Diseño plataforma de vigilancia en línea de equipos rotatorios en base a PI System.

Abstract

El mantenimiento industrial enfrenta desafíos complejos en la industria moderna, debido a la gestión de maquinaria sofisticada, la generación masiva de datos y la automatización continua de los procesos. La adopción de tecnologías de la Industria 4.0 ha demostrado resultados positivos en este campo, siendo indispensable su implementación en la industria nacional. Destaca la herramienta PI System, con funcionalidades y beneficios para abordar eficientemente estos desafíos. En este trabajo, se aborda el tema del mantenimiento industrial en la Compañía Siderúrgica Huachipato con el propósito de proponer un diseño de interfaz gráfica de usuario (graphical user interface, GUI), que satisfaga los requisitos para un eficiente mantenimiento basado en la condición (condition-based maintenance, CBM) de los activos críticos operacionales de la mano de PI System. El punto de partida consiste en definir los activos críticos. Mediante el uso de técnicas de confiabilidad adaptadas por la empresa, se identifican claramente los activos críticos operativos que serán objeto de estudio. Luego, se desarrolla un plan de trabajo que establece pautas generales para la incorporación de estos activos, centrándose en las variables de vibración y en las variables generales de proceso. En este sentido, se realiza un análisis exhaustivo del comportamiento pasado del activo, incluyendo el establecimiento de tendencias que resultan fundamentales para establecer niveles y márgenes de seguridad de operación. Una vez establecidas las pautas generales, se aplica el análisis a un activo específico en la zona de la Acería de la planta, el Ventilador KKK. Utilizando los datos recopilados durante el proceso, se caracteriza el comportamiento de este activo mediante herramientas de análisis de datos. Se presta especial atención al análisis de la severidad vibratoria y a los modos de falla comunes asociados al activo. Se establecen niveles de alarma y de parada para los diferentes sensores del activo, siguiendo las directrices establecidas por la normativa ISO. Además del análisis histórico de modos de fallas y la documentación correspondiente, se examina el comportamiento espectral de estos eventos, y se desarrolla un algoritmo de aprendizaje automático (machine learning, ML) basado en árboles de decisión para predecir fallas comunes. Finalmente, se diseña una interfaz que integra una gran cantidad de información relevante sobre el activo, incluyendo datos básicos y operativos, que muestran clara y visualmente el estado actual basándose en los límites establecidos previamente. Este diseño será de utilidad para que los ingenieros de planta lo implementen, permitiendo la vinculación con la información necesaria de software externos.

Industrial maintenance faces complex challenges in modern industry, due to the management of sophisticated machinery, massive data generation and continuous automation of processes. The adoption of Industry 4.0 technologies has shown positive results in this field, being indispensable its implementation in the national industry. The PI System tool stands out, with functionalities and benefits to efficiently address these challenges. In this paper, the topic of industrial maintenance at Compañía Siderúrgica Huachipato is addressed with the purpose of proposing a graphical user interface (GUI) design that satisfies the requirements for an efficient condition-based maintenance (CBM) of the critical operational assets of the PI System. The starting point is to define the critical assets. Using reliability techniques adapted by the company, the critical operational assets to be studied are clearly identified. Then, a work plan is developed that establishes general guidelines for the incorporation of these assets, focusing on vibration variables and general process variables. In this sense, an exhaustive analysis of the past behavior of the asset is carried out, including the establishment of trends that are fundamental to establish levels and margins of operational safety. Once the general guidelines have been established, the analysis is applied to a specific asset in the Steel Mill area of the plant, the KKK Fan. Using the data collected during the process, the behavior of this asset is characterized using data analysis tools. Special attention is given to the analysis of the vibrational severity and common failure modes associated with the asset. Alarm and shutdown levels are established for the different sensors of the asset, following the guidelines established by ISO standards. In addition to the historical analysis of failure modes and the corresponding documentation, the spectral behavior of these events is examined, and a machine learning (ML) algorithm based on decision trees is developed to predict common failures. Finally, an interface is designed that integrates a large amount of relevant information about the asset, including basic and operational data, which clearly and visually displays the current status based on previously established boundaries. This design will be useful for plant engineers to implement, allowing the linkage with the necessary information from external software.