Chile +56 22 9232900 - Colombia +57 4 4808980 - Perú +51 1 7062963 - Ecuador +59 3 992998038
Seleccionar página

¿Por qué pasar del monitoreo de condición al mantenimiento predictivo? – Parte 2

Por Dan Yarmoluk y Craig Truempi | Lectura de 3 minutos

Solex & IBM Maximo, perfecto para empresas intensivas en activos productivos.

https://www.solex.biz/ibm-maximo/

En Solex determinamos el licenciamiento adecuado de IBM Maximo, ofreciendo servicios integrales de: implementación, mejora continua, soporte, capacitación, auditoría de la instalación y su uso efectivo.

Solex implementa IBM Maximo, una plataforma de Gestión de Activos EAM de clase mundial que está en capacidad de soportar todo el ciclo de vida del activo, apalancando así la certificación en la norma ISO 55000 y CREG 015 de 2018 y adicional acompañarlo en la Gestión del Cambio.

Hace algunos días, escribí un blog en el que discutí la historia del monitoreo de la condición y las diferencias entre el monitoreo de la condición y el mantenimiento predictivo.  Recordará que dejamos de presentar la próxima evolución del mantenimiento: monitoreo de condición 4.0. Los avances más actuales en el mantenimiento predictivo requieren la automatización del proceso de análisis utilizando modelos de IA. Esta es una práctica conocida como gestión del rendimiento de activos (APM). En esta publicación, resaltaré el valor de APM usando un ejemplo de una planta de fabricación industrial.

 

Condición Monitoreo 4.0 – Inteligencia Artificial Industrial

Nuevos y ricos flujos de datos de sensores ultrasónicos, procesamiento de bordes y conectividad en la nube están habilitando estos modelos de IA. Podemos detectar condiciones preexistentes sin el tiempo, el costo y la frustración de la línea de base. Los modelos de IA establecidos permiten que el 90 por ciento o más de los activos industriales tengan alertas establecidas con precisión en la implementación inicial. Estos modelos pueden acumular indicadores líderes con sensores y conectividad. También pueden detectar automáticamente patrones entre varios indicadores débiles.

El paso final para lograr el éxito en cualquier programa de mantenimiento predictivo es traducir la alerta o condición a una tarea de mantenimiento muy específica o “prescriptiva”. Para esta aplicación, se implementa un segundo modelo de IA para traducir la alerta y la gravedad a una tarea de mantenimiento priorizada. Esto se envía por correo electrónico o se integra con un sistema de gestión de mantenimiento computarizado (CMMS) existente, como IBM Maximo ®, para planificar, programar y gestionar órdenes de trabajo de mantenimiento. Este modelo de IA se basa en metadatos sobre el tipo de activo y el contexto de la importancia de su servicio para establecer el orden de trabajo. Me recuerda que la frase clave es “No es ciencia de cohetes, solo estamos automatizando las tareas mundanas”. Esto libera a tu gente para un pensamiento de nivel superior. Concéntrese en el trabajo o los activos correctos y haga menos cosas pero con un estándar más alto al examinar los procesos de criticidad y flujo de trabajo.

Un estudio de caso de ejemplo de mantenimiento predictivo de 60 días en un equipo antiguo de 17 años

Figura 1. Generar orden de trabajo y tarea basada en alerta

El despliegue de sensores ultrasónicos / de vibración en equipos industriales produce resultados poderosos. En julio de 2018, se usaron para monitorear el aire de reposición en la azotea en la parte superior de una planta de fabricación industrial del Medio Oeste. Los sensores funcionaban con baterías y se conectaban fácilmente a los rodamientos mediante un soporte magnético de dos rieles. Con la infraestructura existente de celulares, nube y teléfonos inteligentes, el hardware y el sistema estaban en su lugar. Mediante el uso de umbrales de alerta preestablecidos con un modelo probado de IA, el sistema de alerta estaba en su lugar. El último paso fue claro. Instrucciones concisas sobre qué hacer cuando se genera una alerta. Para esto, un segundo motor de IA ofrece instrucciones específicas y personalizadas para cada alerta y cada nivel de gravedad de las alertas.

Figura 2. La inspección manual revela problemas

Lograr la cadena de valor completa del mantenimiento predictivo

Dado que hay una conexión desde el imán al rodamiento de la máquina, podemos emitir una alerta menor. El sistema envía un correo electrónico para abordar la orden de trabajo. Un técnico inspecciona el rodamiento dentro de un día. Esto lleva a la identificación de un espacio de 1/4 ”entre el eje y la pista del rodamiento interno (ver Figura 2). El rodamiento se había deslizado sobre el eje y había desgastado ½ ” del diámetro del eje.

Ellos programan una reparación por 60 días. Debido a la acción rápida, los niveles generales de vibración se mantuvieron normales. El plan incluía una reparación no OEM que seleccionaba usar un rodamiento dividido y mover la ubicación del rodamiento a una ubicación no dañada del eje. Esto completó la cadena de valor completa del mantenimiento predictivo desde el monitoreo hasta la alerta de la tarea prescriptiva y, en última instancia, una reparación planificada y programada que evitó cualquier daño colateral, pérdida de producción y mantenimiento reactivo.

Si su organización está buscando entender cómo tomar medidas para avanzar en su viaje de APM, realice esta evaluación. info@solex.cl

Traducción cortesía Solex.

Ver artículo original: https://www.ibm.com/blogs/internet-of-things/iot-condition-monitoring-part-2/

Shares
WhatsApp Conversemos.