El mantenimiento predictivo demuestra ser un caso de uso exitoso de IA

El mantenimiento predictivo demuestra ser un caso de uso

Por John P. Desmond, editor de tendencias de IA

Más empresas están explotando con éxito los sistemas de mantenimiento predictivo que combinan sensores de IA e IoT para recopilar datos que anticipan averías y recomiendan acciones preventivas antes de que se rompan o las máquinas fallen, en una demostración de un caso de uso de IA con valor comprobado.

Este crecimiento se refleja en las previsiones optimistas del mercado. El mercado de mantenimiento predictivo tiene un tamaño de $ 6.9 mil millones en la actualidad y se proyecta que crezca a $ 28.2 mil millones para 2026, según un informe de Análisis de IoT de Hamburgo, Alemania. La firma cuenta con más de 280 proveedores que ofrecen soluciones en el mercado actual, y se prevé que crezca a más de 500 para 2026.

1672732496 869 El mantenimiento predictivo demuestra ser un caso de uso
Fernando Bruegge, analista, IoT Analytics, Hamburgo, Alemania

“Esta investigación es una llamada de atención para aquellos que afirman que IoT está fallando”, afirmó el analista Fernando Bruegge, autor del informe, y agregó: “Para las empresas que poseen activos industriales o venden equipos, ahora es el momento de invertir en mantenimiento predictivo. -tipo soluciones.” Y, «las empresas de tecnología empresarial deben prepararse para integrar soluciones de mantenimiento predictivo en sus ofertas», sugirió Bruegge.

Aquí hay una revisión de algunas experiencias específicas con sistemas de mantenimiento predictivo que combinan sensores de IA e IoT.

fabricante de motores de aviones Rolls Royce es implementación de análisis predictivo para ayudar a reducir la cantidad de carbono que producen sus motores, al mismo tiempo que optimiza el mantenimiento para ayudar a los clientes a mantener los aviones en el aire por más tiempo, según una cuenta reciente en director de información.

Rolls-Royce construyó una plataforma de motor inteligente para monitorear el vuelo del motor, recopilando datos sobre las condiciones climáticas y cómo vuelan los pilotos. El aprendizaje automático se aplica a los datos para personalizar los regímenes de mantenimiento de motores individuales.

1672732497 303 El mantenimiento predictivo demuestra ser un caso de uso
Stuart Hughes, director de información y digital, Rolls-Royce

“Estamos adaptando nuestros regímenes de mantenimiento para asegurarnos de que estamos optimizando para la vida útil que tiene un motor, no la vida útil que el manual dice que debería tener”, afirmó Stuart Hughes, director de información y digital de Rolls-Royce. “Es un servicio verdaderamente variable, considerando cada motor como un motor individual”.

Los clientes ven menos interrupciones en el servicio. “Rolls-Royce ha estado monitoreando motores y cargando por hora durante al menos 20 años”, afirmó Hughes. “Esa parte del negocio no es nueva. Pero a medida que evolucionamos, comenzamos a tratar el motor como un motor singular. Se trata mucho más de la personalización de ese motor”.

El análisis predictivo se está aplicando tanto en el cuidado de la salud como en la industria manufacturera. Kaiser Permanente, el consorcio de atención administrada integrada con sede en Oakland, California, está utilizando análisis predictivos para identificar a los pacientes que no están en la unidad de cuidados intensivos (UCI) en riesgo de deterioro rápido.

Si bien los pacientes que no pertenecen a la UCI y requieren traslados inesperados a la UCI constituyen menos del 4 % de la población hospitalaria total, representan el 20 % de todas las muertes hospitalarias, según el Dr. Gabriel Escobar, científico investigador de la División de Investigación y director regional , Investigación de Operaciones Hospitalarias, Kaiser Permanente del Norte de California.

Kaiser Permanente practicando el mantenimiento predictivo en el cuidado de la salud

Kaiser Permanente desarrolló el sistema Advanced Alert Monitor (AAM), aprovechando tres modelos analíticos predictivos para analizar más de 70 factores en el registro de salud electrónico de un paciente determinado para generar una puntuación de riesgo compuesta.

“El sistema AAM sintetiza y analiza estadísticas vitales, resultados de laboratorio y otras variables para generar puntajes de riesgo de deterioro por hora para pacientes hospitalarios adultos en las unidades de atención médico-quirúrgica y de transición”, afirmó Dick Daniels, vicepresidente ejecutivo y CIO de Kaiser Permanente en la cuenta del CIO. “Los equipos de hospitales remotos evalúan los puntajes de riesgo cada hora y notifican a los equipos de respuesta rápida en el hospital cuando se detecta un deterioro potencial. El equipo de respuesta rápida lleva a cabo la evaluación del paciente junto a la cama y calibra el curso del tratamiento con el hospitalista”.

Como consejo para otros profesionales, Daniels recomendó centrarse en cómo la herramienta encajará en el flujo de trabajo de los equipos de atención médica. “Nos tomó alrededor de cinco años realizar el mapeo inicial del backend de registros médicos electrónicos y desarrollar los modelos predictivos”, afirmó Daniels. “Luego nos tomó otros dos o tres años hacer la transición de estos modelos a una aplicación de servicios web en vivo que podría usarse operativamente”.

En un ejemplo de la industria alimentaria, una planta de PepsiCo Frito-Lay en Fayetteville, Tenn. está utilizando el mantenimiento predictivo con éxito, con un tiempo de inactividad de los equipos hasta la fecha del 0,75 % y un tiempo de inactividad no planificado del 2,88 %, según Carlos Calloway, director del sitio. gerente de ingeniería de confiabilidad, en una cuenta en PlantaServicios.

Los ejemplos de monitoreo incluyen: las lecturas de vibración confirmadas por ultrasonido ayudaron a evitar que el motor del soplador de combustión de una PC fallara y apagara todo el departamento de papas fritas; el análisis infrarrojo del poste principal del almacén automático GES de la planta detectó un portafusible caliente, lo que ayudó a evitar el cierre de todo el almacén; y se detectaron mayores niveles de ácido en muestras de aceite de una caja de engranajes extrusora horneada, lo que indica la degradación del aceite, lo que permitió evitar el cierre de la producción de Cheetos Puffs.

La planta de Frito-Lay produce más de 150 millones de libras de productos por año, incluidos Lays, Ruffles, Cheetos, Doritos, Fritos y Tostitos.

Los tipos de monitoreo incluyen el análisis de vibraciones, utilizado en aplicaciones mecánicas, que se procesa con la ayuda de una empresa externa que envía alertas a la planta para su investigación y resolución. Otro socio de servicio realiza monitoreos de vibraciones trimestrales en equipos seleccionados. Todas las salas del centro de control de motores y los paneles eléctricos se monitorean con análisis infrarrojos trimestrales, que también se utilizan en equipos eléctricos, algunos equipos rotativos e intercambiadores de calor. Además, la planta ha realizado monitoreo ultrasónico durante más de 15 años, y es «algo así como el orgullo y la alegría de nuestro sitio desde un punto de vista predictivo», afirmó Calloway.

El plan cuenta con una serie de productos de UE Systems de Elmsford, NY, proveedor de instrumentos ultrasónicos, hardware y software, y capacitación para el mantenimiento predictivo.

Planta de alúmina de Luisiana que automatiza el mantenimiento de rodamientos

Los rodamientos, que se desgastan con el tiempo en condiciones variables de clima y temperatura en el caso de los automóviles, son los principales candidatos para el monitoreo de IoT y el mantenimiento predictivo con IA. Él Noranda Alúmina La planta de Gramercy, Louisiana, está obteniendo grandes beneficios de su inversión en un sistema para mejorar la lubricación de los rodamientos en su equipo de producción.

El sistema resultó en una disminución del 60 % en los cambios de cojinetes en el segundo año de uso del nuevo sistema de lubricación, lo que se tradujo en un ahorro de aproximadamente $900 000 en cojinetes que no necesitaron ser reemplazados y evitó el tiempo de inactividad.

«Cuatro horas de tiempo de inactividad equivale a aproximadamente $ 1 millón de dólares en producción perdida», afirmó Russell Goodwin, ingeniero de confiabilidad e instructor de molinos en Noranda Alumina, en la cuenta de PlantServices, que se basó en presentaciones en el evento Leading Reliability 2021.

La planta de alúmina de Noranda es la única planta de alúmina que opera en los EE. UU. “Si cerramos, tendrá que importarlo”, afirmó Goodwin. La planta experimenta polvo, suciedad y sustancias cáusticas generalizados, lo que complica los esfuerzos para mejorar la confiabilidad y las prácticas de mantenimiento.

Noranda Alumina rastrea todos los motores y cajas de engranajes a 1500 rpm y más con lecturas de vibración, y la mayoría por debajo de 1500 con ultrasonido. El monitoreo ultrasónico, de sonido en rangos más allá del oído humano, se introdujo en la planta después de que Goodwin se unió a la empresa en 2019. En ese momento, el monitoreo de grasa tenía espacio para mejorar. “Si la grasa no salía visiblemente del sello, el supervisor mecánico no contaba la ronda como completa”, afirmó Goodwin.

Después de la introducción de la automatización, el sistema de engrase ha mejorado drásticamente, afirmó. El sistema también pudo detectar rodamientos en una correa cuyos rodamientos se estaban desgastando demasiado rápido debido a la contaminación. “El seguimiento habilitado por herramientas ayudó a demostrar que no se trataba de un engrase inadecuado, sino que el rodamiento se fabricó incorrectamente”, afirmó Goodwin.

Lea los artículos originales y la información en Análisis de IoT, en director de información y en PlantaServicios.

Fuente del artículo

Deja un comentario