¿Cómo se pueden mejorar de forma sistemática los indicadores clave de rendimiento (KPI) poco fiables en los sistemas de monitorización de estado?

Los KPI poco fiables suelen deberse a bandas de filtro inadecuadas o a frecuencias de interferencia no tenidas en cuenta. Con ibaAnalyzer, es posible analizar en detalle tanto las tendencias como los datos brutos para identificar anomalías. En combinación con ibaInSpectra, las reglas de cálculo pueden ajustarse con precisión. El resultado son indicadores de estado estables y significativos para la evaluación del desgaste.

¿Cómo se pueden tener debidamente en cuenta los efectos dependientes de la velocidad en el análisis de vibraciones?

Los efectos dependientes de la velocidad pueden identificarse correlacionando los indicadores clave de rendimiento (KPI) con los parámetros de funcionamiento. ibaAnalyzer permite realizar análisis X/Y para revelar las relaciones entre la velocidad y el comportamiento de los KPI. A partir de esta información, ibaInSpectra permite ajustar con precisión las bandas de frecuencia. De este modo se evitan distorsiones en rangos de funcionamiento específicos.

¿Cómo afectan las frecuencias interferentes a la evaluación del estado y cómo se pueden eliminar?

Las frecuencias de interferencia pueden distorsionar considerablemente los indicadores clave de rendimiento (KPI) si se encuentran dentro de las bandas de análisis definidas. ibaInSpectra permite identificar y excluir estas frecuencias de los cálculos de los KPI. Se pueden aplicar métodos de filtrado adicionales para eliminar las frecuencias dominantes de los datos brutos. Esto mejora considerablemente la fiabilidad de los indicadores de estado.

¿Cómo se pueden definir de forma fiable los umbrales de alarma sin necesidad de una larga fase de aprendizaje?

Los umbrales de alarma pueden definirse mediante un análisis basado en simulaciones de datos históricos. ibaInSpectra permite realizar cálculos basados en reproducciones para determinar los rangos esperados de los indicadores clave de rendimiento (KPI). ibaAnalyzer permite la validación con conjuntos de datos reales. Esto permite definir umbrales fiables sin necesidad de una fase de aprendizaje prolongada.

¿De qué manera la combinación de datos de procesos y de vibraciones contribuye al mantenimiento predictivo?

La combinación de datos de procesos y de vibraciones permite realizar una evaluación integral del estado de la maquinaria. ibaPDA garantiza la adquisición sincrónica de datos, mientras que ibaInSpectra proporciona indicadores clave de rendimiento (KPI) basados en las vibraciones. Esta integración ayuda a identificar influencias indirectas y fuentes externas de fallos. Constituye la base para estrategias de mantenimiento predictivo y específico.

Optimización de un sistema de Condition Monitoring

ibaInSpectra y ibaRotate

Se supone que un sistema de control de estado (Condition Monitoring System, CMS) supervisa el desgaste de dos motores. El CMS calcula valores característicos a intervalos regulares en determinadas condiciones de medición, que sirven como indicadores de estado de los distintos componentes de la máquina, y los registra como tendencia a largo plazo.

Beneficios para las empresas La tecnología Funciones usadas Más Success Stories

Tras una fase de prueba, se puso de manifiesto que los cálculos y ajustes estándar del CMS no proporcionaban valores característicos fiables para la detección del desgaste debido a las condiciones in situ. Ahora había que investigar este fenómeno. Con las herramientas iba para el análisis de vibraciones, las tendencias registradas y los datos brutos se analizaron, por tanto, más detalladamente con el fin de configurar el Sistema de Monitorización de Condiciones para que proporcionara valores característicos fiables.

Cálculo automatizado

de valores característicos

Comprensión óptima

mediante la combinación de análisis de procesos y vibraciones

Análisis de las causas

para un mantenimiento proactivo

La tecnología

En las tendencias a largo plazo, los valores característicos aumentaron en algunos momentos más de 10 veces. Cada valor característico se vio afectado en distintos momentos. No se pudo reconocer una correlación temporal. Sin embargo, la representación de los valores característicos como un diagrama X/Y en ibaAnalyzer mostró claras conspicuidades. Los valores característicos calculados se mostraban ordenados según la velocidad a la que se habían registrado. En el diagrama X/Y se podía observar que determinados valores característicos aumentaban, especialmente en determinados rangos de velocidad.

Por lo tanto, se examinaron más detenidamente los datos brutos de un archivo DAT en busca de frecuencias independientes de la velocidad. De hecho, en ibaRotate puede reconocerse una frecuencia elevada que incluye dos armónicos. Aunque se encontró la causa, no fue posible resolver el problema técnicamente.

An x-ray style rendering shows the internal components of an electric motor.

Con la ayuda de la función de marcador de ibaRotate se pudo comprobar que las bandas utilizadas para calcular los parámetros intersecan esta alta frecuencia o uno de los armónicos, exactamente en los rangos de velocidad en los que se superaban los valores característicos. A continuación, se optimizaron las condiciones de medición y las reglas de cálculo de los valores característicos de forma que esta frecuencia dejara de estar dentro de las bandas utilizadas para el cálculo de los parámetros. Por último, estos ajustes obligaron a comprobar y restablecer los umbrales de alarma. En el siguiente paso, se analizaron los estados actuales de los componentes supervisados a partir de los datos brutos. Para obtener una mejor visión de conjunto, la frecuencia independiente de la velocidad y sus armónicos se han eliminado mediante el filtro de Vold-Kalman. En el marco del análisis, se pudo obtener una visión adicional: En la visualización en cascada sin las frecuencias dominantes, se detectó un daño en desarrollo en otra máquina desde la que se había transferido un bajo nivel de vibración a la máquina supervisada.

Por último, era necesario determinar en qué intervalo debían esperarse los valores característicos de los nuevos cálculos. Para ello resultó útil una simulación con ibaInSpectra basada en una reproducción de los datos medidos. Con ayuda de la simulación, los valores de alarma pudieron calcularse de forma fiable sin necesidad de una fase de aprendizaje. Con la configuración personalizada de este modo, el sistema de Condition Monitoring está configurado de forma óptima para el sistema del cliente. El sistema proporciona ahora valores característicos fiables y permite validar el estado actual.

A diagram shows data flow from an electric motor to a computer, leading to analysis and user adjustments.

Pruebe ahora el sistema iba

Descargue la demo de ibaPDA e ibaAnalyzer y empiece a optimizar sus procesos hoy mismo. ¡Pruébalo gratis durante 30 días!

Solicite una licencia ibaPDA-Demo

La combinación única de análisis de procesos y vibraciones me facilita la comprensión y el análisis del comportamiento de las vibraciones, incluso con procesos complejos.

Christian Reinbrecht
Director de Producto, iba AG

Funciones usadas

En esta historia de éxito se utilizan las siguientes funciones del sistema iba.

Más Success Stories

Lea más historias de éxito inspiradoras de nuestros clientes satisfechos.

Preguntas frecuentes (FAQ)

¿Cómo se pueden mejorar de forma sistemática los indicadores clave de rendimiento (KPI) poco fiables en los sistemas de monitorización de estado?: Los KPI poco fiables suelen deberse a bandas de filtro inadecuadas o a frecuencias de interferencia no tenidas en cuenta. Con ibaAnalyzer, es posible analizar en detalle tanto las tendencias como los datos brutos para identificar anomalías. En combinación con ibaInSpectra, las reglas de cálculo pueden ajustarse con precisión. El resultado son indicadores de estado estables y significativos para la evaluación del desgaste.
¿Cómo se pueden tener debidamente en cuenta los efectos dependientes de la velocidad en el análisis de vibraciones?: Los efectos dependientes de la velocidad pueden identificarse correlacionando los indicadores clave de rendimiento (KPI) con los parámetros de funcionamiento. ibaAnalyzer permite realizar análisis X/Y para revelar las relaciones entre la velocidad y el comportamiento de los KPI. A partir de esta información, ibaInSpectra permite ajustar con precisión las bandas de frecuencia. De este modo se evitan distorsiones en rangos de funcionamiento específicos.
¿Cómo afectan las frecuencias interferentes a la evaluación del estado y cómo se pueden eliminar?: Las frecuencias de interferencia pueden distorsionar considerablemente los indicadores clave de rendimiento (KPI) si se encuentran dentro de las bandas de análisis definidas. ibaInSpectra permite identificar y excluir estas frecuencias de los cálculos de los KPI. Se pueden aplicar métodos de filtrado adicionales para eliminar las frecuencias dominantes de los datos brutos. Esto mejora considerablemente la fiabilidad de los indicadores de estado.
¿Cómo se pueden definir de forma fiable los umbrales de alarma sin necesidad de una larga fase de aprendizaje?: Los umbrales de alarma pueden definirse mediante un análisis basado en simulaciones de datos históricos. ibaInSpectra permite realizar cálculos basados en reproducciones para determinar los rangos esperados de los indicadores clave de rendimiento (KPI). ibaAnalyzer permite la validación con conjuntos de datos reales. Esto permite definir umbrales fiables sin necesidad de una fase de aprendizaje prolongada.
¿De qué manera la combinación de datos de procesos y de vibraciones contribuye al mantenimiento predictivo?: La combinación de datos de procesos y de vibraciones permite realizar una evaluación integral del estado de la maquinaria. ibaPDA garantiza la adquisición sincrónica de datos, mientras que ibaInSpectra proporciona indicadores clave de rendimiento (KPI) basados en las vibraciones. Esta integración ayuda a identificar influencias indirectas y fuentes externas de fallos. Constituye la base para estrategias de mantenimiento predictivo y específico.