la nube con
los protocolos más robustos de seguridad y la
información se transmite a demanda del
usuario en los sistemas fijos o móviles.
6. Resultados que se obtienen
Todo incremento de disponibilidad implica
normalmente un incremento en
productividad, pero también en costos. Por
encima de 95% de disponibilidad, el costo
tiende además a incrementarse
exponencialmente, ya que la mejora de la
disponibilidad implica equipos más
robustos, mayor redundancia, más rutinas
de mantenimiento preventivo, más
inspecciones, mayor disponibilidad de
técnicos y de repuestos.
Con Inteligencia Artificial, se obtienen con
un costo marginal, los siguientes resultados:
• Económico incremento de la
disponibilidad y confiabilidad.
• Menores costos de mantenimiento por
evitar entrar en urgencias.
• Mayor vida útil de los activos.
• Conocimiento de los activos se quedan
dentro de la empresa dueña de estos.
• Menores tiempos muertos.
• Mayor productividad.
Mediante:
• Información recopilada directamente
• Mayor precisión en la información de
planta.
• Mejor programación de las
intervenciones de equipos.
• Predicción del comportamiento de
máquinas y equipos para proyectar un
mejor y más oportuno mantenimiento
7. Estrategia de implementación.
La estrategia de implementación de
Inteligencia Artificial sigue los mismos
lineamientos de la Transformación Digital,
sólo que, desde mantenimiento, se irradia a
toda la empresa.
Es vital darle importancia a la forma como se
implementa pues aún siendo la mejor
tecnología, si se descuida la estrategia, puede
terminar en la trastienda.
Se inicia el reconocimiento de indicadores en
la línea base, para inmediatamente después
gestionar el cambio con líderes del área de
mantenimiento innovadores, quienes, en el
mejor de los casos, ven facilitado su trabajo
con la Inteligencia Artificial. Se hace prueba de
concepto y se involucra a más personas en un
piloto sobre equipos críticos, para más tarde,
extender la aplicación a otros equipos y
sistemas críticos.
Desde la prueba de concepto, los expertos de la
empresa alimentan el modelo de Inteligencia
Artificial con su conocimiento y pasajeros en el vagón, la matriz de Machine
realimentación.
8. Caso de éxito
Seguramente son de público conocimiento las
aplicaciones de Inteligencia Artificial
aprobadas por la FDA norteamericana que
pueden predecir si un paciente de hospital va a
sufrir un ataque cardíaco con seis horas de
anticipación o que diagnostican con mayor
precisión algunos tipos de cáncer con síntomas
registrados en hojas clínicas.
Es el mismo principio de modelamiento de un
sistema que permite predecir el resultado final,
en el futuro, con variables actuales, que se
comportan en ese sistema, como lo hace
históricamente.
El caso idéntico al mantenimiento industrial
que nos ocupa es el de la firma Predikto
(absorbida por United Technologies). Fue una
startup creada en el año 2013 que tuvo rotundo
éxito en el uso de Inteligencia Artificial para
predecir los impactantes y costosos daños en el
sistema de transporte ferroviario. Montó
aplicaciones en Estados Unidos y Alemania,
6
logrando cada vez, arrojar resultados
sorprendentes para las áreas de mantenimiento,
en seis meses.
Esta anécdota fue relatada hace cerca de un año
por Mario Montag, el CEO y fundador de
Predikto: al entregar los resultados de la prueba
piloto de trenes de Alemania ante el grupo de
mantenimiento, se predecía el daño de unos
rodamientos en cierto vagón, con algunos días
de anticipación.
Las sonrisas de miembros del grupo de
mantenimiento eran abiertamente socarronas al
notar que una de las variables que sustentaban
la predicción, con el quinto lugar de
correlación, era el número de veces que se
había descargado el inodoro.
Se cambió la sonrisa del grupo al explicárseles
que, ante la falta del número y peso de
Learning correlacionó el número de descargas
de inodoro como una aproximación del número
y peso de pasajeros, dato que claramente se
debería considerar en cualquier modelo de
comportamiento de un rodamiento de tren. Se
entiende que los rodamientos se cambiaron a
tiempo.
Referencias
1. Inteligencia Artificial, Fundamentos,
prácticas y aplicaciones, Alberto García
Serrano, Editorial Alfaomega 2ª edición.
2. Estándar PAS 55, The Optimized
Management of Physical Infrastructure
Assets. The Institute of Asset
Management. 2008.
3. Norma ISO 55001 Asset management.
2014
4. The goal is Industry 4.0, Technologies
and trends of the fourth industrial
 revolution, Fran Yáñez, Independently
Published, 2017

5. The industries of the future, Alec Ross,

Simon & Shuster, 2 de febrero de 2017

7
Jorge Iriarte, Ingeniero Electrónico de la Universidad Distrital, especializado en administración de
empresas de la Universidad del Rosario, después de ejercer carrera en sistemas de control en
industrias como ingenios azucareros y generación de energía con vapor, entró al sector de
hidrocarburos en las disciplinas de telecomunicaciones y tecnología de información, migró al área
de operaciones donde fue calificado bajo el DOT 195 en Operaciones y Mantenimiento de
oleoductos. Experimentado en planeación, control y optimización de los sistemas de transporte de
crudo. Más de 20 años desarrollando procesos y equipos en empresas como Ocensa, Bicentenario y
ODL

Actualmente ejerce funciones de consultoría y auditoría en diferentes sistemas de operación y

mantenimiento, además de promover los sistemas de Inteligencia Artificial.

Celular: 3102044856

Correo Electrónico: jorge.iriartetorres@gmail.com