Una empresa líder en la extracción de mineral de hierro reduce el tiempo de inactividad no programado de la flota de recuperadoras en un 25% y aumenta la productividad en 1,2 millones de toneladas anuales.
27 de marzo de 2022
Las recuperadoras son fundamentales para el flujo de tratamiento del mineral de hierro
El mineral de hierro es una de las materias primas más demandadas en el mundo, ya que se utiliza 20 veces más que todos los demás metales juntos. Se necesitan unas 1,6 toneladas de mineral de hierro para producir 1 tonelada de acero. El proceso de extracción del mineral de hierro incluye enormes máquinas como recuperadoras, volquetes de vagones, trenes de más de 2,5 kilómetros de longitud y barcos con capacidad para unas 47 piscinas olímpicas.
La recuperadora de cangilones es una máquina fundamental en el proceso de manipulación de materiales. Tiene la capacidad de recuperar inmensas cantidades de mineral de hierro de una pila, y en concreto, 15.000 toneladas por hora para las máquinas de una de las principales empresas de mineral de hierro del mundo. La empresa tiene más de 20 recuperadoras de rueda de cangilones, tanto en las instalaciones de la empresa como en el puerto, que experimentan cientos de horas de inactividad al año y, por tanto, constituyen un cuello de botella clave del proceso minero.
El reto
La recuperadora de cangilones sufría cientos de horas de inactividad al año, lo que reducía la producción y provocaba retrasos en toda la cadena de suministro.
La recuperadora de rueda de cangilones es una máquina muy compleja que requiere una compleja tecnología de IA para el mantenimiento predictivo. Consta de docenas de subcomponentes, como motores, cajas de engranajes, bombas, VVVF, sistemas hidráulicos y otros. Estos componentes son interdependientes y dependen de variables ambientales como el tipo de mineral que se recupera, el clima y los modos de funcionamiento. Por lo tanto, es imposible construir simples reglas heurísticas en torno a los valores de los sensores para indicar un fallo próximo. Hay miles de combinaciones de patrones que indican un fallo futuro, y el objetivo de los modelos de IA es encontrarlos automáticamente y calcular el tiempo estimado hasta el fallo.
La solución
Cada máquina de la flota recoge unas 7.000 etiquetas históricas que incluyen tanto datos sensoriales, como temperaturas, presiones, pares y tensiones y valores de potencia de los componentes, como miles de variables calculadas diferentes del PLC, incluidos todo tipo de eventos, como alarmas y avisos, así como información del proceso, como si se están recuperando finos o terrones de mineral de hierro, lo que afecta a la carga de la máquina.
Los modelos de IA de DataMind AI se afinaron sobre los dos últimos años de datos históricos de la organización, y aprendieron a predecir una variedad de fallos en diversos componentes -.
- Averías en el sistema transportador de la máquina, como subtensión, sobretensión, desequilibrio y desbordamientos.
- Los fallos de calibración de los codificadores en los sistemas de accionamiento del grátil y el giro que, entre otros, causaban cientos de micro-retrasos cada año debido a disparos en los límites.
- Averías del sistema de lubricación, incluido el deterioro de la bomba de lubricación y las fugas de lubricante.
- Averías del sistema de rueda de cangilones causadas por el enfriador de aceite, la caja de cambios o el desajuste del perno de par.
Además de predecir estos fallos, los equipos de mantenimiento y fiabilidad disponen de:
- Indicación en tiempo real de los fallos de los interruptores, como los de temperatura, presión y caudal, que pueden causar decenas de horas de inactividad al año, mientras que su sustitución es muy barata en comparación con el rendimiento perdido.
- Indicación en tiempo real de la calidad del mantenimiento realizado, como la calidad de retensado de las cintas transportadoras o la calidad de calibrado de los codificadores, para garantizar que el componente vuelve a estar en plena forma y que el tiempo hasta que vuelva a ser necesario el mantenimiento es máximo.
- Cálculo de la puntuación de salud en tiempo real, para evitar un mantenimiento prematuro que provoque pérdidas de rendimiento debido a un excesivo tiempo de inactividad programado.
- Reducción del tiempo de investigación de la desconexión de la máquina, analizando la información sensorial y la secuencia de alarmas causantes de una desconexión, para proporcionar una indicación inmediata de la causa raíz de la alarma, que provocó la desconexión. Esto permite dirigir a los equipos de mantenimiento directamente al componente que hay que manipular, para que la máquina vuelva a funcionar lo antes posible.
Retorno de la inversión
La solución demostró su valor muy rápidamente. De media, el tiempo de inactividad no programado de las máquinas mejoradas con DataMind AI se redujo un 25%, lo que provocó un aumento de 1,2 toneladas de mineral de hierro al año.
Otra ventaja fue que los equipos de mantenimiento y fiabilidad empezaron a confiar en la IA no sólo para evitar las desconexiones y los tiempos de inactividad, sino también para realizar el mantenimiento de los componentes mecánicos que se estaban deteriorando hasta alcanzar un estado crítico. Como resultado, dejaron de producirse las largas paradas que antes se debían a fallos catastróficos por un funcionamiento prolongado en condiciones mecánicas críticas. De hecho, se ha producido un cambio cultural gradual en el que la estrategia de mantenimiento ha pasado a basarse en datos, aprovechando las puntuaciones de salud y las estimaciones de tiempo hasta el fallo de la inteligencia artificial.
La empresa inició el proyecto como un POC en 3 recuperadoras de ruedas de cangilones, y luego amplió su producción a otras recuperadoras de ruedas de cangilones de la flota, para desbloquear todo el potencial de valor operativo y empresarial. Además, la empresa lo amplió a otro tipo de activos esenciales: la flota de volquetes de vagones, que también es una máquina crítica en el flujo del proceso del mineral de hierro.
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.
