La gestión de activos y la confiabilidad son de suma importancia en la industria minera, especialmente en lo que respecta a la seguridad de los empleados y a evitar el alto costo del tiempo improductivo. Sin embargo, la barrera para el mantenimiento de clase mundial es que la mayoría de los fallos de los equipos son aleatorios y difíciles de detectar antes de que ocurran. De hecho, se estima que la mayoría de los fallos entran en la categoría de aleatorios.
La recolección de datos de los equipos en la industria minera ha presentado históricamente desafíos debido a la naturaleza aislada y distribuida del proceso de producción. Las fuentes de datos se encuentran en toda la instalación y las minas sin una red unificada clara que las conecte de nuevo a un concentrador principal. Esto da lugar a una visibilidad fragmentada y flujos de trabajo de datos manuales. La tecnología de la información (IT) y la tecnología de operaciones (OT) existen de forma independiente, y los datos disponibles a menudo carecen de contexto, lo que dificulta su comprensión y uso. Esta falta de conectividad limita la capacidad de extraer métricas de rendimiento de equipos industriales específicos.
La falta de conectividad y acceso a los datos también dificulta la implementación de soluciones de mantenimiento predictivo a nivel de toda la empresa. Una prueba de concepto en un solo equipo o un grupo muy pequeño conectado en red no constituye una solución de mantenimiento predictivo confiable y deja mucho del mantenimiento al azar.
La necesidad de una mejora significativa
Está claro que el mantenimiento debe dejar de ser reactivo para mejorar la eficiencia, pero para lograrlo será necesario invertir en una infraestructura de mantenimiento más completa. Simplemente programar el mantenimiento en una rotación regular no tiene en cuenta la condición real del equipo.
Para gestionar los activos de manera eficaz, una empresa minera debe comprender por qué, cómo y cuándo fallan. El mantenimiento como profesión y como práctica corporativa ha evolucionado sustancialmente en los últimos 50 años y la tecnología ha evolucionado junto con ella. Sin embargo, las barreras para la adopción de tecnología que puede ofrecer mantenimiento predictivo en la industria minera se relacionan con el costo y la naturaleza dispersa de las operaciones; no existe una opción única para todos.
Lo que se necesita es una solución que pueda proporcionar contextualización de datos a escala y resolver los desafíos de arquitectura e integración de datos que actualmente inhiben los despliegues a escala de soluciones de mantenimiento predictivo. Aquí es donde entran en juego los sistemas de operaciones de datos industriales.
Operaciones de datos industriales
Las operaciones de datos industriales (DataOps) respaldan el desarrollo de una solución de mantenimiento predictivo para la minería. Las tecnologías utilizadas en DataOps se centran en la ciencia de datos para desarrollar un modelo predictivo. Puede automatizar la recolección y la comparación de datos, algo que solía ser un proceso manual que consumía mucho tiempo. Al reunir OT e IT a través de un sistema como Asset Intelligence for Mining, desarrollado en la plataforma Rockwell Automation FactoryTalk® DataMosaix™, el mantenimiento predictivo se vuelve factible.
Los científicos de datos ahora dispondrán de más tiempo para leer los datos y reconocer las tendencias en el estado y el rendimiento de las máquinas. Esta información les permitirá determinar la cadencia de mantenimiento adecuada para cada equipo y podrán poner esa información a disposición del personal pertinente en toda la operación en tableros fáciles de leer en tabletas, computadoras portátiles o computadoras de escritorio. La información valiosa casi en tiempo real puede llegar a la persona adecuada antes de que un equipo se averíe y provoque una costosa interrupción.
Las operaciones de datos industriales añaden y gestionan relaciones significativas entre datos previamente dispares, acelerando el desarrollo y el despliegue de aplicaciones de aprendizaje automático como el mantenimiento predictivo. Dicho de otro modo, simplifican la forma en que una empresa minera puede extraer valor de datos industriales complejos.
Ponerlo todo junto
La combinación de datos de sensores en tiempo real con modelos de activos basados en los primeros principios de la ingeniería (la idea de que se pueden construir cosas complejas a partir de cosas más simples) proporciona modelos preconstruidos que sustentan gran parte del funcionamiento de Asset Intelligence for Mining. Las operaciones de datos industriales operacionalizan esos modelos.
El mantenimiento predictivo puede reducir las horas de personal dedicadas al mantenimiento, reducir el tiempo improductivo no programado y aumentar la productividad.
Obtenga más información sobre Industrial DataOps y la solución de industria de Rockwell Automation – Asset Intelligence for Mining.
