La recopilaci\u00f3n y an\u00e1lisis de datos de una base m\u00e1s amplia de equipos instalados deber\u00eda ayudar tanto a los procesadores como a sus OEM.<\/p>\n
Por Kevin T. Higgins, Editor<\/p>\n
Nov 09, 2017<\/p>\n
El tiempo de inactividad de la m\u00e1quina, en general, es un evento aleatorio, lo que explica por qu\u00e9 la predicci\u00f3n de fallas sigue siendo un objetivo dif\u00edcil de alcanzar en la fabricaci\u00f3n de alimentos.<\/p>\n
El mantenimiento predictivo<\/strong> es ciertamente posible, como lo demuestra su implementaci\u00f3n en otras industrias. El gran obst\u00e1culo es el costo: establecer un programa interno de mantenimiento predictivo \u00abpuede f\u00e1cilmente exceder los $ 100,000 USD solo para la puesta en marcha\u00bb, seg\u00fan las autoridades de SKF Inc., Lansdale, Pensilvania. Tambi\u00e9n requiere otro bien preciado: el tiempo. Las rutinas de mantenimiento basadas en el tiempo no son una panacea para los aver\u00edas aleatorias, pero son evidencia de un plan para reducir su frecuencia.<\/p>\n Los costos de los term\u00f3metros infrarrojos, las sondas ultras\u00f3nicas, los monitores de vibraci\u00f3n y otras herramientas de monitorizaci\u00f3n del estado est\u00e1n disminuyendo, aunque su precio a\u00fan puede exceder los presupuestos de los fabricantes de alimentos y bebidas m\u00e1s peque\u00f1os. Los sensores inteligentes que proporcionan una retroalimentaci\u00f3n similar pueden hacer que la asequibilidad no sea un problema, pero si solamente generan m\u00e1s informaci\u00f3n, entonces no est\u00e1n acercando a la industria al mantenimiento predictivo.<\/p>\n La predicci\u00f3n de fallas para una m\u00e1quina espec\u00edfica puede ser un desaf\u00edo m\u00e1s all\u00e1 del alcance de los analizadores de vibraci\u00f3n y de temperatura<\/strong>. Se necesita tener una muestra amplia de informaci\u00f3n para una predicci\u00f3n confiable. Los fabricantes de equipos te\u00f3ricamente podr\u00edan determinar los primeros signos de advertencia de un colapso, pero los fabricantes de equipos originales rara vez pueden comparar el rendimiento una vez que las m\u00e1quinas salen de sus tiendas. Eso est\u00e1 comenzando a cambiar.<\/p>\n Despu\u00e9s de dos a\u00f1os de recopilaci\u00f3n de datos con un sistema de administraci\u00f3n de mantenimiento computarizado (CMMS)<\/strong><\/a>, el procesador de fiambres West LibertyFoods gener\u00f3 una base de datos impresionante sobre el rendimiento de 50 m\u00e1quinas cortadoras de alta velocidad. Analizar los datos era otra cuesti\u00f3n, por lo que las se\u00f1ales de falla y los datos de reparaci\u00f3n se exportaron a una hoja de c\u00e1lculo de Excel y se entregaron al OEM de las cortadoras. El vendedor pudo identificar tres procedimientos de mantenimiento que inclu\u00edan muchos eventos de inactividad.<\/p>\n Tetra Pak Inc. (www.tetrapak.com\/us) est\u00e1 adoptando un enfoque m\u00e1s expansivo con un servicio de monitoreo remoto que involucra su base global\u00a0instalada de m\u00e1s de 5,000 m\u00e1quinas de empaque. Comienza con capacidades\u00a0mejoradas de detecci\u00f3n en las m\u00e1quinas, aumentando los sensores que ya est\u00e1n instalados. Se han adaptado dos o tres sensores adicionales a cada servo motor, seg\u00fan Paul Grainger, gerente de cuentas clave en la sede central de Tetra Pak en Denton, Texas. Con la ayuda de dos y hasta m\u00e1s de 20 servos en cada m\u00e1quina, no es dif\u00edcil llamar a esos sistemas de empaquetado m\u00e1quinas inteligentes.<\/p>\n Los datos del sensor se cargan en un servidor en la nube y son analizados por expertos del servicio en Londres. Cuando el calor o la vibraci\u00f3n de un componente comienza a moverse dentro de un cierto rango, se avisa al fabricante del tiempo previsto para la aver\u00eda, en funci\u00f3n de las fallas de la m\u00e1quina en la red. Si el fabricante se suscribe al servicio de soluciones de cuidado de plantas de Tetra Pak, se env\u00eda un t\u00e9cnico con Microsoft HoloLens, que vincula al t\u00e9cnico con los expertos de Londres y gu\u00eda el mantenimiento preventivo.<\/p>\n HoloLens agrega un toque de Buck Rogers al servicio. Los t\u00e9cnicos de campo se comunican en tiempo real con los expertos de Londres a trav\u00e9s de Skype, que tambi\u00e9n es propiedad de Microsoft. Grainger minimiza la \u00f3ptica, sin embargo. \u00abNo es la inversi\u00f3n de hardware\u00bb, dice. \u00abEl valor proviene de los algoritmos que hemos desarrollado, la capacidad de comparar con equipos similares y la competencia del personal dedicado en la interpretaci\u00f3n de los datos\u00bb.<\/p>\n En una prueba piloto, un procesador estadounidense de leche fluida cuantific\u00f3 un ahorro de 48 horas en la recuperaci\u00f3n de un evento de inactividad, gracias a un t\u00e9cnico de campo equipado con HoloLens. Con el arn\u00e9s que les brinda a los expertos una visi\u00f3n en tiempo real de la maquinaria y los diagramas de visualizaci\u00f3n de tecnolog\u00eda y otros materiales de soporte, se simplific\u00f3 y aceler\u00f3 el an\u00e1lisis de causa ra\u00edz. De lo contrario, un \u00abproceso de escalamiento\u00bb para identificar el \u00e1rea del problema, emparejarlo con el experto apropiado y enviar a ese individuo al sitio habr\u00eda retrasado el restablecimiento de la m\u00e1quina en dos d\u00edas.<\/p>\n El servicio se limita al equipo Tetra Pak, aunque est\u00e1 evolucionando a \u00abun enfoque de toda la planta\u00bb para incluir maquinaria rob\u00f3tica y otros equipos sofisticados, se\u00f1ala Grainger. La firma est\u00e1 \u00abexplorando posibilidades\u00bb de extender el servicio a los equipos y centros de servicio t\u00e9cnico de otros OEM.<\/p>\n","protected":false},"excerpt":{"rendered":" La recopilaci\u00f3n y an\u00e1lisis de datos de una base m\u00e1s amplia de equipos instalados deber\u00eda ayudar tanto a los procesadores como a sus OEM. Por Kevin T. Higgins, Editor Nov 09, 2017 El tiempo de inactividad de la m\u00e1quina, en general, es un evento aleatorio, lo que explica por qu\u00e9 la predicci\u00f3n de fallas sigue siendo un objetivo dif\u00edcil de alcanzar en la fabricaci\u00f3n de alimentos. El mantenimiento predictivo es ciertamente posible, como lo demuestra su implementaci\u00f3n en otras industrias…. Leer m\u00e1s<\/a><\/p>\n","protected":false},"author":3,"featured_media":1308,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[167,22,16],"tags":[],"class_list":["post-1306","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-mantenimiento","category-mantenimiento-industrial","category-mantenimiento_predictivo"],"_links":{"self":[{"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/posts\/1306","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/comments?post=1306"}],"version-history":[{"count":1,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/posts\/1306\/revisions"}],"predecessor-version":[{"id":1625,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/posts\/1306\/revisions\/1625"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/media\/1308"}],"wp:attachment":[{"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/media?parent=1306"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/categories?post=1306"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/easy-maint.net\/blog_easymaint\/wp-json\/wp\/v2\/tags?post=1306"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}