El mantenimiento predictivo (PdM) combinado con la monitorización de la salud estructural (SHM) está revolucionando la gestión de infraestructuras críticas como puentes, presas y oleoductos, ante los retos de garantizar la longevidad y la seguridad al tiempo que se adaptan al cambio climático. Estas avanzadas tecnologías permiten predecir las necesidades de mantenimiento, reducir los tiempos de parada imprevistos y costosos y mejorar la durabilidad de estructuras vitales. Este artículo explora la aplicación de PdM y SHM en infraestructuras, detallando sus mecanismos operativos, beneficios y estrategias para un despliegue exitoso.
El mantenimiento predictivo (PdM) es una estrategia de mantenimiento proactivo que utiliza el análisis de datos para predecir cuándo pueden producirse averías en los equipos, de modo que el mantenimiento pueda planificarse en función de su estado real. Este enfoque evita averías inesperadas y reduce las actividades innecesarias de mantenimiento preventivo.
El mantenimiento preventivo implica el uso de distintos tipos de sensores para recopilar datos sobre el estado de los equipos. Estos datos pueden incluir vibraciones, temperatura, presión y otros tipos de información que pueden indicar problemas potenciales. A continuación, se utilizan análisis y algoritmos avanzados para identificar patrones en los datos que puedan ser indicativos de futuros fallos.
Las primeras etapas: El mantenimiento predictivo existe desde principios de los años noventa. Al principio, su aplicación era limitada debido a la falta de sensores sofisticados y de potencia informática. El mantenimiento predictivo tradicional era específico del sector y se centraba en máquinas con modelos complejos y personalizados.
La llegada del Internet de las Cosas (IoT) y la computación en la nube: La llegada del Internet de las Cosas (IoT), la computación en la nube, el análisis de datos y el aprendizaje automático han ampliado enormemente la practicidad y aplicabilidad del mantenimiento predictivo. El IoT ha hecho posible recopilar enormes cantidades de datos de diversos sensores instalados en la infraestructura. La computación en nube ha proporcionado la infraestructura para almacenar y procesar estos datos.
Papel de la analítica de datos y el aprendizaje automático: La analítica de datos y el aprendizaje automático han revolucionado el mantenimiento predictivo, haciéndolo pasar de un enfoque reactivo a uno proactivo. Mediante el análisis de grandes conjuntos de datos y patrones, estas tecnologías permiten la detección precoz de problemas en los equipos, optimizando el mantenimiento, mejorando la fiabilidad y alargando la vida útil de las infraestructuras. Los algoritmos de aprendizaje automático, tras someterse a un riguroso entrenamiento con datos históricos que incluyen lecturas de sensores, acciones de mantenimiento y fallos anteriores, evolucionan hasta convertirse en expertos virtuales capaces de reconocer los primeros signos de avería.
La supervisión de la salud estructural (SHM) es un proceso utilizado para identificar daños en una estructura. Los sistemas de SHM pueden proporcionar información en tiempo real sobre la integridad estructural de puentes, edificios y otras estructuras. Esta información puede utilizarse para tomar decisiones informadas sobre las reparaciones y el mantenimiento necesarios, mejorando la seguridad y la eficiencia operativa.
La GSS implica el uso de sensores para supervisar una estructura a lo largo del tiempo. Los datos recogidos por estos sensores se analizan para identificar cualquier cambio que pueda indicar daños o degradación estructural. Por ejemplo, cambios en las propiedades de los materiales, la geometría o las condiciones de contorno de la estructura.
El mantenimiento predictivo (PdM) y la supervisión de la salud estructural (SHM) son como los médicos de nuestras infraestructuras. Vigilan de cerca la salud de nuestros edificios, puentes y otras estructuras, igual que un médico vigila las constantes vitales de un paciente.
He aquí cómo funcionan juntos:
Estos son algunos ejemplos de cómo el mantenimiento predictivo y la monitorización de la salud estructural pueden aplicarse en diversos tipos de infraestructuras.
Los puentes son elementos vitales de las redes de transporte y su fallo puede tener graves consecuencias. El PdM y el SHM pueden mejorar considerablemente el mantenimiento de los puentes. Sensores como acelerómetros y galgas extensométricas pueden monitorizar los niveles de vibración y tensión, proporcionando datos en tiempo real sobre la salud del puente. Por ejemplo, los acelerómetros pueden detectar vibraciones inusuales que indiquen debilidades estructurales, mientras que las galgas extensométricas miden la tensión en los componentes del puente, lo que permite realizar reparaciones a tiempo.
Ejemplo: el puente Golden Gate de San Francisco utiliza un completo sistema de monitorización de la salud estructural (SHM) que incluye más de 300 sensores para controlar la velocidad del viento, la temperatura y las tensiones en los componentes del puente. Este sistema ayuda a los ingenieros a detectar a tiempo posibles problemas y a planificar eficazmente las actividades de mantenimiento.
Las presas son esenciales para el suministro de agua, el control de inundaciones y la producción de energía hidroeléctrica. La PdM y la SHM pueden ayudar a garantizar su integridad estructural. Los sensores pueden controlar la presión del agua, las filtraciones y la deformación estructural. Por ejemplo, los piezómetros miden la presión del agua dentro de la presa y los fisurómetros controlan la aparición de grietas. El análisis de estos datos permite detectar rápidamente posibles problemas, como fugas o debilidades estructurales, y evitar así fallos catastróficos.
Ejemplo: La presa Hoover utiliza una extensa red de más de 500 sensores para controlar la integridad de la estructura, midiendo factores como la presión del agua, las filtraciones y la temperatura del hormigón. Estos datos son esenciales para analizar y predecir posibles problemas y garantizar la seguridad y funcionalidad de la presa.
Las tuberías transportan recursos esenciales como agua, petróleo y gas. La PdM y la SHM pueden evitar fallos que provoquen catástrofes medioambientales y pérdidas económicas considerables. Los sensores pueden controlar la presión, el caudal y la temperatura. Las técnicas avanzadas, como la monitorización de emisiones acústicas, pueden detectar fugas identificando las ondas sonoras generadas por los fluidos que se escapan. Esto permite intervenir con precisión y a tiempo, garantizando la integridad del oleoducto.
Ejemplo: El oleoducto Trans-Alaska utiliza el mantenimiento predictivo (PdM) para controlar el caudal y la presión del petróleo transportado por el oleoducto. Los sensores acústicos detectan las fugas identificando las ondas sonoras generadas por el petróleo que se escapa, lo que ayuda a prevenir catástrofes medioambientales y a mantener la eficacia del oleoducto.
La base de una solución eficaz de PdM y SHM es una sólida recopilación de datos. Los sensores colocados en la infraestructura recopilan datos en tiempo real sobre diversos parámetros. Estos datos se combinan con el historial de mantenimiento y la información medioambiental. Garantizar la precisión y fiabilidad de estos datos es esencial para desarrollar modelos predictivos.
Ejemplo: en un aerogenerador se instalan varios sensores para controlar su estado de salud. Puede tratarse de sensores de vibración, temperatura, deformación o acústicos. Los datos recogidos por estos sensores se integran con otra información pertinente, como el historial de mantenimiento (cuándo y qué mantenimiento se ha realizado) y la información medioambiental (velocidad del viento, humedad y temperatura).
Los científicos de datos utilizan algoritmos de aprendizaje automático para analizar los datos recopilados y desarrollar modelos predictivos. Estos modelos pueden identificar patrones que indiquen posibles fallos. Por ejemplo, un modelo puede predecir la probabilidad de una fuga en una tubería basándose en las fluctuaciones de presión y los cambios de temperatura. Al perfeccionar continuamente estos modelos con nuevos datos, su precisión mejora con el tiempo.
Ejemplo: los científicos de datos pueden utilizar un algoritmo de aprendizaje automático, como un bosque aleatorio o una red neuronal, para analizar los datos recopilados.Estos algoritmos pueden identificar patrones complejos en los datos que podrían ser difíciles de detectar para un ser humano.
Por ejemplo, el modelo puede descubrir que un patrón específico de vibración y aumento de temperatura en una máquina suele ir seguido de una avería unos días después.Este patrón se utilizaría entonces para predecir futuras averías.
Una vez desarrollados, los modelos predictivos se despliegan para supervisar la infraestructura en tiempo real. Estos modelos pueden ejecutarse en dispositivos periféricos para un diagnóstico inmediato o en la nube para un análisis más exhaustivo. La mejora continua es esencial; a medida que se recopilan más datos, los modelos se perfeccionan para mejorar sus capacidades predictivas.
La adopción de PdM y SHM en infraestructuras tiene muchas ventajas, entre ellas:
Las organizaciones pueden enfrentarse a una serie de retos a la hora de implantar el PdM y el SHM. Por ejemplo:
El mantenimiento predictivo y la supervisión de la salud estructural están revolucionando la forma en que gestionamos y mantenemos nuestras infraestructuras. Aprovechando el poder de los datos y los análisis sofisticados, estos sistemas nos permiten mantener de forma proactiva estructuras vitales como puentes, presas y tuberías, mejorando su longevidad y garantizando su seguridad. Al explotar aún más las capacidades del Internet de las Cosas (IoT), la computación en la nube y el aprendizaje automático, la PdM y la SHM están llamadas a convertirse en elementos esenciales para la conservación de las infraestructuras que sustentan nuestro mundo contemporáneo.
Al mismo tiempo, están reconfigurando nuestro enfoque del mantenimiento de las infraestructuras. Gracias a la recogida y el análisis de datos, podemos anticipar y prevenir fallos, garantizando así el buen funcionamiento y la seguridad de estructuras esenciales. A medida que avance la tecnología, el alcance y el impacto de estos sistemas no harán sino crecer, conduciéndonos hacia un futuro de prácticas de mantenimiento cada vez más inteligentes y eficientes.
Como parte del mantenimiento predictivo y SHM, Sixense participa en parte del ciclo, implementando sensores permanentes, comprobaciones puntuales, soluciones digitales y análisis de datos.
Sixense ofrece una gama completa de servicios, SHM+, con el objetivo de mantener y prolongar la vida útil de las infraestructuras, y detectar y predecir sus fallos. Sixense supervisa tanto la estructura como su entorno (uso, meteorología, etc.) integrando diversas mediciones, a menudo automáticas, incluso por satélite. La oferta SHM+ comprende varias soluciones, como EverScan, EverSense®, Beyond Monitoring y Beyond Asset. Se divide en tres partes para garantizar la seguridad y longevidad de sus estructuras:
Diagnóstico y diseño: definir los objetivos de la instrumentación y diseñar el sistema de monitorización con :
Supervisión continua: implantación de un sistema de supervisión robusto e inteligente con :
Apoyo a la toma de decisiones: interpretar los datos, evaluar la situación y apoyar el mantenimiento predictivo con :
