Reducción del Tiempo de Inactividad en un 42% en Sistemas de Refrigeración Críticos Mediante Monitoreo Inteligente de Vibraciones

Sensores de vibración inalámbricos y machine learning revelaron resonancia oculta durante el arranque de compresores, permitiendo mejoras de confiabilidad basadas en datos.

Perfil del Cliente

El cliente es una importante cadena de supermercados de alimentos que opera varios grandes centros logísticos para el procesamiento y distribución de productos.

Este caso de éxito tiene lugar en uno de estos centros, dedicado al almacenamiento y procesamiento de productos frescos y congelados (carne, pescado, frutas y verduras). Todas las instalaciones están completamente refrigeradas e incluyen salas de compresores de refrigeración industrial, esenciales para garantizar la conservación de los productos y la continuidad operativa.

El Desafío

Un sistema crítico de refrigeración industrial requiere un mayor control sobre la condición real de sus compresores.

Los equipos presentaban desgaste constante en componentes críticos, causando paradas de emergencia. La causa raíz no se estaba detectando mediante el monitoreo convencional.

Los objetivos fueron:

• Entender el comportamiento dinámico de la máquina
• Realizar un análisis de causa raíz
• Optimizar la operación mediante análisis avanzado de vibraciones

La Solución

Se implementó un sistema de monitoreo de vibraciones inalámbrico, diseñado para capturar datos relevantes únicamente cuando la máquina está en funcionamiento.

Capacidades del sensor:

• Monitoreo de vibración y temperatura
• Notificaciones de alarma configurables por velocidad
• Visualización de datos en línea
• Recolección simultánea de datos para análisis de modelos

Implementación

Cada compresor fue instrumentado con cuatro sensores PHANTOM® que cubren el motor, el compresor y el separador.

Se registran diariamente cuatro espectros de vibración para cada máquina, proporcionando una visión continua y confiable del comportamiento dinámico.

También se añadió un sistema de medición de velocidad (RPM) (PHANTOM® – ERBESSD INSTRUMENTS®) para complementar los datos de vibración, aunque esto es opcional.

Identificación de Patrones de Comportamiento

Se utilizó un sistema de Machine Learning para detectar modos de vibración.

Es decir, cuando una máquina comienza a comportarse de manera diferente a su patrón habitual, el sistema identifica el cambio y lo clasifica como un nuevo estado operativo.

Detección Temprana

El sistema detectó automáticamente un cambio en el comportamiento que no correspondía a ningún patrón conocido, generando una advertencia temprana antes de que ocurriera una falla mecánica.

Tras analizar el nuevo patrón de vibración (modo), se identificaron frecuencias de resonancia asociadas con la rampa de arranque de cada compresor.

Acciones Tomadas

• Se definieron velocidades de operación basadas en datos sólidos
• Se ajustaron las rampas de arranque para evitar las frecuencias de resonancia
• Se modificaron los criterios de alarma en función de las condiciones normales de operación

Resultados

• Reducción del 42% en el tiempo de inactividad no planificado en 2025 en comparación con 2024
• Tendencias de vibración claramente identificadas
• Alertas en tiempo real ante cambios inesperados
• Comportamiento estable de las máquinas en condiciones normales

Impacto en la Industria

Las empresas que implementan mantenimiento predictivo y monitoreo de condición típicamente logran reducciones promedio del 30-50% en el tiempo de inactividad no planificado.

Conclusión

El sistema pasó de un enfoque reactivo a un mantenimiento predictivo basado en datos.