En la actualidad, las plantas industriales enfrentan un desafío crítico en el mantenimiento en planta con miles de activos, donde los fallos inesperados generan altos costos, tiempos de inactividad y pérdida de productividad. Las empresas suelen enfrentar dificultades para identificar objetivamente qué equipos tienen mayor riesgo de falla y cuándo realizar mantenimientos preventivos.
En este contexto, investigadores de la Universidad de Las Palmas de Gran Canaria (ULPGC) han desarrollado un servicio de asesoría técnica para el análisis de riesgos en plantas industriales que combina métodos avanzados de gestión de mantenimiento e inteligencia artificial para optimizar la operatividad y reducir costos. Este enfoque tiene como objetivo identificar y priorizar los activos con mayor probabilidad de fallar, utilizando técnicas de segmentación y análisis basadas en datos históricos de mantenimiento.
Inicialmente, el proceso comienza con la recopilación y organización de información técnica de la planta, creando diagramas RBD (Diagramas de Fiabilidad Basada en Bloques) y zonificación para establecer las bases del análisis. Luego, se realiza un análisis estadístico de los datos de mantenimiento, identificando los activos más críticos mediante modelos como AMFE (Análisis Modal de Fallos y Efectos) y MCR (Análisis de Matrices de Criticidad). La tecnología utiliza también un enfoque jerárquico analítico (AHP) para objetivizar la experiencia previa priorizando las decisiones de mantenimiento en función de parámetros clave como severidad, detectabilidad y frecuencia de fallos.
En su segunda fase, la tecnología implementa modelos de inteligencia artificial, como redes neuronales, entrenadas con los históricos de mantenimiento para predecir fallos futuros y determinar cuándo realizar mantenimientos preventivos. Esto permite maximizar la disponibilidad de la planta al reducir el mantenimiento correctivo y los tiempos de inactividad.