Este artículo tiene como objetivo resumir los principales beneficios de la salud de las máquinas tal como es hoy y analizar su potencial futuro. Para ello, se explican los usos del análisis de vibraciones antes de la Internet industrial de las cosas (IIoT), sus capacidades actuales y las reflexiones sobre las capacidades futuras.
Usos tradicionales de la vibración
El monitoreo de vibraciones de equipos rotatorios se ha utilizado en la industria de mantenimiento y confiabilidad desde los años 60. En la industria manufacturera, ha habido dos enfoques principales sobre cómo recopilar estos datos.
- Tendencia continua de valores de vibración promedio (RMS/pico a pico)
- Recopilación de datos basada en rutas a una alta tasa de muestreo
La tendencia continua de la vibración promedio mide simplemente cuánto vibra un activo. Esto se hace normalmente a través de un PLC o DCS, donde los niveles de vibración se reciben continuamente a la velocidad de escaneo del PLC o DCS. La función principal de estos sistemas es realizar una acción cuando los niveles de vibración alcanzan el umbral programado. Este enfoque es útil para identificar eventos transitorios, fallas de rápido desarrollo o fallas inadvertidas que han madurado con el tiempo con la idea de reparar o reemplazar el activo antes de que se produzca la falla.
La recopilación de datos basada en rutas se realiza mediante la recolección de una muestra de vibración según un cronograma definido con un dispositivo de adquisición de datos portátil a una alta tasa de muestreo. Esto se utiliza para proporcionar una instantánea detallada de cómo vibran los componentes de un activo a distintas frecuencias. Este enfoque se utiliza para identificar fallas específicas con la suficiente antelación para corregirlas antes de que se produzcan daños irreparables y para realizar un seguimiento de las fallas a fin de estimar cuándo se producirán.
Estos dos enfoques se pueden combinar con un sistema instalado permanentemente que toma muestras de forma continua a una alta tasa de muestreo. Estos sistemas son poco comunes en la industria manufacturera debido al alto costo de instalación y mantenimiento, por lo que no se los consideró el enfoque principal para el monitoreo de vibraciones en la industria manufacturera.
La siguiente tabla destaca los aspectos importantes de estos sistemas.
Hay poco que debatir sobre la eficacia de estos métodos para aumentar la fiabilidad de los activos cuando se implementan correctamente. El debate suele centrarse en justificar el coste de implementar estos métodos de forma adecuada para un presupuesto de fabricación típico. Esto suele dar como resultado un programa de vibración ineficaz y difícil de alcanzar en cuanto al retorno de la inversión debido a las siguientes razones:
- Un programa de vibración económico que sigue teniendo costos de tiempo de inactividad debido a fallas no detectadas
- Un programa de vibración económico que tiene costos excesivos de reparación y reemplazo por realizar trabajos innecesarios.
- Un programa de vibración costoso que resulta demasiado caro a medida que fluctúa la demanda del sitio
- Un costoso programa de vibración que parece innecesario debido a la falta de desarrollo de fallas al abordar las causas fundamentales
La era actual del IoT
La mejora de la tecnología de sensores y la inteligencia artificial trajo consigo una nueva categoría acuñada por Augury llamada Machine Health. Esto creó un método de mantenimiento predictivo simplificado, asequible y preciso. También inició la fusión de los dos métodos analizados anteriormente, lo que dio como resultado los beneficios tanto del monitoreo continuo de vibraciones como de la recopilación de datos basada en rutas a una alta frecuencia de muestreo.
Es importante comprender los conceptos básicos sobre cómo funciona esto para poder identificar las razones por las que se ha creado una forma asequible y simplificada de lograr un programa de vibración sostenible.
- Se instalan sensores inalámbricos alimentados por batería en todos los cojinetes del motor y en los componentes que impulsa el motor.
- Los sensores están sincronizados para recopilar datos simultáneamente.
- La muestra se recoge a una frecuencia de muestreo alta y con una cadencia definida.
- Flujo magnético: obtiene la firma eléctrica del motor.
- Vibración triaxial: obtiene las firmas de vibración mecánica del componente
- Temperatura: obtiene las temperaturas de los componentes.
- La muestra se envía a la nube para su análisis.
- Las características promedio se calculan a partir de los datos de muestra y se analizan para buscar anomalías en los datos de tendencia. Existen cientos de estas características. A continuación, se muestran algunos ejemplos:
- Valores RMS promedio
- Valores de pico a pico
- Valores de envolvente
- Temperaturas de los componentes frente a la temperatura ambiente
- Funciones de forzamiento a nivel de componentes específicos
- La FFT se realiza tanto en los datos de flujo magnético como en los de vibración para analizar la firma específica de cada componente y compararla con las firmas de fallas conocidas. A continuación, se muestran algunos ejemplos:
- Desgaste del cojinete
- Flojedad mecánica
- Desequilibrio
- Desalineación
- Fallas eléctricas
- La IA analiza los datos descritos anteriormente y solicita comentarios de los analistas de vibraciones cuando es necesario.
- Se envía una alerta al sitio con detalles sobre la falla identificada, evidencia de respaldo de la falla, dónde se encuentra y cómo solucionarla.
Esto ha demostrado ser exitoso en toda la industria debido a la ganancia en precisión, menores costos de implementación y expansiones en la cobertura de activos.
La mejora en la precisión se debe a una mayor frecuencia de los datos, a más tipos de datos y a la capacidad de la IA para analizarlos continuamente. La mayor frecuencia de los datos reduce el riesgo de que se pasen por alto fallos entre intervalos de muestreo y también permite una mejor comprensión de las condiciones de funcionamiento. Los tipos de datos adicionales, como el flujo magnético, también permiten obtener más detalles sobre la velocidad y la carga del motor para correlacionarlos con los datos de vibración. La colaboración colectiva de estos datos da como resultado una comprensión mucho mejor de cómo debería ser el punto de referencia para un tipo de activo determinado. Todo esto, combinado con la IA que analiza continuamente los datos, da como resultado niveles de precisión cercanos al 100 %.
La reducción de costes se consigue desde tres aspectos principales. Los sensores inalámbricos alimentados por batería reducen al mínimo la infraestructura eléctrica necesaria para recoger los datos, lo que reduce en gran medida los costes de instalación. Los sensores montados de forma permanente eliminan la necesidad de recursos para recoger los datos de forma manual. La capacidad de la IA para analizar los datos de forma eficaz minimiza los recursos necesarios para analizar los datos en busca de fallos. Este último punto pone de relieve la importancia de la eficacia de la IA.
Todos los puntos mencionados anteriormente también permiten una selección más amplia de tipos de activos, lo que resultará valioso en Machine Health. Esto abre la puerta a la supervisión de activos que normalmente han sido difíciles de realizar. Algunos ejemplos de esto son activos con velocidades o cargas variables, servomotores y activos con RPM más lentas.
Hemos llegado a un punto en el que la precisión de la supervisión de activos con altas velocidades de rotación es tan precisa que se puede garantizar que no se producirá una falla relacionada con las prácticas de mantenimiento. Esto puede tener un gran impacto en el inventario de repuestos y redefinir las estrategias de mantenimiento de estos activos, lo que proporciona reducciones a largo plazo en los presupuestos de mantenimiento y confiabilidad.
El futuro
El futuro de Machine Health es prometedor, ya que las empresas siguen viendo valor e invirtiendo en esta tecnología. Las principales áreas de avance se centrarán en:
- Mayor precisión en activos rotativos difíciles de monitorear
- Cerrar la brecha entre la salud de la máquina y un sistema verdaderamente continuo
- Ampliar la gama de tipos de activos cuyo seguimiento muestra valor
Es probable que se obtenga una mayor precisión en activos giratorios difíciles de controlar si se utilizan sensores y tipos de datos adicionales y una mejor gestión de la energía de los sensores para muestrear datos de manera estratégica. Un buen ejemplo de esto sería la combinación de datos ultrasónicos y de aceleración que muestrean durante períodos más prolongados para detectar fallas en activos giratorios de baja velocidad. La evolución continua de la precisión de la IA también desempeñará un papel importante en este sentido.
La combinación de estos datos incrementados con el procesamiento de borde, ya sea a nivel de sensor o de puerta de enlace, puede dar como resultado una latencia más baja en torno a las detecciones de fallas junto con una comunicación local para tomar medidas rápidas. Un ejemplo de esto sería usar la presión de succión de las bombas y la firma de vibración para identificar rápidamente la cavitación a nivel local y alertar al equipo local rápidamente para que tome medidas.
A medida que la salud de las máquinas continúa evolucionando, comienzan a surgir líderes claros en cada categoría de activos específicos y muestran casos de valor real en una amplia gama de tipos de activos y soluciones para problemas de mantenimiento ampliamente conocidos. Las asociaciones entre estas organizaciones o las soluciones de interoperabilidad para las distintas plataformas permitirán ver toda la información sobre el estado de las máquinas para todos los tipos de activos y soluciones en un solo lugar.
Nos acercamos al día en que un usuario podrá iniciar sesión en una plataforma para ver datos de vibración, datos de infraestructura eléctrica, datos de ruta de lubricación, datos de análisis de aceite y datos de proceso, todo en un solo lugar con IA analizándolos continuamente en busca de fallas.
Artículos relacionados:El futuro del mantenimiento prescriptivo