Presentan plataforma basada en Machine Learning para mantenimiento predictivo de GMD

 David Gallego, Digital Solutions Architect de ABB en Suiza, expuso sobre el monitoreo a distancia de los accionamientos Gearless Mill Drives (GMD) quienes mueven los molinos SAG y molinos de bolas, en la gran minería, en el marco de un evento realizado en Chile. 

Los GMDs son un equipamiento crucial en el proceso de molienda, por tanto, “asegurar su máxima disponibilidad constituye una tarea primaria y esencial para obtener los mejores valores posibles en los indicadores OEE (Overal Equipment Effectiveness)”.

El experto señaló la relevancia que tiene esta tecnología para países mineros por excelencia, como Perú y Chile, ya que son las naciones con mayor base instalada de GMDs en el mundo, destacando que muchos de los clientes de ABB en Chile y Perú, a través de los Long Term Service Agreement (LTSA) ofrecidos por la compañía, disponen de acceso a la plataforma de ABB AbilityTM Predictive Maintenance for Grinding (Mantenimiento Predictivo para Molienda) de ABB y se benefician de ella.

"La plataforma está basada en la nube y utiliza los más avanzados servicios ofrecidos por Microsoft Azure, sobre todo en términos de Machine Learning. En concreto, recientemente se puso en marcha la utilización del servicio Azure AutoML, que permite evaluar la predicción contra 30 modelos diferentes en tiempo real y seleccionar la predicción que más se ajusta a nuestro criterio”, indicó el Digital Solutions Architect de ABB en Suiza.

Por otra parte, recientemente se desplegó la posibilidad de acceder a los ficheros de transitorios del controlador del Cicloconversor, para tareas A, B, y C, que contienen datos de alta frecuencia de diferentes señales y que normalmente son de difícil acceso, pero claves para realizar un correcto diagnóstico cuando se está en tareas de Troubleshooting.

Respecto a los avances en la materia dados a conocer por la compañía, el ejecutivo destacó que actualmente están “monitoreando casi 40 GMD de diversos clientes de todo el mundo, y con las estrategias expuestas, nuestra estimación es que, con los cinco casos principales detectados, se ha conseguido evitar 120 horas de parada inesperada de los equipos de molienda”.