Datos, mantenimiento e hidrógeno. El futuro de las hidrogeneras
Sergi Contelles Rodríguez
Miembro de la Mesa H2 de ISA Sección Española
Eduardo Herraiz Guerrero
Miembro de la Mesa H2 de ISA Sección Española
MANTENIMIENTO PREDICTIVO EN HIDROGENERAS
España ambiciona alcanzar para 2030 el despliegue de más de 150 hidrogeneras públicas [1] para repostaje de vehículos ligeros y pesados en el territorio. El despliegue de una red de hidrogeneras, tiene el potencial de crear una demanda permanente de hidrogeno local, junto a una potenciación de vehículos sostenibles especialmente en el sector del transporte pesado y el transporte colectivo urbano. Este despliegue de infraestructura energética deberá garantizar para su éxito la reducción de emisiones de CO2, junto a precios razonables y seguridad en el suministro del combustible para poder competir con la presente infraestructura energética de gasolineras [2].
La idea de crear un nuevo sistema energético basado en estaciones de repostaje de hidrógeno no es nueva. Concretamente existen por lo menos dos intentos previos, la experiencia californiana y la experiencia surcoreana. Ambas iniciativas se sitúan en territorios con tamaños poblacionales similares (alrededor de los 40-50 millones de personas), climas parecidos (climas templados), rentas elevadas (países desarrollados) y superficies semejantes en el caso de california (400.000 km2).
Los dos países aquejan de un problema común a la hora de implantar una red fiable de hidrogeneras, un mantenimiento caótico e ineficiente. El problema empieza a ser conocido, fallos y falta de mantenimiento en las unidades de compresión del hidrógeno [3], [4]. Este problema lastra las infraestructuras, creando hidrogeneras paradas, aumento de precios y escasez general del combustible. Consecuentemente, quejas de usuarios, incertidumbre y abandono de inversiones previstas en hidrogeneras por parte de multinacionales [5] se amontonan, justo en el delicado momento donde la tecnología está naciendo. A pesar de ello, y entre las soluciones más prometedoras para abordar el problema aparece la automatización, más concretamente el mantenimiento predictivo [6].
Cualquier máquina, instalación o proceso de producción generan un flujo continuo de datos. Muchos de ellos solo se emplean “in situ” para lecturas de estados. Otros están ahí, pero no se recopilan o no se hace uso de ellos. El poder contar con un correcto análisis de datos proporciona un valor añadido para aplicaciones como el mantenimiento predictivo basado en condiciones. En pocas palabras, el sistema, automáticamente, es capaz de informar cuándo es probable que se produzca un desgaste crítico o cuándo es probable que se necesite una pieza de repuesto. Esto consigue aumentar la disponibilidad de dicho sistema y reduce los costos de mantenimiento. Casi como efecto secundario, el análisis de datos a menudo también conduce a descubrimientos no previstos inicialmente [7].
Este último punto es de suma importancia cuándo hablamos de sectores emergentes, tal y como la producción de hidrógeno verde mediante electrolizadores, sencillamente porque no se tiene la experiencia ni el histórico necesario, pues hasta ahora no se han empleado estos sistemas en producciones industriales.
La curva del coste total de un mantenimiento es tal que se maximiza cuando se hace un mantenimiento preventivo (actuar antes del fallo) o reactivo (cuándo se ha producido el fallo). Por el contrario, se minimiza cuando se realiza en un punto intermedio, para lo que se hace necesario un mantenimiento predictivo.
Fig. 1. Curva de costes según tipo de mantenimiento
Hay varios modelos matemáticos que permiten la modelización de un sistema, y diversas herramientas de análisis de datos que incluyen IA que proporcionan el autoaprendizaje de dicho sistema con la finalidad de detectar anomalías de comportamiento [8]. En la actualidad hay diversas empresas que facilitan su implementación sin tener que contar con programadores o científicos de datos en las propias plantillas de los usuarios y/o propietarios. A su vez, se pueden monitorizar datos tales como los relacionados con temperaturas, consumos, consumos energéticos, vibraciones, corrientes, etc.
Fig. 2. Diferentes modelos de predicti vos. En la imagen: Rule Based Monitoring vs Model-Based Aproach
En cualquier caso, el primer paso es el de definir qué datos serían recomendables analizar y para ello hay que tener claro el sistema completo teniendo en cuenta cada una de sus partes.
En el caso de una hidrogenera con producción de hidrogeno local, nos encontramos con los electrolizadores (alimentados con fuentes de energía renovable para que sean hidrógeno verde), compresores, purificadores de agua y botellas de almacenaje, aparte de válvulas de control, tuberías y, por supuesto, el sistema de control. Todas aquellas partes móviles y con actuadores son susceptibles de analizar mediante la inclusión de sensores. Así pues, se pueden incorporar sensores de temperatura o vibración para poder contemplar posibles anomalías por aumento de fricción que pueda significar una falta de lubricación o un desgaste mecánico. Lo compresores son una parte fundamental de la hidrogenera.
Por otro lado, la presión es otro punto crítico en todo el circuito, tanto en el de los propios compresores, como en el de llenado de las botellas de almacenaje y el proceso de carga del vehículo, pues se debe mantener constante, y se ha de saber también la capacidad de cada botella en todo momento (control en cascada). Las variaciones de temperatura entre estaciones, zonas geográficas, etc., puede afectar al sistema, por lo que la inclusión de los sensores adecuados son totalmente necesarios para el control de la planta y, a su vez, puede aportar una información muy valiosa a la hora de recopilar datos y realizar un estudio sobre como afectan estos cambios externos y anticiparnos a los mismos. En este sentido, hay que indicar que en otros segmentos energéticos (ahora muy relacionados entre sí), como plantas fotovoltaicas, se están empleando estaciones meteorológicas y el uso de predictivos (algunos incluso con IA) que permiten una mejor gestión de las producciones y mediante los PPC (Power Plant Controller), se optimiza el reparto de la electricidad producida entre sistemas de almacenamiento, volcado a red, etc. [9]
En cuanto al alma de este tipo de hidorgeneras con producción local de hidrógeno, los electrolizadores constituyen la parte más importante de la planta y, curiosamente, son los elementos más desconocidos por dos motivos, a saber, no se sabe qué pasa dentro de sus celdas y hay poca experiencia en el escalado, es decir, en producciones a nivel industrial.
Como todos sabemos, independientemente de la tecnología empleada, un electrolizador consta, básicamente, de un ánodo y un cátodo que reparten tensiones entre las placas bipolares o celdas. El electrolito se encuentra o circula entre estas celdas y por una reacción electroquímica se produce la disociación del agua en sus moléculas componentes, es decir, hidrógeno y oxígeno. Con la finalidad de que las celdas no se deterioren por corrosión y que la eficiencia del dispositivo sea la mejor posible, el reparto de estas tensiones ha de ser lo más equitativo posible (dependiendo de la tecnología empleada, esta tensión está entre 2 y 4 voltios). Las preguntas son, ¿Cómo saber qué tensiones hay realmente y como detectar posibles desviaciones? Nuevamente, la implementación de un sistema de conectores que permitan “atacar” las celdas y llevar las señales al PLC (conocido como Cell Voltage Monitoring [10]) y la implementación de predictivos que recopilen y analicen esos datos nos van a ayudar a saber qué está sucediendo en el electrolizador y optimizar su producción, así como reducir costes con la anticipación de mantenimientos y paradas antes de que el fallo se produzca y aumentar la vida útil del equipo [11]. También se pueden añadir, como en el caso de los compresores, sensores de temperatura y de vibraciones. Todo ello, junto con la inclusión de todo lo anteriormente comentado, incluso las estaciones meteorológicas, permitirán una gestión de la planta como un conjunto estocástico que facilitará una optimización de la producción y una reducción de costes (y, por tanto, una reducción del coste de la producción), independientemente de las zonas geográficas, tecnologías empleadas y un largo etcétera.
Fig. 3. Ejemplo de una posible solución para implementar mantenimientos predictivos en electrolizadores partiendo del CVM (Cell Voltage Monitoring) e incluyendo un acceso remoto.
Además, todo ello, y gracias a la Industria 4.0 y los avances en la tecnología Cloud, con un hardware y software relativamente sencillos como IoT Gateways, se pueden configurar accesos remotos y almacenamiento en la nube, por lo que todo se puede monitorizar sin tener que desplazar a personal cualificado, salvo cuándo sea realmente necesario [12].
Fig. 4. Ejemplo de accesos remotos IoT Gateway
La experiencia californiana y surcoreana muestran como el mantenimiento predictivo puede ser una potente herramienta para equipos críticos como compresores de hidrógeno. Desde La Mesa de Hidrógeno de ISA creemos que la automatización debe acelerar las tecnologías de hidrógeno, y aplicaciones como la tratada en el presente artículo son buen ejemplo de ello. Asimismo, consideramos que el despliegue de 150 hidrogeneras para 2030 en España, solo podrá ser llevado a cabo si ponemos en el centro al ser humano [12]. La capacitación de profesionales en automatización, y la satisfacción de los clientes de las hidrogeneras serán clave para transicionar hacia la industria 5.0 y cumplir la estrategia industrial de la Unión Europea.
REFERENCIAS
[1]. M. para la T. E. y el R. Demográfico, “Hoja de ruta del hidrógeno: una apuesta por el hidrógeno renovable,” 2020.
chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://energia.gob.es/es- es/Novedades/Documents/hoja_de_ruta_del_hidrogeno.pdf.
[2]. L. A. F. Vanek; L. Albright, Energy Systems Engineering: Evaluation and Implementation, 3rd Editio. 2016.
[3]. P. Martin, “Three quarters of hydrogen refuelling stations in South Korea closed amid H2 supply crash.”
https://www.hydrogeninsight.com/transport/three-quarters-of-hydrogen-refuelling-stations-in-south-korea-closed-amid-h2-supply-crash/2-1-1559610?zephr_sso_ott=cG4lVH
[4]. L. Collins, “Almost half of California’s hydrogen filling stations offline after H2 supply ‘disruption.”
https://www.hydrogeninsight.com/transport/almost-half-of-california-s- hydrogen-filling-stations-offline-after-h2-supply-disruption/2-1-1526923.
[5]. L. Collins, “Shell scraps plan to build 48 new hydrogen filling stations in California, for which it had been awarded $40.6m grant.”
https://www.hydrogeninsight.com/transport/shell-scraps-plan-to-build-48-new- hydrogen-filling-stations-in-california-for-which-it-had-been-awarded-40-6m-grant/2-1- 1519894 .
[6]. “News Release: Predictive Model Could Improve Hydrogen Station Availability.” https://www.nrel.gov/news/press/2023/news-release-predictive-model-could-improve-hydrogen-station-availability.html.
[7]. Weidmuller, “Datos, una ciencia por sí misma.”
https://www.weidmuller.es/es/soluciones/industrial_analytics/datos_una_ciencia_en_s i_misma.jsp.
[8]. H. G. Mohammadi, “Machine Learning and Principles and Practice of Knowledge Dicovery in Databease, Ed. Springer.,”
https://link.springer.com/chapter/10.1007/978-3-030-93736-2_27.
[9]. R. E. Española, “Control Centre of Renewable Energies (Cecre)".
https://www.ree.es/en/activities/operation-of-the-electricity-system/control-centre-renewable-energies.
[10]. Weidmuller, “Power-to-X & Hidrógeno".
https://www.weidmuller.es/es/soluciones/power_to_x_hidrogeno/index.jsp.
[11]. R. Energética, “Webinar Revista Enérgetica: Hidrógeno, el vector energético del futuro.”
[12]. D. J. Baraja, “ADAPTANDO LA ESTRATEGIA A LA INDUSTRIA 5.0".
https://isa- spain.org/adaptando-la-estrategia-a-la-industria-5-0/.
NOTA
Artículo publicado en el blog de ISA: https://isa-spain.org/mantenimiento-predictivo-en-hidrogeneras/ el 28/02/2024, y cedido para su publicación en https://revista.aem.es
Homelowertripezone500x180px.png)