DataMind AI™ detecta la fricción de los engranajes del compresor y evita un fallo catastrófico
15 de septiembre de 2025
Visión general
DataMind AI™se desplegó en una mina de vanadio para supervisar activos fijos giratorios en sistemas críticos para la producción. Entre estos activos había un compresor clave, una de las máquinas más esenciales del emplazamiento.
A mediados de junio de 2025, DataMind AI™marcó una alarma en la caja de engranajes del compresor, identificando patrones de vibración crecientes asociados a la fricción de los engranajes. La inspección tradicional y la monitorización basada en el estado no habían detectado este problema.
DataMind AI™detectó señales tempranas de fallo en la caja de engranajes crítica identificando firmas espectrales que apuntaban a una degradación mecánica, como desgaste localizado de los engranajes, posible desalineación y fricción inducida por la carga.
Tras la alerta del sistema, el equipo de mantenimiento inició una inspección y abrió la caja de engranajes. Confirmaron un desgaste visible en un lado del engranaje del toro, que coincidía exactamente con las predicciones de DataMind AI™.
Si no se resolvía, este fallo podría haberse convertido en una avería total, con una sustitución de equipos valorada en más de 300.000 dólares y una pérdida de producción adicional de 1,9 millones de dólares.
La demodulación envolvente y la fusión de sensores de IA resultan críticas en la detección de fallos en
El compresor funciona en diversas condiciones de carga y velocidad, que a menudo ocultan los primeros signos de desgaste mecánico. La monitorización tradicional de las vibraciones tiene dificultades para distinguir entre la variabilidad operativa y la verdadera degradación.
DataMind AI™ superó este reto utilizando el filtrado del modo de funcionamiento (aplicando la corriente del motor y el tacómetro), seguido de la demodulación envolvente. Esta combinación permitió al sistema aislar los patrones de deterioro durante el funcionamiento nominal y proporcionó una clara señal de diagnóstico.
Mediante este enfoque, el sistema fue capaz de:
- Detecta los primeros signos de daños en la superficie del engranaje
- Elimina los falsos positivos causados por la fluctuación de las condiciones de carga
- Detectar con precisión la degradación del engranaje
Detección
Entre mediados de junio y principios de julio, tras la sustitución de una caja de cambios, DataMind AI™ detectó un aumento continuo de los niveles de demodulación envolvente en varios sensores de la caja de cambios. Esta tendencia indicaba claramente un deterioro mecánico progresivo, mucho antes de que apareciera ningún síntoma funcional.
Como complemento del análisis de tendencias, el diagnóstico en el dominio de la frecuencia reveló un pico agudo a 8605 Hz, correspondiente a la frecuencia de engrane del engranaje. Se observaron bandas laterales distintas a 50 Hz y 252 Hz, que coincidían con las velocidades de rotación conocidas de los ejes de la caja de cambios. Estas características espectrales son claros indicadores de fricción y desalineación del engranaje bajo carga, lo que concuerda con el desarrollo de daños en la superficie del engranaje.
El análisis de la tendencia de las vibraciones muestra un aumento de los niveles:
Alerta recibida
Tras la intensificación de la tendencia, DataMind AI emitió una alerta y recomendó la inspección de la caja de cambios.
Dada la criticidad de la máquina en la obra, los especialistas en monitorización de estado de Razor Labs se reunieron con el equipo de la obra para discutir el diagnóstico, responder a sus preguntas y asegurarse de que disponían de toda la información necesaria para actuar de forma óptima en este caso.
Resolución e inspección
El centro reasignó las tareas en la siguiente parada prevista para inspeccionar la caja de engranajes. Al abrirla, los técnicos descubrieron un desgaste desigual del engranaje del toro, exactamente como predijo DataMind AI™. El engranaje se realineó y reparó durante la intervención planificada.
Las fotos de la inspección confirmaron patrones de desgaste localizado consistentes con una fatiga por fricción progresiva. La alerta temprana permitió al equipo de mantenimiento actuar de forma proactiva, completar la reparación sin tiempos de inactividad imprevistos y evitar una costosa avería.
Desgaste del engranaje visible en un lado del engranaje del toro, lo que indica una degradación relacionada con la fricción
Conclusión
Este caso pone de relieve la capacidad de DataMind AI™ para descubrir la degradación mecánica oculta mucho antes de que los métodos de supervisión tradicionales puedan detectarla.
Al fusionar los datos de vibración y funcionamiento para el filtrado del modo de funcionamiento y la demodulación de la envolvente, el sistema proporcionó diagnósticos precisos y procesables, lo que permitió al equipo de mantenimiento actuar a tiempo, evitar paradas imprevistas y proteger uno de los activos más críticos de la planta: el compresor de proceso.
Como resultado, el equipo evitó una posible sustitución de la caja de cambios de 300.000 dólares y más de 1,9 millones de dólares en pérdidas de producción, con un ahorro total superior a 2,2 millones de dólares.
Rellena el formulario para descargar el estudio de caso
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.
