El Impacto de La Industria 4.0 en La Relación Entre TPM y Desempeño de Mantenimiento

Machine Translated by Google Revista de gestión de tecnología de fabricación
El impacto de la Industria 4.0 en la relación entre TPM y
desempeño de mantenimiento
Abstracto
Propósito: en este artículo examinamos el impacto de las tecnologías de la Industria 4.0 (I4.0) en el
relación entre las prácticas de Mantenimiento Productivo Total (TPM) y el mantenimiento
actuación.
Diseño/metodología/enfoque La recolección de datos se realizó a través de una multinacional
encuesta a 318 encuestados de diferentes empresas manufactureras ubicadas en quince
países. Se aplicaron técnicas de datos multivariados para analizar los datos recopilados. Difusión de
La Teoría de las Innovaciones (DIT) fue la lente teórica adoptada para nuestra investigación.
Hallazgos: Nuestros hallazgos indican que las tecnologías I4.0 que apuntan a procesar información para
apoyar la toma de decisiones y la adopción de medidas tienen un efecto directo en el desempeño del mantenimiento.
Tecnologías orientadas a detectar y comunicar datos entre máquinas, personas y
Los productos parecen moderar la relación entre las prácticas de TPM y el mantenimiento.
actuación. Sin embargo, el alcance de esa moderación varía según las prácticas
involucrados, lo que a veces conduce a efectos negativos.
Originalidad/valor: con los avances de I4.0, existe la expectativa de que se realicen varias tareas de mantenimiento.
Las prácticas y el rendimiento pueden verse afectados. Nuestro estudio proporciona evidencia empírica de estos
relaciones, revelando el papel de I4.0 para la mejora del desempeño del mantenimiento.
Palabras clave: Industria 4.0, Mantenimiento productivo total, Desempeño, Estudio empírico.
1. Introducción
La Cuarta Revolución Industrial, también denominada Industria 4.0 (I4.0), se caracteriza por una
mayor nivel de automatización e interconectividad posible gracias a la incorporación de tecnologías disruptivas.
tecnologías, como big data e Internet de las cosas (IoT) (Lasi et al., 2014; Fettermann et
otros, 2018). I4.0 combina entornos cibernéticos y físicos, lo que resulta en una mayor flexibilidad y
organizaciones receptivas y que satisfacen rápidamente las expectativas de los clientes (Dalenogare et al.,
2018; Chirumalla, 2021). Las tecnologías I4.0 impactan positivamente en la forma de fabricar
Los pisos se gestionan y organizan e influyen en los modelos de negocio, productos y servicios de las organizaciones.
servicios (Tortorella et al., 2019; Urbinati et al., 2019). Varios sectores manufactureros han
tecnologías y principios I4.0 aplicados, como la automoción (LlopisAlbert et al., 2021),
farmacéutica (Reinhardt et al., 2020) y alimentaria (Kayikci et al., 2020).
La integración de las tecnologías I4.0 en el mantenimiento tradicional promueve la evolución de los existentes
prácticas y conceptos de mantenimiento, lo que permite flujos físicos y de información más eficientes
(Silvestri et al., 2020). El Mantenimiento Productivo Total (TPM) destaca entre los más
enfoques de mantenimiento comunes, con una mayor adopción en la década de 1990 (Ahuja y Khamba,
2008a). TPM tiene como objetivo maximizar la efectividad del equipo a lo largo de todo su ciclo de vida,
dependiendo en gran medida del compromiso de todos los niveles de la organización y la utilización de
prácticas complementarias (Nakajima, 1988). Fomenta la estabilidad del proceso manteniendo adecuadamente
equipos de producción, lo que lleva a averías y defectos de calidad menos frecuentes
(Wickramasinghe y Perera, 2016). Además, TPM combina diferentes componentes de
mantenimiento tradicional, que generalmente se divide en cuatro categorías (Coleman et al., 2017): reactivo
mantenimiento, mantenimiento planificado, mantenimiento proactivo y mantenimiento predictivo. Aquellos
Los tipos de mantenimiento se complementan entre sí para mejorar el rendimiento operativo y
presentan diferentes oportunidades al considerar su digitalización (Nowakowski et al., 2018).
Podría decirse que I4.0 podría impulsar las prácticas de mantenimiento mediante el uso de sensores integrados y rapidez.
procesamiento de datos, permitiendo el desarrollo de métodos innovadores y mejorando los equipos
http://mc.manuscriptcentral.com/jmtm
eficiencia y confiabilidad (AlNajjar et al., 2018; Klathae y Ruangchoengchum, 2019). Nuevo
tecnologías habilitadoras, como Internet de las cosas (IoT), computación en la nube, big data y
realidad aumentada, han ido impulsando las prácticas de mantenimiento, superando las tradicionales
desafíos y allanando el camino hacia enfoques novedosos (IBM, 2017). La integración tecnológica también
tiende a elevar las expectativas con respecto al desempeño del mantenimiento, ya que podría ayudar a mejorar
tiempos de mantenimiento, apoyar la toma de decisiones y minimizar los errores humanos (Re y Bordegoni,
2014; Mourtzis et al., 2020; 2021). Para apuntalar un proceso tan innovador, las empresas pueden
necesidad de revisar sus políticas de mantenimiento y las funciones de mantenimiento y producción.
empleados (Bokrantz et al., 2017; 2020). A pesar del frenesí relacionado con los posibles beneficios
desde I4.0 hasta el desempeño del mantenimiento (Mourtzis et al., 2020), la evidencia empírica aún es escasa
(Zonta et al., 2020). Además, faltan estudios que investiguen la integración entre
Tecnologías I4.0 y prácticas de TPM. Tal brecha motivó nuestro estudio, dando lugar a la
siguiente pregunta de investigación:
RQ. ¿Cuál es el papel de las tecnologías I4.0 en la relación entre las prácticas de TPM y
desempeño del mantenimiento?
Este estudio examina el efecto de las tecnologías I4.0 en la relación entre las prácticas de TPM
y desempeño del mantenimiento a través de una encuesta multinacional con 318 encuestados de
diferentes empresas manufactureras. Se aplicaron técnicas de datos multivariados para analizar la
informacion recolectada. Dado el propósito y la naturaleza de esta investigación, la fundamentamos conceptualmente en
la teoría de la Difusión de Innovaciones (DIT) (Rogers, 2003). DIT busca explicar cómo, por qué y
a qué ritmo se difunden nuevas ideas y tecnologías, argumentando que la difusión es un proceso por el cual
La innovación se comunica a lo largo del tiempo entre los participantes de un sistema social (Greenhalgh).
et al., 2004), como una organización de fabricación.
La contribución de este trabajo es triple. Primero, a medida que identificamos el impacto de las nuevas tecnologías.
sobre el desempeño del mantenimiento, permitimos visualizar las implicaciones de la implementación de I4.0
combinado con prácticas de TPM. La mayoría de los estudios sobre I4.0 y el rendimiento del mantenimiento (por ejemplo, Jain et
otros, 2015; Heo et al., 2019; Ayvaz y Alpay, 2021) investigan el tema bajo un enfoque estrecho
perspectiva, considerando la aplicación de tecnologías específicas en determinados contextos (Zenisek et
otros, 2019; Silvestri et al., 2020). Nuestro estudio cierra esa brecha al evaluar el nivel de adopción de
un amplio portafolio de tecnologías en varios sectores de la industria manufacturera y países.
En segundo lugar, proporcionamos evidencia para respaldar indicaciones teóricas que aún carecen de evidencia empírica.
validación. En tercer lugar, desde una perspectiva práctica, comprender cómo interactúan TPM e I4.0.
Hacia un mantenimiento más efectivo ayuda a los gerentes a anticipar las dificultades, establecer las medidas adecuadas.
expectativas junto con su implementación simultánea, y abordar contramedidas que puedan
aumentar el rendimiento del mantenimiento.
El resto del artículo se estructura de la siguiente manera. La sección 2 proporciona los antecedentes de la clave.
conceptos utilizados en esta investigación, como TPM, I4.0 y DIT. La sección 3 desarrolla las hipótesis.
investigado. En la sección 4 se describen los procedimientos metodológicos adoptados, cuyos resultados se
presentado en la sección 5 y discutido en la sección 6. La sección 7 concluye el artículo, proponiendo
futuras oportunidades de investigación.
2. Fondo
2.1. Mantenimiento productivo total (TPM)
El enfoque TPM se basa en ocho pilares (Nakajima, 1988; Jain et al., 2014): (i)
mantenimiento autónomo, (ii) mejora enfocada, (iii) mantenimiento planificado, (iv) calidad
mantenimiento, (v) educación y capacitación, (vi) medio ambiente, salud y seguridad, (vii) TPM de oficina,
y (viii) gestión del desarrollo (ver Figura 1). Investigadores (por ejemplo, Ahuja y Khamba,
2008a; Jain et al., 2015) afirman que la implementación conjunta de esos pilares puede mejorar la tienda
eficiencia del piso. Por ejemplo, Gupta y Garg (2012) informaron aumentos en la eficiencia entre
10 y 15% después de la adopción de TPM, mientras que Gupta y Vardhan (2016) indicaron una eficiencia
aumentará del 56% al 86%. Mientras que el mantenimiento tradicional tiende a ser más reactivo, TPM
Fomenta la implicación proactiva y la comunicación entre los empleados (Agustiady y
Cudney, 2018). TPM también mitiga la variabilidad del proceso, aumentando su previsibilidad y
estabilidad (Stone, 2012; Marodin y Saurin, 2013).
Figura 1 – Ilustración de los pilares de TPM
Muchos autores (por ejemplo, Shah y Ward, 2003; Furlan et al., 2011; Netland y Ferdows, 2014)
han verificado la asociación positiva entre la implementación de TPM y el funcionamiento operativo de la empresa.
desempeño a través de indicadores adecuados. La eficacia general del equipo (OEE) es la más
Indicador de desempeño ampliamente utilizado para monitorear el impacto de la implementación del TPM.
(McKone et al., 2001; Nallusamy y Majumdar, 2017). Definido como el producto de la disponibilidad,
métricas de rendimiento y calidad, OEE permite una visualización concisa del estado del proceso y
identificación de pérdidas relacionadas (Méndez y Rodríguez, 2017; Adesta et al., 2018). Otro
Las métricas de rendimiento también se han asociado con TPM en la literatura, por ejemplo, el tiempo medio hasta
reparación (MTTR), tiempo medio entre fallas (MTBF), tiempo medio hasta la falla (MTTF), así como
como indicadores de costos y seguridad (Ahuja y Khamba, 2008a; Agustiady y Cudney, 2018; Pascal
et al., 2019).
La implementación del TPM se lleva a cabo a través de prácticas cuyos tiempos y alcance están definidos por
el nivel de preparación de la empresa y los tipos de problemas que enfrenta (Ahuja y Khamba, 2008a;
Jain et al., 2014). La Tabla 1 consolida 31 prácticas de TPM ampliamente reportadas en la literatura.
Tres prácticas se destacaron en términos de número de citaciones: m1 – fomento de la propiedad del operador,
m2 – realizar limpieza, lubricación, ajuste, ajuste, inspección, reajuste en
equipos de producción, y m31 – iniciativas de mejora del mantenimiento. Los tres son parte del
Rutina de mantenimiento autónoma, que comprende actividades que se pueden realizar de forma independiente.
por los operadores (Ahuja y Khamba, 2008b; Wickramasinghe y Perera, 2016). La adopción
del mantenimiento autónomo se ha informado en muchos sectores industriales, caracterizando su
omnipresencia en contextos, por ejemplo, automoción (Guariente et al., 2017), semiconductores (Min
et al., 2011) y muebles (Miranda y Lopes, 2015). Las prácticas de mantenimiento autónomo son
también comúnmente priorizado en la implementación de TPM (Musman y Ahmad, 2018), lo que justifica la
elevado número de citas. En la oposición, la práctica menos mencionada fue m7 – grupos
se forman para resolver problemas específicos, lo cual es sorprendente considerando la importancia de
formar equipos multifuncionales para llevar a cabo actividades de resolución de problemas relacionados con
problemas de mantenimiento (Konecny y Thun, 2011, Sahoo, 2019). A pesar de las diferencias en las citas
frecuencias, las 31 prácticas en la Tabla 1 representan satisfactoriamente el espectro de TPM
implementación.
Tabla 1 – Consolidación de las principales prácticas de TPM
2.2. Industria 4.0 (I4.0)
I4.0 está marcado por procesos de automatización y digitalización altamente desarrollados y el uso de
electrónica y tecnologías de la información en la fabricación (Lu, 2017; Aaldering y Song,
2020). El movimiento I4.0 y sus tecnologías digitales asociadas han promovido importantes
y cambios rápidos en los entornos de fabricación (Salkin et al., 2018). Contemporáneo
desafíos de fabricación (por ejemplo, la necesidad de lograr eficiencia y eficacia, suministro complejo
cadenas, productos altamente personalizados y orientados a servicios, y mercados ágiles y receptivos;
LlopisAlbert et al., 2021; Hopkins, 2021) han sido abordados por el tiempo real
interconectividad entre procesos, productos, servicios y personas promovida por I4.0 (Jabbour
et al., 2019; Chiarini et al., 2020). Aunque se caracteriza principalmente por la amplia integración
de tecnologías disruptivas, la adopción de I4.0 también se basa en principios de diseño fundamentales,
tales como decisiones descentralizadas, transparencia de la información e interoperabilidad (Hermann et
otros, 2016; Ghobakhloo, 2018). En ese sentido, la I4.0 puede verse como un enfoque sociotécnico
que fomente la innovación en todos los niveles de la organización (Zheng et al., 2020).
Varios autores han intentado consolidar y agrupar las tecnologías I4.0 en conjuntos y
marcos de implementación. Por ejemplo, Fatorachian y Kazemi (2018) sugirieron una
marco teórico para la operacionalización de I4.0 en entornos productivos, alineado con el
Hoja de ruta de implementación de I4.0 propuesta por Ghobakhloo (2018). Frank y col. (2019) dividido I4.0
tecnologías en el frontend, lo que representa el propósito de la aplicación final para el valor de las empresas.
tecnologías de cadena y base que permiten que las tecnologías frontend se conecten de forma completa
sistema integrado de fabricación. Siguiendo esa propuesta, Tortorella et al. (2020a)
validó empíricamente el conjunto de tecnologías base para incluir big data, IoT, computación en la nube,
y aprendizaje automático. Complementariamente, Tortorella et al. (2021a) sugirieron agrupar I4.0
tecnologías de acuerdo con su énfasis en los flujos de valor de las empresas en procesos o
Orientado al producto/servicio. Siguiendo a Aceto et al. (2018) propuesta de agrupación I4.0
tecnologías según sus funcionalidades y roles, Tortorella et al. (2020b) propusieron dos
paquetes: (i) sensorescomunicación, incluidas tecnologías para la recopilación de datos y
transmisión, y (ii) procesamientoactuación, incluyendo tecnologías que permitan transformar la
información previamente adquirida y comunicada en decisiones o acciones necesarias en el
procesos.
Aunque las agrupaciones de tecnologías I4.0 pueden variar según el fundamento de la clasificación, la
La cartera de tecnologías cubiertas en esos estudios tiende a ser consistente. La tabla 2 consolida
nueve tecnologías principales I4.0. Los más citados son t2 – IoT, t3 – big data y t4 – computación en la nube.
que puede justificarse por su papel crucial en el establecimiento de una base fundamental sobre la cual
Se pueden desarrollar otras tecnologías (Frank et al., 2019; Narayanamurthy y Tortorella,
2021). Por el contrario, la evidencia sobre el uso de t7 (robots colaborativos) parece más escasa
aunque los estudios sobre su aplicación (p. ej., Heo et al., 2019; Weckenborg et al., 2019) informaron una
impacto positivo en el desempeño operativo.
Tabla 2 – Tecnologías I4.0 reportadas en la literatura
En concreto, la integración de I4.0 en el mantenimiento ha sido un tema de interés de investigadores y
practicantes. Las tecnologías I4.0 permiten adoptar estrategias de mantenimiento innovadoras y
optimizar los enfoques actuales (Silvestri et al., 2020). Por ejemplo, Tortorella et al. (2021b)
analizó cómo se ha integrado I4.0 en cuatro fabricantes de diferentes sectores,
lo que indica que las barreras y los impulsores de dicha integración pueden variar. Además, el uso de I4.0
Las tecnologías y los dispositivos inteligentes permiten un aumento en la generación de datos, lo que requiere una mayor
procesamiento y análisis para respaldar decisiones asertivas de mantenimiento (Mourtzis et al., 2016). El
La arquitectura 8C propuesta por Jiang (2018) es una guía útil para construir el ciberfísico.
sistema para fábricas inteligentes, centrándose en la integración tanto vertical como horizontal. Eso es
particularmente relevante para el desarrollo de las actividades de mantenimiento ya que su efectividad
se basa en la consideración adecuada de todos los aspectos organizativos.
2.3. Difusión de la teoría de la innovación
La teoría de la difusión de la innovación (DIT) fue discutida por primera vez en 1903 por Gabriel Tarde.
(Toews, 2003), quienes trazaron la curva de difusión en forma de S original, seguida por Ryan y Gross
(1943), quienes introdujeron las categorías de adoptantes que luego se utilizaron en la teoría actual.
popularizado por Rogers (2003). DIT se refiere al proceso por el cual personas y organizaciones adoptan
una nueva idea, producto, práctica, tecnología o filosofía. Rogers (2003) argumentó que una inicial
pocos están abiertos a la innovación y adoptan su uso en la mayoría de los casos. Como estos pocos primeros innovadores
"corren la voz", otros los siguen, lo que conduce a un desarrollo de masa crítica. Con el tiempo, el
La innovación se difunde entre la población hasta que se alcanza un punto de saturación.
(Kaminski, 2011). Así, se identificaron cinco categorías de adoptadores de innovación: (i) innovadores,
(ii) primeros adoptantes, (iii) mayoría temprana, (iv) mayoría tardía y (v) rezagados. A menudo existe la
Adición de una sexta categoría denominada no adoptantes.
Además, cinco atributos principales del DIT afectan la tasa de adopción de innovaciones; a saber
(MustonenOllila y Lyytinen, 2003; Greenhalgh et al., 2004): (i) ventaja relativa, (ii)
compatibilidad, (iii) complejidad, (iv) capacidad de prueba y (v) observabilidad. Ventaja relativa se refiere
al grado en que la innovación se percibe como superior a la práctica actual.
La compatibilidad es el grado en que se percibe que la innovación es consistente con las condiciones sociales.
valores culturales, ideas previas y/o necesidades percibidas. La complejidad denota el grado en que
una innovación es difícil de utilizar o comprender. La capacidad de prueba es el grado en que la innovación
se puede experimentar de forma limitada. La observabilidad se refiere al grado en que los resultados de
una innovación son visibles para los posibles adoptantes.
Los resultados finales de la difusión de la innovación son su adopción, implementación y
institucionalización (Murray, 2009). Una organización puede (i) adoptar una innovación en el
decisión de adquirir la innovación, (ii) implementarla poniéndola en práctica y probándola, y
(iii) institucionalizarlo incorporándolo plenamente a las rutinas organizativas (Oldenburg et
otros, 1999; Dusenbury y Hansen, 2004). También hay otro resultado potencial de la
difusión de la innovación, que es la "difusión fallida". Se refiere a la difusión de una innovación.
que no fue adoptado plenamente debido a sus debilidades, competencia de otras innovaciones o simplemente
una falta de conciencia (Rogers, 2003).
3. Desarrollo de hipótesis
La integración de I4.0 en el mantenimiento podría verse facilitada por la colaboración activa
entre el personal de producción y mantenimiento (Rødseth et al., 2017), permitiendo pasar de
averías y mantenimiento periódico hasta políticas de mantenimiento predictivo y proactivo
(Mosyurchak et al., 2017). Eso ayuda a optimizar la programación de mantenimiento al detectar la máquina.
debilidades en una etapa temprana (Felsberger et al., 2020). Se espera que las tecnologías I4.0 admitan
la adopción de enfoques de mantenimiento innovadores, aprovechando las prácticas actuales. Para
Por ejemplo, el análisis de datos y las simulaciones de mantenimiento podrían mejorar la planificación y la
Predicción de las etapas del ciclo de vida de los componentes. Al mismo tiempo, la realidad aumentada podría proporcionar
Orientación más clara para diagnosticar e inspeccionar máquinas (Silvestri et al., 2020). Además,
Las tecnologías disruptivas I4.0, como IoT y la computación en la nube, pueden permitir la implementación efectiva
Monitoreo de las condiciones de operación que conducen a decisiones más asertivas sobre el equipo.
(Mourtzis y Vlachou, 2018; Zheng et al., 2020).
Sin embargo, Palmarini et al. (2018) enfatizaron que algunos problemas técnicos aún impiden que I4.0
tecnologías (por ejemplo, realidad aumentada) se adopten en aplicaciones industriales. Real
Las implementaciones mundiales aún son raras debido a la falta de datos de monitoreo de alta calidad y a la poca
experiencia práctica con I4.0 (Zenisek et al., 2019) que podría socavar la percepción de
sus beneficios en las actividades de mantenimiento (Frank et al., 2019). La alta complejidad, la automatización,
y la flexibilidad de una fábrica inteligente plantean nuevos desafíos para los ingenieros de confiabilidad y seguridad
(Yan et al., 2017), quienes deben integrar I4.0 en las prácticas de mantenimiento existentes con el objetivo de lograr una mayor
rendimiento y disponibilidad del equipo. Esos aspectos plantean dudas sobre los efectos del I4.0
tecnologías sobre el rendimiento del mantenimiento y su integración fluida con los existentes
prácticas de mantenimiento.
Como señala Sahin (2006), muchos estudios sobre DIT involucran innovaciones tecnológicas, como
que la palabra "tecnología" se utiliza comúnmente como sinónimo de "innovación". Esos estudios
También enfatizamos la importancia de la comunicación y la creación de redes entre pares dentro del proceso de adopción.
(Kaminski, 2011). En ese marco, cuando los individuos no identifican (o identifican mal) el DIT
atributos de una tecnología, es probable que su tasa de adopción se vea comprometida. A pesar del crecimiento del I4.0
comprensión, Fettermann et al. (2018) y Tortorella et al. (2021b) argumentó que los académicos
y los profesionales todavía presentan dificultades para comprender sus conceptos. Como integrar tecnologías I4.0
en los fabricantes es un proceso innovador (Lorenz et al., 2020), está sujeto a la
incertidumbres de innovación planteadas por DIT, que pueden ocurrir independientemente de la madurez de la empresa
en términos de enfoques de gestión existentes, como el TPM. En este contexto y para mejorar
Investigamos el papel que desempeñan las tecnologías I4.0 en la mejora del mantenimiento.
formuló las siguientes hipótesis:
H1: La adopción de tecnologías I4.0 impacta positivamente el desempeño del mantenimiento.
H2: La adopción de tecnologías I4.0 modera positivamente el impacto de las prácticas de TPM en
desempeño del mantenimiento.
4. Método
Adoptamos un enfoque empírico para adquirir conocimiento a través de observación directa/indirecta o
experiencia (Goodwin, 2005). Recopilamos datos a través de un método basado en encuestas debido a su alto
nivel de representatividad, bajo costo, relevancia estadística potencial y estímulo estandarizado
a todos los encuestados (Montgomery, 2013). La cuantificación de la evidencia empírica reunida
de encuestados que satisfacen criterios de selección predeterminados es un procedimiento que frecuentemente
informado en investigaciones similares (p. ej., Marodin et al., 2018; Li et al., 2019). El método propuesto
consta de cuatro pasos principales (ver Figura 2): (i) selección de muestras y recopilación de datos; (ii)
desarrollo de instrumentos; (iii) validez y confiabilidad de constructo; y (iv) análisis de datos. Detalles
Estos pasos se proporcionan posteriormente.
Figura 2 – Pasos del método propuesto
4.1. Selección de muestras y recopilación de datos.
Se realizó una encuesta transnacional con encuestados de quince países: Brasil, Chile,
México, Argentina, Uruguay, España, Italia, Australia, Kuwait, Omán, Emiratos Árabes Unidos,
Arabia Saudita, India, Marruecos y Qatar. Según lo sugerido por Bhaskaran y Sukumaran (2007)
y Kull et al. (2014), la cultura nacional puede influir no solo en las prácticas de gestión
las empresas tienden a adoptar, sino también su extensión, lo que justifica la diversidad de los países incluidos en la muestra.
Se siguió un enfoque no aleatorio para recopilar los datos de los encuestados que cumplían pre
criterios de selección establecidos (Smith, 1983).
En primer lugar, nos dirigimos a profesionales que trabajaban en empresas manufactureras de tamaño mediano y grande.
empresas que ya implementaron TPM e iniciaron la adopción de tecnologías I4.0.
En segundo lugar, los encuestados deben pertenecer a departamentos de mantenimiento o departamentos que directamente
se relacionan con actividades de mantenimiento en sus empresas (por ejemplo, producción e ingeniería),
visualizar y comprender las especificidades relacionadas con las prácticas de mantenimiento. En tercer lugar, debido a
amplio alcance de los enfoques TPM e I4.0, nos dirigimos a encuestados de diferentes
niveles organizacionales, es decir, operativo (por ejemplo, técnicos, analistas e ingenieros), táctico (por ejemplo,
supervisores y coordinadores) y estratégicos (por ejemplo, gerentes y directores). tal requisito
debería proporcionar una percepción más holística de la implementación tanto de TPM como de I4.0.
Teniendo en cuenta la omnipresencia dispersa de ambos enfoques en todo el espectro industrial,
no centramos nuestra recopilación de datos en un sector industrial específico, lo cual es un enfoque común en
estudios de naturaleza similar (p. ej., Marodin et al., 2016; Tortorella y Fettermann, 2018).
La recopilación de datos se produjo durante marzo y abril de 2021 y fue realizada por líderes
investigadores de las regiones seleccionadas. El acceso a las empresas se vio facilitado por un sistema existente
red establecida por los autores y utilizada en actividades de investigación y estudios anteriores,
aumentando la tasa de respuesta. Este experimentado grupo de autores ha estado colaborando en
investigación orientada a la industria durante las últimas décadas, lo que ha permitido el desarrollo de una extensa
red. Cada autor utilizó sus contactos para enviar el cuestionario de forma electrónica o física,
dependiendo de las preferencias y conveniencia. Se envió un correo electrónico de invitación a posibles
A los encuestados se les indica que evalúen las respuestas para que coincidan con su nivel de conocimiento sobre TPM.
prácticas y tecnologías I4.0, de modo que las respuestas en blanco denotarían conocimientos insuficientes
sobre los artículos presentados. En la invitación se indicó que la participación era voluntaria.
y anónimo y que no hubo respuestas erróneas. En total, 1.353 practicantes fueron
contactados, 318 de los cuales proporcionaron respuestas completas, lo que llevó a una tasa de respuesta del 23,5%, superior a
la tasa habitual del 15% típica de los estudios basados en encuestas, según Hair et al. (2014). Falta de respuesta
El sesgo se comprobó mediante el procedimiento de Armstrong y Overton (1977). Para evaluar las diferencias en
respuestas tempranas y tardías recopiladas en marzo (n1 = 129) y abril (n2 = 189), respectivamente,
utilizó la prueba de Levene para la igualdad de varianzas y una prueba t para la igualdad de medias. No
Se encontraron diferencias significativas en las medias y varianzas de los dos grupos.
El Apéndice A ofrece una descripción completa de las características de la muestra. Hay un predominio
de los encuestados de economías emergentes (76,7%), el 52,2% de ellos trabajan para grandes empresas
empresas (> 500 empleados), 74,8% con más de cinco años de experiencia laboral. 31,8% de
los encuestados eran técnicos, analistas o ingenieros, el 25,8% eran supervisores o
coordinadores y el 42,4% gerentes o directores. El 50,6% de las empresas han sido
implementando TPM durante más de cinco años. Particularmente en lo que respecta a la tecnología de la empresa.
intensidad, Tortorella et al. (2021a) sugirieron que esta variable puede influir positivamente en I4.0
adopción. Por lo tanto, clasificamos a los encuestados en dos categorías según la tecnología.
intensidad de los sectores industriales a los que pertenecen, según indica la Organización para
Cooperación y Desarrollo Económicos (OCDE) (2011): (i) alto y medioalto, y (ii)
baja y mediabaja. El 50,3% de los encuestados pertenecía a sectores industriales de baja y media
Baja intensidad tecnológica.
4.2. Desarrollo de instrumentos
El cuestionario tenía cuatro partes (ver Apéndice B), como sigue:
Parte 1: recopilamos datos sobre los encuestados y sus respectivas empresas, lo que permitió
identificar el perfil demográfico de la muestra;
Parte 2: pedimos a los encuestados que calificaran el nivel de adopción de las 31 prácticas de TPM enumeradas.
en la Tabla 1 en sus empresas utilizando una escala de cinco puntos, en la que 1 indicó "no adopción"
y 5' adopción plena';
Parte 3: pedimos a los encuestados que calificaran el nivel de adopción de las 9 tecnologías I4.0 enumeradas.
en la Tabla 2 en sus empresas usando la misma escala de la parte 2. Aunque reconociendo
que el concepto de I4.0 trasciende la estricta integración de tecnologías novedosas, utilizamos
ellos como un proxy para la implementación de I4.0, que es un enfoque común en los estudios sobre
el sujeto (p. ej., Dalenogare et al., 2018; Rossini et al., 2019); y
Parte 4: se pidió a los encuestados que evaluaran la mejora del desempeño de sus empresas.
en los últimos dos años utilizando una escala Likert de 5 puntos que varía de 1 (empeoró significativamente)
a 5 (significativamente mejorado), donde 3 denota la situación neutral. Desde TPM
La implementación tiende a estar directamente relacionada con el desempeño del mantenimiento, seis
En la parte 4 se utilizaron indicadores interrelacionados, como lo sugieren McKone et al. (2001), Ahuja
y Khamba (2008a), Nallusamy y Majumdar (2017), Agustiady y Cudney (2018),
y Pascal et al. (2019); son MTTR, MTBF, MTTF, OEE, costo y seguridad (lesiones
y accidentes de trabajo). Las variaciones en el desempeño son más fáciles de evaluar mediante
encuestados, y el uso de dicha información aumenta la validez de las respuestas (Tortorella
et al., 2019).
Cuatro expertos académicos en I4.0 y TPM preevaluaron el cuestionario para verificar su apariencia y
validez de contenido, como sugiere Kothari (2004). Se realizaron correcciones menores en taxonomía.
Se sugiere para una mayor claridad de los elementos. A medida que recopilamos datos utilizando escalas psicométricas,
La variación del método común podría ser un problema (Huber y Power, 1985). Algunas contramedidas
se abordaron para evitarlo. En cuanto al diseño del cuestionario, las variables dependientes fueron
presentados lejos de ser variables independientes (Podsakoff y Organ, 1986), y el anonimato y
La confidencialidad del estudio se anunció de antemano a los participantes, quienes también
informó que no había respuestas incorrectas (Podsakoff et al., 2003). En cuanto a estadística
En los controles, se realizó la prueba de factor único de Harman utilizando todas las variables del estudio (Malhotra et al.,
2006), resultando un primer factor que explica el 29,5% de la varianza total. Esta prueba demostró que
ningún factor explicó la mayor parte de la variación en las respuestas; por lo tanto, el sesgo del método común
fue ignorado.
4.3. Validez y confiabilidad de constructos.
Realizamos tres análisis factoriales exploratorios (AFE) utilizando el componente principal (PC)
extracción para identificar constructos basados en las respuestas recopiladas (Fabrigar et al., 1999). El
La utilización de AGE está indicada cuando no existen hipótesis a priori sobre los componentes o
patrones en los ítems medidos (Finch y West, 1997).
La primera EFA se realizó sobre los indicadores de desempeño del mantenimiento (variable dependiente).
Usando una rotación Varimax, obtuvimos la primera PC (con un valor propio asociado de 3.148 y
representa el 52,47% de la varianza total) con todas las cargas superiores a 0,45 (Hair et al.,
2014), como se muestra en la Tabla 3. La confiabilidad del constructo se probó mediante el alfa de Cronbach, que
resultó en 0,823 para el constructo e indicó una alta confiabilidad en las respuestas (Meyers et al.,
2006).
Tabla 3 – EFA para validar el constructo de desempeño del mantenimiento
La segunda EFA se realizó a partir de respuestas sobre el nivel de adopción de las 31 prácticas de TPM.
para identificar construcciones de TPM. Después de rotar los ejes usando Varimax, el análisis resultó en cuatro
componentes con valores propios asociados superiores a 1,0 y que representan el 53,68% de la
variación total. El análisis se replicó utilizando una rotación oblicua de ejes para probar
ortogonalidad, lo que resulta en componentes similares. Valores alfa de Cronbach para los cuatro constructos
fueron superiores a 0,6 (Meyers et al., 2006), lo que confirma la fiabilidad de las respuestas. Nosotros
excluyó cuatro prácticas cuyas cargas factoriales no alcanzaron el umbral de 0,45 (Hair et al., 2014)
en cualquiera de los componentes. Las cargas factoriales restantes indicaron constructos de cuatro prácticas.
(variables independientes), como se muestra en la Tabla 4. Fueron etiquetadas según su aplicación
enfoque y pilar correspondiente de TPM.
El primer constructo agrupó prácticas orientadas a mejorar la calidad (p. ej., m14 – lograr cero
defectos) e incorporar efectivamente las lecciones aprendidas en el desarrollo de nuevos sistemas
(por ejemplo, m30 : utilizar el aprendizaje de los sistemas existentes en sistemas nuevos). Según Nakajima
(1988), dos pilares del TPM presentan esos roles: (i) mantenimiento de la calidad y (ii) desarrollo
gestión, respectivamente. Por lo tanto, el primer constructo se denominó "calidad y desarrollo".
mantenimiento' (QDM). El segundo constructo agrupó prácticas relacionadas con el mantenimiento planificado.
(p. ej., m11 – establecimiento de hojas de verificación de mantenimiento preventivo) y mejoras enfocadas (p. ej.,
m5 – identificación sistemática y eliminación de pérdidas), que representan dos pilares del TPM
(Adesta et al., 2018). Por lo tanto, el segundo constructo se denominó "mantenimiento planificado y enfocado".
(PFM). Dado que el tercer constructo agrupa principalmente prácticas enfocadas a mejorar la seguridad,
salud y medio ambiente (p. ej., m21 – garantizar un entorno de trabajo seguro, y m23 – eliminar
incidentes de lesiones y accidentes), fue etiquetado como "medio ambiente, salud y seguridad
mantenimiento' (EHSM). El cuarto constructo agrupó prácticas que fomentan que los empleados
realizar de forma autónoma inspecciones, lubricaciones y reparaciones menores en sus equipos (p. ej., m2
– realizar limpieza, lubricación, ajuste, ajuste, inspección, reajuste en producción
equipo) mejorando sus habilidades y experiencia técnica (por ejemplo, m20 – habilidad periódica
evaluación y actualización). Las prácticas en el constructo corroboran con conceptos inherentes al
pilar de TPM 'mantenimiento autónomo' (AM) (Jain et al., 2014); de ahí que fuera etiquetado como tal.
Tabla 4 – EFA para validar las construcciones de TPM
El último EFA se realizó a partir de respuestas sobre el nivel de adopción de las nueve tecnologías I4.0
presentado en el cuestionario. Al igual que en EFA anteriores, utilizamos una rotación Varimax para
Identifique el número de PC con valores propios mayores que 1,0. Como se muestra en la Tabla 5, dos
Se identificaron componentes (con valores propios asociados de 3,647 y 1,367), que representan
55,7% de la varianza total. Replicamos el análisis realizando una rotación oblicua para
verificación de ortogonalidad, extrayendo componentes similares. Desde su asociado Cronbach
los valores alfa estaban por encima de 0,6, la fiabilidad estaba garantizada. Los constructos fueron nombrados basándose en la
análisis de cargas factoriales. Como las tecnologías I4.0 se agruparon de manera similar a la propuesta en
Tortorella et al. (2020b), adoptamos las etiquetas propuestas: (i) 'comunicación sensorial'
(SENS_COMM) para las tecnologías de agrupación de constructos destinadas a la recopilación e intercambio de datos.
(por ejemplo, sensores inalámbricos y computación en la nube) y 'procesamiento y actuación' (PROC_ACT) para
el constructo agrupa tecnologías que procesan información y sistemas de control basados en este
información.
Tabla 5 – AGE para validar los constructos I4.0
4.4. Análisis de los datos
En este paso se obtuvieron modelos de regresión lineal jerárquica de mínimos cuadrados ordinarios (OLS).
examinar las hipótesis inicialmente formuladas y mostradas en la sección 3. En MCO, se desconocen
Los parámetros de un modelo de regresión lineal se estiman utilizando un método de mínimos cuadrados lineales. OLS
Determina los parámetros asociados con las variables explicativas de una función lineal mediante la
principio de mínimos cuadrados, es decir, minimizar la suma de los cuadrados de las diferencias entre
los valores observados de la variable dependiente y los predichos por la función lineal de la
variable independiente (Myers y Myers, 1990). Una fórmula simple puede expresar el resultado
estimadores.
Las variables de entrada correspondieron a las construcciones de las EFA, de modo que el promedio ponderado de las variables originales
Las respuestas para los ítems de cada constructo se calcularon utilizando su factor correspondiente.
cargas como pesos. Los resultados resultantes se estandarizaron. Eso también permitió informar la
coeficientes no estandarizados de los modelos de regresión ya que representan un efecto estandarizado
(Goldsby et al., 2013). La multicolinealidad también se verificó determinando la inflación de la varianza.
factores (VIF) asociados a cada variable; todos los valores VIF estaban por debajo del umbral de 5,0
(Belsley et al., 2005).
Se probaron tres modelos de regresión, utilizando siempre el desempeño del mantenimiento como factor dependiente.
variable. En el Modelo A, se realizó una regresión del desempeño del mantenimiento en las cuatro variables de control.
(contexto socioeconómico, intensidad tecnológica del sector industrial, tamaño de la empresa y tiempo de
Adopción de TPM). El modelo B incluía el efecto directo de las variables independientes, es decir, los dos
Construcciones I4.0 y las cuatro construcciones TPM. En el Modelo C, agregamos los efectos moderadores de
las dos tecnologías I4.0 (términos de interacción). Todos los modelos fueron probados inicialmente usando maniquíes.
variables para el sector industrial y el país, ya que pueden influir en el nivel de preparación de ambos.
I4.0 y TPM. Sus coeficientes no fueron significativos y fueron eliminados de los modelos.
en la Tabla 6.
Siguiendo las indicaciones de Hair et al. (2014), realizamos normalidad, linealidad y
controles de homocedasticidad. La normalidad de la distribución de los términos de error se verificó utilizando el
Prueba de Kolmogorov Smirnov, que da como resultado valores de p > 0,05 para todos los modelos. Se verificó la linealidad.
utilizando gráficos de la regresión parcial para cada modelo. Finalmente, los residuos estandarizados fueron
trazado contra los valores predichos que permiten el examen visual de la homocedasticidad. Todo
Los procedimientos confirmaron las condiciones necesarias para los análisis de regresión MCO.
5. Resultados
El Cuadro 6 presenta los coeficientes de los modelos de regresión MCO. Aunque los tres modelos
fueron significativas, sumando tanto las variables independientes como los términos de interacción (Modelo C)
Mejoró la capacidad de predicción de la mejora del desempeño del mantenimiento. Cuando comparado
Respecto a los Modelos A y B, el Modelo C presentó un cambio importante en el valor del R2 , explicando el 41,4%
de la varianza en el conjunto de datos (valor F = 11,468; valor p <0,01). En el modelo C, sin control.
La variable mostró un efecto significativo en la mejora percibida del mantenimiento.
actuación. De manera similar, SENS_COMM y QDM no mostraron efectos directos significativos. En
En oposición, cuatro variables independientes mostraron efectos directos positivos significativos; ellos son:
PROC_ACT ( = 0,215; valor p < 0,01), AM ( = 0,241; valor p < 0,01), PFM ( = 0,150; p
valor < 0,10) y EHSM ( = 0,155; valor p < 0,05). Como encontramos una asociación positiva
entre las tecnologías PROC_ACT y el rendimiento del mantenimiento, sostenemos que H1 fue
parcialmente apoyado.
Sobre los efectos moderadores de las tecnologías I4.0 en la relación entre TPM
prácticas y mejora del desempeño del mantenimiento, identificamos dos importantes
interacciones: (i) PFM y SENS_COMM (= 0,132; valor de p <0,10), y (ii) EHSM y
SENS_COMM (= 0,206; valor p < 0,01). Aunque SENS_COMM no mostró un
efecto directo significativo, las tecnologías en el constructo parecen tener un papel importante como
moderadores de ciertas prácticas de TPM. De hecho, encontramos que la moderación varía (es decir,
mostrando efectos positivos y negativos) dependiendo de la construcción TPM, como se ilustra en
Figura 3, apoyando parcialmente a H2. En general, algunos de nuestros resultados convergieron a las expectativas, mientras que
otros contradecían estudios anteriores. Vale la pena discutir ambos. La figura 4 resume la
relaciones verificadas empíricamente en nuestro estudio.
Tabla 6 – coeficientes para análisis de regresión jerárquica
Figura 3 – Moderación de las tecnologías SENS_COMM sobre el efecto de las prácticas de EHSM y PM en el mantenimiento
actuación
Figura 4 – Relaciones validadas empíricamente
6. Discusión
El efecto directo de SENS_COMM en el desempeño del mantenimiento no fue significativo en el modelo
C, lo cual fue algo sorprendente. La cantidad de datos recopilados de los procesos de producción.
ha aumentado significativamente debido a la amplia utilización de tecnologías de detección (Sun et al., 2021).
Cuando se procesan y analizan, dichos datos pueden transformarse en información valiosa y
conocimiento (Carvalho et al., 2019). Las tecnologías SENS_COMM permiten la adquisición de datos y
transmisión, interconectando personas, materiales y equipos (Tortorella et al., 2020b),
aunque no implica necesariamente la adopción de medidas. Como tal, las tecnologías SENS_COMM son
probablemente sean facilitadores de otras actividades, como la planificación del mantenimiento predictivo (Civerchia
et al., 2017; Ayvaz y Alpay, 2021) y evaluaciones de riesgos (Takeda et al., 2016; Lai et al.,
2019), que utilizan datos para respaldar decisiones y acciones. Esto converge con indicaciones de
DIT de Rogers (2003), es decir, que las tecnologías que sirven como base de información para las decisiones
tienden a mostrar un nivel más bajo de observabilidad (es decir, visibilidad de los resultados de la innovación para otros),
lo que puede afectar su tasa de adopción. Esta menor observabilidad puede justificar por qué
SENS_COMM presentó un papel moderador más destacado en lugar de afectar directamente
desempeño del mantenimiento.
A pesar de la falta de impacto directo, nuestros hallazgos indicaron que las tecnologías SENS_COMM han
un papel moderador relevante en la relación entre I4.0 y el desempeño del mantenimiento;
sin embargo, este papel varió. Mientras que la interacción entre SENS_COMM y EHSM positivamente
rendimiento de mantenimiento afectado (como se planteó inicialmente en la hipótesis H2), SENS_COMM
Las tecnologías moderan negativamente el efecto de la GFP. Una explicación para tan contradictorio
Los resultados pueden estar asociados con los hallazgos de Carvalho et al. (2019), quienes sugirieron que el
El efecto de las tecnologías de detección en el mantenimiento depende en gran medida de su elección adecuada.
y aplicación. Las tecnologías SENS_COMM permiten adquirir y comunicar grandes
cantidades de datos, que a veces pueden sobrecargar a los responsables de la toma de decisiones que carecen de la información adecuada.
competencias para interpretarlos, creando capas adicionales de incertidumbre y conduciendo a
decisiones equivocadas. Wan et al. (2017) enfatizaron que las tareas de GFP en el contexto de I4.0 aún
imponer desafíos, como el análisis eficiente del mantenimiento planificado en tiempo real,
predicción de la vida útil de los equipos y detección temprana de problemas. SENS_COMM
Las tecnologías permiten una mejor comprensión de los comportamientos anormales en los sistemas de producción, que
Es fundamental adoptar un enfoque de mantenimiento proactivo en lugar del tiempo convencional.
estrategias basadas en la GFP (Santos et al., 2015). Eso lleva a un cambio de paradigma.
hacia el mantenimiento basado en la condición (CBM), ya que las decisiones ahora se basan en el uso de una gran cantidad de
conjunto de datos diverso y dinámico para optimizar los costos operativos (Ahmad y Kamaruddin, 2012).
El cambio a CBM podría percibirse como una reducción del atributo de compatibilidad de SENS_COMM.
tecnologías (es decir, el grado en que una innovación se percibe como consistente con la tecnología existente).
valores, experiencias pasadas y necesidades de los posibles adoptantes; Rogers, 2003), justificando así la
efecto de moderación negativo.
El efecto directo positivo de las tecnologías PROC_ACT (por ejemplo, impresión 3D, robots colaborativos,
máquina/aprendizaje profundo y realidad aumentada) sobre el desempeño del mantenimiento está alineado con
la literatura. Según Tortorella et al. (2020b), PROC_ACT comprende tecnologías que
permitan transformar la información previamente adquirida y comunicada en decisiones o
Acciones requeridas. De manera similar, las tecnologías PROC_ACT pueden verse como el "hardware"
componente de I4.0, que según Rogers (2003), es la herramienta que materializa la tecnología
en forma de un objeto material o físico. Cada tecnología PROC_ACT puede tener un diferente
impacto en el desempeño del mantenimiento. Por ejemplo, Asfour et al. (2018) informaron utilizar
Robots colaborativos para realizar actividades de mantenimiento complejas y riesgosas en el sector industrial.
entornos en paralelo con los trabajadores humanos, mejorando su seguridad. Ingenio y col. (2016)
afirmó que la impresión 3D (o fabricación aditiva) podría reducir significativamente el diseño y
tiempos de producción de repuestos personalizados para mantenimiento, lo que supone una reducción de costes y una
MTTR potencialmente más bajo. Mourtzis et al. (2020) desarrollaron un marco para respaldar el acceso remoto
operación de mantenimiento y reparación basada en realidad aumentada, reduciendo el MTTR y
mejorando en consecuencia la OEE. Nuestros resultados corroboran esos hallazgos.
Las tecnologías PROC_ACT muestran un efecto directo significativo en el desempeño del mantenimiento, pero
sin efectos moderadores significativos. Este resultado contradice trabajos anteriores que consideraban
Tecnologías PROC_ACT, como el aprendizaje automático (Susto et al., 2014; Zenisek et al., 2019;
Kaparthi y Bublauskas, 2020), como apoyo a las actividades de mantenimiento. Nuestro resultado puede ser
justificado por el concepto de ventaja relativa del DIT (es decir, el grado en que una innovación es
percibido como mejor que la idea que reemplaza; Sahin, 2006) y la categorización de
innovaciones. Para Rogers (2003), la ventaja relativa es el predictor más fuerte del éxito de una innovación.
índice de adopción. A diferencia de las innovaciones preventivas, cuya ventaja relativa es muy incierta,
Las innovaciones incrementales (por ejemplo, la adopción de tecnologías PROC_ACT) proporcionan beneficios
resultados rápidamente. Este destacado efecto a corto plazo de las tecnologías PROC_ACT en
El desempeño del mantenimiento puede anular su percepción como moderadores, socavando la
identificación de cualquier interacción significativa con las prácticas de TPM.
7. Conclusiones
Esta investigación investigó el efecto de las tecnologías I4.0 en la relación entre TPM
prácticas y desempeño del mantenimiento. Encontramos que las tecnologías I4.0 presentan tanto
y efectos moderadores sobre la mejora del desempeño del mantenimiento. sin embargo, el
La extensión de esos efectos varía según las prácticas de TPM y las tecnologías I4.0.
involucrados, lo que está en línea con la teoría de la Difusión de Innovaciones (DIT). Nuestros resultados presentan
implicaciones tanto para la teoría como para la práctica.
En términos teóricos, esta investigación contribuye a comprender el papel del I4.0 para
mejora del rendimiento del mantenimiento. El examen de cómo derivaron las nuevas tecnologías.
La influencia de I4.0 en las prácticas existentes de TPM aún no se ha explorado lo suficiente. DIT proporciona una valiosa
lente teórica para cerrar esa brecha. Aportamos evidencia empírica para apoyar el análisis de
Relaciones entre TPM e I4.0, explicadas a la luz del DIT. Argumentamos que las tecnologías
Las características relacionadas con algunos atributos de la innovación podrían determinar el éxito de la innovación.
Integración entre TPM e I4.0. Más concretamente, el alcance del papel moderador del I4.0
sobre la relación entre TPM y el desempeño del mantenimiento parece verse afectado principalmente
por las percepciones relacionadas con la ventaja relativa, la compatibilidad y la observabilidad de I4.0
tecnologías. Garantizar que esos atributos se perciban adecuadamente parece clave para favorecer una
moderación positiva de las tecnologías I4.0. Nuestro estudio proporciona evidencia inicial hacia la
Digitalización de las prácticas de TPM. No conocemos estudios similares sobre este tema,
destacando un aporte único de esta investigación.
En términos prácticos, nuestra investigación mostró que la implementación conjunta de TPM e I4.0 podría
conducir a un mayor rendimiento de mantenimiento. Esto es especialmente cierto cuando se combina TPM
prácticas enfocadas en medio ambiente, salud y seguridad con tecnologías I4.0 que apuntan a
detectar y comunicar datos en toda la organización. Encontramos que no todas las interacciones entre
TPM e I4.0 impactan significativa y positivamente el desempeño del mantenimiento y la medición
Expectativas de los gerentes con respecto a la integración de las tecnologías I4.0 en las prácticas de TPM y
permitiendo priorizar esfuerzos y anticipar problemas potenciales. Además, el
efecto negativo de la interacción entre las tecnologías de detección y comunicación y
Las prácticas de mantenimiento planificadas y enfocadas resaltan la necesidad de que las empresas adapten sus
prácticas existentes para lograr resultados superiores (por ejemplo, pasar de un sistema convencional basado en el tiempo)
mantenimiento planificado a un enfoque proactivo en tiempo real). En otras palabras, el éxito
La digitalización de TPM no es sólo una cuestión de incorporar nuevas tecnologías a los sistemas actuales.
prácticas; también depende de la revisión de las prácticas existentes para adaptarlas adecuadamente para hacer frente a
las ventajas que planteó la Cuarta Revolución Industrial.
Concluimos señalando algunas de las limitaciones de nuestro estudio. El primero se refiere a lo habitual.
limitaciones de la investigación por encuestas con un solo encuestado. Aunque se trabaja con un tamaño de muestra grande
y tomando medidas para mitigar los problemas relacionados con el sesgo del método común, sugerimos futuras
Estudios empíricos para probar los efectos del I4.0 en la relación entre TPM y mantenimiento.
rendimiento utilizando conjuntos de datos con múltiples encuestados por empresa. En segundo lugar, basado en opiniones.
Las encuestas están intrínsecamente limitadas por la subjetividad de los datos. Así, al examinar los identificados
Las relaciones basadas en datos reales de desempeño del mantenimiento serían una oportunidad prometedora.
para futuras investigaciones. En tercer lugar, propusimos empíricamente constructos de elementos múltiples tanto para TPM como para
I4.0 utilizando los ítems enumerados en el cuestionario. Sin embargo, reconocemos que las múltiples capas
e instrumentos de medición más completos podrían conducir a la identificación de factores complementarios.
constructos, permitiendo una visión más holística de las relaciones investigadas. Estudios futuros podrían
ampliar nuestro instrumento de recopilación de datos, identificando potencialmente relaciones con y entre
otras construcciones TPM e I4.0.
Referencias
Aaldering, L., & Song, C. (2020), "De líderes y rezagadosHacia la digitalización del proceso
industrias", Technovation, 102211.
Aceto, G., Persico, V., & Pescapé, A. (2018), "El papel de las tecnologías de la información y las comunicaciones en
atención médica: taxonomías, perspectivas y desafíos ", Revista de aplicaciones informáticas y de redes, Vol.107,
págs.125154.
Adesta, E., Prabowo, H. y Agusman, D. (2018), "Evaluación de 8 pilares del mantenimiento productivo total (TPM)
implementación y su contribución al rendimiento de fabricación", en la serie de conferencias IOP: Materiales
Ciencia e Ingeniería (Vol.290, No.1, p.012024). Publicación PIO.
Agustiady, T., & Cudney, E. (2018), "Mantenimiento productivo total", Total Quality Management & Business
Excelencia, (próximamente).
Ahmad, R. y Kamaruddin, S. (2012), "Una descripción general del mantenimiento basado en el tiempo y en la condición en la industria
application", Computación e Ingeniería Industrial, Vol.63 No.1, pp.135149.
Ahuja, I. y Khamba, J. (2008a), "Justificación de las iniciativas de mantenimiento productivo total en la industria manufacturera de la India".
industria para lograr la competitividad central", Journal of Manufacturing Technology Management, Vol.19 No.5,
págs.645669.
Ahuja, I. y Khamba, J. (2008b), "Mantenimiento productivo total: revisión de la literatura y direcciones", Internacional
Revista de gestión de calidad y confiabilidad, Vol.25 No.7, páginas 709756.
AlNajjar, B., Algabroun, H. y Jonsson, M. (2018), "Maintenance 4.0 para cumplir con las demandas de la Industria 4.0 y
Factory of the Future", Revista Internacional de Investigación y Aplicaciones de Ingeniería, Vol.8 No.11, págs.2031.
Armstrong, J. y Overton, S. (1977), "Estimación del sesgo de falta de respuesta en encuestas por correo", Journal of Marketing
Investigación, Vol.14 No.3, páginas 396402.
Asfour, T., Kaul, L., Wächter, M., Ottenhaus, S., Weiner, P., Rader, S., ... y Haubert, H. (2018), "Armar6: A
robot humanoide colaborativo para entornos industriales", en la 18ª Conferencia Internacional IEEERAS de 2018 sobre
Robots humanoides (humanoides) (págs. 447454). IEEE.
Ayvaz, S., & Alpay, K. (2021), "Sistema de mantenimiento predictivo para líneas de producción en fabricación: una máquina
enfoque de aprendizaje utilizando datos de IoT en tiempo real", Sistemas expertos con aplicaciones, Vol.173, pp.114598.
Belsley, D., Kuh, E. y Welsch, R. (2005), Diagnóstico de regresión: identificación de datos influyentes y fuentes de
colinealidad, John Wiley & Sons, Londres.
Bhaskaran, S. y Sukumaran, N. (2007), "Cultura nacional, cultura empresarial y prácticas de gestión:
¿Relaciones consecuentes?", Gestión intercultural: una revista internacional, Vol.14 No.1, págs.5467.
Bokrantz, J., Skoogh, A., Berlin, C. y Stahre, J. (2017), "Mantenimiento en la fabricación digitalizada: basado en Delphi
Escenarios para 2030", Revista Internacional de Economía de la Producción, Vol.191, págs.154169.
Bokrantz, J., Skoogh, A., Berlin, C., Wuest, T. y Stahre, J. (2020), "Mantenimiento inteligente: una agenda de investigación para
gestión del mantenimiento industrial", Revista Internacional de Economía de la Producción, Vol.224, págs.107547.
Carvalho, T., Soares, F., Vita, R., Francisco, R., Basto, J. y Alcalá, S. (2019), "Una revisión sistemática de la literatura sobre
Métodos de aprendizaje automático aplicados al mantenimiento predictivo", Computación e Ingeniería Industrial, Vol.137,
págs.106024.
Chiarello, F., Trivelli, L., Bonaccorsi, A. y Fantoni, G. (2018), "Industria extractiva y cartográfica 4.0
tecnologías que utilizan Wikipedia", Computers in Industry, Vol.100, páginas 244257.
Chiarini, A., Belvedere, V. y Grando, A. (2020), "Estrategias de la Industria 4.0 y desarrollos tecnológicos. Una
investigación exploratoria de empresas manufactureras italianas", Planificación y control de la producción, Vol.31 No.16,
págs.13851398.
Chirumalla, K. (2021), "Creación de innovación de procesos digitales en las industrias de procesos: una dinámica
enfoque de capacidades", Technovation, 102256.
Civerchia, F., Bocchino, S., Salvadori, C., Rossi, E., Maggiani, L. y Petracca, M. (2017), "Internet industrial de
Solución de monitoreo de cosas para aplicaciones avanzadas de mantenimiento predictivo", Journal of Industrial Information
Integración, Vol.7, págs.412.
Coleman, C., Damodaran, S., Chandramouli, M. y Deuel, E. (2017), "Hacer el mantenimiento más inteligente: predictivo
mantenimiento y la red de suministro digital", Deloitte Insights.
Cua, KO, McKone, KE y Schroeder, RG (2001), "Relaciones entre la implementación de TQM, JIT y
TPM y rendimiento de fabricación", Journal of Operations Management, Vol.19 No.6, pp.675694.
Dalenogare, L., Benítez, G., Ayala, N., & Frank, A. (2018), "La contribución esperada de la Industria 4.0
tecnologías para el rendimiento industrial", Revista Internacional de Economía de la Producción, Vol.204, páginas 383394.
Dusenbury, L. y Hansen, WB (2004), "Seguir el curso de la investigación a la práctica", Prevención
Ciencia, Vol.5 No.1, págs.5559.
Fabrigar, L., Wegener, D., MacCallum, R. y Strahan, E. (1999), "Evaluación del uso del análisis factorial exploratorio
en investigación psicológica", Métodos psicológicos, Vol.4 No.3, págs.272.
Fatorachian, H. y Kazemi, H. (2018), "Una investigación crítica de la Industria 4.0 en la fabricación: teoría
marco de operacionalización", Planificación y control de la producción, Vol.29 No.8, páginas 633644.
Felsberger, A, Qaiser, F., Choudhary, A. & Reiner, G. (2020), "El impacto de la Industria 4.0 en la reconciliación
de capacidades dinámicas: evidencia de las industrias manufactureras europeas", Planificación y control de la producción,
(próximo).
Fettermann, D., Cavalcante, C., Almeida, T. y Tortorella, G. (2018), "¿Cómo contribuye la Industria 4.0 a
¿Gestión de operaciones?", Revista de Ingeniería Industrial y de Producción, Vol.35 No.4, pp.255268.
Frank, A., Dalenogare, L. y Ayala, N. (2019), "Tecnologías de la Industria 4.0: patrones de implementación en
empresas manufactureras" Revista Internacional de Economía de la Producción, Vol.210, págs.1526.
Finch, J. y West, S. (1997), "La investigación de la estructura de la personalidad: modelos estadísticos", Journal of Research
en Personalidad, Vol.31 No.4, páginas 439485.
Furlan, A., Vinelli, A. y Dal Pont, G. (2011), "Paquetes de complementariedad y manufactura esbelta: un análisis empírico
análisis", Revista Internacional de Gestión de Operaciones y Producción, Vol.31 No.8, páginas 835850.
Ghobakhloo, M. (2018), "El futuro de la industria manufacturera: una hoja de ruta estratégica hacia la Industria 4.0", Journal
de Gestión de Tecnología de Fabricación, Vol.29 No.6, páginas 910936.
Goldsby, T., Michael Knemeyer, A., Miller, J. y Wallenburg, C. (2013), "Medición y moderación: encontrar
las condiciones límite en la logística y la investigación de la cadena de suministro", Journal of Business Logistics, Vol.34 No.2,
págs.110116.
Goodwin, C. (2005), Investigación en Psicología: métodos y diseño, John Wiley & Sons, Inc., Nueva York.
Greenhalgh, T., Robert, G., Macfarlane, F., Bate, P. y Kyriakidou, O. (2004), "Difusión de innovaciones en el servicio
organizaciones: revisión sistemática y recomendaciones", The Milbank Quarterly, Vol.82 No.4, pp.581629.
Guariente, P., Antoniolli, I., Ferreira, L., Pereira, T. y Silva, F. (2017), "Implementación del mantenimiento autónomo
en un fabricante de componentes automotrices", Procedia Manufacturing, Vol.13, pp.11281134.
Gupta, AK y Garg, RK (2012), "Mejora de la OEE mediante la implementación de TPM: un estudio de caso", Internacional
Revista de investigación en TI, ingeniería y ciencias aplicadas, Vol.1 No.1, páginas 115124.
Gupta, P. y Vardhan, S. (2016), "Optimización de OEE, productividad y costos de producción para mejorar el volumen de ventas
en una industria automotriz a través de TPM: un estudio de caso", Revista Internacional de Investigación de Producción, Vol54
No 10, págs.29762988.
Hair, J., Black, W., Babin, B. y Anderson, R. (2014), Análisis de datos multivariados, Pearson New International
Edición (Séptima edición), Harlow, Essex, Pearson.
Heo, Y., Kim, D., Lee, W., Kim, H., Park, J. y Chung, W. (2019), "Detección de colisiones para colaboración industrial
robots: un enfoque de aprendizaje profundo", IEEE Robotics and Automation Letters, Vol.4 No.2, pp.740746.
Hermann, M., Pentek, T. y Otto, B. (2016), "Principios de diseño para escenarios de la industria 4.0", en 2016, 49.° Hawaii
Conferencia Internacional sobre Ciencias de Sistemas (HICSS) (págs. 39283937). IEEE.
Hopkins, J. (2021), "Una investigación sobre las tecnologías emergentes de la industria 4.0 como impulsoras de la cadena de suministro
innovación en Australia", Computers in Industry, Vol.125, págs.103323.
Huber, G. y Power, D. (1985), "Informes retrospectivos de gerentes de nivel estratégico: pautas para aumentar su
precisión", Revista de gestión estratégica, vol.6, págs. 171–180.
IBM (2017). La evolución del mantenimiento. Disponible en: https://www.ibm.com/blogs/internetof
things/maintenanceevolutionprescriptive/ (consultado el 17 de noviembre de 2021).
Ighravwe, D. y Oke, S. (2020), "Sostenimiento de pérdidas cero en líneas de producción utilizando Kobetsu Kaizen de TPM con
modelos híbridos", Gestión de calidad total y excelencia empresarial, Vol.31 No.12, págs.112136.
Jabbour, CJC, de Sousa Jabbour, ABL, Sarkis, J. y Godinho Filho, M. (2019), "Desbloquear la circular
economía a través de nuevos modelos de negocio basados en datos a gran escala: un marco integrador y una agenda de investigación",
Previsión tecnológica y cambio social, Vol.144, págs.546542.
Jain, A., Bhatti, R. y Singh, H. (2015), "Mejora de la OEE en las pymes mediante el mantenimiento móvil: un TPM
concept", Revista Internacional de Gestión de Calidad y Confiabilidad, Vol.32 No.5, pp.503516.
Jain, A., Bhatti, R. y Singh, H. (2014), "Práctica de implementación del mantenimiento productivo total (TPM): una
revisión de la literatura y direcciones", Revista Internacional de Lean Six Sigma, Vol.5 No.3, pp.293323.
Jiang, JR (2018), "Una arquitectura de sistemas ciberfísicos mejorada para fábricas inteligentes de la Industria 4.0", Avances
en Ingeniería Mecánica, Vol.10 No.6, págs.1687814018784192.
Kaminski, J. (2011), "Difusión de la teoría de la innovación", Revista Canadiense de Informática de Enfermería, Vol.6 No.2,
16.
Kaparthi, S. y Bublauskas, D. (2020), "Diseño de sistemas de mantenimiento predictivo utilizando árboles de decisión
técnicas de aprendizaje automático", Revista Internacional de Gestión de Calidad y Confiabilidad, Vol.37 No.4, págs.659
686.
Kayikci, Y., Subramanian, N., Dora, M. y Bhatia, M. (2020), "La cadena de suministro de alimentos en la era de la Industria 4.0:
Oportunidades e impedimentos de implementación de la tecnología blockchain desde la perspectiva de las personas, los procesos,
performance, and technology", Production Planning & Control, (de próxima publicación).
Klathae, V. y Ruangchoengchum, P. (2019), "El mantenimiento predecible 4.0 mediante la aplicación de tecnología digital:
Un estudio de caso de maquinaria de construcción pesada", Revisión de la investigación de economía y negocios integradores,
Vol.8, págs.3446.
Konecny, P. y Thun, J. (2011), "Hazlo por separado o simultáneamente: un análisis empírico de un conjunto
implementación de TQM y TPM en el rendimiento de la planta", Revista Internacional de Economía de la Producción,
Vol.133 No.2, págs.496507.
Kothari, C. (2004), Metodología de la investigación: Métodos y técnicas, New Age International.
Kull, T., Yan, T., Liu, Z. y Wacker, J. (2014), "La moderación de la eficacia de la fabricación ajustada mediante
dimensiones de la cultura nacional: prueba de hipótesis de congruencia prácticacultura", Revista Internacional de
Economía de la producción, Vol.153, págs.112.
Lai, C., Jiang, W. y Jackson, P. (2019), "Internet de las cosas que permite el mantenimiento basado en la condición en ascensores
service", Revista de Calidad en Ingeniería de Mantenimiento, Vol.25 No.4, pp.563588.
Lasi, H., Fettke, P., Kemper, H., Feld, T. y Hoffmann, M. (2014), "Industria 4.0", Negocios y sistemas de información
Ingeniería, Vol.6 No.4, páginas 239242.
Li, Y., Sawhney, R. y Tortorella, G. (2019), "Análisis empírico de los factores que afectan la intención de rotación entre
Manufacturing Workers", Revista Internacional de Negocios y Gestión, Vol.14 No.4, págs.118.
LlopisAlbert, C., Rubio, F., & Valero, F. (2021), "Impacto de la transformación digital en la industria del automóvil",
Previsión tecnológica y cambio social, vol.162, págs.120343.
Lorenz, R., Benninghaus, C., Friedli, T. y Netland, T. (2020), "Digitalización de la fabricación: el papel de los actores externos
search", Revista Internacional de Gestión de Operaciones y Producción, Vol.40 No.7/8, páginas 11291152.
Lu, Y (2017), "Industria 4.0: una encuesta sobre tecnologías. Aplicaciones y cuestiones de investigación abierta", Revista de
Integración de información industrial, Vol.6 No.1, págs.1–10.
Malhotra, N., Birks, D. y Wills, P. (2006), Investigación de mercados: un enfoque aplicado, Pearson Education,
Londres.
Marodin, G., Frank, A. & Tortorella, G. (2016), "Factores contextuales e implementación de producción ajustada en el
Cadena de suministro automotriz brasileña", Supply Chain Management: An International Journal, Vol.21 No.4, pp.417
432.
Marodin, G., Frank, A., Tortorella, G. y Netland, T. (2018), "Desarrollo de productos ajustados y fabricación ajustada:
Probando los efectos de la moderación", Revista Internacional de Economía de la Producción, Vol.203, páginas 301310.
Marodin, G. y Saurin, T. (2013), "Implementación de sistemas de producción ajustada: áreas de investigación y oportunidades para
estudios futuros", Revista Internacional de Investigación de Producción, Vol.51 No.22, pp.66636680.
McKone, KE, Schroeder, RG y Cua, KO (2001), "El impacto de las prácticas de mantenimiento productivo total en
rendimiento de fabricación", Journal of Operations Management, Vol.19 No.1, págs.3958.
Méndez, J., & Rodriguez, R. (2017), “Mantenimiento productivo total (TPM) como herramienta para mejorar la productividad:
un estudio de caso de aplicación en el cuello de botella de una línea de mecanizado de autopartes", The International Journal of
Tecnología de fabricación avanzada, Vol.92 No.1, páginas 10131026.
Meyers, L., Gamst, G. y Guarino, A. (2006), Investigación multivariada aplicada, Sage Publications, Thousand Oaks.
Min, C., Ahmad, R., Kamaruddin, S. y Azid, I. (2011), "Desarrollo de mantenimiento autónomo
marco de implementación para industrias de semiconductores", Revista Internacional de Industriales y Sistemas
Ingeniería, Vol.9 No.3, páginas 268297.
Miranda, S., & Lopes, I. (2015), "Desarrollo del mantenimiento autónomo en una empresa de muebles", En
Actas del Congreso Mundial de Ingeniería (Vol.2).
Montgomery, D. (2013), Diseño y análisis de experimentos, Wiley, Nueva York.
Mosyurchak, A., Veselkov, V., Turygin, A. y Hammer, M. (2017), "Pronóstico del comportamiento de la máquina herramienta
husillos, su diagnóstico y mantenimiento", MM Science Journal, pp.21002104.
Mourtzis, D., Angelopoulos, J. y Zogopoulos, V. (2021), "Taller y mantenimiento de AR integrados y adaptativos
reprogramación de piso", Computadoras en la Industria, Vol.125, pp.103383.
Mourtzis, D., Angelopoulos, J. y Panopoulos, N. (2020), "Mantenimiento predictivo inteligente y control remoto
Marco de Monitoreo de Equipos Industriales basado en Realidad Mixta", Fronteras en Mecánica
Ingeniería, Vol.6, págs.99.
Mourtzis, D., Siatras, V. y Angelopoulos, J. (2020), "Soporte de mantenimiento remoto en tiempo real basado en
Realidad Aumentada (RA)", Ciencias Aplicadas, Vol.10 No.5, pp.1855.
Mourtzis, D. y Vlachou, E. (2018), "Un sistema ciberfísico basado en la nube para la programación adaptativa en el taller
y mantenimiento basado en condiciones", Journal of Manufacturing Systems, Vol.47, páginas 179198.
Mourtzis, D., Vlachou, E. y Milas, N. (2016), "Big data industrial como resultado de la adopción de IoT en la fabricación",
Procedia CIRP, Vol.55, páginas 290295.
Murray, CE (2009), "Difusión de la teoría de la innovación: un puente para la brecha entre la investigación y la práctica en
consejería", Revista de Consejería y Desarrollo, Vol.87 No.1, págs.108116.
MustonenOllila, E., Lyytinen, K. (2003), "Por qué las organizaciones adoptan innovaciones en los procesos de los sistemas de información: una
estudio longitudinal utilizando la teoría de la difusión de la innovación", Information Systems Journal, Vol.13 No.3, pp.275297.
Musman, A. y Ahmad, R. (2018), "Identificación de componentes críticos y actividades de mantenimiento autónomo
determinación utilizando el método de proceso de jerarquía analítica difusa", Revista Internacional de Industriales y Sistemas
Ingeniería, Vol.28 No.3, págs.360378.
Myers, RH y Myers, RH (1990), Regresión clásica y moderna con aplicaciones. Prensa de Duxbury, Belmont,
CALIFORNIA.
Nakajima, S. (1988), Introducción al TPM: mantenimiento productivo total (Traducción), Nueva York, Productividad
Prensa, Inc.
Nallusamy, S. y Majumdar, G. (2017), "Mejora de la eficacia general del equipo utilizando total
Mantenimiento productivo en una industria manufacturera", Revista Internacional de Ingeniería de Performance,
Vol.13 No.2, págs.173188.
Narayanamurthy, G. y Tortorella, G. (2021), "Impacto del brote de COVID19 en el desempeño de los empleados–
Papel moderador de las tecnologías base de la industria 4.0", Revista Internacional de Economía de la Producción, Vol.234,
págs.108075.
Netland, T. y Ferdows, K. (2014), "Qué esperar de un programa corporativo lean", MIT Sloan Management
Revisión, Vol.55 No.3, págs.8389.
Nowakowski, T., Tubis, A. y WerbińskaWojciechowska, S. (2018), "Evolución de los sistemas técnicos
enfoques de mantenimiento: revisión y estudio de caso", en la Conferencia Internacional sobre Sistemas Inteligentes en
Ingeniería de Producción y Mantenimiento (pp.161174). Springer, Cham.
OCDE (2011), CIIU REV. 3 Definición de intensidad tecnológica.
Oldenburg, BF, Sallis, JF, Ffrench, ML, Owen, N. (1999), "La investigación en promoción de la salud y la difusión y
institucionalización de intervenciones”, Investigación en educación para la salud, Vol.14 No.1, pp.121130.
Palmarini, R., Erkoyuncu, J., Roy, R. y Torabmostaedi, H. (2018), "Una revisión sistemática de la realidad aumentada
aplicaciones en mantenimiento", Robótica y Fabricación Integrada por Computadora, Vol.49, pp.215228.
Pascal, V., Toufik, A., Manuel, A., Florent, D. y Frédéric, K. (2019), “Indicadores de mejora para Total
Política de Mantenimiento Productivo”, Práctica de Ingeniería de Control, Vol.82, pp.8696.
Podsakoff, P. y Organ, D. (1986), "Autoinformes en la investigación organizacional: problemas y perspectivas", Revista de
Gestión, Vol.12 No.4, págs.531–544.
Podsakoff, P., MacKenzie, S., Lee, J. y Podsakoff, N. (2003), "Sesgos de métodos comunes en la investigación del comportamiento:
una revisión crítica de la literatura y los remedios recomendados", Revista de Psicología Aplicada, Vol.88 No.5,
págs.879.
Re, GM y Bordegoni, M. (2014), "Un marco de realidad aumentada para apoyar y monitorear a los operadores
durante las tareas de mantenimiento”, en Congreso internacional sobre realidad virtual, aumentada y mixta (pp.443454).
Springer, Cham.
Reinhardt, I., Oliveira, J., & Ring, D. (2020), "Perspectivas actuales sobre el desarrollo de la Industria 4.0 en el
sector farmacéutico", Revista de Integración de Información Industrial, Vol.18, págs.100131.
Rødseth, H., Schjølberg, P. y Marhaug, A. (2017), "Mantenimiento digital profundo", Avances en la fabricación,
Vol.5 No.4, págs.299310.
Rogers, E. (2003), Difusión de innovaciones, quinta edición, Simon and Schuster, Nueva York.
Rossini, M., Costa, F., Tortorella, G. y Staudacher, A. (2019), "La interrelación entre Industria 4.0 y lean
producción: un estudio empírico sobre los fabricantes europeos", The International Journal of Advanced
Tecnología de fabricación, Vol.102 No.9, páginas 39633976.
Ryan, B., Gross, N. (1943), "La difusión de semillas de maíz híbridas en dos comunidades de Iowa", Sociología rural,
Vol.8 No.1, págs.15.
Sahin, I. (2006), "Revisión detallada de la teoría de la difusión de las innovaciones y la tecnología educativa de Rogers".
estudios basados en la teoría de Rogers", Revista turca en línea de tecnología educativaTOJET, Vol.5 No.2, págs.14
23.
Sahoo, S. (2019), "Evaluación de las prácticas de TPM y TQM en el desempeño empresarial: un análisis multisectorial",
Revista de Calidad en Ingeniería de Mantenimiento, Vol.25 No.3, pp.412434.
Salkin, C., Oner, M., Ustundag, A. y Cevikcan, E. (2018), "Un marco conceptual para la Industria 4.0", en Industria
4.0: Gestionando la Transformación Digital (págs. 323). Springer, Cham.
Santos, I., Machado, M., Russo, E., Manguinho, D., Almeida, V., Wo, R., ... & Silva, E. (2015), "Análisis de big data
para modelado de mantenimiento predictivo: Desafíos y oportunidades", En OTC Brasil. Tecnología Offshore
Conferencia.
Shah, R. y Ward, P. (2003), "Fabricación ajustada: contexto, paquetes de prácticas y rendimiento", Journal of
Gestión de Operaciones, Vol.21 No.2, págs.129149.
Shah, R. y Ward, P. (2007), "Definición y desarrollo de medidas de producción ajustada", Journal of Operations
Gestión, Vol.25 No.4, págs.785805.
Silvestri, L., Forcina, A., Introna, V., Santolamazza, A. y Cesarotti, V. (2020), "Transformación del mantenimiento
a través de las tecnologías de la Industria 4.0: una revisión sistemática de la literatura", Computers in Industry, Vol.123, págs.103335.
Smith, T. (1983), "Sobre la validez de las inferencias a partir de muestras no aleatorias", Journal of the Royal Statistical
Sociedad: Serie A (General), Vol.146 No.4, pp.394403.
Stone, K. (2012), "Cuatro décadas de Lean: una revisión sistemática de la literatura", Revista Internacional de Lean Six Sigma,
Vol.3 No.2, págs.112132.
Sun, M., Wu, F., Ng, C. y Cheng, T. (2021), "Efectos de los diagnósticos imperfectos habilitados por IoT en el mantenimiento
servicios: una perspectiva de diseño de sistemas", Computación e Ingeniería Industrial, Vol.153, págs.107096.
Susto, G., Schirru, A., Pampuri, S., McLoone, S. y Beghi, A. (2014), "Aprendizaje automático para predicción
mantenimiento: un enfoque de clasificador múltiple", IEEE Transactions on Industrial Informatics, Vol.11 No.3, pp.812
820.
Takeda, N., Kita, E., Nakagawa, E. y Suzuki, H. (2016), "Uso de información operativa en diseño de confiabilidad y
Mantenimiento: análisis para la era de IoT", Hitachi Review, Vol.65 No.9, págs.451.
Tortorella, G., CauchickMiguel, P., Li, W., Staines, J. y McFarlane, D. (2021c), "¿Qué significa operativo?"
¿Qué significa la excelencia en la era de la Cuarta Revolución Industrial?", Revista Internacional de Investigación de Producción,
(próximo).
Tortorella, G., & Fettermann, D. (2018), "Implementación de la Industria 4.0 y producción ajustada en Brasil
empresas manufactureras", Revista Internacional de Investigación de Producción, Vol.56 No.8, pp.29752987.
Tortorella, G., Fettermann, D., Frank, A. y Marodin, G. (2018), "Implementación de fabricación ajustada: liderazgo
estilos y variables contextuales", Revista Internacional de Gestión de Operaciones y Producción, Vol.38 No.5,
págs.12051227.
Tortorella, G., Fogliatto, F., CauchickMiguel, P., Kurnia, S. y Jurburg, D. (2021b), "Integración de la Industria 4.0
tecnologías en prácticas de Mantenimiento Productivo Total", Revista Internacional de Producción
Economía, Vol.240, págs.108224.
Tortorella, G., Fogliatto, F., Espôsto, K., Vergara, A., Vassolo, R., Tlapa, D. y Narayanamurthy, G. (2020b),
"Medición del efecto de la implementación de Healthcare 4.0 en el desempeño de los hospitales", Planificación de Producción y
Control, (próximamente).
Tortorella, G., Giglio, R. y van Dun, D. (2019), "La adopción de la Industria 4.0 como moderador del impacto del lean
Prácticas de producción para la mejora del desempeño operativo", Revista Internacional de Operaciones y
Gestión de la producción, Vol.39 No.6/7/8, págs.860886.
Tortorella, G., Miorando, R., Caiado, R., Nascimento, D. y Staudacher, A. (2021a), "El efecto mediador de
implicación de los empleados en la relación entre la Industria 4.0 y la mejora del rendimiento operativo",
Gestión de calidad total y excelencia empresarial, Vol.32 No.12, páginas 119133.
Tortorella, G., Vergara, A., GarzaReyes, J. y Sawhney, R. (2020a), "Rutas de aprendizaje organizacional basadas en
Adopción de la industria 4.0: un estudio empírico con fabricantes brasileños", Revista Internacional de Producción
Economía, Vol.219, págs.284294.
Toews, D. (2003), "The New Tarde: Sociología después del fin de lo social", Teoría, cultura y sociedad, Vol.20
N° 5, págs. 8198.
Urbinati, A., Bogers, M., Chiesa, V. y Frattini, F. (2019), "Crear y capturar valor a partir de Big Data: A
Análisis de estudios de casos múltiples de empresas proveedoras", Technovation, Vol.84, págs.2136.
Wan, J., Tang, S., Li, D., Wang, S., Liu, C., Abbas, H. y Vasilakos, A. (2017), "Una solución de big data de fabricación
para mantenimiento preventivo activo", IEEE Transactions on Industrial Informatics, Vol.13 No.4, pp.20392047.
Weckenborg, C., Kieckhäfer, K., Müller, C., Grunewald, M. y Spengler, T. (2019), “Equilibrio de líneas de montaje
with colaborative robots”, Business Research, (de próxima publicación).
Wickramasinghe, G. & Perera, A. (2016), "Efecto de las prácticas de mantenimiento productivo total en la fabricación
desempeño: Investigación de empresas de fabricación de textiles y prendas de vestir", Journal of Manufacturing Technology
Gestión, Vol.27 No.5, págs.713729.
Wits, W., García, J. y Becker, J. (2016), "Cómo la fabricación aditiva permite un uso más sostenible del usuario final
estrategias de mantenimiento, reparación y revisión (MRO)", Procedia CIRP, Vol.40, pp.693698.
Yan, J., Meng, Y., Lu, L. y Li, L. (2017), "Big data industrial en un entorno de industria 4.0: desafíos,
esquemas y aplicaciones para mantenimiento predictivo", IEEE Access, Vol.5, pp.2348423491.
Zenisek, J., Holzinger, F. y Affenzeller, M. (2019), "Detección de deriva de conceptos basada en aprendizaje automático para
mantenimiento predictivo", Computación e Ingeniería Industrial, Vol.137, pp.106031.
Zheng, T., Ardolino, M., Bacchetti, A. y Perona, M. (2020), "Las aplicaciones de las tecnologías de la Industria 4.0 en
contexto de fabricación: una revisión sistemática de la literatura", Revista Internacional de Investigación de Producción,
(próximo).
Zonta, T., Costa, C., Rosa Righi, R., Lima, M., Trindade, E. y Li, G. (2020), "Mantenimiento predictivo en el
Industria 4.0: una revisión sistemática de la literatura", Computación e Ingeniería Industrial, págs.106889.
Lista de abreviaciones:
AM = Mantenimiento autónomo
CBM = Mantenimiento basado en condiciones
DIT = Difusión de la teoría de la innovación
EFA = Análisis factorial exploratorio
EHSM = Medio ambiente, salud y mantenimiento de seguridad
I4.0 = Industria 4.0
IoT = Internet de las cosas
MTBF = Tiempo medio entre fallos
MTTF = Tiempo medio hasta el fallo
MTTR = Tiempo medio de reparación
OCDE = Organización para la Cooperación y el Desarrollo Económicos
OEE = Eficacia general del equipo
MCO = mínimos cuadrados ordinarios
PC = Componente principal
PFM = Mantenimiento planificado y enfocado
PROC_ACT = Procesamiento y actuación
QDM = Mantenimiento de calidad y desarrollo
SENS_COMM = Detección y comunicación
TPM = Mantenimiento productivo total
VIF = Factores de inflación de varianza
Machine Translated by Google
urna
Revista de gestión de tecnología de fabricación
de Tabla 1 – Consolidación de las principales prácticas de TPM

McKone y Cuá y
Shah
y
Shah
y
Ahuja y Konecny y
jainista y Wickramasinghe y
Sahoo
Ighravwe y Frecuencia
Práctica cols. Perera (2016) Oke (2020) de citas (%)
Barrio Barrio Khamba Jueves (2019)
(2001) Alabama. (2001) Alabama. (2014)
(2003) (2007) (2008b) (2011)
m1Fomentar la propiedad de los √ √ √ √ √ √ √ 70%
operadores m2Realizar limpieza, lubricación, ajuste, ajuste, inspección, reajuste en los equipos de producción m3Los operadores √ √ √ √ √ √ √ 70%
comprenden la causa y el efecto del deterioro de los equipos m4Estandarización de los √ √ √ 30%
controles AM m5Identificación sistemática √ √ √ 30%
y eliminación de pérdidas m6Trabajar estructura de pérdidas y √ √ √ √ √ 50%
mitigación de pérdidas a través de un análisis AMEF estructurado por quépor qué m7Se forman grupos para resolver √ √ √ √ 40%
problemas específicos m8Lograr una eficiencia mejorada del √ √ 20%
sistema (por ejemplo, cumplimiento del cronograma) m9OEE mejorado en los sistemas √ √ √ √ 40%
de producción m10Planificación de PM eficiente y √ √ √ 30%
eficaz, Sistemas PdM y TBM a lo largo del ciclo de vida del equipo m11Existe un turno específico (o parte de un turno) √ √ √ √ √ 50%
Fabricación
reservado para actividades de mantenimiento m12Establecer hojas de verificación de PM m13Mejorar √ √ √ √ 40%
el tiempo medio entre fallas y el tiempo √ √ √ √ √ 50%
medio para reparar m14Lograr cero defectos m15Seguimiento y tratamiento de los √ √ √ √ 40%
problemas de los equipos y sus √ √ √ √ 40%
causas fundamentales m16Establecimiento de las condiciones de 3M (máquina/ √ √ √ √ √ 50%
hombre/material) m17Impartición de habilidades tecnológicas, √ √ √ √ 40%
de control de calidad e interpersonales multihabilidad de los empleados m18Búsqueda constante de la próxima √ √ √ √ √ √ 60%
generación de tecnología m19Alineación empleados hacia las √ √ √ √ 40%
metas organizacionales m20Evaluación y actualización √ √ √ √ 40%
periódica de habilidades m21Garantizar un ambiente √ √ √ √ √ √ 60%

de trabajo seguro m22Proporcionar un ambiente √ √ √ √ 40%
de trabajo apropiado m23Eliminar incidentes de lesiones √ √ √ √ √ √ 60%
y accidentes m24Proporcionar procedimientos operativos √ √ √ √ √ 50%

estándar m25Mejorar la sinergia entre varias funciones √ √ √ √ 40%
comerciales m26Eliminar problemas de procedimiento m27Centrarse en √ √ √ 30%
Tecnología
abordar cuestiones relacionadas con los √ √ √ 30%
costos m28Aplicar las 5S en oficinas y áreas de trabajo √ √ √ 30%
m29Problemas mínimos y funcionamiento a tiempo en √ √ √ √ 40%
equipos nuevos m30Utilizar el aprendizaje de los sistemas existentes en √ √ √ √ √ 50%
sistemas nuevos m31Iniciativas de mejora del mantenimiento √ √ √ √ 40%

√ √ √ √ √ √ 60%
Notas: AM = Mantenimiento Autónomo; FMEA = Análisis modal de fallas y efectos; PdM = Mantenimiento Predictivo; PM = Mantenimiento Preventivo; TBM = Mantenimiento Basado en Tiempo.
gerentes
urna
de Chiarello et
al.
Tabla 2 – Tecnologías I4.0 reportadas en la literatura
Fatorachian Dalenogare Rossini Zheng Frank Chiarini
Tortorella y Kazemi et al. et al. et al. et al.
y col.
(2018)et
al.
Tortorella et
al.
Narayanamurthy y
Tortorella (2021)
Frecuencia
Tecnología de citas (%)
(2018) (2018) (2019) (2019) (2020) (2020) (2020a) (2021a)
t1Sensores inalámbricos √ √√√√√√√√√√√√√√√√√√√√ √ √ 60%
t2Internetdelascosas t3 √ √ √ √ √ √ √ 100%
Big data t4 √ √ √ √ √ √ √ 100%
Computación en la nube √ √ √ √ √ √ 90%
t5Control/monitoreo remoto t6 √ √ 50%
Impresión 3D t7 √ √ √ √ √ 70%
Robots colaborativos t8 √ √ √ 40%
Máquina/Aprendizaje profundo √ √ √ √ √ 60%
t9Realidad aumentada/simulación √ √ √ √ 50%
Fabricación
Tabla 3 – EFA para validar el constructo de desempeño del mantenimiento
Indicadores de desempeño Media Desviación estándar Comunas 3.237 3.212 3.246 3.363 1
Tiempo medio de reparación (MTTR) 3.284 1.097 0,645 0.803

Tiempo medio entre fallos (MTBF) 3.651 1.079 0,643 0.801
Tiempo medio hasta el fallo (MTTF) 1.058 0,631 0,794
Eficacia general del equipo (OEE) 1.040 0,552 0.743
Costo 1.130 0,357 0,597
Seguridad (lesiones y accidentes de trabajo) 1.068 0,320 0.566
Sumas de extracción de cargas al cuadrado 3.148

% de varianza 52.471
Alfa de Cronbach (n = 318) 0.823
Medida de adecuación del muestreo de KaiserMeyerOlkin 0,846
Prueba de esfericidad de Bartlett (χ2 / gl) 603,68 / 15***
Notas: Método de extracción: Análisis de Componentes Principales; ***valor p < 0,01. Los números en negrita indican qué prácticas se asignaron a qué constructos.
Tecnología
gerentes
urna
de Prácticas Media Estándar Desarrollo.

3,386 1,183
Tabla 4 – EFA para validar las construcciones de TPM
Comunidades 1 0,361 0,385
0,390
2
excluido
3 4 Denominación
m7
m25 3,341 1,061 0,422 excluido
m26 3,218 1,089 0,636 excluido
m31 3,458 1,124 0,493 excluido
m14 2,803 1,218 0,601 0,721
m15 3,303 1,128 0,511 0.547 Calidad y
m16 2,990 1,271 0,562 0.704 Desarrollo
m28 3,224 1,329 0,530 0.620 Mantenimiento
m29 3,344 1,123 0,576 0.584 (QDM)
m30 3,357 1,185 0,480 0.532
m5 3,183 1,145 0,493 0.580
m6 2,974 1,294 0,571 0.541
m8 3,208 1,132 0,626 0.524 Planificado y
Fabricación
m9 3,218 1,231 0,540 0.557 enfocado
m10 3,386 1,227 0,603 0,659 Mantenimiento
m11 3,319 1,317 0,528 0,675 (PFM)
m12 3,538 1,187 0,561 0,601 0,452
m13 3,202 1,169 0 0,524
m19 3,401 1,104 0,623 0,485
Ambiente,
m21 3,835 1,128 0,537 0.730
Salud y
m22 3 .689 1 0,647 0.621
Seguridad
m23 3.778 0,041 0,539 0,758
Mantenimiento
m24 3.674 1,069 0,470 0.574
(EHSM)
m27 3.477 1,080 0,496 0.525
m1 3.174 1,139 0,591 0.626
m2 3.405 1,191 0,593 0,628
m3 3.313 1,203 0,646 0,697 Autónomo
m4 3.189 1,192 0,624 0.527 0.581 Mantenimiento
Tecnología
m17 3.155 1,258 0,465 0.534 0.534 (SOY)
m18 3.221 1,156 0,540 0,459
m20 3.202 1,209 1,177 0.532
Sumas de extracción de cargas al cuadrado. 12.029 1,698 1.601 1.312
% de varianza 38.802 5,479 5.164 4.233
Sumas de rotación de cargas al cuadrado 4.784 4,185 3.982 3.688
% de varianza 15.433 13,500 12.846 11.898
Alfa de Cronbach (n = 318) 0.787 0,804 0,776 0,811
Prueba de esfericidad de Bartlett (χ2 / gl) 4.728,93 / 465***
Notas: Método de extracción: Análisis de Componentes Principales; Método de rotación: Varimax con normalización de Kaiser; ***valor p < 0,01. Los números en negrita indican la asignación de prácticas a constructos. Se suprimieron las cargas factoriales
inferiores a 0,45.
gerentes
urna
de Tecnologías
Sensores inalámbricos
Tabla 5 – AGE para validar los constructos I4.0
Estándar medio Desarrollo. Comunidades
2.636 1.351 0.470 1 0,657
2 Denominación
Internet de las cosas 2.506 1,339 0,608 0,771 Sensación y

Big data 2.462 1,322 0,607 0.716 Comunicación
Computación en la 2.848 1,390 0,568 0.750 (SENS_COMM)
nube Control remoto/monitoreo 3.164 1,342 0,365 0,579
Impresión 3D 2.158 1,328 0,572 0,749
Robots colaborativos 2.072 1,266 0,572 0.744 Procesamiento y
Actuación
Máquina/Aprendizaje 2.158 1,350 0,646 0,757
(PROC_ACT)
profundo Realidad aumentada/simulación 1.306 0.607 0,749
2.025 Extracción de sumas de cargas al 3,647 1.367
cuadrado % de 40,52 15.18
varianza Rotación de sumas de cargas 2,583 2.430
al cuadrado % 28,70 27.00
Fabricación
de varianza Alfa de Cronbach (n = 318 ) 0,790 0.802
Prueba de esfericidad de Bartlett (χ2 / gl) 783,23 /36***
Notas: Método de extracción: Análisis de Componentes Principales; Método de rotación: Varimax con normalización de Kaiser; ***valor p < 0,01. Los números en negrita indican la asignación de tecnologías a las construcciones. Se suprimieron las cargas
factoriales inferiores a 0,45.
Tabla 6 – Coeficientes para análisis de regresión jerárquica Variables

Modelo A Modelo B Contexto socioeconómico Modelo C
0,202 0,128 Intensidad tecnológica 0,081 0,060 0.114
Tamaño de la empresa 0,046 0,168* 0.042
0,149
Hora de adopción de TPM 0,423*** 0,028 SENS_COMM 0,016
0,071 PROC_ACT 0,186*** AM 0,219*** 0,183** 0,166** 0.052
Tecnología
0,011 0,215***
0,241***
PFM 0,150*
EHSM 0,155**
QDM 0.011
AM x SENS_COMM PFM 0,085
x SENS_COMM QDM x 0,132*
SENS_COMM EHSM x 0.030
SENS_COMM AM x 0,206***
PROC_ACT PFM x 0.014
PROC_ACT QDM x 0.006
PROC_ACT EHSM x 0.009
PROC_ACT Valor F R2 0.083
Adj. R2 4,680*** 19,042*** 11.468***
0,057 0,384 0.414
gerentes
Cambio 0,045 0,364 0,394
en R2 0,328*** 0,030*
Notas: * valor de p < 0,10; ** valor de p < 0,05; *** valor p < 0,01.
urna
Mantenimiento Productivo Total
eifT
icP
anM d
o
aM
otneimindeatdnialedc
dainceiftinaM
lp
de Manufactura
adarcoojfenM
e
aceurtdnE
e
y
otneoim
cn
óia
otnenim
ntauM
a
rriatssleeG
d
otneiomminoentó
oó
olln
eM
,etneoiibdm A
Figura 1 – Ilustración de los pilares de TPM
i. Selección III. Validez y

ii. Desarrollo de IV. Análisis
de muestras y confiabilidad de
instrumentos de los datos
recopilación de datos. constructos.
Figura 2 – Pasos del método propuesto

Tecnología
administrarme
urna
3 3
2 2
1 1
neidtnnaeem
R
d
neidtnnaeem
R
d
eiim
otnoetnim
eiim
0
otnoetnim
0
3 2 1 0 1 2 3 3 2 1 0 1 2 3
1 1
de Manufactura 2
3
Adopción de EHSM
2
3
adopción de PM
Bajo SENS_COMM Alto SENS_COMM Bajo SENS_COMM Alto SENS_COMM

Lineal (SENS_COMM bajo) Lineal (alto SENS_COMM) Lineal (SENS_COMM bajo) Lineal (alto SENS_COMM)
Figura 3 – Moderación de las tecnologías SENS_COMM sobre el efecto de las prácticas de EHSM y PM en el desempeño del mantenimiento
Sensación y Procesamiento y
Comunicación Actuación
Tecnologías Tecnologías
Tecnología
() (+) (+)
Planificado y enfocado (+)

Prácticas de mantenimiento
Medio Ambiente, Salud y (+)

Seguridad
Mantenimiento
Actuación
Autónomo (+)
Calidad y
administrarme
Desarrollo
Figura 4 – Relaciones validadas empíricamente
Apéndice A – Características de la muestra (n = 318)

País
Brasil 43 13,5%
Chile 12 3,8%
México 32 10,1%
Argentina 6 1,9%
Uruguay 31 9,7%
Kuwait 4 1,3%
España 32 10,1%
Italia 22 6,9%
Australia 20 6,3%
India 40 12,6%
Marruecos 58 18,2%
Omán 5 1,6%
Katar 2 0,6%
Emiratos Árabes Unidos 6 1,9%
Arabia Saudita 5 1,6%
Sector industrial
Automotor 71 22,3%
metalmecánica 66 20,8%
Maquina y equipo 42 13,2%
Alimentos y bebidas 38 11,9%
Químico 30 9,4%
Farmacéutico 22 6,9%
Electrónica 18 5,7%
Aeroespacial 12 3,8%
Otros 19 6,0%
Contexto socioeconómico
emergente 244 76,7%
Desarrollado 74 23,3%
Tamaño de la empresa
Menor o igual a 500 empleados Más de 152 47,8%

500 empleados Intensidad 166 52,2%
tecnológica de la empresa a
Bajo y medio bajo 160 50,3%
Alto y medio alto 158 49,7%
Tiempo de adopción del TPM en la empresa
Menor o igual a 5 años 157 49,4%
Más de 5 años 161 50,6%
La experiencia laboral del encuestado.
Menos o igual a 5 años Más de 5 80 25,2%
años Función del 238 74,8%
demandado
Técnico / Analista / Ingeniero 101 31,8%
Supervisor / Coordinador 82 25,8%
Gerente / Director 135 42,4%
Nota: a Consulte OCDE (2011).
Apéndice B – Cuestionario Aplicado

1 – Por favor, complete a continuación la información sobre usted y su empresa:
a) País donde se encuentra:
b) Su experiencia laboral: ( ) Menos de 5 años ( ) Más de 5 años
c) Su rol en la empresa: ( ) Técnico/Analista/Ingeniero
( ) Supervisor/Coordinador
( ) Director gerente
d) El sector de su empresa:
e) Nº de empleados de su empresa: ( ) Menos de 500 empleados
( ) Más de 500 empleados
f) Adopción del Mantenimiento Productivo Total (TPM) en su empresa: ( ) Menos de 5 años
( ) Mas de 5 años
2 – Por favor, indique el nivel de adopción de las siguientes prácticas de mantenimiento en su empresa:
Escala: de 1 (no adopción) a 5 (adopción total)
Prácticas 1 2 3 4 5
Fomentar la propiedad del operador
Realizar limpieza, lubricación, ajuste, ajuste, inspección, reajuste en equipos de producción.
Los operadores comprenden la causa y el efecto del deterioro del equipo.
Estandarización de los controles de mantenimiento autónomos
Identificación sistemática y eliminación de pérdidas Elaboración
de la estructura de pérdidas y mitigación de pérdidas a través de un análisis FMEA estructurado de por qué y por qué.
Se forman grupos para resolver problemas específicos.
Lograr una mejor eficiencia del sistema (por ejemplo, cumplimiento del cronograma).
Mejora de la eficacia general de los equipos en los sistemas de producción
Planificación de sistemas de mantenimiento preventivo, predictivo y basado en el tiempo eficientes y eficaces a lo largo del ciclo de vida del equipo
Hay un turno específico (o parte de un turno) reservado para las actividades de mantenimiento
Establecimiento de hojas de verificación de mantenimiento
preventivo Mejora del tiempo medio entre fallas y el tiempo medio de
reparación Lograr cero
defectos Seguimiento y tratamiento de los problemas de los equipos y sus
causas fundamentales Establecimiento de condiciones
3M (máquina/hombre/material) Impartición de habilidades tecnológicas, de control de calidad e interpersonales
Múltiples habilidades de los empleados Búsqueda constante
de la próxima generación de tecnología Alineación
de los empleados a los objetivos de la
organización Evaluación y actualización
periódica de habilidades Garantizar un entorno de
trabajo seguro Proporcionar un entorno de trabajo
adecuado Eliminar incidentes de lesiones y
accidentes Proporcionar procedimientos operativos estándar
Mejorar la sinergia entre varias
funciones comerciales Eliminar problemas de
procedimiento Centrarse en abordar cuestiones
relacionadas con los costos Aplicar las 5S en la oficina y las áreas de
trabajo Mínimo problemas y funcionamiento a tiempo en equipos
nuevos Utilizar el aprendizaje de los sistemas existentes en nuevos sistemas Iniciativas de mejora del mantenimiento
3 – Por favor, indique el nivel de adopción de las siguientes tecnologías digitales en su empresa:
Escala: de 1 (no adopción) a 5 (adopción total)
Tecnología digital 1 2 345
Sensores inalámbricos
Internet de las Cosas

Grandes datos
Computación en la nube
Control/monitoreo remoto
Impresión 3d
Robots colaborativos
Máquina/aprendizaje profundo
Realidad aumentada/simulación
4 – Por favor, indique el nivel de mejora de los siguientes indicadores de desempeño en los últimos dos años en su
compañía:
Escala: de 1 (empeoró significativamente) a 5 (mejoró significativamente)
Indicador de rendimiento 12345
Tiempo medio de reparación (MTTR)
Tiempo medio entre fallos (MTBF)
Tiempo medio hasta el fallo (MTTF)
Eficacia general del equipo (OEE)
Costo
Seguridad (lesiones y accidentes de trabajo)

El Impacto de La Industria 4.0 en La Relación Entre TPM y Desempeño de Mantenimiento

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

El Impacto de La Industria 4.0 en La Relación Entre TPM y Desempeño de Mantenimiento

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google Revista de gestión de tecnología de fabricación

El impacto de la Industria 4.0 en la relación entre TPM y

relación entre las prácticas de Mantenimiento Productivo Total (TPM) y el mantenimiento

Diseño/metodología/enfoque ­ La recolección de datos se realizó a través de una multinacional

encuesta a 318 encuestados de diferentes empresas manufactureras ubicadas en quince

Tecnologías orientadas a detectar y comunicar datos entre máquinas, personas y

involucrados, lo que a veces conduce a efectos negativos.

mayor nivel de automatización e interconectividad posible gracias a la incorporación de tecnologías disruptivas.

tecnologías y principios I4.0 aplicados, como la automoción (Llopis­Albert et al., 2021),

farmacéutica (Reinhardt et al., 2020) y alimentaria (Kayikci et al., 2020).

equipos de producción, lo que lleva a averías y defectos de calidad menos frecuentes

(Wickramasinghe y Perera, 2016). Además, TPM combina diferentes componentes de

mantenimiento, mantenimiento planificado, mantenimiento proactivo y mantenimiento predictivo. Aquellos

Los tipos de mantenimiento se complementan entre sí para mejorar el rendimiento operativo y

presentan diferentes oportunidades al considerar su digitalización (Nowakowski et al., 2018).

procesamiento de datos, permitiendo el desarrollo de métodos innovadores y mejorando los equipos

eficiencia y confiabilidad (Al­Najjar et al., 2018; Klathae y Ruangchoengchum, 2019). Nuevo

necesidad de revisar sus políticas de mantenimiento y las funciones de mantenimiento y producción.

siguiente pregunta de investigación:

desempeño del mantenimiento?

diferentes empresas manufactureras. Se aplicaron técnicas de datos multivariados para analizar la

informacion recolectada. Dado el propósito y la naturaleza de esta investigación, la fundamentamos conceptualmente en

et al., 2004), como una organización de fabricación.

perspectiva, considerando la aplicación de tecnologías específicas en determinados contextos (Zenisek et

un amplio portafolio de tecnologías en varios sectores de la industria manufacturera y países.

expectativas junto con su implementación simultánea, y abordar contramedidas que puedan

aumentar el rendimiento del mantenimiento.

investigado. En la sección 4 se describen los procedimientos metodológicos adoptados, cuyos resultados se

presentado en la sección 5 y discutido en la sección 6. La sección 7 concluye el artículo, proponiendo

futuras oportunidades de investigación.

2.1. Mantenimiento productivo total (TPM)

Fomenta la implicación proactiva y la comunicación entre los empleados (Agustiady y

estabilidad (Stone, 2012; Marodin y Saurin, 2013).

Figura 1 – Ilustración de los pilares de TPM

m2 – realizar limpieza, lubricación, ajuste, ajuste, inspección, reajuste en

del mantenimiento autónomo se ha informado en muchos sectores industriales, caracterizando su

elevado número de citas. En la oposición, la práctica menos mencionada fue m7 – grupos

se forman para resolver problemas específicos, lo cual es sorprendente considerando la importancia de

frecuencias, las 31 prácticas en la Tabla 1 representan satisfactoriamente el espectro de TPM

Tabla 1 – Consolidación de las principales prácticas de TPM

2.2. Industria 4.0 (I4.0)

electrónica y tecnologías de la información en la fabricación (Lu, 2017; Aaldering y Song,

y cambios rápidos en los entornos de fabricación (Salkin et al., 2018). Contemporáneo

cadenas, productos altamente personalizados y orientados a servicios, y mercados ágiles y receptivos;

de tecnologías disruptivas, la adopción de I4.0 también se basa en principios de diseño fundamentales,

tales como decisiones descentralizadas, transparencia de la información e interoperabilidad (Hermann et

marcos de implementación. Por ejemplo, Fatorachian y Kazemi (2018) sugirieron una

marco teórico para la operacionalización de I4.0 en entornos productivos, alineado con el

sistema integrado de fabricación. Siguiendo esa propuesta, Tortorella et al. (2020a)

y aprendizaje automático. Complementariamente, Tortorella et al. (2021a) sugirieron agrupar I4.0

Orientado al producto/servicio. Siguiendo a Aceto et al. (2018) propuesta de agrupación I4.0

paquetes: (i) sensores­comunicación, incluidas tecnologías para la recopilación de datos y

transmisión, y (ii) procesamiento­actuación, incluyendo tecnologías que permitan transformar la

información previamente adquirida y comunicada en decisiones o acciones necesarias en el

Se pueden desarrollar otras tecnologías (Frank et al., 2019; Narayanamurthy y Tortorella,

impacto positivo en el desempeño operativo.

Tabla 2 – Tecnologías I4.0 reportadas en la literatura

En concreto, la integración de I4.0 en el mantenimiento ha sido un tema de interés de investigadores y

practicantes. Las tecnologías I4.0 permiten adoptar estrategias de mantenimiento innovadoras y

analizó cómo se ha integrado I4.0 en cuatro fabricantes de diferentes sectores,

particularmente relevante para el desarrollo de las actividades de mantenimiento ya que su efectividad

se basa en la consideración adecuada de todos los aspectos organizativos.

2.3. Difusión de la teoría de la innovación

Diseño/metodología/enfoque La recolección de datos se realizó a través de una multinacional

tecnologías y principios I4.0 aplicados, como la automoción (LlopisAlbert et al., 2021),

eficiencia y confiabilidad (AlNajjar et al., 2018; Klathae y Ruangchoengchum, 2019). Nuevo

paquetes: (i) sensorescomunicación, incluidas tecnologías para la recopilación de datos y

transmisión, y (ii) procesamientoactuación, incluyendo tecnologías que permitan transformar la

Cooperación y Desarrollo Económicos (OCDE) (2011): (i) alto y medioalto, y (ii)