Optimizando la Confiabilidad de la Red con Mantenimiento Predictivo
< Volver a Artículos y Estudios de Caso
Por el Ing. Sergio Rataus, Vicepresidente de Desarrollo de Negocios e Innovación, OFIL Systems
Introducción
El sector de Transmisión y Distribución (T&D) enfrenta numerosos desafíos que deben abordarse para garantizar una entrega de energía confiable, eficiente y sostenible. El envejecimiento de la infraestructura, la creciente demanda de energía, la integración de fuentes de energía renovable y la necesidad de mejorar la resiliencia y la confiabilidad de la red son solo algunos de los problemas críticos que requieren soluciones innovadoras. En este contexto, la implementación del mantenimiento predictivo emerge como una herramienta clave para abordar proactivamente estos desafíos.
Red Actual y Futura
Según el informe New Power Systems de DNV, para 2050, la infraestructura de la red global debe crecer 2.5 veces su tamaño actual para satisfacer la duplicación de la demanda de electricidad. La electricidad aumentará del 20% al 37% del uso final de energía global, con la energía eólica y solar generando el 70% de la electricidad. Casi el 90% de la electricidad provendrá de fuentes no fósiles.
La infraestructura de la red global actual es insuficiente para satisfacer esta creciente demanda de electricidad y carece de la capacidad para integrar eficazmente las fuentes de energía renovable. La falta de inversión en la infraestructura de la red también es un problema crítico, con déficits financieros que impiden las actualizaciones y expansiones esenciales. La rápida adopción de vehículos eléctricos aumenta la demanda de electricidad y ejerce una presión adicional sobre la red de T&D.
El envejecimiento de la infraestructura presenta una barrera adicional, lo que exige amplios esfuerzos de modernización y la implementación de planes de mantenimiento predictivo para mantener la salud de los activos operativos, optimizar la eficiencia y lograr la resiliencia y confiabilidad de la red. Es esencial abordar estos desafíos, ya que las desaceleraciones en el desarrollo de nuevos proyectos de red debido a limitaciones de recursos complican los esfuerzos de expansión.
Mantenimiento Predictivo
El mantenimiento se puede clasificar de varias maneras, con una clasificación significativa que distingue cuatro tipos de mantenimiento: mantenimiento reactivo (correctivo), mantenimiento preventivo, mantenimiento predictivo y mantenimiento proactivo.
Los Diferentes Tipos de Mantenimiento
- Mantenimiento Reactivo (Correctivo): Reparación de equipos o sistemas después de que fallan o funcionan mal. Por lo general, no está planificado y puede provocar tiempo de inactividad y mayores costos de reparación.
- Mantenimiento Preventivo: Inspecciones y tareas programadas destinadas a prevenir fallas en los equipos. Implica servicio de rutina, reparaciones y reemplazos para mantener los sistemas funcionando sin problemas y evitar averías.
- Mantenimiento Predictivo (PdM): Uso de datos y análisis para predecir cuándo es probable que fallen los equipos. Implica el monitoreo en tiempo real de las condiciones de los equipos para programar el mantenimiento justo antes de que ocurran los problemas, optimizando los programas de mantenimiento y minimizando el tiempo de inactividad. El PdM, en particular, destaca por su capacidad para detectar las etapas muy tempranas de la degradación del sistema.
- Mantenimiento Proactivo: Uso de datos de PdM para anticipar y abordar posibles problemas antes de que provoquen fallas en los equipos o tiempo de inactividad. Se centra en la mejora continua y el monitoreo de los sistemas para mejorar la confiabilidad y el rendimiento.
Beneficios del Mantenimiento Predictivo
- Mayor vida útil/disponibilidad operativa de los componentes
- Permite acciones correctivas preventivas
- Disminución del tiempo de inactividad de equipos o procesos
- Reducción de costos de repuestos y mano de obra
- Mejora de la calidad del producto
- Mayor seguridad para los trabajadores y el medio ambiente
Requisitos para el Mantenimiento Predictivo
- Inversión en equipos de diagnóstico
- Mayor inversión en la capacitación del personal
- Participación de la gerencia
**Encuestas independientes indican los siguientes ahorros promedio resultantes de la implementación de un programa funcional de mantenimiento predictivo**:
- Retorno de la inversión = 10 veces
- Reducción en los costos de mantenimiento = 25% a 30%
- Eliminación de averías = 70% a 75%
- Reducción del tiempo de inactividad = 35% a 45%
- Aumento de la producción = 20% a 25%
La Curva P-F y el Posicionamiento de la Tecnología UV
)
La curva P-F es un gráfico que visualiza la condición de un activo a lo largo de su vida útil práctica. En la curva P-F, el eje horizontal representa el tiempo de servicio del activo, mientras que el eje vertical indica su condición. Inicialmente, el activo opera a un nivel de condición óptimo. El punto «P» en la curva marca el momento en que aparece por primera vez una «falla potencial» y puede detectarse, mientras que el punto «F» representa la ocurrencia de una falla funcional, donde el activo ya no cumple con los estándares de rendimiento.
Un componente crítico de la curva es el intervalo P-F: el período entre el inicio de la falla potencial y el punto de falla funcional. Este intervalo es crucial para implementar estrategias de mantenimiento que se alineen con los Programas de Gestión de Activos, asegurando que los activos permanezcan en condiciones óptimas durante todo su ciclo de vida.
Diferentes tecnologías, basadas en su sensibilidad y parámetros de detección, se posicionan en varios puntos a lo largo de la curva P-F.
)
Descargas Parciales
En los sistemas de alta y media tensión, los grandes campos eléctricos son inherentemente «lábiles», lo que significa que pueden alterarse fácilmente por factores como la contaminación, grietas, deformaciones, fisuras, conexiones deficientes, defectos de aislamiento y bordes afilados. Cuando la intensidad del campo eléctrico alrededor de un punto excede un umbral crítico de 2.4–3.0 kV/mm, el aire circundante se ioniza. Esta ionización, causada por los intensos campos eléctricos, conduce a descargas parciales (DP) y a la emisión de fotones ultravioleta (UV).
)
Las descargas parciales pueden provocar diversas formas de daño, incluido el envejecimiento prematuro, la degradación de los aisladores, la corrosión de las conexiones metálicas, la erosión, la pérdida de hidrofobicidad, el seguimiento, el daño físico, el arco eléctrico, el flameo y el flameo interno. Se estima que más del 85% de las fallas disruptivas en equipos de alta y media tensión están relacionadas con la DP. Por lo tanto, la detección de DP en una etapa temprana en los activos de la red de transmisión y distribución (T&D) nos sitúa en la posición óptima en la curva P-F.
Las cámaras UV son muy efectivas en este contexto, ya que poseen la sensibilidad para detectar incluso las emisiones mínimas de fotones y proporcionan una precisión de localización precisa, identificando el origen o la fuente de la descarga parcial. En consecuencia, la detección temprana y la localización precisa de las DP mejoran significativamente los esfuerzos de mantenimiento predictivo.
)
Integración de Tecnologías UV, Visible e IR en el Procesamiento de Datos
Para tener una comprensión integral de la salud de la red de activos de T&D, es esencial utilizar una variedad de tecnologías. La tecnología infrarroja (IR), por ejemplo, ayuda a identificar puntos calientes que necesitan atención inmediata, evitando posibles fallas. Las inspecciones visuales ofrecen una visión directa del estado de los equipos, mientras que la tecnología UV respalda el mantenimiento predictivo. Al integrar estas tecnologías, obtenemos una visión holística de la salud de los activos.
)
Sin embargo, esto genera una gran cantidad de datos, incluidas imágenes, videos y otra información. Afortunadamente, la IA puede agilizar este proceso, analizando y procesando la información de manera eficiente para mejorar nuestras capacidades de diagnóstico. El advenimiento del Aprendizaje Automático (ML), la Inteligencia Artificial (IA) y los sistemas de Reconocimiento de Imágenes ha mejorado significativamente nuestra capacidad para gestionar e interpretar las vastas cantidades de datos generados durante las inspecciones con estas tecnologías, lo que respalda la toma de decisiones informadas.
Es importante tener en cuenta que el factor humano sigue siendo esencial en el proceso de aprendizaje de estos sistemas, asegurando que los datos se enriquezcan con experiencia y conocimientos. Aprovechar las experiencias y los estándares establecidos por organizaciones como el Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) y el Electric Power Research Institute (EPRI) se puede implementar de manera efectiva para la mejora continua.
Conclusión
El Mantenimiento Predictivo, particularmente utilizando cámaras UV, juega un papel crucial para abordar los desafíos que enfrenta el sector de T&D. Al detectar los factores de estrés en la etapa más temprana y proporcionar información precisa de la ubicación, las cámaras UV permiten acciones proactivas que previenen el deterioro y prolongan la vida útil de los activos.
La integración de otras tecnologías de diagnóstico, como las cámaras IR y visibles, junto con tecnologías avanzadas de procesamiento de datos, proporciona una información integral sobre la salud de los activos, lo que mejora la confiabilidad, la eficiencia y la sostenibilidad de la red de T&D actual, creando una base sólida para su expansión.
Contacto
