Mejora de la gestión de activos industriales con la conectividad de datos de mantenimiento

Cada instalación industrial se compone de equipos y componentes críticos que deben funcionar sin problemas para garantizar una producción confiable y minimizar las fallas. Particularmente a medida que la infraestructura de activos industriales envejece, los precios de los productos básicos fluctúan y los gastos operativos (OPEX) aumentan, es fundamental que las empresas adopten planes de mantenimiento sólidos para la gestión de activos industriales y así mantener los equipos en excelentes condiciones de funcionamiento.

Se pueden crear estrategias efectivas aprovechando el análisis de mantenimiento basado en conocimientos aplicados a un recurso a menudo infrautilizado: los datos. Los datos de funcionamiento y operación, así como los datos de activos mecánicos, información histórica de órdenes de trabajo, especificaciones de diseño de equipos y experiencia en la materia son clave para la gestión de activos industriales. Reunir toda esta información es difícil, especialmente a escala empresarial, pero se vuelve mucho más factible con las herramientas de software adecuadas.

Estrategias de mantenimiento ineficientes

En muchas instalaciones y empresas, los datos de procesos se almacenan en bases de datos históricas de procesos independientes o en subsistemas de control dispersos por toda la empresa. Agregando al desorden, las especificaciones del equipo a menudo residen en dibujos impresos, no disponibles electrónicamente, datos de órdenes de trabajo en un sistema de gestión de mantenimiento computarizado y datos de diagnóstico mecánico en una base de datos separada. El primer paso para realizar el análisis de equipos es unificar la información de estas fuentes dispares en un entorno central.

Una vez que se consolidan los datos, lo que tradicionalmente se hacía exportando datos sin procesar de cada fuente y agregándolos en una sola hoja de cálculo, aplicar cálculos y análisis puede ser engorroso si los datos no están estructurados correctamente o las marcas de tiempo no están alineadas.

Incluso después de completar este proceso para una máquina o área de celda de la instalación, el flujo de trabajo manual debe repetirse para todos los demás equipos, lo que consume un tiempo valioso de expertos en procesos, y responsables de la gestión de datos y operadores. Por esta y otras razones, algunas instalaciones emplean una filosofía de mantenimiento de ejecución hasta la falla, una práctica común en ausencia de datos consolidados y, especialmente, de conocimientos. Sin embargo, este método corre el riesgo continuo de tiempo de inactividad no planificado y costos de mantenimiento inesperados. También aumenta los riesgos de seguridad del proceso para el equipo y sus operadores humanos.

Para mitigar varios peligros de funcionar hasta fallar, otros fabricantes implementan mantenimiento preventivo programado (PM), una estrategia que tiene como objetivo reducir drásticamente las fallas y mantener la calidad del equipo desconectándolo para el servicio a intervalos regulares, independientemente de su condición. Si bien el mantenimiento preventivo  programado es el mejor enfoque que ejecutar hasta fallar, está lejos de ser infalible.

El mantenimiento preventivo programado se vuelve particularmente desafiante en entornos de grandes empresas debido al volumen de equipo que se debe mantener. Para que sea rentable, se debe dar prioridad a los componentes críticos o que fallan con frecuencia, ignorando principalmente el resto hasta que los problemas se hacen evidentes. Además, el equipo retirado para el servicio no siempre requiere atención.

Al instituir enfoques de mantenimiento preventivos basados en condiciones, el servicio se puede realizar cuando y donde sea razonable para adelantarse a la mayoría de las fallas. Con el software GMAO adecuado de análisis de datos y generación de información, los fabricantes pueden administrar de manera efectiva largas listas de activos, priorizando el mantenimiento en función de las condiciones actuales y previstas. Esto ayuda a establecer los plazos más eficientes para que el personal de mantenimiento desconecte los equipos para su reparación.

Mejora de la gestión de activos con conectividad en tiempo real de los datos

La implementación del mantenimiento basado en la condición comienza con el establecimiento de conexiones con todas las fuentes donde residen los datos relevantes. Esto se puede hacer utilizando aplicaciones de análisis avanzadas basadas en la nube, con la capacidad de conectarse de forma nativa a una variedad de fuentes de datos. La lista incluye historiadores de procesos para datos de sensores, almacenes de datos en la nube para información de diseño de equipos, bases de datos basadas en SQL para datos históricos de mantenimiento y otros. Estas conexiones leen datos directamente de la fuente sin modificar, duplicar o manipular la información de la fuente de ninguna manera. Estas aplicaciones también brindan la capacidad de leer información de jerarquía en grupos de activos, lo que respalda la escalabilidad. Cuando las jerarquías aún no existen, las herramientas de apuntar y hacer clic permiten a los usuarios finales crearlas rápidamente sobre la marcha, ya sea para un caso de uso pequeño o para construir toda la instalación, región o empresa.

Una vez que se establecen las conexiones en tiempo real a las fuentes de datos, una aplicación de análisis avanzado alinea las marcas de tiempo y aplica la interpolación básica, eliminando los esfuerzos de ETL que consumen mucho tiempo. Estas conexiones proporcionan un punto de partida para los expertos en la materia de mantenimiento predictivo, como procesos y confiabilidad.

Valor de utilizar análisis avanzados para la gestión de activos industriales

Los gerentes de las industrias de procesos están adoptando nuevas tecnologías de análisis de activos industriales para aprovechar al máximo sus inversiones en datos. Aquí tienes un par de casos de uso de gestión de activos que pueden ser de interés.

Caso de uso n.° 1: predicción de fallas de rodamientos

La maquinaria rotativa presenta desafíos al establecer programas adecuados de mantenimiento y servicio. Específicamente, los rodamientos pueden fallar en ritmos arbitrarios, lo que limita la utilidad del mantenimiento preventivo programado.

En un escenario, un cojinete falló repentinamente, lo que provocó daños en el compresor y esto generó un tiempo de inactividad significativo. Aprovechando los sistemas de gestión de activos industriales a través de  una aplicación de análisis avanzado, el equipo de ingeniería realizó un análisis de la causa raíz y observó que los sensores de vibración proporcionaban indicadores razonables para posibles problemas. Con base en este conocimiento, construyeron un modelo empírico para identificar cuándo los sensores de vibración podrían desviarse del «funcionamiento normal» estadísticamente, comparando el funcionamiento real con un conjunto de datos de entrenamiento.

El modelo indicaba un punto en el que se requería mantenimiento, solo unos días antes de la falla. Luego, el equipo consultó al responsable de la gestión de datos residente para evaluar si la aplicación de un modelo de aprendizaje automático podría ofrecer aún más información sobre la condición del rodamiento.

Usando datos de operación normal además de los datos de falla como conjuntos de entrenamiento, el responsable de la gestión de datos de mantenimiento analizó los datos y aplicó un algoritmo de detección de anomalías, que generó una señal de estado de rodamiento, brindando un aviso adicional de dos días en rodamiento. degradación antes de la falla.

Los datos utilizados para realizar el análisis de causa raíz y crear modelos de predicción de cojinetes posteriores existían en un historial de datos de proceso anterior y se correlacionaron con datos de prueba de proveedores adicionales almacenados en una tabla de SQL en la nube. Ambos conjuntos se conectaron a una  aplicación de análisis avanzado, luego se creó una jerarquía, lo que permitió que los cálculos se propagaran rápidamente de un rodamiento a otros en compresores similares.

La tendencia final se colocó en un tablero y se amplió a activos similares en toda la instalación. Ahora, el equipo de mantenimiento es notificado de una operación anormal en su flota de compresores un promedio estimado de una semana antes de que ocurra una falla

Esta alerta temprana permite el servicio proactivo de los rodamientos para prolongar la vida útil y proporciona tiempo para pedir piezas y reasignar recursos.

Caso de uso n.° 2: Monitoreo del estado de la bomba

La confiabilidad de las bombas se ha vuelto cada vez más importante, lo que lleva a que la industria se centre en mejores métodos para medir el estado de las bombas casi en tiempo real. El estado de la salud general de la bomba se informa mediante la identificación de signos de degradación y su agregación en una única métrica predictiva de la salud de la bomba.

Un proveedor de energía y servicios públicos con varios activos de bombas críticos implementó una solución de monitoreo del rendimiento de las bombas para reducir las fallas. Para acceder a los datos necesarios para el análisis se implementó un sistema de gestión de activos industriales con conexiones en tiempo real  a un historial de procesos para datos operativos y a tablas SQL para órdenes de trabajo históricas. Los datos de diseño se agregaron a través de la experiencia en la materia y las hojas de datos de diseño.

Una vez que los datos estuvieron disponibles de forma centralizada en la aplicación de análisis avanzado,se  limpiaron los datos eliminando los valores atípicos, el ruido y los abandonos. Luego se aplicaron los cálculos y condiciones de los primeros principios, creando varios indicadores de modo de funcionamiento derivados de la curva de la bomba y las especificaciones de la hoja de datos.

A continuación, los indicadores de estado de la bomba se agruparon en una sola métrica de puntuación de estado, lo que proporciona una visión general del rendimiento diario de la bomba. La utilidad ahora usa estos puntajes de salud para impulsar la intervención de mantenimiento proactivo.

Ventajas de la gestión de activos basadas en datos

El mantenimiento de los  equipos industriales  es fundamental para el funcionamiento estable de la planta, lo que se correlaciona directamente con la rentabilidad. Desbloquear el inmenso valor de los datos de proceso actualmente es un desafío del pasado, pero las aplicaciones de análisis avanzado de hoy en día permiten a los fabricantes de procesos extraer información de los datos, proporcionando información para la toma de decisiones que se puede escalar en toda la empresa.

Esta es una ventaja vital para el crecimiento. Cuando se usan de manera efectiva, estos conocimientos se pueden usar para el modelado predictivo y una gran cantidad de acciones basadas en condiciones, lo que mejora la eficiencia operativa y de gestión de activos.

Si quieres conocer las mejores prácticas para una gestión de activos industriales más confiables, suscríbete al newsletter de tecnología para la industria.