OBJETIVO
Estrategia predictiva para la eficiencia operativa en plantas de Bunge
Bunge International Limited es líder a nivel mundial en el sector agroalimentario y principal productor, manipulador, transformador y comerciante de soja, colza, girasol, maíz, trigo y otros cultivos.
Preditec colabora con Bunge desde el año 2012 en la implantación y explotación de la estrategia predictiva dentro del mantenimiento. El plan incluye los activos de Bunge en cuatro de sus plantas en España, cubriendo unos 1300 activos rotativos. La fase de implantación comienza con el análisis de criticidad y modos de fallos para definir con qué técnicas y con qué periodicidades se debe medir. Este trabajo permite establecer unas rutas y fijar unos niveles de alerta y alarma iniciales, que ajustan a lo largo del tiempo de acuerdo al histórico que se genera, aumentando de esta forma su fiabilidad.
Fecha de ejecución:
2012
Lugar:
España
Sector:
Agroalimentación
CÓMO LO HICIMOS REALIDAD
Aplicación estratégica de técnicas predictivas para maximizar la fiabilidad de los activos
Como tareas rutinarias en planta se realizan la medida de vibraciones e inspección visual, inspección por ultrasonidos, ESA (Electric Signature Analysis) y MCA (Motor Circuit Analysis). La inspección por ultrasonidos se emplea para máquinas con velocidades lentas, como complemento a la medida de vibraciones, y las técnicas de medidas eléctricas se utilizan en los motores más críticos. Los ensayos ESA se realizan con el motor energizado y los ensayos MCA con el motor desenergizado. Otro servicio fundamental es la detección de fugas de hexano, compuesto inflamable y explosivo que es el principal consumo de producción para poder extraer el aceite.
Con la correcta aplicación y combinación de las técnicas predictivas se consigue un diagnóstico fiable y una mejora en el seguimiento de KPI’s. Nos anticipamos a los fallos para planificar los trabajos correctivos en la siguiente parada, lo que redunda en menor número de paradas imprevistas, un menor coste y duración de las reparaciones. Así, tenemos una visión holística de la condición mecánica y eléctrica del equipo, generando un histórico del comportamiento de los activos y pudiendo cruzar los datos entre máquinas similares para tomar decisiones basadas en datos reales en continua actualización. Gracias a estas inspecciones se invierten los recursos en máquinas que realmente lo necesitan.
Pese a ser un dato variable, podemos decir que dentro de una inspección, el 5-10% de los activos requiere de un seguimiento exhaustivo y el 10-15% requiere de un seguimiento menor. El resto de máquinas, que suponen el mayor porcentaje, tienen una condición buena (Green Asset) y pueden esperar hasta la siguiente inspección.
NUESTRA APORTACIÓN
Qué productos y servicios aplicamos al proyecto
- Productos
- Formación
- Servicios
Asset Reliability Practitioner (ARP-L) Reliability Leader
El curso de especialista de fiabilidad de Activos [ARP-L] “LIDER DEL PROGRAMA DE FIABILIDAD” comprende no solo los conocimientos técnicos, sino también los roles necesarios para poder liderar equipos, comunicarse con frecuencia y claridad y tener fuertes habilidades de gestión de presupuestos y proyectos.
Nothing Found
RESULTADO Y LOGROS
Definición de criterios de criticidad
Las inspecciones quedan documentadas en la plataforma web Preconcerto, donde se genera la base de datos con la información relevante de los activos, se isualiza el estado de la planta, se realiza el seguimiento de KPI’s, se permite la comunicación bidireccional planta-analista y se generan informes customizados.
A parte de estas inspecciones con equipos portátiles, hay activos que requieren de monitorización en continuo debido a su criticidad, a la naturaleza de los fallos o a
su localización en zonas poco accesibles. Se trata de proyectos de digitalización donde la máquina se instrumenta (con sensores cableados o inalámbricos) y las señales se llevan al hardware de monitorizado, gestionando la información en remoto desde la plataforma web Asset Web Monitor (AWM). Esta herramienta nos permite centralizar información proveniente de varias fuentes, parametriza distintos modos de fallo, generar estados de máquina con diferentes alarmas, graficar tendencias multivariable para supervisión y analizar tanto datos escalares como las gráficas asociadas
5-10%
de los activos requiere de un seguimiento exhaustivo
10-15%
de los activos requiere de un seguimiento menor
