Çolakoğlu Metalurji, uno de los principales fabricantes de acero de Turquía, lleva impulsando la excelencia operativa y la transformación digital en toda su planta de fundición desde que inició sus operaciones en 1960. La empresa depende de dos grúas críticas en la planta de fundición que funcionan de manera intermitente, lo que dificulta la predicción de averías y supone un riesgo de pérdidas de la producción. Para mejorar la confiabilidad, la empresa adoptó AVEVA™ Predictive Analytics, integrando datos de SCADA y de sensores para un monitoreo en tiempo real basado en eventos. Este enfoque eliminó las averías imprevistas en las ruedas de las grúas y evitó una pérdida de producción de acero de casi 350 toneladas.
Desafíos
Falta de visibilidad de los parámetros de las grúas y de predicción de anomalías
El funcionamiento discontinuo de las grúas hacía que el monitoreo tradicional resultara ineficaz
Alto riesgo de interrupción operativa y pérdida de producción
Resultados
Se eliminaron las averías inesperadas en las ruedas de las grúas, reduciéndolas prácticamente a cero con el tiempo
350 toneladas
de pérdida de producción de acero evitada, aproximadamente
Se optimizaron las intervenciones de mantenimiento basándose en el estado real de los activos
Se mejoraron la seguridad y la continuidad operativas
Çolakoğlu Metalurji, uno de los principales fabricantes de acero de Turquía, inició sus operaciones en 1960 y ahora se centra en impulsar la eficiencia y la productividad a través de la digitalización. Su proceso de producción utiliza hornos eléctricos y de cuchara para fundir el acero, seguido de máquinas de colada de planchas y palanquillas para darle forma. El producto final (planchas de acero) se envía directamente a los clientes o se procesa posteriormente in situ para fabricar bobinas y barras de refuerzo.
Las averías imprevistas de las grúas provocaban pérdidas de producción
En el centro de estas operaciones hay dos grúas del taller de fundición, cada una con una capacidad de 500 toneladas. Estas grúas son esenciales para mantener una producción sin interrupciones. Cualquier fallo puede provocar interrupciones operativas, complicaciones o la necesidad de desviar el material fundido, lo que provocaría importantes pérdidas de producción. Por lo tanto, la identificación proactiva de los problemas era fundamental.
Çolakoğlu opera grúas críticas en condiciones irregulares y no programadas, lo que dificulta la predicción de las averías. Para hacer frente a este reto y evitar paradas imprevistas y pérdidas de producción, la empresa se asoció con AVEVA para implementar un mantenimiento predictivo adaptado a operaciones intermitentes
"Identificar los problemas antes de que se produzcan y resolverlos de forma planificada es crucial para aumentar el tiempo de funcionamiento de la planta de fundición".
—Özgür Özsoy, Director de Planta, Çolakoğlu Metalurji
AVEVA Predictive Analytics implemented to cranes
Las operaciones intermitentes de las grúas requerían un monitoreo más inteligente
A diferencia de los equipos que funcionan de forma continua, las grúas de la planta de fundición operan de manera intermitente, lo que hace que los enfoques de monitoreo convencionales resulten ineficaces. Las averías solían producirse sin previo aviso, deteniendo la producción y provocando costosas reparaciones de emergencia. Cada avería suponía horas perdidas, un aumento de los costes y mayores riesgos de seguridad para los operadores y el personal de mantenimiento.
Había mucho en juego. Una sola avería en una grúa podía interrumpir todo el flujo de materiales, afectando al rendimiento y a los plazos de entrega. El funcionamiento de grúas críticas en un entorno no continuo y sin horarios fijos creaba una importante falta de visibilidad. Sin un monitoreo en tiempo real, los problemas menores podían agravarse hasta convertirse en averías graves, aumentando los riesgos operativos y el tiempo de inactividad.
Se trataba de un reto único, ya que AVEVA Predictive Analytics se aplica tradicionalmente a sistemas de producción continua 24/7, como ventiladores, bombas o compresores. Pero en este caso, era necesario implementar el análisis en grúas con operaciones no continuas y, a menudo, no programadas. Çolakoğlu necesitaba un enfoque inteligente que pudiera adaptarse a operaciones intermitentes y ofrecer información útil antes de que se produjeran las averías.
Solución
Implementó el AVEVA Predictive Analytics existente integrado con sensores SCADA e IoT para permitir la detección de anomalías guiada por eventos y el mantenimiento proactivo para operaciones de grúas no continuas.
Datos precisos para un monitoreo predictivo confiable
Para hacer frente a estos retos, Çolakoğlu implementó AVEVA Predictive Analytics en las operaciones de las grúas, integrándolo a la perfección con SCADA, lo que garantizó datos precisos y de alta calidad para obtener predicciones confiables. Se instalaron sensores de comunicación inalámbrica en los sistemas de monitorización de estado en línea de las grúas de colada y de losas, lo que permitió la captura de datos en tiempo real.
El despliegue comenzó con un análisis detallado de las operaciones de la grúa y los patrones históricos de fallos. El equipo de AVEVA colaboró estrechamente con los ingenieros de Çolakoğlu para definir los parámetros críticos, configurar los activadores basados en eventos y entrenar los modelos predictivos. Gracias al entorno sin código de AVEVA, la configuración se completó rápidamente sin sobrecargar a los equipos internos de TI o científicos de datos.
Un diseño de modelo modular dividió cada grúa en seis componentes principales para una evaluación específica: dos motores eléctricos y cuatro componentes del puente. Se monitorizaron los motores eléctricos en busca de parámetros críticos como la velocidad del motor, la temperatura y las vibraciones de los cojinetes (velocidad, aceleración y coeficiente de defecto), mientras que se analizaron las ruedas del puente en cuanto a temperatura y estado para detectar sobrecalentamientos y predecir posibles fallos.
En lugar de basarse en umbrales estáticos, el sistema empleó algoritmos avanzados como el hashing sensible a la localidad (LSH) para agrupar los datos de entrenamiento y señalar las desviaciones en tiempo real respecto a los patrones de funcionamiento normales. Además, la métrica del residuo global del modelo (OMR) cuantificó las diferencias entre los valores previstos y los datos reales de los sensores, lo que permitió una detección precisa de anomalías. Para adaptarse a la naturaleza irregular y de corta duración de las operaciones de las grúas, se introdujo una estrategia de evaluación basada en eventos: cada evento consistía en cinco puntos de datos consecutivos, lo que activaba una alarma si tres de los cinco presentaban anomalías, minimizando así los falsos positivos.
Esta arquitectura garantizaba que los datos se capturaran solo cuando las grúas estaban en funcionamiento, reduciendo el ruido y centrándose en los eventos operativos relevantes. Los modelos predictivos entrenados con datos históricos y en tiempo real permitieron la detección temprana de anomalías, lo que posibilitó que los equipos de mantenimiento actuaran antes de que los problemas se agravaran.
"AVEVA Predictive Analytics predijo los fallos con éxito".
–Özgür Özsoy, Director de Planta, Çolakoğlu Metalurji
Eliminación de fallos inesperados en las grúas
La implementación de AVEVA Predictive Analytics arrojó resultados notables. Los fallos inesperados en las ruedas de las grúas se eliminaron por completo, reduciendo a cero el número de averías no planificadas. Al proporcionar información oportuna y útil, el sistema ayudó a Çolakoğlu Metalurji a evitar una pérdida de producción de acero de casi 350 toneladas (348,1 toneladas).
La capacidad predictiva quedó demostrada en un caso concreto: el sistema detectó un aumento de los valores del OMR en el puente, lo que activó una alarma. Los ingenieros localizaron el origen de la anomalía en dos fuentes de temperatura de las ruedas que estaban provocando el aumento del OMR. Un estudio de previsión pronosticó un riesgo moderado para otra rueda, estimando una avería en un plazo aproximado de 15 días. Se programó el mantenimiento y se sustituyó la rueda durante el tiempo de inactividad planificado. Tras el desmontaje, se detectaron daños por desprendimiento en el anillo interior del cojinete, lo que confirmó la precisión de la predicción del sistema de AVEVA.
Más allá del éxito técnico, el proyecto superó la resistencia inicial al cambio y garantizó que los equipos de mantenimiento adoptaran la información predictiva para tomar decisiones proactivas. Al impulsar la eficiencia y la sostenibilidad a través de la digitalización, Çolakoğlu Metalurji A.Ş. lidera ahora el mantenimiento predictivo, incluso en entornos operativos difíciles y no continuos.
"Se evitó una pérdida de producción de acero de casi 350 toneladas".
—Özgür Özsoy, Director de Planta, Çolakoğlu Metalurji
Wheel failure records of a crane over the years
Más mantenimiento predictivo planificado
Basándose en este éxito, Çolakoğlu Metalurji planea ampliar el mantenimiento predictivo a otros activos críticos, incluidos los trenes de laminación y los sistemas transportadores, para lograr confiabilidad en toda la planta. La empresa también está explorando las herramientas de Advanced Analytics de AVEVA y optimización impulsada por IA para desbloquear conocimientos más profundos, optimizar los programas de producción y mejorar aún más el rendimiento operativo. Al continuar su camino de transformación digital, Çolakoğlu se posiciona como líder del sector en eficiencia, seguridad y sostenibilidad.
"Queremos ser el motor de la digitalización en la industria siderúrgica".
—Özgür Özsoy, Director de Planta, Çolakoğlu Metalurji
Aspectos destacados del producto
AVEVA Predictive Analytics
Antes conocido como PRiSM Predictive Asset Analytics
Elimine los tiempos de inactividad imprevistos y reduzca los costos de mantenimiento con información precisa sobre el estado de los activos, mejorando así la eficiencia operativa y la resiliencia
Historias de éxito relacionadas
Manténgase informado: obtenga actualizaciones de los últimos acontecimientos en el sector.
