Alimentado por sensores, conectividad y máquinas inteligentes, el internet de las cosas (IoT) está remodelando los procesos de fabricación e industriales, cambiando efectivamente el paradigma de uno de ‘reparación y reemplace ‘a más de’ predecir y prevenir ‘. En un escenario industrial, el tiempo de inactividad del equipo no planificado puede ser extremadamente costoso para los negocios. Hoy en día, los fabricantes y organizaciones no pueden permitirse esperar hasta que una máquina o equipo se desarme para averiguar cuál es la avería. Por otro lado, las empresas tampoco quieren gastar tiempo y recursos costosos haciendo mantenimiento no deseado a todos sus equipos y maquinaria sin realmente tener que hacerlo.

El caso de estudio que aquí describimos viene de la mano de Cloudera, proveedor mundial de la plataforma de análisis y gestión de datos, en servicios portuarios.

Cliente:

En un puerto con más de 600 millones de contenedores, el cliente es un proveedor de carga y descarga de mercancías.

Reto:

Con el fin de mejorar su eficiencia en las operaciones de manejo de carga, el cliente quería recolectar, procesar y analizar datos de más de 100.000 equipos conectados en todo el mundo para obtener ideas y construir modelos predictivos para servir a sus usuarios finales.

Querían unir datos de maquinaria con el fin de proporcionar una visión completa de las cuestiones relacionadas con la manipulación de la carga para garantizar a sus clientes que tengan un rendimiento continuo, confiable y sostenible. Más que simplemente administrar datos de la maquinaria conectada, también necesitaban agregar contexto a los datos del sensor para poder combinar y correlacionarlo con otras fuentes de datos internas y externas. Además, tenían que abrir sus datos a los expertos en datos para hacer análisis y construir modelos.

Solución:

Se diseño una solución de IoT basada en la nube, que utiliza análisis avanzados y aprendizaje automático (machine learning) para obtener información de las transmisiones de datos a través de los millones de equipos de manejo de carga para permitir monitoreo remoto y predictivo mantenimiento.

Esto es debido a las ventajas adquiridas tras la implementación de tareas de Predictivo/Condition Based Monitoring (CBM):

• Monitorización de ciertas variables que informen sobre el estado de los equipos, pudiéndose alargar los plazos de mantenimiento hasta estar muy próximos al Fallo Funcional.
• Detección/Predicción de desgastes críticos o posibilidad de rupturas.
• Reducción de costes de Mantenimiento (frecuencias, horas/hombre, repuestos) y de oportunidad (mayor de disponibilidad de activos).

El objetivo final es mejorar la utilización, reducir el tiempo de inactividad del equipo no planificado y proporcionar además una visión rica y completa de cuestiones relacionadas con la manipulación de la carga para garantizar a los clientes tener un rendimiento continuo, confiable y sostenible.

Resultados:

Antes de tener una gran plataforma de análisis de datos, múltiples sistemas independientes y de información geo-referenciada (SIG), estaban funcionando y no había una visión completa o puntos de vista sobre el rendimiento operativo de las máquinas.

Todo el seguimiento se realizaba manualmente, era ineficiente, inflexible y propenso a errores. Hoy gracias al Internet de las cosas (IoT) se permite el mantenimiento predictivo y la eficiencia operativa en millones de equipos conectados. Ahora el puerto tiene una vista en tiempo real de todos los equipos y maquinaria conectados, y usa análisis para mejorar sus operaciones y construir perspectivas y modelos predictivos.