Los modelos de IA como GPT-4, Claude 3 y Gemini pueden procesar y resumir grandes volúmenes de datos no estructurados, generar pronósticos y sacar conclusiones analíticas. La IA generativa modela proteínas, optimiza la logística y predice el comportamiento del consumidor. Según McKinsey, su potencial económico podría alcanzar hasta 4,4 billones de dólares al año.
A pesar de sus impresionantes logros, la IA sigue siendo significativamente limitada en ciertas áreas del análisis. Todavía no puede hacer pronósticos económicos a largo plazo y lucha por predecir cambios repentinos en el mercado. El análisis de datos de equipos industriales es uno de los campos en los que la IA todavía se queda corta.
Llevo más de 10 años trabajando en el campo de la analítica industrial y he sido testigo de cómo este sector ha sufrido transformaciones y evolucionado mediante la introducción de nuevas tecnologías. Hoy en día, la inteligencia artificial puede detectar incluso los más mínimos signos de mal funcionamiento. Pero estoy convencido: la IA todavía no puede funcionar de forma independiente. En el mantenimiento predictivo, el papel del analista humano sigue siendo fundamental.
Cómo interviene la IA en el mantenimiento predictivo
El mantenimiento predictivo pronostica fallas en los equipos aprovechando datos históricos y en tiempo real de sensores IIoT, junto con aprendizaje automático e inteligencia artificial.
Temperatura, vibración, carga y presión: los algoritmos de IA están entrenados en todos estos indicadores de rendimiento del equipo. Analizan flujos de datos en tiempo real y detectan patrones que precedieron a fallas pasadas. Los sistemas de IA pueden capturar incluso las más mínimas desviaciones de las condiciones operativas normales que pasarían desapercibidas para los humanos. Esto puede ocurrir cuando un defecto apenas comienza a surgir.
Los sistemas PdM modernos no solo analizan las causas que llevaron a una falla, sino que también sugieren acciones preventivas que el equipo de mantenimiento puede tomar, por ejemplo, reducir la carga en el equipo, reemplazar una pieza o cambiar el lubricante. De esta manera, los problemas se resuelven antes de que se conviertan en costosos accidentes. Entre las empresas que han implementado mantenimiento predictivo en sus operaciones, el 95% reporta beneficios financieros y el 27% vio un retorno de su inversión en menos de un año.
Sin embargo, los sistemas de inteligencia artificial aún carecen de autonomía total y los ingenieros-analistas siguen siendo una parte fundamental de los flujos de trabajo de mantenimiento predictivo. Hay tres razones principales por las que la IA, por ahora, no puede reemplazar completamente la experiencia humana:
Falta de datos de entrenamiento.
Todos sabemos que los modelos de IA requieren grandes cantidades de datos históricos (¡y de alta calidad!) para su entrenamiento. En el caso de los equipos industriales, la situación se vuelve más compleja: incluso según estimaciones modestas, puede haber millones de casos de defectos. Sin embargo, cuando necesitamos datos donde el tipo de equipo, la etapa de desarrollo del defecto, las condiciones de operación y otros parámetros se alinean de manera relevante para una situación específica, resulta que esos datos son escasos. Si el equipo es nuevo o poco común, es posible que no existan datos históricos de fallas. En tales casos, es la experiencia del ingeniero la que permite tomar decisiones bien fundadas.
La IA carece de conciencia contextual
Mientras estamos ocupados contando cuánto ahorramos en las ofertas del Black Friday, disfrutando del hecho de que compramos todo lo que necesitábamos (y algunas cosas que no necesitábamos), en los centros logísticos todo apenas comienza. Las líneas transportadoras funcionan a plena capacidad y si hubiera incluso un pequeño defecto en uno de los cojinetes, su degradación se aceleraría. El resultado: una avería repentina, una parada de línea y quejas de los clientes cuyos pedidos se retrasan. Mayor carga de equipos durante los períodos pico como el Black Friday: ese es el contexto. Y es posible que la IA no lo tenga en cuenta. Un sistema de IA rastrea las tendencias y reacciona a los cambios en el comportamiento de los equipos, pero no siempre puede vincular esos cambios con por qué y cómo cambian las condiciones operativas. Esto complica el diagnóstico preciso y la identificación de la causa raíz de una falla. Para obtener conclusiones más fiables, se necesitan datos que cubran una amplia gama de escenarios (y puede haber cientos de ellos).
Problemas de calidad de datos
Las tecnologías IIoT están transformando radicalmente el enfoque del mantenimiento, pero la calidad de su desempeño depende directamente de la calidad de los datos transmitidos por los sensores. Y aquí incluso el algoritmo más avanzado puede fallar. Los datos de producción pueden ser ruidosos, incompletos o distorsionados. ¿Por qué sucede esto? Por ejemplo, los sensores de vibración pueden capturar oscilaciones extrañas transmitidas desde equipos vecinos. En ese caso, la IA puede interpretarlos como una señal de mal funcionamiento y emitir una alerta falsa. Si esto no lo evalúa una persona que sabe que la potencia de la máquina vecina ha aumentado, el equipo de mantenimiento, en el mejor de los casos, perderá tiempo en comprobaciones innecesarias. La consecuencia a largo plazo de este tipo de incidentes es que el equipo puede perder la confianza en el sistema y empezar a ignorar las alertas. Los datos del sensor también pueden perderse debido a un fallo técnico en la conexión o porque la batería de un sensor inalámbrico se ha agotado. Un sensor mal instalado o calibrado también producirá lecturas falsas. Un ingeniero-analista puede interpretar estos datos en el contexto del proceso de producción específico y distinguir un mal funcionamiento real de un error de medición.
¿Cuántos datos necesita la IA?
Los sistemas avanzados de mantenimiento predictivo, según la cantidad de sensores IIoT con los que trabajan, pueden recopilar miles de millones de mediciones del rendimiento de los equipos todos los días. Los algoritmos escanean estos datos en busca de patrones y filtran aquellos que puedan indicar un defecto. Sin embargo, esto es sólo un diagnóstico preliminar; aún debe ser verificado por analistas experimentados.
Entonces, ¿por qué la IA no puede garantizar todavía una precisión diagnóstica del 100%? Tomemos como ejemplo los rodamientos.
Los rodamientos están presentes en casi todos los equipos industriales, desde motores hasta transportadores, y representan alrededor del 40% de las fallas de los equipos. Su condición se evalúa a través de datos de vibración capturados por sensores IIoT. Estos sensores transmiten una señal al sistema PdM; esencialmente, una grabación de audio del zumbido mecánico. Utilizando un algoritmo matemático llamado Transformada Rápida de Fourier, esta señal se convierte del dominio del tiempo al dominio de la frecuencia. Una red neuronal, seguida por un ingeniero humano, analiza los datos de vibración tanto en el dominio del tiempo como de la frecuencia para evaluar el estado del rodamiento.
Lo que sigue son cálculos extremadamente aproximados diseñados para ilustrar la magnitud del desafío que enfrentan los desarrolladores de IA.
Basemos nuestro modelo en los componentes de la señal de vibración medidos a lo largo de tres ejes: X, Y y Z. Cada medición consta de 10.000 puntos en el espectro de frecuencia (un ejemplo típico). Por tanto, el vector de entrada de la red neuronal contiene 30.000 números (10.000 valores espectrales por cada uno de los tres ejes).
Para tareas con una gran cantidad de parámetros de entrada, la cantidad mínima de ejemplos de entrenamiento debe ser de 10 a 50 veces la dimensionalidad del vector de entrada. Esto ayuda a evitar el sobreajuste y garantiza la resistencia al ruido. Sin embargo, esta estimación no tiene en cuenta el contexto operativo del rodamiento ni otros factores importantes que afectan la cantidad de datos necesarios para entrenar el modelo.
En la tabla, enumero estos factores con valores aproximados para ilustrar cuántos casos podría necesitar la red neuronal para reconocer y clasificar con precisión los defectos de los rodamientos.
Solo una pequeña parte de los datos que recibe diariamente el sistema PdM indica problemas potenciales y no todas las señales de advertencia están relacionadas con vibraciones. Incluso las mediciones de vibraciones “problemáticas” suelen indicar las primeras etapas de un defecto en lugar de su desarrollo completo, ya que el sistema PdM está diseñado precisamente para advertir sobre la progresión del defecto.
Por lo tanto, las redes neuronales objetivamente carecen de datos suficientes para todos los tipos de defectos, en todas las etapas de desarrollo, en todos los contextos y en todos los aspectos. Si bien la red puede detectar patrones que indiquen un rodamiento defectuoso, no siempre puede proporcionar un diagnóstico exacto ni dar recomendaciones precisas al equipo de mantenimiento. Es por eso que los ingenieros y analistas de datos de vibraciones siguen siendo esenciales para los flujos de trabajo de mantenimiento predictivo.
Desarrollo futuro del mantenimiento predictivo
Los mejores resultados actuales en PdM provienen del enfoque Human in the Loop (HITL): los algoritmos procesan billones de señales, mientras que los expertos agregan contexto, filtran falsas alarmas y entrenan modelos en casos reales etiquetando correctamente los datos. La velocidad de las máquinas, combinada con la experiencia de los expertos, permite escalar el análisis y mejorar la precisión de las decisiones simultáneamente.
Sin embargo, los datos se están generando tan rápidamente que no descarto sistemas de IA totalmente autónomos en Mantenimiento Predictivo en los próximos años. La siguiente etapa del desarrollo general del análisis predictivo es el análisis prescriptivo, que no solo predice eventos futuros, sino que también resuelve problemas automáticamente. Ya existen servicios que pronostican las necesidades de repuestos y realizan pedidos automáticamente o redirigen cargas de producción a otras líneas para evitar tiempos de inactividad. No hay duda de que el futuro promete una automatización aún mayor de los procesos de mantenimiento de equipos.