Aprendiendo a predecir: Modelado de comportamiento en uso
Egoitz Konde
Solución Tecnológica de Mantenimiento
IK4-TEKNIKER
Virginia Giao
Directora de Unidad de Negocio de O&M
IK4-TEKNIKER
INTRODUCCIÓN
El continuo avance de la Industria 4.0 se ha traducido en el desarrollo de máquinas, equipos y componentes conectados e inteligentes, capaces de aportar información para la toma de decisión sobre el mantenimiento.
El desarrollo de componentes/máquinas inteligentes no consiste únicamente en “conectarlos” para recoger señales y datos. (incorporando sistemas de monitorización basados en la condición (CBM) o recogiendo señales propias del componente). Lo que realmente dotará de inteligencia a las máquinas y componentes será la integración de indicadores y algoritmos que permitan aportar información sobre sus condiciones de operación y su estado de salud.
Esta información permitirá a los usuarios avanzar hacia estrategias de Mantenimiento Predictivo, adecuando el mantenimiento de los equipos/máquinas a su condición, detectando anomalías y fallos en fases tempranas e incluso prescribiendo acciones para optimizar la fiabilidad de dichos equipos en servicio.
Además, permitirá contribuirá a la mejora de diseño de los componentes para aumentar su fiabilidad y mantenibilidad. Y también abrirá la vía a un nuevo modelo de negocio para los fabricantes, basado en la prestación de servicios de mantenimiento de sus equipos (servitización) a lo largo de su vida útil.
DEL DATO AL CONOCIMIENTO: PROCEDIMIENTO Y ENFOQUE
El gran avance de las técnicas de análisis y modelado de datos ofrece muchas posibilidades en para el desarrollo de modelos predictivos que alerten de situaciones de fallo. Sin embargo, la realidad es que existe una gran complejidad de crear entornos adecuados para la predicción de fallos.
Por un lado, es necesario desarrollar un proceso de aprendizaje del comportamiento en uso de los equipos y máquinas. Por otro lado, también es necesario desarrollar conocimiento para poder interpretar las señales de los sensores y correlacionarlas con los mecanismos de degradación y fallo de los componentes.
Es por ellos, que desde Tekniker el desarrollo de indicadores y modelos predictivos se aborda desde una perspectiva integral:
- El desarrollo de conocimiento para la interpretación de las señales de los sensores y su correlación con los mecanismos de degradación y fallo de los componentes.
- La generación de información en todo el ciclo de vida del componente-máquina: diseño, fabricación, validación, instalación y explotación-Gemelo digital.
APRENDIENDO A PREDECIR: CORRELACIÓN DE SEÑALES DE LOS CBM CON MECANISMOS DE DEGRADACIÓN Y FALLO
El establecimiento de correlaciones entre las señales de los sensores colocados en bancos de ensayo de Tekniker con los mecanismos de degradación y fallo se ha ido desarrollando con diferentes proyectos. Pudiendo de este modo:
- Definir los protocolos de ensayos acelerados.
- Procedimiento para la recogida y preprocesamiento de señales.
- Metodología para analítica de datos.
- Desarrollo de modelos y algoritmos.
La gestión de los datos y de la información necesaria de los equipos ensayados y monitorizados es esencial para aprender de los equipos y de esta forma ir validando los diferentes algoritmos que se puedan utilizar cuando los equipos funcionen en el ciclo de uso.
De este modo hemos ido aprendiendo que recoger esta información de forma adecuada es importante. En el proyecto i-Tribomat estamos recogiendo de forma centralizada toda la información para facilitar el análisis posterior y la utilización de estos ensayos en futuros proyectos. Con las nuevas capacidades Big Data y de bases de datos permiten un guardado adecuado pudiendo llevar bien la trazabilidad de los equipos o componentes ensayados. Pudiendo así relacionar resultados pasados de ensayos similares tanto en condiciones como en los resultados.
GEMELO DIGITAL A PARTIR DE LOS DATOS EN TODO EL CICLO DE VIDA DE LOS COMPONENTES-MÁQUINAS
El enfoque actual de los fabricantes pasa por tratar de monitorizar los equipos en su ciclo de uso, en las instalaciones de su cliente final, y se enfrenta con las siguientes dificultades: imposibilidad de acceder a los datos de uso (el cliente final no le permite acceder a los datos), interpretación de los datos, imposibilidad de comparar contra una referencia, etc.
Sin embargo, existen muchos datos valiosos que los OEM pueden comenzar a utilizar para desarrollar el conocimiento sobre sus componentes/máquinas: los datos de todo el ciclo de desarrollo del producto: diseño, fabricación y validación.
El comportamiento en uso de los equipos podemos ir modelándolo a través de la información que se recoge en el ciclo de desarrollo del producto. De este modo podemos llegar a estar preparados cuando queremos modelar el comportamiento en uso de los equipos. Al tener la trazabilidad de los equipos desde su fabricación, puesta a punto y operación nos permite comparar comportamientos de equipos similares. Y ayuda en una de las grandes dificultades cuando se empieza en el camino hacia el componente o sistema inteligente: La falta de datos.
Aprovechar el conocimiento será clave para modelar el comportamiento en uso de los equipos. Pero además de los datos del sistema inteligente, si se quiere poder ofrecer valor añadido a través de la servitización, el mantenimiento y el Servicio de Asistencia Técnica pasan a tener una gran importancia. Se debería de hablar ya de un servicio de gestión de activos que debe contar con las herramientas necesarias para agilizar los trabajos de diagnóstico y optimización del mantenimiento. Con gente especializada en el análisis de datos para ir mejorando los diferentes algoritmos que se vayan necesitando para las familias de productos. Incluso serán fuentes de información que ayuden al propio diseño y fabricación de los componentes.
CONCLUSIONES
En el ‘Industry 4.0’ el dato pasa a ser un elemento vital. El conocimiento durante toda la etapa del ciclo de vida del componente va a proporcionar el factor diferencial a la hora del comportamiento en uso de los activos. Las tecnologías son herramientas facilitadoras para trasladar y plasmar el conocimiento existente sobre el dominio. Y que mejor punto de partida que iniciar el viaje hacia los equipos inteligentes que utilizar los datos que se pueden ir recogiendo en las instalaciones del fabricante.
En este artículo se ha tratado de explicar cómo en Tekniker se ha desarrollado una plataforma y metodología que permite ir recogiendo información de diferentes fuentes para poder usarla para aprender. Este aprendizaje ayudará a poder entender la información que nos llegará de los equipos y que tendremos que utilizar con otras fuentes de datos para poder dar servicios de valor añadido.
