Entrevista: Cómo el ascenso de la digitalización transforma el mantenimiento

La captura de datos y su puesta en práctica para mejorar las operaciones y reducir los costos es uno de los imperativos más urgentes que la industria minera debe abordar en los próximos años. Si bien las empresas en general han comenzado este proceso, la oportunidad para lograr mayores avances sigue siendo considerable.

La aplicación de estrategias de mantenimiento predictivo es una notable manera en que las mineras pueden usar los datos para reducir los costos de mantenimiento y evitar onerosas paradas imprevistas. En esta entrevista, BNamericas habla con Martin Provencher, director de industria de minería, metales y materiales de OSIsoft, sobre cómo el ascenso de la digitalización está transformando el mantenimiento.

Para conocer más al respecto, sea parte del webinar gratuito de OSIsoft y BNamericas sobre cómo mejorar la confiabilidad de activos y reducir los costos de mantenimiento para las compañías mineras y de metales que tendrá lugar el 16 de octubre a las 10am ET.

BNamericas: ¿Qué se entiende por mantenimiento predictivo?

Provencher: Todos sabemos qué es el mantenimiento: todos hacemos mantenimiento preventivo cada 10.000km a nuestros automóviles, pero ¿necesita el aceite ser cambiado? ¿He encendido el motor con altas RPM o sin problemas? ¿He usado el vehículo en condiciones húmedas, polvorientas o secas? ¿Estaban en buenas condiciones la presión de las llantas, el desgaste de los neumáticos, etc.? ¿Hacen una diferencia todos esos elementos o solo algunos de ellos en nuestro programa de mantenimiento? Para realizar un mantenimiento proactivo o predictivo, necesitaría más datos que solo la cantidad de kilómetros que conduje.

Todas las plantas deben someterse a mantenimiento, ya sea después de una falla, en modo reactivo, o antes de que el equipo falle, lo cual es mejor. Una planta o mina debe definir su estrategia de mantenimiento: mantenimiento reactivo, preventivo, basado en la condición [CBM], mantenimiento predictivo [PdM], PdM 4.0 o mantenimiento prescriptivo.

CBM se basa en una condición o un grupo de condiciones, como cuando la temperatura alcanza un nivel específico, o la temperatura y la presión, etc. PdM se fundamenta en determinar qué causa que aparezcan esas condiciones. Por ejemplo, si la vibración aumenta, la temperatura del rodamiento eventualmente subirá, de modo que cuando la vibración aumenta y la temperatura del rodamiento también sube, entonces sé que el equipo fallará.

PdM es la capacidad de predecir una falla al hacer algunas correlaciones entre diferentes elementos y determinar cuándo es el mejor momento para realizar el mantenimiento antes de que ocurra la falla.

BNamericas: ¿Cómo la digitalización está transformando el mantenimiento predictivo?

Provencher: El mantenimiento predictivo se puede realizar utilizando algunas variables recopiladas manualmente como vibración, análisis de aceite, infrarrojos, etc. y algunas condiciones como la temperatura y la presión. Estas ayudarán a crear correlaciones de forma manual, pero, ¿qué pasaría si pudiéramos obtener información extra para hacer correlaciones que nos ayudaran a ser más precisos? ¿Tiene la velocidad de rotación algún efecto? ¿Tiene el peso transportado alguna repercusión, como en el caso de una correa o un camión? ¿Podrían otras variables como la temperatura externa, el polvo, la humedad tener algún efecto?

Todos estos son datos valiosos que podrían ayudar a predecir con mayor precisión, pero es difícil administrar dichos datos de forma manual y pensar en todas las combinaciones posibles. Aquí es donde entra en juego la transformación digital. Al capturar los datos operacionales, puede usar un software de analítica para ayudar a determinar las mejores correlaciones posibles y luego predecir con precisión las fallas y, por lo tanto, el mantenimiento requerido para evitarlas. Esto ahora se llama PdM 4.0

BNamericas: ¿Cómo se benefician las mineras del uso de datos operativos y sistemas de software para administrar los cronogramas de mantenimiento?

Provencher: La mayoría de las mineras ya utilizan un sistema computarizado de gestión del mantenimiento [CMMS] para administrar sus programas. Por lo general, están planificando según un cronograma de mantenimiento preventivo para todos sus activos. Pero ¿por qué estamos haciendo mantenimiento en equipos que no lo requieren? ¿Por qué todavía tenemos tiempos de inactividad o paradas indeseadas? Aquí es donde los datos operativos entran en juego y pueden ayudar. Todas las empresas de minería, metales y materiales, y en realidad todas las instalaciones de fabricación y procesamiento, se beneficiarían del uso de PdM 4.0.

BNamericas: ¿Cuáles son los principales desafíos para su implementación?

Provencher: El primero consiste en recopilar todos los datos. Está la cuestión de la disponibilidad o existencia de sensores, que cada vez son más baratos y fáciles de encontrar, y de la conectividad del sensor, que también se facilita cada vez. Sin embargo, las minas subterráneas presentan un reto particular de conectividad de red.

El siguiente desafío es mantener todos los datos valiosos en un marcador de posición y contextualizar los datos. ¿Qué significa buenos datos? ¿Qué pasa con la sensibilidad de mi sensor? Si la sensibilidad del sensor de temperatura es 0,5°C, no quiero saber ni mantener todas las variaciones de 0,1 porque no son relevantes. Y tampoco quiero más analítica para ayudarme a decidir sobre datos incorrectos. También tengo que conocer el contexto de toda la información del sensor para realizar analítica más avanzada, por ejemplo, a qué equipo corresponden las lecturas de temperatura, presión o velocidad.

El tercer desafío es comenzar a implementar CBM. Una vez que tenga los datos, puede comenzar con CBM con una variable, por ejemplo, si la temperatura alcanza un cierto nivel. Luego puede migrar a CBM con múltiples variables: si la temperatura llega a X y ha ido en aumento en los últimos siete días, o si la temperatura alcanza X y la presión es Y, entonces podría haber un impacto.

Luego, el cuarto paso o desafío consiste en implementar analítica avanzada, por ejemplo, para identificar por qué la temperatura alcanza ese nivel. La analítica avanzada ayudará a identificar las correlaciones entre diferentes variables en función del historial de fallas.

Por ejemplo, puede determinar que cuando un vehículo se suele conducir durante X horas y la carga útil está entre X e Y y la temperatura exterior es de Z, entonces la temperatura del rodamiento de la rueda alcanza X grados, y tal vez puede recurrir a muchas otras variables. Entonces, el software de analítica podrá predecir un posible fracaso.

El trabajo con científicos de datos también puede ayudar a optimizar la eficacia del software analítico. Podemos comenzar a pensar en utilizar la inteligencia artificial y el aprendizaje automático para ayudar al mantenimiento prescriptivo, donde no solo predeciremos una falla, sino que identificaremos el mejor momento para planificar la reparación en función de la disponibilidad del cronograma de mantenimiento, la disponibilidad de recursos como mecánicos y electricistas y piezas, y considerando el tiempo de inactividad de la producción o la desaceleración.

Sobre el entrevistado

Martin Provencher estudió Informática con especialización en Inteligencia Artificial en la Universidad de Quebec en Montreal. Fue gerente de TI y automatización de Aluminerie Alouette, que es una gran fundición de aluminio en Quebec, y luego fue gerente de operaciones y mantenimiento para servicios de producción y taller de colada. También ha sido un activo orador de la Industria 4.0 e influyente para IBM como líder en metales y minería de Quebec. En el último tiempo trabajó en Norda Stelo como director de plantas de procesamiento y manufactura. En marzo se unió a OSIsoft.

Sobre la compañía

OSIsoft, fundada en 1980, es una empresa privada con sede en San Leandro, en California, y oficinas en todo el mundo. Para obtener más información, ingrese a www.osisoft.com.