Con unos activos anticuados y una estrategia de mantenimiento basada en el tiempo, Sanofi experimentaba a veces retrasos debidos a averías inesperadas de los activos. Carecía de información básica esencial sobre sus equipos debido a la disparidad de las fuentes de datos y a los procesos manuales. Al tratarse de una planta heredada, Sanofi Toronto también se enfrentaba a dificultades para adquirir piezas y a menudo necesitaba expertos en ingeniería para guiar las reparaciones, lo que también provocaba retrasos. Sanofi descubrió que, por lo general, tardaban entre cuatro y siete días en averiguar qué había fallado y determinar la causa raíz de un problema. Gracias a la implementación de AVEVA™ PI System™, Sanofi mejoró la capacidad de fabricación, redujo los costes de mantenimiento preventivo y aumentó la productividad.
Desafíos
Mejorar la productividad optimizando el rendimiento de los equipos, que se veía ralentizado por un mantenimiento reactivo y basado en el tiempo
Los activos anticuados y la planta heredada provocaron retrasos en la reparación de averías
Las evaluaciones manuales y los datos en silos causaron más retrasos
Resultados
25 %
reducción de los costes de mantenimiento preventivo
reducción del coste de los productos vendidos
horas de productividad ganadas y equipos de ingenieros más cualificados
"Nuestro trabajo es garantizar que tengamos un suministro fiable que se mantenga durante nuestra producción... La función de la fiabilidad es asegurar que tengamos un buen equilibrio, realicemos el tipo correcto de mantenimiento y nos aseguremos de tener las aptitudes y la capacidad".
—Mathew D’souza, Jefe de Gestión de Activos, Sanofi Toronto
Comprender el rendimiento de los activos
Antes de realizar cualquier cambio en los procesos o en el mantenimiento, Sanofi necesitaba comprender el estado de sus activos y su funcionamiento habitual. La empresa estableció una base para cada activo de la planta de producción con el fin de asegurarse de que disponía de datos para diferentes modos, condiciones de funcionamiento y fases de operación. Con esta información, Sanofi podría empezar a mejorar la planificación y la automatización del flujo de trabajo.
La empresa integró AVEVA™ PI System™ y Quartic.ai como parte de su estrategia de mantenimiento centrado en la fiabilidad para mejorar el rendimiento de los equipos, el flujo de trabajo de mantenimiento y los gastos en mantenimiento. Los ingenieros de Sanofi crearon modelos de detección de anomalías para identificar los problemas con anticipación, asegurando que los trabajadores pudieran reparar los activos antes de que fallaran de manera inesperada. Sanofi también empezó a hacer revisiones periódicas de las órdenes de trabajo activas y empleó el aprendizaje automático para empezar a identificar posibles averías asociadas a diferentes tipos de órdenes de trabajo. También se introdujeron sensores físicos para ayudar a comprender y complementar los datos del proceso mediante la adición de sensores de vibración o ultrasonidos a los activos y componentes críticos.
Sanofi utilizó AVEVA PI System para construir una infraestructura estándar de datos y contexto. Con datos más unificados y una mayor automatización en sus flujos de trabajo, la planificación se hizo más sencilla. La empresa aumentó su productividad porque su personal ya no tenía que responder constantemente y de forma reactiva a las averías. Sanofi también adquirió una mayor comprensión del rendimiento de sus activos. Debido a los retos relacionados con trabajar en un entorno regulado, Sanofi no pudo eliminar por completo el mantenimiento basado en el tiempo, pero logró reducir la frecuencia y avanzar hacia una estrategia centrada en la fiabilidad.
Sanofi integró AVEVA PI System con Quartic.ai para desarrollar soluciones automatizadas de aprendizaje automático que permitieran a los ingenieros supervisar los modos de avería críticos del equipo en todo su emplazamiento.
Modelos predictivos para la supervisión de riesgos
Tras integrar con éxito sus datos e implementar modelos de detección de anomalías, Sanofi comenzó a escalar. Quería crear una mayor integración con su sistema informatizado de gestión del mantenimiento (GMAO) y ampliar su análisis con más reglas de aprendizaje automático. Con los beneficios de los datos del sistema y sensores contextualizados en AVEVA PI System, Sanofi aceleró su uso de los análisis avanzados.
Basándose en su motor de detección de anomalías, Sanofi desarrolló modelos predictivos para comprender mejor el riesgo. Sanofi creó un panel de control de supervisión de riesgos leves para supervisar los riesgos de los equipos y establecer un nivel de riesgo aceptable: ¿el riesgo actual era lo suficientemente pequeño como para comenzar el siguiente lote o habría una desviación? El panel de control permitió a la empresa ser más proactiva y eficiente en la planificación y las actividades de mantenimiento.
A continuación, la empresa integró la supervisión del estado en línea junto con los sensores desplegados directamente en su sistema GMAO, con lo que se generaron automáticamente órdenes de trabajo planificadas para el activo. Tras el despliegue completo de la tecnología predictiva, Sanofi tiene como objetivo reducir el coste del mantenimiento predictivo en un 35 % para 2025. AVEVA PI System y los modelos predictivos constituyeron la base de una solución global de mantenimiento electrónico, en lugar de los procesos manuales de un solo emplazamiento que tenía antes.
"Aprovecharemos la tecnología disponible para que nuestros procesos sean un poco más eficientes, un poco más automatizados y sacar el máximo provecho de lo que tenemos a nuestra disposición".
—Mathew D’souza, Director de Gestión de Activos de la sede de Sanofi Toronto
Solución
Sanofi implementó AVEVA™ PI System™ y Quartic.ai para adoptar un enfoque de mantenimiento centrado en la fiabilidad, disminuyendo los fallos de fabricación aleatorios y reduciendo los costes de mantenimiento.
Ampliar la visión
Para aprovechar las capacidades de AVEVA PI System y Quartic, Sanofi puso en marcha una prueba de factores de riesgo con activos en funcionamiento continuo. Se utilizó un sistema de suministro de aire estéril, que siempre está en funcionamiento, y se instalaron sensores de vibración y ultrasonidos. Los ingenieros sabían qué etiquetas de proceso debían examinar y fijaron variables objetivo para el rendimiento medio y la temperatura ambiente, dos parámetros críticos que, si se desvían, requieren una investigación completa. Esto ayudó a generar confianza en el factor de riesgo mostrado en la plataforma de análisis de Sanofi.
Ahora, Sanofi quiere escalar la prueba a producción. La empresa pretende continuar con su despliegue global y empezar a crear especificaciones de requisitos de usuario para los nuevos proyectos que vayan llegando. Su objetivo es ser el mejor de su clase en cuanto a iniciativas de fiabilidad y quiere avanzar hacia activos gestionados y controlados por IA. Esto ayuda a garantizar que los lotes puedan continuar si un activo se está degradando, asegurando que los parámetros puedan ajustarse para continuar el lote o la tirada hasta que haya llegado al final de la producción.
"Nuestro estado objetivo es conseguir que un agente de aprendizaje automático identifique el fallo de un activo, que luego sea verificado por un ingeniero, y después realizar una serie de acciones que ocurran en paralelo".
—Mathew D’souza, Jefe de Gestión de Activos, Sanofi Toronto
Sanofi espera ampliar el uso de la plataforma a nuevas aplicaciones
Tras integrar con éxito sus datos industriales, modelos predictivos y soluciones de IoT, Sanofi aspira a un despliegue global y a un modelo de mantenimiento prescriptivo coherente. La empresa aún tiene algunos sistemas en silos y espera poder pasar a un enfoque de plataforma única. Una vez que su programa de fiabilidad esté consolidado, Sanofi espera aplicar el enfoque a otros procesos, como la trazabilidad de los lotes, la cadena de suministro externa y la elaboración de informes de KPI.
Aspectos destacados del producto
AVEVA™ PI System™
Recopile, agregue y enriquezca datos de operaciones en tiempo real para la resolución inmediata de problemas y proporcione datos formateados con facilidad a aplicaciones empresariales y análisis avanzados.
