Aplicación de la Inteligencia Artificial al cálculo del estado de salud de equipos y sistemas y pronóstico de vida útil mediante sistemas APM

David López 27 de septiembre de 2022

0

0

0

0

6 min. de lectura

David López
Director de Operaciones Integradas
SISTEPLANT

INTRODUCCIÓN

La función de Mantenimiento está evolucionando al ritmo de la transformación tecnológica protagonizada por la digitalización y la automatización. Pasamos de una función reactiva y preventiva, protagonizada por unas personas (técnicos) que tienen las “manos manchadas de grasa”, a una función proactiva, predictiva y prescriptiva, en la cual el uso de la inteligencia humana asistida por la inteligencia artificial permite anticipar fallos y prescribir soluciones para que dichos fallos no se materialicen.

En el sector del transporte y de la logística esta nueva concepción del mantenimiento conlleva beneficios claros:

• Aumento de la disponibilidad de las flotas, por el incremento de la fiabilidad de los equipos.
• Incremento de la vida útil de los activos y, por tanto, reducción de las necesidades de nuevas inversiones.
• Generación de conocimiento profundo sobre los fallos funcionales y sus causas.

Lo anterior sólo puede lograrse mediante la utilización de tecnología inteligente: la plataforma APM (Assets Performance Management) es una aplicación específica para la monitorización del estado de salud de los activos, basada en modelos de aprendizaje automático (Machine Learning) y con capacidad de integración con sistemas CMMS (Computerized Maintenance Management Systems).

En las siguientes líneas se describirá cómo funciona en la práctica una plataforma APM y el valor que aporta su explotación.

ASSETS PERFORMANCE MANAGEMENT (APM)

La plataforma APM constituye un gran cerebro central que recoge, almacena, procesa y analiza de forma masiva los datos de la operación de una flota de activos y de los equipos críticos de éstos, en tiempo real, convirtiendo los datos recogidos en información concreta: el estado de salud de cada activo y de cada equipo, así como su probabilidad de fallo en un intervalo de tiempo determinado.

Afortunadamente, hoy las máquinas “hablan”, nos transmiten cómo se encuentran por medio de variables medibles. Si no ellas directamente, dispositivos específicos (Internet of Things: Internet de las Cosas) les ayudan a expresarse. Pero no solo las máquinas: todos aquellos elementos que constituyen el contexto operacional en el cual el activo desempeña su función emiten mensajes en forma de datos que la plataforma APM recibe e interpreta mediante sus algoritmos.

La modelización de los fenómenos físicos asociados a fallos se realiza a través del aprendizaje: el sistema analiza el comportamiento de las señales (series temporales, modelos de regresión …) y aprende (machine learning) para generar el modelo que mejor se adapte a la realidad. Resulta eficaz, rápido y muy fiable para sucesos cíclicos o repetitivos (por ejemplo para el pronóstico de vida útil en elementos de desgaste), si bien requiere de un tiempo grande de observación para casos de baja ocurrencia.

La determinación del estado de salud se basa en dos fuentes principales de información:

1. La monitorización en tiempo real de las variables críticas del contexto operacional:

2. El cálculo en tiempo real de la probabilidad de fallo por la estimación del punto de ubicación de cada activo/equipo en la curva de la bañera, utilizando el histórico de fallos y modelos estadísticos (Weibull).

El estado de salud será óptimo cuando la probabilidad de fallo del sistema esté dentro de los límites admisibles (a determinar en cada caso) y cuando las variables asociadas a fallos se encuentren asimismo dentro del rango de control.

El estado de salud se mide por medio de un indicador adimensional, en una escala de 0 a 100, el cual permite configurar alarmas que se disparan en el caso de que el indicador de estado de salud se desvíe respecto de su rango objetivo (véase Figura 5).

Una adecuada modelización y la aplicación del motor de aprendizaje automático de la plataforma permiten relacionar variables medidas con fallos funcionales y modos de fallo específicos, así como con sus potenciales soluciones, de manera que la plataforma pueda asistir con información dirigida y de forma inteligente a los ingenieros y técnicos para la resolución de las incidencias, siempre con anticipación a la ocurrencia del suceso. La asistencia no termina aquí: alcanza su funcionalidad más elevada y potente cuando la propia plataforma, integrada con los sistemas de control de los activos, puede actuar sobre ellos, regulando los parámetros de control para revertir una situación de riesgo (regulación automática).

Además de la monitorización en tiempo real del estado de salud del activo, sus sistemas y equipos, la plataforma APM permite el tratamiento masivo de datos históricos (data analytics) para que el usuario analice en profundidad el comportamiento de cualquier variable y su relación con el resto de variables (análisis multivariable).

Los resultados se muestran en un formato gráfico configurable por el propio usuario, de manera que éste puede construir cuadros de mando personalizados a distintos niveles, permitiendo la navegación desde un nivel alto de agregación (flota, región…) hasta la visualización de una señal concreta (temperatura del motor, por ejemplo).

Por otra parte, la plataforma APM permite la integración con los sistemas CMMS (Computerized Maintenance Management System) para planificar y ejecutar de manera eficaz y eficiente las intervenciones necesarias antes de la ocurrencia del fallo. Una vez identificado un riesgo de fallo no asumible, la plataforma APM desencadena dos vías de intervención:

1. Si es viable, regulación automática de parámetros de control para restablecer condiciones estándares de funcionamiento (minimización de riesgo de fallo).
2. En caso de no restablecimiento de dichas condiciones estándares, envío automático de una solicitud de trabajo al sistema CMMS, aportando toda la información relevante para la intervención: activo/equipo en riesgo de fallo, probabilidad de fallo en varios intervalos temporales, variables fuera de control, potenciales fallos y soluciones.
   

Recibida la información en el CMMS, la solicitud de trabajo se convierte en orden de trabajo y se planifica la intervención antes de que el fallo suceda, considerando las probabilidades de fallo en distintos horizontes temporales que ha suministrado la plataforma APM. Fruto de la intervención, el registro DCA (Defecto – Causa – Acción) asociado a la orden de trabajo, activo y equipo, se alimenta a la plataforma APM para su aprendizaje y actualización de históricos.

CONCLUSIONES

La evolución hacia un modelo de mantenimiento predictivo y prescriptivo pasa en la actualidad por la aplicación de nuevas tecnologías, como la Inteligencia Artificial. La modelización matemática de fenómenos asociados a los fallos funcionales de los activos mediante herramientas de Machine Learning (rama de la Inteligencia Artificial), la monitorización en tiempo real de las variables críticas relacionadas con dichos fallos y el cálculo de su probabilidad de fallo, constituyen el propósito principal de la plataforma APM (Assets Performance Management) de monitorización y pronóstico de la salud de los activos.

Dicha plataforma dispone además de capacidad de regulación automática para reconducir a condiciones normales aquellas variables fuera del rango admisible de control.

Por otra parte, la integración de la plataforma APM con los sistemas CMMS (Computerized Maintenance Management System) permite, no solo pronosticar un fallo mediante la monitorización de las variables del contexto operacional asociadas a éste y el cálculo de la probabilidad estadística de fallo, sino también generar un circuito efectivo de resolución de la alarma, generando automáticamente la solicitud de orden de trabajo, listando probables causas de fallo y potenciales soluciones, así como recogiendo digitalmente todo el conocimiento generado en el proceso de intervención.