La industria de la fabricación enfrenta el desafío de operar instalaciones de producción cada vez más complejas con la máxima disponibilidad. El mantenimiento predictivo se ha demostrado como una tecnología clave para abordar proactivamente el desgaste y las fallas. Los componentes críticos pueden ser reemplazados de manera calculada antes de que ocurran interrupciones no planificadas más grandes o incluso daños en las partes de la máquina.
No hay predicción sin medición precisa
Para poder hacer predicciones fundamentadas, primero hay que conocer lo más exactamente posible el estado actual de un sistema. Lo que inicialmente suena trivial, a menudo es un desafío mayor en la práctica de la ingeniería mecánica. Las máquinas y equipos son cada vez más complejos, lo que hace que la medición directa y no destructiva de parámetros críticos a menudo no sea posible o no sea viable económicamente.
Aquí es donde entra en juego la sensorística virtual, también conocida como Soft o Inferential Sensing. Esta técnica permite, basándose en parámetros fácilmente determinables, inferir un tamaño característico deseado que no se puede medir directamente con instrumentos físicos o solo con un gran esfuerzo.
Un ejemplo interesante de la industria para esto es el análisis de corriente del motor o Motor Current Signature Analytics (MCSA). El método se basa en el hecho de que la corriente absorbida por un motor de corriente alterna no solo se ve influenciada por el voltaje aplicado, sino también por el estado del motor y los agregados conectados a él. Las distorsiones en la curva de la corriente, que no pueden explicarse por deformaciones en la curva de voltaje, deben ser provocadas por fallas en el sistema. A partir de la magnitud de las desviaciones, ya se puede inferir la gravedad de una perturbación. Pero esto por sí solo no es suficiente; después de todo, los ingenieros quieren saber exactamente dónde están las posibles fuentes de error: ¿se está desarrollando un desbalance o un daño en los rodamientos, ocurre cavitación en las bombas, hay un error en el estator o en el rotor? Para inferir problemas (mecánicos) concretos a partir de los perfiles de corriente y voltaje medidos, es necesario luego reconocer ciertos patrones en las desviaciones y vincularlos con fuentes de error específicas.
Aprendizaje automático y predicciones
Cuando se trata de analizar grandes volúmenes de datos y detectar patrones, la inteligencia artificial puede mostrar una de sus grandes fortalezas en el área del aprendizaje automático. La tecnología apoya a los equipos de mantenimiento en la realización de mantenimiento predictivo basado en datos en tiempo real. Así pueden decidir cuándo realizar qué trabajos de mantenimiento y coordinarlos de manera óptima con la carga de producción.
Con la combinación de MCSA y mantenimiento predictivo basado en IA, como se utiliza, por ejemplo, en Motor Analytics de Eaton, los equipos reciben predicciones específicas sobre tipos de fallas para cada motor individual, en un orden de prioridades y en el contexto más amplio de su sistema eléctrico. Luego, pueden realizar análisis más profundos con un panel de control predefinido para comprender mejor las desviaciones de rendimiento en la operación de máquinas y equipos. La recopilación continua de datos digitales hace que las encuestas manuales que consumen tiempo sean innecesarias. Esto no solo alivia a los empleados, sino que también reduce la propensión a errores.
A través del uso de soluciones MCSA, las empresas pueden prever tanto fallas eléctricas como mecánicas hasta un 30 por ciento antes y un 25 por ciento más precisas que con sistemas de monitoreo de estado convencionales. La función de pronóstico respaldada por IA proporciona información directamente utilizable, sin que se necesiten amplios conocimientos especializados del sistema respectivo o experiencia en ciencia de datos.
En general, se muestra que la combinación de sensorística virtual, análisis de corriente del motor y mantenimiento predictivo basado en IA proporciona a las empresas una ventaja decisiva en la disponibilidad y eficiencia de sus instalaciones. Las perspectivas tempranas y precisas sobre el estado de componentes críticos no solo permiten un mantenimiento planificable, sino que también reducen los riesgos de fallas y los costos operativos. Así, el mantenimiento digital y basado en datos se convierte en un factor central de éxito para la industria de fabricación del futuro.
Contacto:
