Mitigar los riesgos de las plantas industriales mediante la gestión avanzada de datos

La quiebra de activos es un evento disruptivo para cualquier organización industrial. Según LNS Research, las fallas de activos son una de las tres causas principales de accidentes que terminan en problemas de seguridad y contaminación. También detienen la producción y causan daños a los equipos, lo que provoca importantes pérdidas financieras. De hecho, cada año, el tiempo de inactividad no planificado cuesta a los fabricantes industriales aproximadamente 50 mil millones de dólares.

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

Si bien el software puede ejecutar análisis y generar métricas básicas de rendimiento, saber que una turbina bien protegida de 10 millones de dólares es 98 % confiable no es útil cuando se trata de una pequeña válvula que falla y apaga toda la planta.

Tres factores clave de la degradación de las 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, el uso y el entorno de la máquina.
4. Las máquinas son complejas y constan de varios componentes, y las diferentes fuentes de degradación afectan a esos componentes a diferentes velocidades.

El viaje inicial:de lo preventivo a lo proactivo

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

Se han desarrollado varias tecnologías de mantenimiento predictivo (PdM), como por ejemplo:

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

Sin embargo, el nombre de “mantenimiento predictivo” es un nombre poco apropiado. Estas tecnologías no predicen el fracaso; detectan y revelan signos de deterioro para que los equipos de mantenimiento puedan interceptarlos antes de que ocurra una falla. Estos métodos se centran en diferentes modos de falla y se basan en tecnologías de sensores que los detectan y producen datos críticos.

Sin conocimientos de datos procedentes de la tecnología de sensores conectados, los operadores de plantas no comprenden suficientemente los riesgos de la organización ni cómo gestionarlos. Los datos necesarios para tomar decisiones pueden limitarse a un activo o instalación específica. Pero los datos resultan útiles cuando se comparan entre toda la empresa y los promedios globales, lo que presenta una ventaja competitiva para las empresas que comprenden los riesgos y saben cómo controlarlos.

Adoptando datos y nueva inteligencia

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 los equipos.

Las técnicas de detección del sistema de gestión son prácticas; analizan los datos de los sensores y construyen un modelo de funcionamiento "normal" y alertan cuando se producen condiciones anormales. Esto sucede en tiempo real y puede detectar variaciones sutiles provocadas por el deterioro. Con estas tecnologías, las organizaciones están viendo un retorno de la inversión al reducir significativamente las fallas catastróficas en los equipos monitoreados.

¿Lo sabías?

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

La tecnología también ha transformado la minería de datos para optimizar la información procedente de datos de sensores archivados y datos del sistema de gestión de activos empresariales para ayudar con la ejecución del trabajo. La combinación de la minería de datos con la 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 del rendimiento de activos (APM).

La mayoría de las técnicas de aprendizaje automático (ML) e inteligencia artificial (IA) se basan en datos, pero no están diseñadas para un análisis de datos exhaustivo; APM codifica los datos que ML y AI no pueden mediante el uso de una función de integración de datos de ML para recopilar miles de millones de puntos de datos y organizarlos rápidamente en modelos que miden el riesgo y previenen fallas.

En la industria actual, las organizaciones están reconociendo que los activos conectados necesitan introducir información en un sistema APM para utilizar adecuadamente los datos recopilados. Por ejemplo, una gran empresa química de Arabia Saudita implementó un sistema APM y mejoró la tasa promedio de fallas de sus tuberías de 172 días a más de 2100 días, lo que representa una mejora del 1135 %.

Compartiendo datos para mejores pronósticos

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

Ésta es un área en la que existen diferencias significativas entre los sectores industrial y de consumo. En el mundo industrial, los fallos pueden ser muy variados. Dado que actualmente no existe un equivalente industrial de Google o Amazon para combinar datos de máquinas entre empresas, los conjuntos de datos necesarios para desarrollar este tipo de análisis se limitan a grandes empresas y fabricantes de equipos originales (OEM). Si bien las empresas son sensibles a sus datos operativos, muchas están comenzando a comprender que compartir sus datos sobre fallas y fallas con otros es extremadamente beneficioso para toda la industria.

Con este conjunto de datos, la próxima ola de análisis de datos tiene un inmenso potencial. Al analizar estos datos, los patrones de fallas emergentes se pueden cotejar y comparar con datos históricos de una "biblioteca" de casos similares anteriores. Con esto, los diagnósticos automatizados pueden proporcionar una descripción del problema y una previsión del posible tiempo hasta el fallo.

Incluso para los equipos que no están equipados con sensores, los conjuntos de datos más grandes respaldan un mejor análisis estadístico basado en equipos en condiciones operativas similares. Esto permite a los ingenieros y operadores tomar decisiones más informadas al establecer una estrategia de mantenimiento porque comprenderán la verdadera tasa de falla de los componentes. La tecnología actual generalmente 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 estrategias de mantenimiento es un proceso subjetivo impulsado por la experiencia. Los datos para tomar decisiones objetivas suelen ser escasos, no existen o son de difícil acceso. Pasar a enfoques basados en la 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 el análisis de datos avanzado a las operaciones de las máquinas es prometedor, pero aún existen desafíos. Es fundamental 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 las operaciones, se darán cuenta de que los beneficios superan las preocupaciones de ayudar a los competidores. 

Las organizaciones entienden que el costo directo del tiempo de inactividad es perjudicial para el negocio. En muchos casos, los costos indirectos de este tiempo de inactividad, como el daño a la reputación, son igualmente perturbadores, si no más, que los costos 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 tempranamente las tendencias y características de las fallas con datos, las organizaciones industriales mejoran la confiabilidad general de los activos y reducen los costos, tanto a corto como a largo plazo.