Sensores e inteligencia artificial para detectar mediante sonidos el estado de salud de los motores industriales
Existen más de 300 millones de motores eléctricos industriales que funcionan día y noche en las cadenas de producción de todo el planeta y consumen cerca del 70 % de la electricidad suministrada a las instalaciones industriales. Por desgracia, las averías son muy comunes y uno de cada ocho motores industriales acaba roto cada año. Los fallos en los motores provocan parones no planeados para realizar reparaciones en principio no necesarias que cuestan cientos de miles de euros a la hora. También deja reducen la productividad de la plantilla, echan a perder materias primas y menoscaban la satisfacción del cliente. Es más, los motores defectuosos, al desgastarse, consumen más energía, ya que su eficiencia se reduce con el paso del tiempo. Sensores no invasivos y algoritmos de aprendizaje automático para vigilar mejor la salud de los motores industriales El proyecto financiado con fondos europeos Motorlisten resolvió este problema mediante el empleo de sensores de reconocimiento acústico, análisis de frecuencias e inteligencia artificial (IA). Paolo Samontanez, director de tecnología del proyecto OneWatt, comenta: «Al buscar provecho para estas tecnologías dimos con una solución que detecta fallos y predice averías en motores. De esta forma se ayuda a las instalaciones industriales a planificar con más eficacia las labores de mantenimiento, ampliar la vida de los activos, aumentar la eficiencia de la actividad y reducir los parones no planeados». El sistema de mantenimiento predictivo, no invasivo y a distancia detecta y predice fallos físicos en la maquinaria. Además de informar al personal de mantenimiento de que se está generando una avería, añade el motivo y calcula cuándo y dónde sucederá. El sistema emula a un mecánico experto capaz de identificar averías al detectar indicios de estas, como golpeteos o petardeos en los motores. Al servirse de la IA y de un conjunto de datos infinitamente superior al disponible para un humano, la innovación es mucho más fiable de lo que podría nunca ser un técnico o un profesional especializado. El sistema optimizará los trabajos de mantenimiento y reducirá los parones, dos prioridades fundamentales para industrias y empresas de servicios públicos. Además, el sistema garantiza que los motores trabajan con la mayor eficiencia posible, y por tanto con un consumo energético menor. Los socios del proyecto identificaron y establecieron los parámetros necesarios para lograr una precisión del 99,99 %. Cuantificaron objetivos e idearon metodologías con las que ampliar la vida útil de los activos, reducir el consumo de energía y aumentar la fiabilidad de las predicciones. A partir de los datos obtenidos, «nuestro sistema es capaz de detectar las ocho averías principales de los motores (en términos estadísticos)», explica Samontanez. El equipo de Motorlisten evaluó la viabilidad comercial y el potencial de la tecnología en entornos de fabricación industrial y en empresas de servicios públicos, dos clientes fundamentales. Modificó la IA y el «hardware» del sistema para cubrir las necesidades de estos segmentos de mercado. Según explica Samontanez: «Nuestro sistema puede instalarse en la mayoría de los motores con independencia del modelo, el tamaño, los años, la marca o el fabricante. Nosotros nos adaptamos a su sistema y no al revés». La fase de comercialización ya está en marcha y se han firmado varios contratos con empresas de servicios públicos, artículos de consumo en rápido movimiento y empresas de mantenimiento industrial. También se sigue trabajando en la mejora del sistema. «Gracias al sistema de Motorlisten, las instalaciones industriales podrán planear el mantenimiento con más eficacia, reducir la factura de la luz al disponer de motores más eficientes, ampliar la vida de los motores y en última instancia aumentar los beneficios al reducir los parones no planeados», concluye Samontanez.
Palabras clave
Motorlisten, motores, averías, parones, instalaciones industriales, motor industrial, motor eléctrico, sistemas de mantenimiento predictivo
