Razor Labs consolida su ventaja a la vanguardia del estado de salud de los equipos de minería

Zolotov dijo en IMARC que los sistemas SCADA, el análisis de vibraciones y las alarmas proporcionaban una sofisticada serie de avisos y datos a los propietarios y operadores de maquinaria y equipos pesados, tanto fijos como móviles. Sin embargo, según las estimaciones de Razor Labs, hasta el 75 % de las averías se producen «a pesar de todos estos sistemas».

«Hemos visto que, a pesar de todas las tecnologías con las que cuentan las empresas en sus instalaciones para detectar problemas en los equipos, siguen produciéndose fallos catastróficos, con importantes repercusiones económicas», afirmó Zolotov.

La incapacidad de los sistemas actuales para detectar fallos entre inspecciones periódicas y el ruido en los datos que enmascara los problemas subyacentes son dos de los principales factores que generan costosos puntos ciegos. Otros incluyen el simple error humano y «todo aquello que no se pueda detectar mediante la vibración o el aceite».

«Si se me sale la correa o tengo un problema con el rendimiento de la bomba, como una caída de presión, por ejemplo, eso no se aprecia en el análisis del aceite ni en el de las vibraciones», dijo Zolotov.

«Pero incluso cuando detecto una alarma, la convierto en una orden de trabajo y indico las medidas correctivas, si esas medidas no son las adecuadas, si no abordan la causa raíz de ese fallo, ese fallo volverá a producirse y provocará un tiempo de inactividad».

El enfoque integral de Razor Labs se basa en el análisis automatizado de las causas raíz, la IA para reducir el ruido y la IA visual para detectar fallos que, de otro modo, pasarían desapercibidos. Zolotov afirmó que mejorar el alcance y la precisión en la detección y el análisis de fallos era fundamental para reducir de forma significativa el tiempo de inactividad y los costes de mantenimiento.

«Llevamos más de 10 años en este sector», dijo.

«Mis compañeros y yo hemos visitado más de 100 instalaciones repartidas por todos los continentes principales, y hemos colaborado estrechamente con todas las partes interesadas, desde los responsables de mantenimiento y los jefes de obra hasta los directivos de las instalaciones y los directores de operaciones globales de las organizaciones.

«El diagnóstico automatizado de la causa raíz ayuda a que los equipos se centren en las medidas concretas que hay que tomar para solucionar el problema y evitar que vuelva a ocurrir, lo que reduce el tiempo de inactividad y los costes de mantenimiento.

«DataMind AI lo consigue combinando datos de los sensores de los camiones, análisis de fluidos, registros de mantenimiento e incluso información sobre los neumáticos.

«En un caso, DataMind AI detectó anomalías en un filtro de aire, en la presión del cárter y en los sensores del filtro de aceite, pero identificó la causa real: un mazo de cables deteriorado en una línea compartida de 5 V a masa. El sistema recomendó reparar el mazo de cables, lo que el equipo confirmó, evitando así que se repitieran más fallos que, de otro modo, habrían vuelto a producirse.

«Y vemos cómo esto se repite una y otra vez. Un análisis avanzado de las causas raíz es la clave para solucionarlo. No me mandes miles de alertas o falsas alertas al día. Dame cinco alertas reales. Dime cuál es la causa raíz y qué medidas hay que tomar, para que, cuando las ponga en práctica, no vuelva a aparecer ese fallo en el futuro.

«La minería también es muy ruidosa y ese ruido no solo provoca falsas alarmas, sino que además enmascara los deterioros reales.

«Podemos usar la IA para eliminar ese ruido y compensar todas las variaciones normales de la minería —diferentes cargas útiles, diferentes cargas del motor, diferentes revoluciones por minuto— para convertir los datos ruidosos en una tendencia clara en la que puedas ver fenómenos relevantes un mes antes de que se produzca cualquier daño.

«Ahora imagina el impacto que esto tiene en los motores, los neumáticos y las transmisiones; evitar los daños alarga la vida útil del equipo y reduce los costosos gastos de sustitución.

«Y podemos hacerlo no solo para flotas móviles, sino también para activos fijos».

Srulevich dijo que la IA visual añadía otra capa sensorial a las herramientas que supervisan el rendimiento de los equipos en las minas.

«Estamos intentando que las máquinas rindan más y, gracias a las tecnologías de fusión de sensores —que combinan diferentes conjuntos de capacidades [y] diferentes fuentes de datos—, podemos entender mejor el estado de la máquina y también crear una base de conocimientos para mejorar su rendimiento con el tiempo», dijo.

«Tenemos que ayudar a los clientes a sacar más partido a los datos que tienen.

«Vemos cómo va cobrando fuerza el auge de la IA. La pregunta que nos hacían en 2021 era: «¿Qué precisión tiene vuestro modelo?». Ya nadie nos pregunta eso. Hoy en día, la confianza está ligada a tu capacidad para ofrecer resultados que tengan un impacto fundamental dentro de la propia organización. ¿Eres capaz de generar resultados que los usuarios finales puedan aprovechar?

«Creo que ahí es hacia donde se dirige el mercado ahora mismo. Se trata de aplicar la IA a un nivel en el que podamos demostrar los resultados rápidamente, con un equipo sobre el terreno que acumule resultados y los convierta en enormes beneficios para una organización».