Mitigación de riesgos en plantas industriales mediante gestión avanzada de datos

El fallo de activos es un evento disruptivo para cualquier organización industrial. Según LNS Research, los fallos de activos son una de las tres principales causas de accidentes que terminan en problemas de seguridad y contaminación. También detienen la producción y causan daños en equipos, resultando en pérdidas financieras significativas. De hecho, cada año, el tiempo de inactividad no planificado cuesta a los fabricantes industriales unos 50.000 millones de dólares estimados.

Las organizaciones están bajo presión para aumentar la eficiencia y reducir el consumo, y los gerentes de fiabilidad y ejecutivos deben rendir cuentas por cada activo que juega un papel en las operaciones de la planta, desde la válvula más pequeña hasta la turbina más grande.

Aunque el software puede ejecutar análisis y generar métricas básicas de rendimiento, el conocimiento de que una turbina de 10 millones de dólares bien protegida es 98% fiable no es útil cuando es una válvula pequeña la que falla y cierra toda la planta.

Tres factores clave de la degradación de máquinas son:

1. Todas las máquinas enfrentan múltiples fuentes de degradación.
2. Esto incluye productos químicos, fatiga, abrasión y fricción.
3. La tasa de estos mecanismos de degradación varía según el diseño de la máquina, su uso y el entorno.
4. Las máquinas son complejas, consisten en varios componentes, y las diferentes fuentes de degradación afectan a esos componentes a diferentes tasas.

El viaje inicial: De preventivo a proactivo

El mantenimiento preventivo (PM) surgió para detectar y prevenir la degradación antes de que ocurriera el fallo. Sin embargo, la complejidad e interacción de los tres factores clave de degradación complicaron la decisión de cuándo y dónde intervenir. En lugar de establecer programas de PM basados en suposiciones fundamentadas, el PM basado en tiempo se convirtió en la mejor opción, y pronto le siguió el mantenimiento basado en condición.

Se han desarrollado diversas tecnologías de mantenimiento predictivo (PdM), tales como:

• Análisis de vibraciones para equipos rotativos.
• Termografía para sistemas eléctricos.
• Ultrasonido para espesor de tuberías y recipientes.

Sin embargo, el nombre "mantenimiento predictivo" es un poco inapropiado. Estas tecnologías no predicen el fallo; detectan y revelan signos de deterioro para que los equipos de mantenimiento puedan interceptarlos antes de que ocurra el fallo. Estos métodos se centran en diferentes modos de fallo y se construyen alrededor de tecnologías de sensores que los detectan y producen datos críticos.

Sin insights de datos de tecnología de sensores conectados, los operadores de planta tienen una comprensión insuficiente de los riesgos de la organización y cómo gestionarlos. Los datos necesarios para tomar decisiones pueden estar limitados a un activo o instalación específica. Pero los datos se vuelven útiles cuando se comparan en toda la empresa y promedios globales, presentando una ventaja competitiva para las empresas que entienden los riesgos y saben cómo controlarlos.

Adoptando datos e inteligencia nueva

Con la adopción de sensores productores de datos, las organizaciones están implementando sistemas de gestión para interpretar volúmenes masivos de datos y ejecutar tareas avanzadas de reconocimiento de patrones para detectar anomalías y degradación de equipos.

Las técnicas de detección de sistemas de gestión son prácticas; analizan datos de sensores y construyen un modelo de operación "normal" y alertan cuando ocurren condiciones anormales. Esto sucede en tiempo real y puede detectar variaciones sutiles causadas por deterioro. Con estas tecnologías, las organizaciones están viendo un retorno de inversión al reducir significativamente fallos catastróficos en equipos monitorizados.

¿Sabía que...?

"Aprovechar el análisis de big data puede reducir averías hasta en un 26% y recortar el tiempo de inactividad no programado casi en un 25%."
Fuente: engineering.com

La tecnología también ha transformado la minería de datos para optimizar insights de datos de sensores archivados y datos de sistemas de gestión de activos empresariales para asistir con la ejecución del trabajo. Combinar minería de datos con detección de anomalías mejora los diagnósticos en tiempo real y las previsiones de tiempo hasta el fallo. Aquí es donde entran en juego los sistemas de gestión de rendimiento de activos (APM).

La mayoría de las técnicas de aprendizaje automático (ML) e inteligencia artificial (IA) son impulsadas por datos pero no están diseñadas para análisis extensivo de datos; los APM codifican los datos que el ML y la IA no pueden, usando una función de integración de datos ML para recopilar miles de millones de puntos de datos y organizarlos rápidamente en modelos que miden el riesgo y previenen fallos.

En la industria actual, las organizaciones reconocen que los activos conectados necesitan alimentar información a un sistema APM para utilizar apropiadamente los datos recopilados. Por ejemplo, una gran empresa química en Arabia Saudita implementó un sistema APM y mejoró la tasa de fallo promedio de sus tuberías de 172 días a más de 2.100 días, representando una mejora del 1.135%.

Compartiendo datos para mejores pronósticos

Para organizaciones con entornos IoT (Internet de las Cosas) de extremo a extremo, el análisis de big data no puede centrarse solo en unas pocas fuentes de datos. Los APM permiten a las organizaciones combinar silos de datos y modelar la naturaleza única de los activos industriales dentro de su contexto operativo.

Este es un área donde hay diferencias significativas entre los sectores industrial y de consumo. En el mundo industrial, los fallos pueden ser altamente variados. Dado que actualmente no hay un equivalente industrial a Google o Amazon para combinar datos de máquinas entre empresas, los grupos de datos necesarios para desarrollar este tipo de análisis se limitan a grandes empresas y fabricantes de equipos originales (OEM). Aunque las empresas son sensibles sobre sus datos operativos, muchas comienzan a entender que compartir sus datos de fallos y averías con otros es extremadamente beneficioso para toda la industria.

Con este grupo de datos, la próxima ola de análisis de datos tiene un potencial inmenso. Al analizar estos datos, los patrones de fallo emergentes pueden compararse y cotejarse con datos históricos de una "biblioteca" de casos previos similares. Con esto, los diagnósticos automatizados pueden proporcionar una descripción del problema y una previsión del tiempo potencial hasta el fallo.

Incluso para equipos no equipados con sensores, grupos de datos más grandes soportan un mejor análisis estadístico basado en equipos en condiciones operativas similares. Esto permite a ingenieros y operadores tomar decisiones más informadas al establecer una estrategia de mantenimiento porque entenderán la tasa real de fallo de componentes. La tecnología actual típicamente se basa en recomendaciones de OEM o estudios de la industria que a menudo se realizaron hace años.

Conclusión

Para muchas empresas, el desarrollo de la estrategia de mantenimiento es un proceso subjetivo impulsado por la experiencia. Los datos para tomar decisiones objetivas a menudo son escasos, no existen o son difíciles de acceder. Moverse hacia enfoques basados en condición resuelve gran parte de este problema al basar las actividades en la condición actual de un activo, pero incluso estas técnicas aún requieren experiencia significativa y dejan margen de mejora.

El potencial para aplicar análisis de datos avanzados a las operaciones de máquinas es prometedor, pero aún hay desafíos. Es crítico tener acceso al tipo correcto de datos, y para muchas empresas, esto puede significar estar dispuestas a compartir e intercambiar datos con otras empresas. A medida que las empresas comiencen a compartir información y mejorar operaciones, se darán cuenta de que los beneficios superan las preocupaciones de ayudar a competidores.

Las organizaciones entienden que el coste directo del tiempo de inactividad es perjudicial para el negocio. En muchos casos, los costes indirectos de este tiempo de inactividad, como una reputación dañada, son igualmente, si no más disruptivos que los costes directos. Los operadores industriales deben adoptar una estrategia de big data que proporcione el mejor resultado para sus activos si desean mantener la rentabilidad y el crecimiento. Al identificar tendencias y características de fallo temprano con datos, las organizaciones industriales mejoran la fiabilidad general de los activos y reducen costes, tanto a corto como a largo plazo.