Una empresa líder en la extracción de mineral de hierro reduce el tiempo de inactividad no programado de la flota de transportadores del puerto
5 de junio de 2023
El reto
Con docenas de kilómetros de cintas transportadoras, el puerto de mineral de hierro experimentaba un tiempo medio de inactividad anual de unas 800 horas para las cintas transportadoras de entrada al puerto. La causa de estas averías eran diversos problemas, como fallos de las poleas, desgarros de las correas, escorrentías y problemas de deriva, fallos del motor y la caja de cambios, y fallos de los rodillos.
El impacto financiero de este tiempo de inactividad no programado era significativo, con un coste estimado de más de 70 millones de dólares al año. La empresa buscaba una solución para identificar y prevenir los fallos de los equipos de forma proactiva, a fin de reducir el tiempo de inactividad no planificado y aumentar la productividad.
La solución
Aprovechando las capacidades predictivas de la IA de DataMind, la empresa minera pudo detectar fallos potenciales con más de tres meses de antelación, lo que le permitió emprender acciones de mantenimiento específicas que abordaron las causas subyacentes y evitaron que se produjeran en el futuro.
Además, la supervisión remota de los equipos y la programación avanzada del mantenimiento no sólo mejoraron la eficacia operativa, sino que también redujeron significativamente el riesgo de accidentes y lesiones, que tienden a aumentar cuando se trabaja muy cerca de la maquinaria.
Resultados
La empresa implantó la solución de mantenimiento predictivo de DataMind AI para solucionar los fallos recurrentes de los transportadores. El equipo de Razor Labs realizó un estudio del emplazamiento y completó la instalación de la solución lista para usar de DataMind AI en sólo dos semanas.
- Durante la fase piloto se desplegaron sensores de vibración para cubrir las poleas transportadoras, los motores, las cajas de engranajes y los rodillos de impacto, a fin de proporcionar visibilidad en línea del equipo y garantizar que no se pasara por alto ningún fallo. Uno de los factores diferenciales del sistema es su capacidad única para manejar componentes especialmente lentos, como las poleas, que pueden ir a menos de 100 RPM.
- Se desplegaron cámaras para cubrir los problemas de desvío de la correa, que son una causa potencial de mayor desgaste de las poleas, desbordamientos de la correa y desgarros.
- Se desplegaron sensores de corriente para indicar la sobrecarga del motor, y sensores de aceite para indicar el desgaste interno y la contaminación del aceite.
- DataMind AI fusionó los diversos datos de los sensores para proporcionar una visión holística de la salud del equipo, identificar la causa raíz de los fallos y tomar medidas correctivas para evitar fallos recurrentes en el futuro.
El descubrimiento
- El sistema identificaba incidentes de desequilibrio de la correa que aumentaban el desgaste y acortaban la vida útil de los cojinetes de las poleas.
- El sistema identificó incidentes de mineral de tamaño superior fuera de especificación causados por el desgaste del revestimiento de la trituradora.
- El sistema identificó incidentes de fallo de las bombas hidráulicas y contaminación del aceite, que habrían provocado el fallo de los cojinetes de los manguitos y, en consecuencia, fallos en la caja de cambios.
- El análisis de las imágenes de CCTV indicó que el mineral estaba descentralizado a causa de los bloqueos de los vertederos debidos a la humedad del mineral.
- El sistema detectó patrones de vibración por desgaste de los rodamientos en los rodillos tensores, lo que sugiere la presencia de rodillos dañados o desalineados que pueden causar un mayor desgaste de la cinta transportadora y reducir la eficacia general del sistema.
Don’t let the next failure go undetected.
Explore 50+ real-world case studies showing how DataMind AI saves mining operations millions — or book a live demo to see it in action.
