Desarrollo de gemelos digitales para la monitorización de la condición de activos

Urko Leturiondo 26 de mayo de 2022

0

0

0

0

14 min. de lectura

Urko Leturiondo

Responsable del equipo de especialización de Control Inteligente y Monitorización, IKERLAN

ABSTRACT

En la actualidad, existe un interés generalizado de las empresas en diseñar e implementar tecnologías para la gestión de activos orientada a asegurar y optimizar su ciclo de vida. Además, en el caso de fabricantes de equipos, estos objetivos pueden ser incluidos en su oferta de servicios para dotar a sus equipos de un valor añadido de cara a su operación en las plantas productivas o flotas de sus clientes. Aprovechando las nuevas capacidades de sensorización, captación y transmisión de datos de los equipos en el paradigma de la Industria 4.0, se ha facilitado el acceso a una gran cantidad de información acerca del comportamiento del conjunto de las máquinas monitorizadas (estado, anomalías de funcionamiento, parámetros del contexto en el que están operando, etc.), lo que posibilita el desarrollo de modelos avanzados de fiabilidad, modelos para el conocimiento del estado del sistema (diagnosis) y modelos para el pronóstico de su comportamiento en el futuro (prognosis), describiendo todos ellos el comportamiento de los equipos en distintos contextos de operación y permitiendo una gestión personalizada de los mismos. Surgen así nuevos escenarios en los que los clientes demandan equipos inteligentes y conectados que les aseguren unos niveles de disponibilidad y rendimiento óptimos durante toda su vida útil, mediante contratos tipo PBC (Performance Based Contracting) unidos a indicadores de disponibilidad o rendimiento.

En el contexto de la monitorización de la condición, una de las corrientes actuales consiste en generar gemelos digitales como réplica de activos en operación. Con el objetivo de apoyar a las empresas en este ámbito, IKERLAN ha desarrollado gemelos digitales en base a tecnologías de modelización electromecánica de sistemas no-lineales y estimación conjunta de estados y parámetros. Estas técnicas permiten, además de conocer el estado de variables físicas medibles a través de sensores, estimar otras variables no medibles mediante el uso de sensores virtuales. Una vez determinado el comportamiento dinámico del sistema replicado, se han obtenido indicadores de salud que permiten conocer su estado, la localización de posibles daños, así como su cuantificación. Estas metodologías han sido validadas por IKERLAN en el campo del transporte vertical, utilizando un banco de ensayos de laboratorio bajo diferentes condiciones de fallo. Así, se obtienen gemelos digitales que permiten la monitorización de la condición de activos que aportan información a las empresas para customizar los planes de mantenimiento en base a la información extraída.

1. INTRODUCCIÓN

Las tecnologías de la información y la comunicación han tenido avances en los últimos años que han mejorado las capacidades de sensorización, análisis de datos, simulación y computación online. Así, la integración de estas tecnologías en los sistemas físicos les dota los convierte en sistemas inteligentes que pueden interactuar entre ellos e incluso en todos los niveles del modelo de negocio de una empresa. Estos cambios que se están produciéndose actualmente en el contexto de la 4ª revolución industrial permiten, entre otros, que se facilite la implantación de políticas de mantenimiento basado en la condición. La aplicación de estas tecnologías permite obtener un gran volumen de datos que proporciona mucha información sobre los activos (su estado, anomalías en el funcionamiento, parámetros del contexto en el que están operando, etc.). Utilizando estos datos se pueden desarrollar modelos avanzados de fiabilidad, modelos para el conocimiento del estado del sistema (diagnosis) y modelos para el pronóstico de su comportamiento en el futuro (prognosis).

Esta política de mantenimiento, que cuenta con la capacidad de anticiparse a fallos gracias a información actualizada acerca del activo monitorizado, conlleva mejoras en la planificación de las tareas de mantenimiento, implica la realización de estas tareas únicamente cuando son necesarias, reduciendo el riesgo de que los fallos se produzcan. La combinación de políticas de mantenimiento basado en la condición junto con algoritmos de toma de decisiones resulta en una maximización del uso del activo y, por lo tanto, en la eficiencia del negocio. Así, a pesar de la necesidad de una inversión inicial para poder aplicar esta política de mantenimiento, los costes de mantenimiento se reducen [1].

El auge de estas tecnologías no está pasando desapercibida por parte de los fabricantes de productos, que están viendo en la aplicación de estas tecnologías nuevos intereses de negocio, como la venta de equipos inteligentes y conectados que aseguren a sus clientes unos niveles de disponibilidad y rendimiento óptimos durante su vida útil. De esta forma, surgen nuevos modelos de negocio, como el performance based contracting unido a indicadores de disponibilidad o rendimiento, o la servitización, a través de proporcionar servicios de mantenimiento ad hoc de sus propios productos [2].

En este contexto, una de las tecnologías que va tomando cada vez mayor relevancia es la relativa a los gemelos digitales, utilizados para replicar activos en operación. Así, el objetivo de este artículo es presentar el interés por esta tecnología y mostrar un caso de uso orientado al sector de la elevación. El artículo está estructurado de la siguiente forma: el apartado 2 define el concepto de gemelo digital y propone la forma en la que en IKERLAN se desarrollan este tipo de modelos; en el apartado 3 se describe el interés de su aplicación en ascensores y los resultados obtenidos de la generación de un gemelo digital que replica un banco de ensayos a escala; por último, en el apartado 4 se muestran las conclusiones.

2. GEMELOS DIGITALES

2.1. Definición

El término de gemelo digital (digital twin en inglés) fue acuñado por Michael Grieves en el año 2003 [3], caracterizando este concepto en tres componentes principales: productos físicos en un entorno real, productos virtuales en un entorno virtual y las conexiones de datos e información que enlazan los productos reales y virtuales entre ellos. También conocidos como avatares de producto o equivalentes ciberfísicos [4], los gemelos digitales son definidos como “representaciones digitales de sistemas físicos que tienen entidad por sí mismas”. Así, dichas representaciones se encuentran vinculadas al sistema físico representado durante todo el ciclo de vida.

Varios de los conceptos arriba mencionados tienen especial interés para diferenciar el concepto de modelo digital respecto a una modelización clásica. Por un lado, cabe destacar el concepto de “conexiones de datos e información” entre el mundo real y el virtual. Se puede construir un gemelo digital de un sistema físico utilizando un modelo o conjunto de modelos de distintos tipos con las mismas condiciones operacionales y de salud del sistema real. De esta forma, para poder establecer la mimetización del sistema real, se requiere compartir la información de estas condiciones operacionales y de salud con los modelos (que pueden estar formados por modelos basados en la física, modelos estadísticos, modelos de inteligencia artificial, modelos de fiabilidad, históricos de mantenimiento y datos operacionales, como se muestra en la Figura 2). Por otro lado, el concepto de que el gemelo digital ha de representar al sistema físico durante todo el ciclo de vida genera otra diferencia sustancial con lo que se ha realizado en la modelización “clásica”, donde los datos de entrada para definir las condiciones han tendido a representar situaciones genéricas y/o particulares de eventos, sin una orientación de perpetuidad en la réplica de las condiciones. Así, cualquier operador de un sistema físico o un fabricante del sistema que servitiza el mantenimiento de su producto podría conocer su estado a través de su replica virtual en tiempo real.

2.2. Aplicación del concepto de gemelo digital

A la hora de abordar la generación de un gemelo digital existen diferentes enfoques. En IKERLAN se ha hecho una apuesta por el desarrollo de gemelos digitales para la monitorización de activos apoyándose total o parcialmente en modelos basados en la física, utilizando principalmente dos enfoques: los sensores virtuales y la modelización híbrida.

El enfoque de sensores virtuales permite medir físicas que no se están midiendo o incluso que no pueden ser medidas. Para ello, se pueden emplear técnicas de estimación de estados y/o parámetros que permiten alcanzar dichos resultados. En la Figura 3 se muestra un esquema del proceso de estimación. Este proceso consta de tres elementos principales: el propio sistema real, un modelo basado en la física de dicho sistema real y un algoritmo de estimación de estados, también llamado estimador. Al sistema real se le aplica una consigna de operación (u), la cual hay que proporcionar también al modelo. Del sistema real se pueden obtener unas medidas o salidas (y), mientras que el modelo proporciona en primera instancia los estados del modelo (xk-) y las salidas (yk). El estimador compara el error entre las salidas reales y las del modelo y aplica una corrección, que permite actualizar los parámetros del modelo y, en consecuencia, los estados del modelo (xk+). Así, una vez realizada la corrección, se obtienen unas correctas estimaciones de las salidas, de los estados del modelo y, especialmente, unas estimaciones de aquellas variables no medibles: las señales de los sensores virtuales.

El otro enfoque, basado en modelos híbridos, consiste en la combinación de la modelización basada en la física con la modelización basada en datos. El interés por este tipo de modelos radica en la frecuente falta de datos en operación en estados degradados de los activos monitorizados que no se pueden reproducir por razones medioambientales, de seguridad o de coste. Esta situación penaliza a los modelos basados en datos por la ausencia de bases de datos completas que incluyan distintos tipos y severidades de daño. Esta falta de datos puede solucionarse mediante la generación de datos sintéticos mediante modelos basados en la física que reproduzcan la operación de los activos. Estos modelos basados en la física han de reproducir un abanico de escenarios de daño amplio para poder contar con una base de datos lo más completa posible. Además, es crucial que al modelo basado en la física se le proporcionen la información del contexto operacional del activo monitorizado, con el fin de describir fielmente su operación. De esta forma, se pueden combinar datos reales (en su mayoría correspondientes a escenarios sin daño) con datos sintéticos (en diferentes condiciones de daño) para alimentar los modelos basados en datos. En este contexto son estos últimos modelos los que llevan a cabo los procesos de diagnosis y prognosis que facilitaran la posterior toma de decisiones de mantenimiento [6]. En la Figura 4 se muestra una arquitectura de este tipo de modelización híbrida.

3. CASO DE ÉXITO

En este apartado se presenta un caso de éxito de desarrollo de un gemelo digital a un sistema mecatrónico utilizando el enfoque de sensores virtuales. La aplicación se enmarca en el sector del transporte vertical. Los ascensores son sistemas complejos con varios subsistemas multifísicos y que cuentan con una incertidumbre inherente al sistema, debido a que la calidad del montaje tiene una gran influencia en el rendimiento del sistema.

Los ascensores suelen contar con una política de mantenimiento predeterminado en base a inspecciones para evaluar su comportamiento y la calidad del viaje. A la hora de dar el salto a políticas de mantenimiento basado en la condición, es fundamental tener sensores que aporten datos del funcionamiento del sistema. No obstante, instalar sensores implica costes adicionales, por lo que es preferible utilizar aquellas medidas que ya se pueden obtener del regulador del ascensor, por muy limitadas que sea la variedad de señales disponibles. Por ejemplo, se suelen medir las corrientes, voltajes y el giro de la máquina eléctrica que genera el movimiento vertical.

La experiencia llevada a cabo en IKERLAN se basa en generar un gemelo digital de un banco de ascensor a escala, que tiene como objetivo emular sistemas reales de diferentes configuraciones en base a análisis dimensional [7]. Se muestra una fotografía del banco en la Figura 5a, junto con un esquema 3D de un ascensor (Figura 5b).

Este banco a escala, al igual que cualquier instalación de elevación, cuenta con un subsistema mecánico y uno eléctrico (ver Figura 6). El primero está compuesto por la cabina, el contrapeso, las guías, los cables y una polea; el segundo lo forman una máquina eléctrica (cuyo eje se conecta con la polea), los diferentes lazos de control y el generador de la consigna. El banco cuenta con sensorización para medir distintas físicas como las magnitudes eléctricas y mecánicas del regulador (giro angular del rotor de la máquina eléctrica así como la corriente y el voltaje) u otras físicas de interés (par aplicado, fuerza de tiro, vibración, etc.).

Así, se ha generado un modelo basado en la física y con un enfoque mecatrónico que reproduce el comportamiento de todos estos elementos [8]. Los resultados obtenidos con este modelo se han conectado con un estimador basado en el filtro de Kalman extendido (EKF, del inglés extended Kalman filter), mediante el cual se realizan las estimaciones. El conjunto de modelo y estimador forman el modelo digital del sistema monitorizado.

En este artículo se presentan los resultados obtenidos para una de las variables de interés en la monitorización de ascensores: el coeficiente de fricción de las guías, que puede ser de utilidad para determinar en qué estado se encuentra el sistema de guiado. Para tal fin, se ha puesto en operación el banco a escala durante varios periodos de tiempo en distintas condiciones de daño: 2.5 h en condiciones sanas, 20 min con un ligero desalineamiento de la zona inferior del sistema de guiado, 1 h con un desalineamiento en la zona superior y un incremento gradual del primer desalineamiento, y 1 h en el primer estado de desalineamiento [9].

La Figura 7 muestra los resultados proporcionados por el gemelo digital acerca del coeficiente de fricción, a lo largo del tiempo y a lo largo de los diferentes puntos del recorrido del guiado. Tomando el primer periodo de condiciones sanas se puede calcular un patrón de comportamiento del banco a escala en dichas condiciones. Así, se puede calcular el ratio entre el coeficiente de fricción en cualquier instante y el patrón calculado, resultando en el resultado mostrado en la Figura 8.

Los resultados permiten ver con claridad los diferentes cambios de estado en el desalineamiento. Concretamente:

• Se observa tanto un incremento del coeficiente de fricción en la parte baja del sistema de guiado por la introducción del desalineamiento en primera instancia, como un incremento gradual según el aumento de la severidad del desalineamiento.
• Se observa un ligero incremento en el coeficiente de fricción en la parte alta del sistema de guiado por la introducción del desalineamiento y una restauración del coeficiente de fricción una vez corregido dicho desalineamiento.

Además, se observa que existe una relajación del coeficiente de fricción a medida que avanza el tiempo, llegando a una asíntota donde se estabiliza dicho valor. Esto muestra que el sistema requiere de un tiempo para asentarse y operar de una forma estable.

4. CONCLUSIONES

Se ha mostrado mediante el caso de estudio que es posible determinar parámetros no medibles mediante el uso de gemelos digitales. En este caso concreto, se ha estimado el parámetro de fricción del sistema de guiado, evidenciando cambios en dicho parámetro tras la inclusión de daños en el sistema. Así, se concluye que se pueden detectar daños sin necesidad de realizar inspecciones en el sistema. Además, en este caso particular, se llega a localizar el tipo de daño en la altura correspondiente del sistema de guiado. Estos datos aportan una información muy interesante para que se puedan establecer umbrales de mantenimiento y de seguridad que permitan la generación de alertas, facilitando la labor de los mantenedores.

En líneas generales, los gemelos digitales permiten ampliar el conocimiento de un sistema que se monitoriza, llegando a estimar variables que no se pueden medir o generando datos sintéticos de escenarios de fallo que no pueden reproducirse en la realidad. Es por ello por lo que su uso por parte de los operadores de los sistemas adquiere un gran valor a la hora de customizar los planes de mantenimiento. Llevado al escenario último, los gemelos digitales pueden ayudar a establecer cuáles van a ser las tendencias de estado de un activo a futuro, permitiendo calcular su vida útil remanente y, mediante la implementación de reglas lógicas y de optimización, establecer estrategias prescriptivas que puedan mitigar posibles degradaciones.

En este contexto, existen numerosos frentes abiertos que permitirán que los gemelos digitales del futuro tengan una mayor potencialidad si cabe, como la reducción de los costes de computación de los algoritmos de estimación, el desarrollo de soluciones de computación de alto rendimiento y en la nube, el análisis masivo de datos, el desarrollo de algoritmos de prognosis y de establecimiento de prescripciones, las comunicaciones inalámbricas, y la implementación de los gemelos digitales en tiempo real en entornos industriales ciberseguros, entre otros.

5. REFERENCIAS

• [1]   A. Prajapati, J. Bechtel, S. Ganesan. Condition based maintenance: a survey. Journal of Quality in Maintenance Engineering, Vol. 18, no. 4, pp. 384-400, 2012.
• [2]   F. Vendrell-Herrero, G. Parry, O. F. Bustinza, N. O’Regan. Servitization as a driver for organizational change. Strategic Change, Vol. 23, no. 5-6, pp. 279-285, 2014.
• [3]   M. Grieves. Virtually perfect: Driving innovative and lean products through product lifecycle management. Space Coast Press, 2011.
• [4]   M. Holler, F. Uebernickel, W. Brenner. Digital twin concepts in manufacturing industries – A literature review and avenues for further research. 18th International Conference on Industrial Engineering, 10-12 Octubre 2016, Seoul.
• [5]   M. Grieves. Digital twin: manufacturing excellence through virtual factory replication. White paper, 2014.
• [6]   U. Leturiondo, O. Salgado, L. Ciani, D. Galar, M. Catelani. Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data. Measurement, Vol. 108, pp. 152-162, 2017.
• [7]   E. Esteban, O. Salgado, A. Iturrospe, I. Isasa. Design methodology of a reduced-scale test bench for fault detection and diagnosis. Mechatronics, Vol. 47, pp. 14-23, 2017.
• [8]   E. Esteban, O. Salgado, A. Iturrospe, I. Isasa. Model-based approach for elevator performance estimation. Mechanical Systems and Signal Processing, Vol. 68-69, pp. 125-137, 2016.

• [9]   A. Gómez, O. Salgado, E. Esteban, I. Isasa, X. Hernandez. A virtual sensing approach for predictive maintenance in elevators. ELEVCON 2018, the 22nd International Congress on Vertical Transportation Technologies. 22-24 Mayo 2018, Berlín.