BMW Group Planta Regensburg implementa un innovador monitoreo utilizando inteligencia artificial para detección temprana de fallas.

Regensburg, Alemania. 5 de diciembre de 2023. BMW Group Planta Regensburg implementa un innovador monitoreo utilizando inteligencia artificial para detección temprana de fallas. Gracias a este sistema utilizado en el área de ensamble es posible evitar interrupciones no planeadas antes de que ocurran. El mantenimiento predictivo es proactivo y preventivo – y esto es precisamente lo que ofrece este sistema de monitoreo inteligente. Los análisis basados en datos del equipo de transporte identifican y evitan de manera temprana fallas potenciales – manteniendo así un flujo óptimo de la producción de vehículos. El sistema, compatible con inteligencia artificial (IA), evita un promedio de aproximadamente 500 minutos de interrupciones por año en el ensamblaje de vehículos tan sólo en BMW Group Planta Regensburg.

Análisis de datos para una respuesta preventiva más rápida ante interrupciones potenciales.

Para el área de ensamble en BMW Group Planta Regensburg, los vehículos generalmente están sujetos a soportes de carga móviles o a sistemas de deslizamiento, los cuales pasan a través de los pasillos de producción en una cadena. Cualquier falla técnica en los sistemas vanguardistas del transportador puede paralizar las líneas de ensamblaje – lo que requiere un mayor esfuerzo de mantenimiento y, por consiguiente, resulta en costos más elevados -.

Para evitar que esto suceda, el equipo de innovación en BMW Group Planta Regensburg desarrolló un sistema que identifica potenciales defectos técnicos de manera temprana y así evitan pérdidas de producción. Los elementos del transportador afectados se retiran de la línea de ensamblaje y se repararán alejados de la producción. La ventaja es que el sistema de monitoreo no requiere ningún sensor o hardware adicional, sino que evalúa los datos existentes de los componentes instalados y del control del elemento transportador. Al encontrar anomalías se activa una alarma.

Por ejemplo, los soportes de carga utilizados para transportar vehículos a través del ensamblaje envían varios datos al sistema de control del soporte. Posteriormente, estos datos se transmiten a través del sistema de control del transportador y de la planta a la plataforma en la nube de mantenimiento predictivo propia de BMW Group. Aquí comienza el análisis:

• El algoritmo busca constantemente irregularidades, tales como fluctuaciones en el consumo de energía, anomalías en los movimientos del transportador o códigos de barras que no son lo suficientemente legibles y que pueden desencadenar un funcionamiento defectuoso.

• Si se encuentran alteraciones, el centro de control de mantenimiento recibe un mensaje de advertencia, el cual se asigna al técnico de mantenimiento en servicio.

“Los monitores de vigilancia en nuestro centro de control funcionan 24/7,” explica Oliver Mrasek, Gerente del proyecto. “Esto nos permite responder rápidamente a cualquier tipo de reporte de falla y retirar del ciclo el vehículo afectado.”

Implementación – Compatible con Inteligencia artificial, estandarizado y rentable.

El mantenimiento predictivo no es una solución independiente, enfatiza Mrasek. El sistema se estandarizó en colaboración con el departamento de gestión central de BMW Group Planta Regensburg y con otros sitios de la fábrica, con el objetivo dea facilitar una implementación rápida y sencilla en otras plantas de BMW Group alrededor del mundo. Este enfoque también es rentable. “No necesitamos ningún sensor adicional, por lo que los únicos costos son de almacenamiento y potencia informática”, comenta Mrasek.

Los modelos de aprendizaje automático desarrollados de manera interna también se implementaron en el sistema, el cual utiliza mapas de calor con varios códigos de color para diferentes anomalías que visualizan los resultados del modelo. “Esto nos permite mapear diferentes patrones de fallas en varios componentes y responder de una manera específica,” explica Mrasek.

Con base en estos resultados prácticos, los algoritmos mejoran y se refinan continuamente. El equipo actualmente está en el proceso de conectar instalaciones adicionales, optimizar el sistema e integrar las acciones recomendadas en los mensajes de error, mismos que indican problemas similares que han ocurrido en un sistema. Esto simplifica la resolución de problemas para los técnicos de mantenimiento – por ejemplo, si un propulsor en el carro transportador está defectuoso -.

“El mantenimiento predictivo óptimo no sólo nos ahorra dinero, sino que también significa que podemos producir la cantidad planeada de vehículos a tiempo lo que ahorra una gran cantidad de estrés en producción,” explica Deniz Ince, científico de datos del equipo.

El siguiente objetivo: previsibilidad y dos patentes.

Oliver Mrasek y sus colegas han trabajado en el monitoreo basado en datos de la tecnología del transportador durante los últimos seis años. Hoy en día, cerca del 80% de las líneas principales de ensamblaje ya son monitoreadas de esta manera. “No podemos detectar ni prevenir cada una de las fallas con antelación, por supuesto, pero actualmente estamos evitando por lo menos 500 minutos de interrupción al año tan solo en el ensamblaje de vehículos,” explica. Es fácil calcular cuánto suma esto. En BMW Group Planta Regensburg un vehículo sale de la línea de ensamblaje cada 57 segundos y el sistema ya se implementa en los sistemas del transportador en las Plantas de BMW Group Dingolfing, Leipzig y Berlín.

El objetivo es explotar aún más las posibilidades de la inteligencia artificial, donde el sistema aprende a calcular cuánto tiempo queda entre la detección de la falla y la interrupción potencial. Esto ayudará a los técnicos a decidir qué tan pronto necesitan realizar el mantenimiento y les permite establecer prioridades, en caso de ser necesario. Mrasek también ve otro potencial en otras áreas de la planta: “Actualmente estamos probando si podemos utilizar el sistema para el equipo utilizado para llenar nuestros vehículos con líquido de frenos y refrigerante, por ejemplo.”

Aunque ya hay varias opciones para mantenimiento de equipo predictivo, el sistema de aprendizaje integrado de Regensburg es, hasta ahora, el primero de su tipo. Por consiguiente, la compatibilidad con el mantenimiento predictivo ya se incluye en las licitaciones para tecnologías de transporte. Los fabricantes del equipo también están elogiando el sistema, ya que también se benefician de sus evaluaciones. BMW Group ya ha registrado dos patentes para su desarrollo interno.