Estudios de caso: Iniciativas exitosas de mejora de la confiabilidad en la industria del petróleo y el gas

Por qué las fallas de confiabilidad siguen costando más de lo que deberían

El tiempo de inactividad no planificado no se anuncia. Un compresor se dispara a las 02:00. Una ESP muere a mitad de ciclo. Un conector submarino comienza a fugar en medio de una ventana meteorológica. Cada uno de esos eventos arrastra un tren de costos: producción diferida, logística de emergencia, exposición a HSE y la agitación interna del mantenimiento correctivo de urgencia. Y el patrón se repite: en casi todos los casos, alguien tenía datos que mostraban que la falla se avecinaba. Nadie actuó a tiempo. Los estudios de caso a continuación tratan sobre lo que sucede cuando los operadores cambian deliberadamente del mantenimiento reactivo a estrategias predictivas y optimizadas, y cómo se ven las cifras al otro lado.

Estándares y contexto regulatorio

Antes de entrar en los estudios de caso, ancle el trabajo en los marcos que rigen la práctica de confiabilidad:

• API 610 cubre las bombas centrífugas para las industrias del petróleo, la petroquímica y el gas natural: la base para la selección, instalación y aceptación del rendimiento de las bombas.
• API 670 rige los sistemas de protección de maquinaria, estableciendo requisitos para el monitoreo de vibración, posición y temperatura que sustentan cualquier programa predictivo. IEC 61511 aborda la seguridad funcional para los sistemas instrumentados de seguridad en la industria de procesos, relevante donde las mejoras de confiabilidad afectan el diseño, las pruebas o los intervalos de prueba de comprobación de las funciones instrumentadas de seguridad (SIFs) y sus objetivos de Nivel de Integridad de Seguridad (SIL).
• ISA-TR84.00.02 proporciona orientación sobre la aplicación de IEC 61511, incluidos los enfoques basados en el riesgo para el mantenimiento y las pruebas de comprobación.

Ejecutar un programa de confiabilidad fuera de estos marcos conlleva el riesgo de abrir brechas de cumplimiento incluso mientras se cierran las tasas de fallas mecánicas. Cualquier cambio en los intervalos de mantenimiento en una función instrumentada de seguridad debe verificarse frente al objetivo de Nivel de Integridad de Seguridad aplicable y documentarse. Sin excepciones.

Estudio de caso 1 — Mantenimiento predictivo a escala: Refinerías de YPF

YPF, la empresa de petróleo y gas más grande de Argentina, implementó Aspen Mtell en sus operaciones de refinería. El objetivo era sencillo: elevar la eficiencia de la producción y respaldar un impulso estratégico para convertirse en exportador de petróleo crudo y GNL. El problema que estaban resolviendo es uno que toda flota de refinerías envejecida conoce. Los cronogramas de mantenimiento basados en el tiempo son genéricos. Producen un exceso de mantenimiento por un lado (intervenciones innecesarias que introducen riesgos de mortalidad infantil) y falta de mantenimiento por el otro (degradación que pasa desapercibida entre las visitas programadas).

Los agentes de aprendizaje automático de Mtell fueron entrenados con datos del historiador para detectar anomalías en etapas tempranas en equipos rotativos y estáticos. El cambio real fue procedimental, no técnico: las órdenes de trabajo basadas en el calendario dieron paso a órdenes de trabajo activadas por la condición. Las alertas se disparan cuando el comportamiento del activo se desvía de los patrones normales aprendidos, no cuando llega una fecha del calendario.

Aquí está la parte práctica para los líderes de mantenimiento. El valor que se obtiene de un sistema como este es proporcional a la calidad de los datos de entrenamiento y al rigor del flujo de trabajo de alerta a orden de trabajo. Implemente el software sin una ruta de escalada definida (quién recibe la alerta, qué está autorizado a hacer, en qué plazo) y obtendrá fatiga por alertas en lugar de una mejora de la confiabilidad.

Estudio de caso 2 — Confiabilidad de conectores submarinos: Plataforma del Mar del Norte

Una plataforma petrolera del Mar del Norte llevó a cabo una iniciativa de confiabilidad estructurada de cinco años contra las fallas de los conectores submarinos. Resultado: una reducción del 73% en las fallas de conectores durante el programa. Eso importa porque las fallas de los conectores son desproporcionadamente costosas costa afuera: intervención de ROV o extracción del riser, ambos rehenes de la ventana meteorológica, ambos con un alto costo.

Tres elementos hicieron el trabajo:

1. Análisis de causa raíz sobre fallas históricas: revisión sistemática de los registros de fallas para distinguir las fallas inducidas por la instalación de la degradación en servicio y la incompatibilidad de materiales.
2. Estandarización de materiales y diseño: transición a un conjunto reducido de tipos de conectores calificados con procedimientos de instalación documentados y requisitos de verificación de torque.
3. Optimización del intervalo de inspección: uso del historial de fallas para establecer frecuencias de inspección basadas en el riesgo en lugar de aplicar un intervalo uniforme en todas las poblaciones de conectores.

Vale la pena detenerse en la cifra del 73%. No reemplazaron la infraestructura submarina. La ganancia provino de la disciplina del proceso y la estandarización de materiales, no del gasto de capital.

Conclusión para adquisiciones: la calificación del conector no se detiene en una revisión de la hoja de datos. Presencie las pruebas de los procedimientos de instalación: verificación del torque de apriete, pruebas de presión según el estándar de equipo submarino aplicable. Ese es un requisito previo para una confiabilidad sostenida.

Case Study 3 — Quantified Risk and Availability Modelling: Supermajor QRO Pilot

Un productor importante que opera una instalación que procesa 1.5 millones de barriles por día construyó un modelo de Confiabilidad y Operatividad Cuantificada (QRO). Este predijo una disponibilidad del 94.22% y cuantificó el riesgo HSE para escenarios de degradación específicos. El piloto modeló modos de falla por adelgazamiento y vibración, de modo que el equipo pudo simular las consecuencias de costo y riesgo de diferentes estrategias de mantenimiento antes de comprometerse con una.

Ese es el valor: convierte las decisiones cualitativas de mantenimiento en comparaciones cuantificables. Un responsable de mantenimiento puede presentarse con dos estrategias —inspeccionar en el intervalo actual frente a extender el intervalo con monitoreo en línea adicional— cada una con predicciones de disponibilidad y perfiles de riesgo adjuntos. Se acabó el discutir basándose solo en la experiencia. Este es el tipo de análisis al que apunta la ISA-TR84.00.02 al revisar los intervalos de prueba de diagnóstico para funciones instrumentadas de seguridad.

El modelo QRO también reveló algo útil: algunas actividades de mantenimiento de alto costo no estaban mejorando mucho la disponibilidad, mientras que ciertas inversiones en monitoreo de menor costo tenían un beneficio desproporcionado. El equipo reasignó el gasto de mantenimiento hacia el trabajo de mayor impacto.

Case Study 4 — AI-Driven PM Optimisation: Upstream Operator

Un operador aguas arriba implementó un Agente de Optimización de Mantenimiento basado en IA en sus activos de producción. Identificó más de $650,000 en ahorros de costos de mantenimiento correctivo y preventivo. El problema que abordó es uno que la mayoría de los operadores reconocerán: las listas de tareas de PM se escriben durante la puesta en marcha —recomendaciones del OEM más juicio de ingeniería— y luego nadie las revisa. Años después, están desfasadas con respecto a las condiciones operativas reales, la edad del activo y el historial de fallas.

El agente analizó el historial de órdenes de trabajo, los registros de fallas y el contexto operativo. El resultado fueron tareas sobreespecificadas para el riesgo de falla real y tareas subespecificadas en relación con los patrones de falla observados. La estrategia de PM revisada vinculó las frecuencias y alcances de las tareas a la evidencia en lugar de a la convención.

Conclusión práctica para los responsables de mantenimiento: este tipo de ejercicio funciona con datos de órdenes de trabajo limpios y consistentes. Si sus códigos de falla son genéricos, los campos de componentes están en blanco o el trabajo correctivo se registra en el activo incorrecto, cualquier herramienta analítica aplicada a esos datos devolverá proporcionalmente menos valor.

Case Study 5 — ESP Reliability and Lift Optimisation: Gulf of Mexico

Una empresa independiente de E&P de EE. UU. que cotiza en bolsa y opera en el Golfo de México desplegó un sistema autónomo de optimización de levantamiento dirigido al rendimiento de bombas electrosumergibles (ESP). El programa redujo los reinicios de ESP en un 61% y recuperó $7.99 millones en producción diferida anual.

Por qué importan los reinicios: cada uno estresa el conjunto del motor y el sello, acortando la vida útil, y cada uno significa un periodo de producción diferida. El sistema autónomo ajustó continuamente los parámetros de levantamiento para mantener las ESP dentro de envolventes estables, por lo que los disparos causados por operar fuera de las condiciones de diseño se volvieron menos frecuentes.

Ese modo de falla —disparos de ESP por parámetros operativos subóptimos en lugar de desgaste mecánico— requiere datos de producción integrados con el sistema de control. El monitoreo de vibraciones por sí solo no lo detectará. Los modos de falla mecánica (desgaste de rodamientos, degradación de sellos) siguen siendo detectables mediante el monitoreo de vibraciones y temperatura y deben permanecer en el programa. Pero también se necesitan datos de producción (caudales, presiones, temperaturas) integrados en el sistema de control para identificar y corregir la deriva antes de que ocurra un disparo.

Comparison of Approaches

Lista de verificación práctica: Lanzamiento de una iniciativa de mejora de la confiabilidad

Antes de comprometer presupuesto y recursos, trabaje en lo siguiente:

• Auditoría de calidad de datos — ¿Están las órdenes de trabajo codificadas de manera consistente? ¿Se capturan los modos de falla a nivel de componente? Una herramienta analítica es tan buena como sus datos de entrada.
• Inventario de modos de falla — ¿Ha identificado a los principales contribuyentes al tiempo de inactividad no planificado por frecuencia y consecuencia? Un RCA sobre los últimos 3 años de órdenes de trabajo correctivas es el punto de partida mínimo.
• Alineación con estándares — ¿Afecta el cambio propuesto en los intervalos de mantenimiento a alguna función instrumentada de seguridad? Si es así, revise frente a los objetivos SIL de IEC 61511 antes de la implementación.
• Flujo de trabajo de alerta a acción — Para cualquier sistema de monitoreo predictivo, defina: quién recibe la alerta, qué nivel de autoridad tienen para actuar y cuál es la ruta de escalamiento si no se toma ninguna acción dentro de la ventana definida.
• Documentación base — Registre la disponibilidad actual, el MTBF y el costo de mantenimiento por clase de activo antes de que comience el programa. Sin una línea base, no se puede demostrar la mejora.
• Procedimientos de aislamiento y seguridad — Cualquier inspección o intervención en equipos que contengan hidrocarburos debe seguir un procedimiento de aislamiento por escrito que cubra: aislamiento confirmado, despresurización, verificación de energía cero, aplicación de LOTO, detección de gases en área clasificada y venteo seguro a un punto aprobado. Este requisito no cambia porque el programa de mantenimiento se haya vuelto más predictivo.
• Alineación de adquisiciones — La estandarización de materiales (como se demostró en el caso del Mar del Norte) requiere que adquisiciones haga cumplir la lista de materiales calificados. Una mejora de la confiabilidad que permita la sustitución en el punto de compra se erosionará con el tiempo.

Conclusión y próximos pasos

Cinco casos, diferentes tipos de activos, diferentes geografías, diferentes modos de falla — la misma estructura subyacente: un problema claramente definido, un método adaptado al mecanismo de falla, un resultado medible. Ninguno de ellos necesitó una revisión completa de la infraestructura.

El siguiente paso para cualquier operador es elegir una clase de activo — la que genere el mayor costo de mantenimiento correctivo o la mayor producción diferida — y realizar un RCA estructurado sobre los registros de fallas de los últimos 2 a 3 años. Ese análisis le dirá si la solución es el monitoreo predictivo, la optimización del PM, la estandarización de materiales o el control de parámetros operativos. Compre la tecnología antes de haber realizado ese diagnóstico y terminará con licencias de software que no reducen el tiempo de inactividad.

La mejora de la confiabilidad es una disciplina de ingeniería, no una categoría de producto. Las herramientas en estos estudios de caso son facilitadores. El trabajo está en el análisis, el diseño del flujo de trabajo y la ejecución sostenida.