Ciclo Industria 4.0 – Gestión predictiva de equipamiento médico: Desde el concepto al servicio de datos

Ciclo Industria 4.0 – Gestión predictiva de equipamiento médico: Desde el concepto al servicio de datos

Se realizó el martes 4 de octubre un nuevo encuentro de este ciclo organizado por la Comisión de Ingeniería Industrial y de la Empresa, del DT del CAI. Con la moderación del Ing. Pablo Olivera, Departamento Técnico CAI, Comisión de Ingeniería Industrial y de la Empresa;  y las presentaciones de los Ing. Sergio D’Ippolito, CTO (Chief Technology Officer) en Blockinar y Gastón Furlan, responsable de Postventa/Servicio Técnico, se llevó a cabo el webinar.

En el inicio, el Ing. Furlan  contó que la Empresa Felsan “se dedica a la importación, fraccionamiento, elaboración y comercialización de reactivos de diagnóstico y representa a distintas fábricas de equipamiento como analizadores de hemostasia, de hemoglobina y dispositivos médicos”. Expuso los beneficios de gestionar activos en esta modalidad enfocados a la medicina predictiva con equipamiento médico usado en técnicas de diagnóstico, y facilitan el mantenimiento de esos equipos prediciendo el comportamiento de esta aparatología para prevenir y predecir alguna falla. “Esta técnica es muy utilizada en servicios de hemoterapia en medicina transfusional, y evitar errores a la hora del diagnóstico”.

El ing. D’Ippolito, luego, explicó el funcionamiento de las soluciones de Blockinar, que se trata de un socio tecnológico que gestiona los activos físicos de la conectividad, monitoreo y visualización del software y la posibilidad de evitar hackeos a través de sus diferentes hardware de IA.

“Es decir, se trata de una plataforma de Asset Centric que nos permite monitorear en tiempo real el funcionamiento de la maquinara hospitalaria y concentrar en una sola aplicación toda la información compartida con el prestador. Para eso utilizamos sistemas de Datagen, Gateway IoT y Smart Asset.  Por ejemplo, web service para integrar el hardware y software de terceros. Para eso nos basamos en el modelo de arquitectura para agregarle funciones y que el usuario se concentre en su tarea y no en el funcionamiento del equipo, para los cuál nos manejamos con Machine Learning. Para ese trabajo nos basamos en métricas de análisis de vibraciones, debido a que la mayoría de las maquinarias producen una centrifugación de diferente potencia”. D’Ippolito fue especificando diferentes detalles técnicos producidos por los diferentes efectos de la aceleración de los productos y del factor de cresta, y sus comportamientos en forma remota; para así, monitorear los parámetros de la frecuencia y sus picos, en una gestión denominada Power Spectral Density (PSD), donde la energía se manifiesta en mayor o menor medida. También como compartir la curva producida por esta, y enviarlo en tiempo real, ya que en algunos casos “sirve para detectar fallas de RPM”. Otra de las cuestiones que monitorean es la cantidad de energía producida por eje, en dos aceleraciones producidas en simultáneo, llamada PSD acumulativo por eje, y corregir el comportamiento a través de Machine Learning.

Cerca del final, fue el turno de las preguntas de los asistentes, y en una de ellas la cuestión fue la base de apoyo de la maquinaría que varía de acuerdo a donde se la ubique físicamente en un laboratorio, por ejemplo. También, hubo inquietudes respecto a cómo influye al proceso, el tipo de intensidad de luz a la que está expuesto el equipo y que pasa con la temperatura en el ambiente del laboratorio.

Temas relacionados:

ciclo industria 4.0 Comisión de Ingeniería Industrial y de la Empresa Gestión predictiva de equipamiento médico