Por Dan Riley, Analytics Manager
El mantenimiento predictivo es el análisis de la condición y el rendimiento de las máquinas críticas de la planta para reducir los casos de falla de la máquina. En el pasado, los operadores de planta altamente experimentados pueden haber predicho los resultados a través de la experiencia, el sonido de la operación u otros comportamientos de activos. Hoy en día, esto se hace con una variedad de herramientas de software y tipos de análisis.
Comprender el mantenimiento predictivo es esencial: si tiene activos importantes o máquinas que se acercan al final de su vida útil, o si el tiempo de inactividad no planificado tendría un gran impacto en sus programas de producción, elegirlo como una solución para su planta puede generar ahorros a través de un mayor tiempo de actividad operativo, y diagnóstico más rápido de problemas.
Para aprovechar al máximo el mantenimiento predictivo de su planta, debe comprender el proceso paso a paso:
1. Adquisición de datos. Los datos recopilados suelen ser datos de procesos de series de tiempo, como datos de historiadores. Las etiquetas comunes analizadas incluyen corriente, temperatura, presión, flujo, vibración, etc.
2. Limpieza de datos. Para evitar usar sus datos de manera ineficaz, debe encontrar los valores atípicos y faltantes y utilizar técnicas correctivas para preservar los datos. Este paso incluye la eliminación de valores atípicos, el filtrado de datos sin sentido y la corrección de los parámetros de tiempo de compensación. La limpieza de sus datos reduce los problemas en el futuro y agrega valor a la información que un equipo de análisis puede brindar.
3. Identificación de indicadores condicionales. Esto implica distinguir entre el funcionamiento normal de los activos y varios tipos de fallas. Los ejemplos incluyen parámetros operativos saludables del motor, fugas en los sellos, cojinetes desgastados, entradas bloqueadas o una combinación de fallas. Los métodos para identificar las características de las fallas incluyen el análisis basado en el tiempo y el análisis de frecuencia.
4. Practicando el modelo. Una vez que se identifican el funcionamiento correcto y los estados de falla, se entrena el modelo. Esto es importante para comprender la precisión de los indicadores de falla. Al ejecutar varias pruebas y garantizar la coherencia, puede elegir con precisión el tipo de modelo de datos. Los algoritmos de aprendizaje automático vienen en muchas variedades. Las cinco familias de algoritmos que se utilizan para construir modelos avanzados son: clasificación, regresión, agrupamiento, estimación de densidad y reducción de dimensionalidad. La familia de regresión se utiliza más con datos continuos.
5. Implementar e integrar la solución. Este paso puede ocurrir en tres lugares: en las instalaciones, donde sus redes locales y sistemas de datos se almacenan en el sitio; en Edge, donde los datos son tan rápidos que los necesita lo más cerca posible de la fuente de datos para reducir la latencia; o en la nube, donde su empresa ya tiene algunos sistemas o arquitectura basados en la nube y tiene una red de ingenieros remotos que quieren ver los datos.
6. Reentrenamiento del modelo. El reentrenamiento se basa en datos de proceso en vivo, en caso de que aparezcan nuevas características o fallas con el tiempo. A medida que ocurren nuevas fallas, los analistas pueden identificar el problema y buscar una solución con el cliente y los equipos del cliente.
Estos pasos abarcan el proceso de mantenimiento predictivo. Logrará un mayor tiempo de actividad operativa cuando pueda observar la tendencia de sus activos y pueda ver cuándo una máquina está cayendo. El tiempo de inactividad no planificado se convierte en un mantenimiento planificado y eficaz. Además, cuando evita el apagado repentino de las máquinas, prolonga su vida útil al reducir el desgaste.
La identificación del tipo de falla proporciona valor al hacer que sus máquinas se pongan en funcionamiento y funcionen más rápido. Cuando puede ver el comportamiento, puede corregir la ruptura en lugar de depender de conjeturas. El mantenimiento predictivo también lo ayuda a estimar el tiempo de falla, eliminando el juego de adivinanzas y brindándole una idea sólida de cuándo fallará una máquina para que pueda prepararse para el mantenimiento y las paradas en su propio tiempo.
En última instancia, invertir en mantenimiento predictivo puede resultar rentable para muchos tipos de plantas industriales con varios tipos de máquinas. Para obtener más información sobre cómo el mantenimiento predictivo puede beneficiar a su planta y prevenir el tiempo de inactividad, elija un equipo de análisis con experiencia comprobada en análisis industrial.
Dan Riley es gerente del equipo de analítica de Interstates, miembro certificado de la Asociación de Integradores de Sistemas de Control (CSIA). Para obtener más información sobre Interstates, visite su perfil en Industrial Automation Exchange.
