Smart Maintenance Bridgestone

J. M. Salavert 17 de noviembre de 2021

351

0

0

0

13 min. de lectura

Javier Obregón

BRIDGSTONE

I. INTRODUCCIÓN

El presente artículo pretende plasmar la trayectoria del mantenimiento en los últimos años haciendo evidente su evolución de la mano del desarrollo de tecnologías más accesibles. El desarrollo del proyecto está basado en la experiencia que desde el área de fiabilidad se tiene del mantenimiento predictivo.

Es un hecho que el mantenimiento predictivo tradicional basado en mediciones en ruta lleva dando sus frutos durante muchos años. Así como en sectores críticos, la monitorización online no es nada nuevo. Es ahí donde radica la base de nuestro proyecto.

II. OBJETIVO

Dentro del proyecto global Smart Factory, el Smart Maintenance tiene como principal misión mejorar los indicadores de fiabilidad de las plantas, haciéndolas más estables y previsibles. Es por ello que se necesite de un sistema que nos prediga el comportamiento de nuestros activos y no solo nos avise ante un fallo si no que nos ayude a conocer las mejores estrategias de operación.

Está enfocado a los motores y reductores de equipos críticos cuyas paradas ponen en grave riesgo la continuidad del negocio.

III. ANTECEDENTES

Antes de 2010 el mantenimiento predictivo que se realizaba en la planta de Basauri a este tipo de activos estaba basado en análisis de aceite, la revisión y medición de vibraciones por parte un fabricante de motores con periodicidades generalmente semestrales. El resto del mantenimiento basado en la condición se hacía con inspecciones en ruta tradicionales, niveles de aceite, etiquetas de temperatura, pirómetro, observación de ruido anómalos, etc.

Desde 2010 se decidió apostar por un cambio en la estrategia fortaleciendo el conocimiento interno en mantenimiento predictivo, especialmente en el área de vibraciones. Para ello se contrató a un experto analista en vibraciones que tras un periodo de formación de 2 años en los equipos de fábrica comenzó a realizar mediciones de vibración en ruta.

Por el año 2012 los equipos de medición todavía tenían un alto coste que hacían necesaria, además de una inversión, una involucración y confianza en la tecnología. Una de las claves para dar el salto fue ir de la mano de una empresa con largos años de experiencia en el predictivo que nos propuso adquirir un nuevo producto que estaba en su primera fase de comercialización. Nosotros testábamos el equipo y a su vez nos beneficiábamos de un precio muy competitivo.

Inicialmente el experto analista compaginaba su trabajo de mecánico con el análisis de vibraciones. No fue hasta principio de 2013 cuando sufrimos una avería importante en un equipo crítico lo que nos hizo cambiar definitivamente nuestra organización. Analizando las medidas realizadas observamos que el equipo ya se encontraba en fase avanzada de fallo cuando se empezó a medir, con lo cual la base de nuestra tendencia no era la adecuada. Hay veces en las que lo más efectivo para apostar por el cambio es un duro revés.

Los resultados durante los primeros años fueron muy esperanzadores, al tener ante nosotros un parque de maquinara con años de antigüedad fue cuestión de tiempo ir detectando averías en fases incipientes que nos permitían planificar su resolución.

Debido a las condiciones de operación de nuestros equipos, generalmente trabajando a velocidades lentas, por debajo de 50 rpm, no conseguíamos detectar ciertos tipos de fallo en estos ejes más lentos. En 2017 tuvimos dos averías en diferentes máquinas en ejes lentos que no fuimos capaces de detectar. De ahí que necesitáramos hacer algo diferente para conseguirlo. Se barajaron diferentes opciones entre las cuales estaba la medición de ultrasonidos y la monitorización online, siendo estas las elegidas.

Es en este momento cuando empieza la búsqueda de soluciones para instalar un sistema de monitorización online. En ese momento era un proyecto a nivel local en la planta de Basauri. Comenzamos conociendo las diferentes soluciones técnicas que nos proporcionaban los principales fabricantes de tecnología para la monitorización online. Los principales parámetros que evaluamos fueron los siguientes estaban relacionados con los siguientes aspectos:

• Técnicos: Nº canales por equipo, sensores propios o multi-marca, tecnologías integrables (vibraciones, ultrasonidos, aceite…) valores escalares y datos abiertos.
• Software de control y análisis: Gestión de activos, personalización por el usuario, integración de hardware de diferentes fabricantes, acceso web o instalación local, integración de mediciones en ruta de equipos actuales y posibilidad de modelado de fallos basado en análisis de datos.

Se analizaron un total de 8 soluciones de diferentes fabricantes, así como la capacidad de integración por parte de proveedores integradores expertos en mantenimiento predictivo.

Durante la fase de ofertas y justificación de la inversión tuvimos el conocimiento del proyecto a nivel europeo que iba a incluir el Smart Maintenance, lo cual hizo que se mantuviese en stand-by la iniciativa que había surgido a nivel local.

IV. SMART FACTORY

El Smart Factory en el grupo Bridgestone EMEA surge de la necesidad de estandarizar las diferentes estructuras de conectividad y de softwares de gestión de la producción de todas las factorías. Para ello se cuenta con la instalación de los siguientes sistemas, conexión entre capas L1/L2, MES, Data Historian, Data Analytics y APS. Aprovechando las oportunidades que están disponibles gracias al auge de la Industria 4.0, se incluyen las siguientes áreas específicas:

• Smart B-Me. Sistema basado en la digitalización de los datos de máquina y proceso para su manejo en base diaria por parte de los responsables de las diferentes zonas productivas. Incluyen herramientas de gestión propias del sistema productivo para hacer más eficiente la consecución de los objetivos.
• Smart Quality. Sistema de control de la calidad continuo basado en la toma de datos de los diferentes estados de los materiales, máquinas, operadores y entorno. Desarrollos de modelos predictivos para conseguir mejor calidad y menor cantidad de rechazos.
• Smart Materials. Sistema para obtener a total visibilidad de los diferentes materiales del proceso productivo para mejorar la eficiencia y reducir el transporte interno de materiales, mejorando así la seguridad de la planta.
• Smart Energy. Sistema para la gestión de la energía de manera eficiente, conectando el consumo de cada máquina producto con las diferentes fuentes de energía que lo generan, para detectar desviaciones y potenciales fuentes de ahorro.
• Smart Maintenance. Sistema que mediante la monitorización de equipos sea capaz de predecir averías basado en el análisis de datos para la mejora de la fiabilidad de la planta.

V. SMART MAINTENANCE

Debido a la experiencia previa en mantenimiento predictivo de la fábrica de Basauri, así como del proyecto desarrollado para la monitorización online de los equipos se selecciona esta fábrica como planta piloto para esta parte del proyecto.

La consecución de los objetivos del Smart Maintenance hace que sea fundamental definir la estrategia del proyecto. La visión la podemos resumir en “la creación de un sistema capaz de modelizar los fallos de los activos mediante el análisis de datos”.

Para ellos debemos empezar por el principio, vamos a necesitar datos y no cualquier tipo de dato. En este momento en el que todo parece solucionarse a través del Big Data debíamos de dedicar nuestros esfuerzos a tener un Small Data de calidad que nos proporcionase la información más adecuada para el éxito del proyecto.

El tipo de activos a considerar en el proyecto como se ha mencionado anteriormente cumplen con las siguientes características. Maquinaria rotativa crítica y/o de grandes dimensiones cuyos fallos afectan gravemente a la estabilidad de la operación, como son:

• Motores eléctricos de corriente alterna con variador de velocidad de entre 55 y 1500kW.
• Reductoras desde 3 a 5 ejes con velocidades de entrada máximas de 1500 rpm y velocidades de salida mínimas de 20-50 rpm, de 1 o 2 ejes de salida.
• Extrusoras en frío y caliente de entre 3,5” y 10”.
• Molinos de entre 48 y 84”.
• Calandras de 2 y 3 rodillos.
• Mezcladores de goma.

La máquina piloto se decide que sea una unidad de extrusión formada por 2 motores de 355 kW y sus respectivas reductoras de 4 ejes arrastrando cada una de ellas una extrusora de 8” con velocidades de entrada desde las 300 a las 1200rpm.

Por la tipología de nuestra maquinaria, así como la cultura de proceso seguida hasta ahora disponíamos de muchos datos de nuestros materiales, pero muy pocos relativos a la condición de nuestros activos. Con lo cual la primera parte del proyecto debía estar encaminada a la instalación de los sensores necesarios que nos proporcionen la información más significativa de los equipos. En base a la experiencia anterior se definen las siguientes variables como necesarias.

• Vibración, acelerómetros capaces de proporcionar tanto valores globales como espectros y formas de onda.
• Ultrasonidos, sensores que midan valores estáticos y dinámicos con su correspondiente forma de onda.
• Aceite, equipo que proporcione estado de degradación del aceite, así como presencia de partículas metálicas y agua.
• Eléctricos, consumos y tensiones de motores eléctricos.
• Temperaturas, aceite, máquina, agua de refrigeración y motores.
• Caudal y presión de refrigeración y lubricación.
• Proceso, pesos, anchos velocidades y tipos de materiales.

Todas estas variables las tenemos que conectar a través de la capa L1/L2 al Data Historian para que posteriormente sean analizadas e interpretadas. Algunas de ellas ya estaban disponibles en nuestros PLC’s o eran fácilmente integrables en él. En cambio, teníamos las relacionadas con las tecnologías de vibraciones, ultrasonidos y análisis de aceite que necesitábamos instalar además de los sensores el hardware necesario para su integración y posterior comunicación con el Data Historian.

Gracias al análisis de productos disponibles en el mercado realizado por la planta de Basauri nos resultó sencillo realizar la elección. En nuestro caso para la integración de las señales de vibración y ultrasonidos hemos elegido el dispositivo T8 del fabricante Twave que cuenta con 8 canales para acelerómetros o 4 canales para ultrasonidos. Dispone también de la capacidad de recibir parámetros de máquina a través de comunicación Modbus TC/IP, así como la de enviar los datos a través tanto de un API de comunicación como del propio Modbus. Su interface de configuración se realiza vía web siendo bastante intuitivo y manejable para alguien que conoce en detalle las características principales de la adquisición de espectros y formas de onda. A la hora de replicarlo en diferentes instalaciones es relativamente sencillo ya que permite exportar fácilmente la configuración.

En cuanto a la monitorización del aceite se refiere se ha seleccionado el equipo Oilwear de Atten2. Actualmente en fábrica ya tenemos instalados sus equipos Oilheath con un resultado satisfactorio. Este nuevo equipo se ha considerado ya que es capaz de detectar las partículas de diferentes tamaños de manera continua. Es capaz de enviar vía Modbus múltiples variables relacionadas con la forma y el tamaño de las partículas que nos han permitido su integración en el Data Historian.

Una vez que tenemos los sensores instalados y recogiendo datos es el momento de conectarlos al Data Historian, en nuestro caso la solución seleccionada ha sido Wonderware de Schneider Electric. Para ello se han definido plantillas por tipo de máquina incluyendo todas las posibles variables conocidas independientemente que estén disponibles o no en el piloto. De esta manera estandarizando los datos de los activos conseguimos que en cualquier planta que se instala cada tipo de máquina vaya a tener la misma configuración de variables. Siendo por ello además su implantación más sencilla en el resto de activos y plantas.

Inicialmente para el piloto los datos están siendo almacenados de manera local con acceso remoto por parte de los data scientist, en un futuro la información estará disponible en un entorno cloud para el que se ha seleccionado Microsoft Azure.

Con los datos disponibles comienza el trabajo de los data scientist cuyo principal objetivo es la definición de modelos predictivos por tipología de máquina incluyendo todos los posibles modos de fallo. Es aquí donde realmente se empezamos a hacer algo diferente que va más allá de la monitorización de la condición. El principal inconveniente que nos encontramos es la baja frecuencia de los fallos y por consiguiente el aprendizaje del modelo no pude estar basado solo en fallos conocidos, sino que tiene que ser capaz de ver lo que un experto no detecta. Buscando información en relaciones multi-variable, detectando pequeños cambios en la tendencia de varios sensores que a nivel individual habrían pasado desapercibidos. Todo ello para conseguir una predicción temprana de condiciones de operación no adecuadas que nos permitan actuar con anticipación para eliminar la causa raíz y devolver al equipo a su condición base.

El trabajo de los data scientist tiene que ir de la mano de los expertos en la maquinaria de fábrica, así como en predictivo. ¿Cuántas veces nos han ofrecido sus servicios sin entrar a valorar el origen de los datos? “Tú dame datos que yo sabré lo que le está pasando a tu máquina. En nuestro caso esa barrera inicial no existe y se han realizado varias sesiones de trabajo entre los data scientist y los técnicos especialistas han buscado en sentido de cada variable y su comportamiento. Igual de importante que definir un modelo de nuestro activo es no inundar a los operadores y equipo de mantenimiento de falsas alarmas que hagan del sistema un elemento poco confiable.

Para poder entrenar al sistema de una manera no intrusiva se han realizado pruebas con un equipo capaz de inyectar señal de vibración a diferentes frecuencias y diferentes amplitudes en cada uno de los acelerómetros. De esta manera hemos obtenido frecuencias de fallo próximas a las de diseño de los rodamientos y de los engranes de la reductora. Obviamente en nuestra máquina cuando ocurran los fallos no serán tan evidentes y aislados como en este caso, pero si nos proporcionan una información muy útil para que los data scientist tenga material con el que comprender y trabajar las señales que reciben.

En cuanto a la visualización de los datos y la condición de los activos se ha seleccionado Tableau como herramienta estándar para la creación de dashboard para todo el Smart Factory. En estos momentos está en fase de definición, así como la gestión de alarmas de los eventos encontrados.

Por otra parte y adicionalmente a esta visualización se está considerando necesaria una herramienta software que nos permita la integración de todos los Twaves y resto de tecnologías que nos permitan una gestión de los activos de manera global. Pudiendo integrar los datos de las mediciones en ruta tanto de vibraciones como de ultrasonidos. Así como que nos proporcione herramientas de análisis de espectros y formas de onda por nuestros expertos en predictivo.

Como segundo piloto se elige una calandra de 3 rodillos y un molino de 48” con doble eje de salida en el que poder replicar los modelos creados para motor y reductora previamente para las extrusoras. La parte de los rodillos se tiene que definir como un nuevo modelo ya que tanto la tipología de máquina, con cojinetes de fricción en lugar de rodamientos y la instalación de mayor número de sensores de ultrasonidos hacen que sea completamente diferente.

Una vez finalizado el piloto se realizará un nuevo piloto en otra planta del grupo aún por definir. Este siguiente paso es importante ya que hay que tener en cuenta que no se cuenta con una experiencia propia en el predictivo como en Basauri. Lo cual hace que sea clave la modelización e interpretación de los datos en este primer paso.

4.   CONCLUSIONES

Como se ha venido comentando, durante el periodo del proyecto piloto es difícil sacar conclusiones relevantes, pero si es importante destacar los puntos clave a tener en cuenta un proyecto de estas características.

Antes de empezar, definir bien el alcance del proyecto y tener claro el ámbito de actuación, qué equipos se van a incluir y qué técnicas se van emplear para su control.

Contar con el apoyo y asesoramiento de empresas expertas en las tecnologías a utilizar, así como en el sector. Es necesario contar con un know-how por parte de expertos internos.

Si todavía no existe un área de fiabilidad o departamento predictivo es valorable comenzar por este paso para obtener ahorros de manera más rápida que vayan cambiando la cultura de la organización hacia el mantenimiento predictivo.

El parque de maquinaria puede ser una gran ventaja si se cuenta con equipos gemelos o similares que trabajen en los mismos regímenes de operación.

La comunicación entre los data scientist y los expertos técnicos en maquinaria es vital en la definición de los modos de funcionamiento y fallo de las máquinas. No se entiende la figura de ninguno de los dos por separado. Si los datos que manejamos no son de calidad el análisis del dato poco puede ayudarnos. Hay que dedicar tiempo a trabajar con los datos que necesitamos.

El retorno de la inversión se hace presente cuantos más equipos están controlados de manera continua. Es un proyecto que necesita recorrido y que debe formar parte de la estrategia de la organización.