Mejora del mantenimiento predictivo en Nordic Sugar

Mejora del mantenimiento predictivo en Nordic Sugar.

Comprensión de la optimización del secador de vapor

Nordic Sugar, un actor clave en la industria de producción de azúcar y parte del Grupo Nordzucker, ha sido pionera en estrategias de mantenimiento innovadoras en su planta de Nakskov (Dinamarca). Como parte de sus esfuerzos de mejora continua, se han embarcado en un importante proyecto para implantar el mantenimiento predictivo en su secador de vapor, un componente crucial en su proceso de producción de azúcar. Esta iniciativa, dirigida por Anders Jørgensen-Juul, Jefe de Proyectos, está estableciendo nuevos puntos de referencia en el sector.

El papel de la secadora de vapor

En el proceso de producción de azúcar, el secador de vapor desempeña un papel vital en el secado de la pulpa de remolacha. Tradicionalmente, se utilizaban métodos de secado a alta temperatura, que consumían mucha energía y dificultaban la reutilización del calor. Los secadores de vapor modernos, sin embargo, funcionan según el principio del lecho fluidizado, utilizando aire caliente calentado por vapor primario para secar la pulpa. Este método no sólo mejora la eficiencia energética, sino que también permite recuperar y reutilizar el vapor secundario, aumentando así la sostenibilidad. «Mantener la presión dentro del secadero es crucial», explica el Sr. Jørgensen-Juul. «Normalmente tenemos entre 3,5 y 4 bares en el interior, mientras que la presión ambiente en el exterior es mucho menor. Nuestro reto estaba en la válvula de salida, que sufría múltiples averías».

Detectar el problema

Los fallos impredecibles de la válvula de salida suponían un riesgo operativo importante. «No podíamos predecir cuándo se estropearía, y a menudo ocurría en momentos inoportunos, lo que provocaba paradas no programadas», dice Jørgensen-Juul. «Esta imprevisibilidad era costosa y perjudicial».

Para solucionarlo, Nordic Sugar decidió implantar una estrategia de mantenimiento predictivo mediante aprendizaje automático. «Nos dimos cuenta de que había razones empresariales para invertir en tecnologías de mantenimiento predictivo de alta gama, aunque son caras», señala Jørgensen-Juul.

Implementar el aprendizaje automático para el mantenimiento predictivo

El proceso de implantación empezó con una amplia recopilación de datos. «Recopilamos datos de varios sensores y de nuestro Sistema de Control Distribuido (DCS), combinándolos con datos históricos de fallos», explica Jørgensen-Juul. «Lo difícil fue transformar estos datos para poder compilarlos y utilizarlos para entrenar el modelo de aprendizaje automático». También destacó la importancia de la calidad de los datos. «Los datos de buena calidad son la base del éxito de cualquier proyecto de aprendizaje automático. No se trata sólo de tener muchos datos, sino de asegurarse de que son precisos y relevantes», señala. En una siguiente fase, el modelo se entrenó para reconocer patrones que indicaran fallos potenciales. «El modelo multidimensional observa patrones en distintas variables y predice cuándo puede producirse una avería», dice Jørgensen-Juul. «Esto nos permite estimar la vida útil restante del componente y programar el mantenimiento en consecuencia».

Resultados y enseñanzas

Los resultados de esta iniciativa han sido prometedores. En el primer año, las predicciones del modelo se equivocaron sólo 13 días. «Fue una mejora significativa», dice Jørgensen-Juul. «Nos permitió tomar decisiones más informadas sobre cuándo realizar el mantenimiento».

Sin embargo, el proyecto no estuvo exento de dificultades. «En 2023, nuestras predicciones se desviaron 35 días, lo que supuso un contratiempo. Nos dimos cuenta de que pequeñas modificaciones en el equipo realizadas por nuestros técnicos habían afectado a la precisión del modelo. El algoritmo ML no estaba entrenado para tener en cuenta los cambios estructurales de la propia máquina. Ahora comprendemos que incluso los pequeños cambios pueden alterar gravemente la precisión de la predicción de la RUL».

A pesar de ello, el proyecto ha aportado valiosos conocimientos. «Hemos aprendido mucho sobre la sensibilidad de los modelos de aprendizaje automático y la importancia de mantener un sistema estable», afirma Jørgensen-Juul. «Estos aprendizajes tienen un valor incalculable mientras seguimos perfeccionando nuestro enfoque».

Impacto

Una de las principales motivaciones de este proyecto era crear un sólido argumento comercial a favor del mantenimiento predictivo. «Normalmente, hacemos una campaña de 110 días y sólo vemos una avería a los 85 o 90 días», explica Jørgensen-Juul. «Antes, sustituíamos el rotor y los componentes internos en el momento de la avería y de nuevo tras finalizar la campaña, sólo para asegurarnos de que podíamos completar la siguiente campaña sin problemas. Esto no era rentable».

Mediante el mantenimiento predictivo, Nordic Sugar pretendía prolongar la vida útil de estos componentes. «El objetivo era evitar sustituciones prematuras y reducir el número de piezas de recambio utilizadas. Nuestro éxito del primer año demostró que podíamos predecir las averías con un margen de 13 días, lo que supone una gran mejora», señala Jørgensen-Juul. «Incluso con el revés del segundo año, obtuvimos información fundamental para mejorar nuestros modelos y procesos».

Aplicaciones futuras y sostenibilidad

De cara al futuro, Nordic Sugar tiene previsto ampliar el uso del mantenimiento predictivo. «Somos cautos sobre dónde aplicamos el aprendizaje automático debido a su demanda de recursos», explica Jørgensen-Juul. «Pero para componentes críticos con altos costes de avería y alternativas limitadas para el mantenimiento basado en la condición, merece la pena la inversión».

El proyecto también se alinea con los objetivos de sostenibilidad de Nordic Sugar. «La sostenibilidad se gana realmente con el mantenimiento predictivo. Nos ayuda a prolongar la vida útil de nuestros equipos, reduciendo la necesidad de piezas de repuesto y minimizando los residuos», dice Jørgensen-Juul. «Es una parte clave de nuestra estrategia para mejorar la eficiencia de los recursos y reducir nuestro impacto medioambiental. Cuanto más tiempo podamos esperar hasta sustituir las piezas, más recursos conservaremos. El personal de mantenimiento, incluso el más cualificado, sólo puede aproximarse hasta cierto punto, pero el aprendizaje automático puede reducir la precisión a un dos por ciento.»

Oportunidad de aprendizaje

El éxito de la planta de Nakskov de Nordic Sugar ofrece valiosas lecciones para la industria en general.

«El mantenimiento predictivo puede mejorar significativamente la eficiencia operativa y la sostenibilidad», dice Jørgensen-Juul. «Sin embargo, es esencial tener un argumento empresarial claro y un sistema estable. Además, es crucial implicar al personal técnico en el proceso, ya que son los únicos que pueden relacionar el comportamiento y los fallos del equipo con las tendencias de los datos.»

Anders Jørgensen-Juul presentará en detalle el caso de Nordic Sugar en la conferencia Asset Performance 2024, que se celebrará en Amberes (Bélgica) los días 13 y 14 de noviembre. Su presentación ofrecerá una inmersión más profunda en los retos, soluciones y aprendizajes del proyecto, proporcionando valiosas perspectivas para los profesionales de los campos del mantenimiento y la fiabilidad. No te pierdas esta oportunidad de aprender de un experto líder en el sector. Inscríbete ahora en Asset Performance 2024 y forma parte de la conversación que da forma al futuro del mantenimiento y la gestión de activos.