{"id":10946,"date":"2019-10-16T05:56:28","date_gmt":"2019-10-16T03:56:28","guid":{"rendered":"http:\/\/staging.blogs.yokogawa.de\/chemical-pharma\/sin-categorizar\/mantenimiento-predictivo-entre-mito-y-realidad\/"},"modified":"2022-06-17T09:01:41","modified_gmt":"2022-06-17T07:01:41","slug":"mantenimiento-predictivo-entre-mito-y-realidad","status":"publish","type":"post","link":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/es\/mantenimiento-predictivo-entre-mito-y-realidad\/","title":{"rendered":"Mantenimiento predictivo: entre mito y realidad"},"content":{"rendered":"

El mantenimiento predictivo<\/strong> es uno de los aspectos m\u00e1s mencionados en la digitalizaci\u00f3n en entornos industriales. Por un lado, aparentemente es venerado como un remedio para todo con el que se pueden ahorrar enormes cantidades de dinero, mientras que por otro lado, los \u00edndices de la \u00a0Industria 4.0 confirman que el mantenimiento predictivo sigue muy por debajo de las expectativas. Evidentemente, existe una gran brecha entre las promesas y el rendimiento real. \u00bfA que se debe?<\/p>\n

El ARC Advisory Group estima que las p\u00e9rdidas para la industria de procesos debido al tiempo de inactividad no programado ser\u00e1n de unos 20 mil millones de d\u00f3lares. Se calcula que los costes de las paradas no planificadas son diez veces m\u00e1s altos que para las paradas de mantenimiento planificadas<\/strong>. En otras palabras, una estrategia segura y eficiente de mantenimiento claramente proporciona beneficios. Muchas empresas han implementado durante mucho tiempo tales estrategias por este motivo. Para ello, la nueva moda no es m\u00e1s que \u00a0nuevas palabras para algo que ya est\u00e1 bien establecido. Adem\u00e1s, se emplean diferentes definiciones de los t\u00e9rminos clave. Y la transici\u00f3n entre los niveles de datos\u00a0 de mantenimiento basados \u200b\u200ben<\/strong> condici\u00f3n <\/strong>y mantenimiento predictivo<\/strong> es borrosa. Por lo tanto, el valor real a\u00f1adido<\/strong> por los datos para los conceptos de mantenimiento, debe ser visible para estar a la altura de las expectativas.<\/p>\n

Un papel a\u00fan mayor<\/strong><\/h2>\n

Eso no es f\u00e1cil porque los fallos de los equipos por antig\u00fcedad solo representan una peque\u00f1a fracci\u00f3n del total. Los fallos relacionados con el proceso, y especialmente los errores del operador<\/strong>, juegan un papel mucho m\u00e1s importante. Todo esto da como resultado patrones de fallos aleatorios que son dif\u00edciles de predecir. Ya no es suficiente monitorear solo unas pocas, o menos, tendencias. Sin embargo, el uso de soluciones m\u00e1s complejas basadas en m\u00e9todos de an\u00e1lisis avanzado de datos en muchos casos todav\u00eda est\u00e1 en pa\u00f1ales.<\/p>\n

Los nuevos sensores IIoT que se est\u00e1n desarrollando actualmente deben estar provistos de interfaces estandarizados; los datos relevantes del dispositivo interno deben ser accesibles, los conceptos como NOA deben madurar, y por \u00faltimo, pero no menos importante, deben existir sistemas de asistencia a la operaci\u00f3n que\u00a0 limiten al m\u00ednimo los errores humanos. La lista de requisitos previos esenciales para lograr un valor agregado se puede ampliar tanto como se quiera.<\/p>\n

Ejemplo: Cavitaci\u00f3n<\/strong><\/h2>\n

La cavitaci\u00f3n es un buen ejemplo de da\u00f1o relacionado con el proceso. Si las burbujas que pueden ocurrir bajo ciertas condiciones en las bombas explotan y colapsan, existe el riesgo de graves da\u00f1os a los materiales<\/strong>. La cavitaci\u00f3n se acompa\u00f1a de vibraciones severas y un ruido fuerte. Esto se puede medir utilizando sensores adecuados y, por lo tanto, son par\u00e1metros \u00fatiles para detectar la cavitaci\u00f3n. Desafortunadamente, sin embargo, la cavitaci\u00f3n ya estar\u00e1 tan avanzada que no se puede deshacer el da\u00f1o.<\/p>\n

\"\"Dado que la formaci\u00f3n de burbujas depende de los niveles de presi\u00f3n est\u00e1tica y de vapor, as\u00ed como de la temperatura del fluido que se bombea, estas variables tambi\u00e9n podr\u00edan ayudar a detectar el inicio de la cavitaci\u00f3n.<\/strong> Adem\u00e1s, los valores son medidos por sensores en contacto directo con el medio. A diferencia de los sensores de vibraci\u00f3n o ac\u00fasticos, que est\u00e1n asentados en las carcasas de la bomba. Sin embargo, para una detecci\u00f3n temprana \u00f3ptima, los datos sin procesar deben estar disponibles, incluso si son muy ruidosos. Cualquier forma de preparar los datos para obtener valores adecuados para el control significa tambi\u00e9n una p\u00e9rdida de informaci\u00f3n crucial para la detecci\u00f3n temprana.<\/p>\n

Un algoritmo de evaluaci\u00f3n robusto<\/strong><\/h2>\n

Esto a su vez presupone un algoritmo de evaluaci\u00f3n robusto.<\/strong> De modo que se pueda producir una se\u00f1al resistente que permita detectar la cavitaci\u00f3n a partir de mediciones ruidosas.<\/strong> Aqu\u00ed es donde entran en juego los algoritmos de aprendizaje autom\u00e1tico que son capaces de manejar con precisi\u00f3n estos requisitos. Su uso permite una advertencia mucho m\u00e1s temprana de la cavitaci\u00f3n tan pronto como las primeras burbujas comienzan a formarse.<\/strong><\/p>\n

\"\"<\/strong>
\nEl ahorro de tiempo de hasta 10 minutos en comparaci\u00f3n con la detecci\u00f3n de la cavitaci\u00f3n por vibraci\u00f3n o por sonido es suficiente para permitir tomar acciones acordes a tiempo. La probabilidad de da\u00f1o por cavitaci\u00f3n se minimiza.<\/strong> Y los intervalos de mantenimiento pueden ampliarse en consecuencia. Adem\u00e1s, se evita el deterioro de la eficiencia de la bomba y de la altura de elevaci\u00f3n de la bomba, efectos que generalmente acompa\u00f1an a la cavitaci\u00f3n.<\/p>\n

El mantenimiento es solo una pieza m\u00e1s<\/strong><\/h2>\n

La capacidad de detectar la cavitaci\u00f3n de esta manera solo puede ser una pieza m\u00e1s en un concepto integral de mantenimiento predictivo. Sin embargo, muestra cu\u00e1nto valor a\u00f1adido puede generarse\u00a0 utilizando algoritmos inteligentes en lugar de m\u00e9todos convencionales. Tambi\u00e9n demuestra la estrecha conexi\u00f3n entre el mantenimiento y la tecnolog\u00eda de proceso. Por esta raz\u00f3n, el mantenimiento es solo uno de los elementos de un concepto general que arroja luz sobre el tiempo de inactividad no planificado desde todos los \u00e1ngulos posibles. La transformaci\u00f3n digital est\u00e1 creando nuevas oportunidades y este tipo de concepto se ver\u00e1 obligado a crecer continuamente. Pero m\u00e1s que nada, consolidar los datos y la informaci\u00f3n necesaria significar\u00e1 una vez m\u00e1s romper los silos.<\/p>\n

\n

Integraci\u00f3n de Sistemas: Cuando menos, es m\u00e1s<\/a><\/p><\/blockquote>\n