Implantación de un modelo de redes neuronales para mejora del mantenimiento
Javier Serra Parajes
Gerencia Gestión y Análisis de Mantenimiento
Enagás
Sonia Liñán García
Gerencia Gestión y Análisis de Mantenimiento
Enagás
INTRODUCCIÓN
Las nuevas herramientas tecnológicas están generando un entorno muy importante para la mejora global del mantenimiento. Generalmente, el uso de herramientas de datos transaccionales está comúnmente extendido en la industria y siempre ha sido el foco sobre el que centrar la mejora, dejando las herramientas de datos operativos para mejoras exclusivamente operacionales. Sin embargo, cada vez más se trabaja en cerrar esa brecha, asumiendo que cualquier dato que pueda ser recogido, tratado y analizado, puede ser utilizado para la mejora del ámbito global de la gestión de activos.
El planteamiento inicial de Enagás para tratar de forma global la explotación del dato, es la necesidad de una plataforma capaz de centralizar todos los datos que se generan y se almacenan en las diferentes aplicaciones y sistemas dela compañía, además de los datos técnicos de sus activos, e integrarlos en un repositorio común para el análisis y la explotación de los mismos.
Estamos en un momento en que la tecnología está rompiendo fronteras y en este entorno de cambio continuo, ir varios años atrás, nos aísla. Es por ello que Enagás se embarca en la implantación de una Plataforma Digital que le permita una Gestión Inteligente de sus Activos. No es tanto generar una enorme base de datos, sino una plataforma que sea capaz de gestionarlos.
Pero esta Gestión Inteligente de los activos con lleva una Transformación digital a nivel empresarial, las llamadas 3 R de la Transformación digital:
- Reeducación: En todos los niveles.
- Revisión: De los planes estratégicos. Pensar en corto, medio y largo plazo.
- Reestructuración: De los modelos jerárquicos. Mantener una actitud proactiva y sobre todo, saber escuchar.
Esta transformación digital permite a Enagás ver su negocio a través de la lente “datos”; de repente, los técnicos y la experiencia de éstos, pueden ser “digitalizados” y pasar a ser un conocimiento experto de la compañía, y no sólo de los propios técnicos. Puede que el gran cambio que va a traer la gran capacidad de gestión de datos es esa inteligencia centralizada que nos permitirá identificar y extrapolar las mejores prácticas, estén donde estén, pero especialmente las que se encuentren dentro de la organización.
Sin embargo, es difícil recorrer ese camino, pues los datos brutos por sí solos no generan información, son los análisis de los mismos los que crean el verdadero valor. Así pues se necesitan nuevos perfiles que permitan identificar ese conocimiento y a través de habilidades relacionadas con la gestión de información, se “parametrice” ese know how y se consiga dar valor a los datos. Esto conlleva un cambio cultural, ya que a día de hoy, la mayoría del personal de mantenimiento ha sido habilitada en las estrategias de mantenimiento clásicas, es decir, hacer mantenimiento sólo cuando se nos rompía la máquina o en el mejor de los casos, a buscar un modo de fallo y tratar de prevenirlo. Sin embargo, vienen nuevas metodologías, que si bien no nacen específicamente para cubrir un ámbito de la gestión de activos, pueden ser de gran aplicación, como el buscar patrones de normalidad que nos permitan anticiparnos a posibles fallos y decidir cuándo es el momento óptimo para realizar el mantenimiento. Ya no miramos los datos desde el punto de vista de lo que nos ha ocurrido o lo que sabemos, sino que los exploramos para que nos aporten una visión de mejora continua, de determinar el momento adecuado para realizar el mantenimiento, de analizar patrones de fallos, de optimizar la eficiencia energética,...
Enagás busca ser una empresa ágil y que se adapte rápidamente a los continuos cambios y por ello ha apostado por explorar estas metodologías para seguir manteniendo una posición referente en la gestión de infraestructuras.
DIGITALIZACIÓN "APLICADA"
Hemos oído hablar mucho de transformación digital, pero en su inmensa mayoría son conceptos genéricos poco aterrizados en el día a día de una compañía. Eso sin obviar que como todos los grandes conceptos, pueden tener una realidad muy diferente (y probablemente igual de eficaz) según en la compañía en la que se esté trabajando. Así pues siempre hay lugar para la pregunta ¿qué es la transformación digital?
En Enagás se concibe la transformación digital como la optimización de procesos y tecnología que permiten a la compañía una gestión ágil y eficiente para la toma de decisiones.
Es importante destacar, que como la mayoría de los expertos apuntan, no hablamos exclusivamente de tecnología. Está claro que por la propia acepción de la palabra, el concepto “digital” tiene una componente significativa de tecnología, pero la clave está en la transformación. Este aspecto es clave, pues la solución presentada es una solución tecnológica que permite dar a través de una plataforma la capacidad de análisis y toma de decisiones en el ámbito de mantenimiento. Sin embargo, esto no es útil ni eficaz sin la “transformación” necesaria por parte de la compañía. Dicha transformación puede implicar cambios organizativos, cambios de funciones, cambios de equipos, nuevas inversiones...
Atendiendo a la definición propuesta para Enagás, una iniciativa de transformación puede ser la simple redistribución de los puestos de trabajo para que los operadores desarrollen su labor en un ambiente más cercano. De la misma manera y sin grandes inversiones, herramientas colaborativas como el “Teams” de Microsoft Office, puede agilizar enormemente las comunicaciones y el traspaso de información.
En el ámbito específico de la gestión de datos, en Enagás se está desarrollando una plataforma digital, que permitirá obtener un dato íntegro, único y accesible, que se almacene en la nube y que se pueda explotar la información de una forma más visual, siempre cumpliendo los más altos estándares en ciberseguridad. Será sobre esta plataforma sobre la que se desarrollarán de ahora en adelante, las diferentes soluciones en el ámbito de gestión de activos que requieran el uso de datos operativos.
INTEGRACIÓN DE NUEVAS METODOLOGÍAS EN EL MODELO DE GESTIÓN
Tomando como referencia el Modelo de Gestión de Mantenimiento (MGM-Gas) (Figura 1), la aplicación de técnicas de redes neuronales, forma parte de la Fase 8 del MGM “Adopción de nuevas tecnologías”.
Frente a lo novedoso de los avances tecnológicos, hay que destacar no sólo el papel de los “sistemas inteligentes”, sino también al capital humano que es el que verdaderamente da valor a esas aplicaciones de inteligencia artificial.
En la actualidad, Enagás cuenta con muchos activos de larga duración, alta capitalización y baja monitorización. Para estos activos, es complejo monitorizar su rendimiento en condiciones normales de operación. Una herramienta como las redes neuronales artificiales facilita a Enagás a encontrar modelos interesantes de mantenimiento predictivos y a detectar, con una cierta precisión, las pérdidas de rendimiento de las Bombas primarias.
Además de esto, añadimos la transformación digital que está sufriendo la empresa y todo metido en la coctelera nos ha llevado a proponer un proyecto de redes neuronales artificiales con metodología “ágil”, que permita entregas de valor, de una forma continua, rápida y a tiempo.
Para el desarrollo de este proyecto, son muchas las áreas de la compañía implicadas, ya sea de manera directa debido a su función específica en la compañía (como puede ser directamente el área de negocio o el área de digitalización), o bien de manera transversal a través de mecanismos organizativos que potencian este tipo de proyectos de transformación. Adicionalmente, y por su carácter pionero en la compañía, se está contando con proveedores externos que permitan integrar las nuevas metodologías y habilidades propias de la transformación, en una compañía como Enagás que hasta hace poco no tenía vocación digital.
Desde el punto de vista puramente técnico, se ha trabajado con Ingeman, vinculada estrechamente con la Escuela Técnica de Sistemas de la Información de la Universidad de Sevilla, en la que se han desarrollado trabajos de Inteligencia Artificial y Minería de datos, ha trabajado en una Prueba de Concepto desarrollando un modelo de Redes neuronales artificiales para 3 bombas criogénicas de la planta de regasificación de GNL de Huelva.
Cabe destacar que a la dificultad de la exploración de este tipo de metodologías, se une que se está siguiendo una metodología Scrum, donde todo empieza en las personas pero incluyendo visión y acciones a nivel de equipo y organización.
DESARROLLO DE LA METODOLOGÍA
El primer paso, con el apoyo de Ingeman, fue la realización de un procedimiento que nos diera las pautas a seguir para la construcción de un modelo de red neuronal.
La estructura de la red neuronal artificial, es un dispositivo de procesamiento de información no lineal, constituidos por una capa de entrada, una o varias capas ocultas y una capa de salida, que genera el resultado final.
El número de neuronas en la capa de entrada, será igual al número de variables utilizadas para el modelo y el de neuronas de salida coincidirá con el número de variables que se usen para detectar un desvío en el funcionamiento del equipo frente al esperado.
La siguiente figura muestra la metodología general basada técnicas de inteligencia artificial aplicada a cualquier sistema, para detectar desviaciones del comportamiento previsto del equipo en unas condiciones determinadas de operación.
Paso 1: Selección de equipos
Los equipos que se han elegido para la implantación de las redes neuronales artificiales han sido dos bombas primarias de GNL ubicadas en Huelva, posteriormente para validar el modelo, se ha añadido al análisis una tercera bomba ubicada en el mismo tanque que la primera.
Estas bombas criogénicas disponen de un histórico de datos de operación y mantenimiento suficientemente grande que permite aprender y obtener un modelo de comportamiento del mismo. También se dispone de la información técnica de diseño de los equipos.
- Bomba GA-131 A. Bomba primaria ubicada en el tanque de GNL FB-131 y en funcionamiento desde 2006.
- Bomba GA-231 A. Bomba primaria ubicada en el tanque de GNL FB-231 y en funcionamiento desde 2004.
- Bomba GA-131 B. Bomba primaria ubicada en el tanque de GNL FB-131 para validar el comportamiento tras overhaul del modelo obtenido para la bomba anterior.
Paso 2: Contexto operacional
El contexto operacional de equipos semejantes puede variar y no ser completamente iguales, debido a la localización, altitud, entorno y otros parámetros operacionales. Por lo que es conveniente, elegir diferentes equipos que no tengan el mismo contexto operacional para obtener una mejor precisión en la obtención del modelo.
La información relativa a la operación de la planta y que pueden influir en el modo de operación de los equipos, es la siguiente:
- Lista de Cargas/descargas de buques en la Planta de regasificación de Huelva.
- Datos de la calidad del GNL en cada uno de los tanques en las que las bombas están sumergidas (SLM).
- Libro de turnos: Anotaciones del Jefe de turno.
- Histórico de fallos y de mantenimiento: SAP PM (SGM).
- Sistema de información de planta (PI).
- Horómetros de bombas.
- Datos técnicos de las bombas criogénicas EBARA CRYODINAMICS.
En cuanto a las condiciones ambientales exteriores, en este caso permanecen constantes al encontrarse los equipos sumergidos en condiciones criogénicas, por lo que no se tendrán en cuenta en este caso.
Paso 3: Selección de variables
Las variables deben ser históricos de operación, de mantenimiento, del proceso, así como de modificaciones en el contexto operacional que incidan en la operación y en el comportamiento del equipo.
Variables que se extraen del sistema de información de planta PI System (2007 –2018):
- Caudal.
- Presión.
- Intensidad.
- Potencia.
- Rendimiento.
- Temperaturas de aspiración e impulsión.
- Nivel del tanque.
- Estado de la bomba (marcha y paro).
En cuanto al histórico de operación y mantenimiento de los equipos:
- Fecha de puesta en marcha.
- Horas de funcionamiento totales.
- Horas de funcionamiento desde el último gran mantenimiento.
- Horas que llevaba funcionando el equipo y fecha de los grandes mantenimientos.
- Avisos y órdenes en SGM desde su puesta en funcionamiento (2004 –2018).
- Grandes mantenimientos desde su puesta en funcionamiento.
- Anotaciones del jefe de turno de eventos que tienen lugar durante el proceso.
Paso 4: Selección del periodo temporal
Es recomendable elegir un periodo en el que se hayan dado todos los escenarios y casuísticas posibles, por ejemplo, que el sistema haya operado en diferentes modos de operación, que haya habido mantenimientos por overhaul, mantenimientos por correctivos, mantenimientos por preventivo, etc.
Para el estudio de cada una de las bombas, comprende desde la fecha de instalación y puesta en funcionamiento hasta la actualidad.
Paso 5: Selección del intervalo de registro de datos
Este intervalo de registro de datos tiene que permitirnos capturar con el detalle suficiente, el cambio en las variables para su interpretación y estudio, con el objetivo de entrenar fielmente a la red y poder identificar anomalías en el comportamiento del equipo.
Paso 6: Procesado y validación de la información
Este es uno de los pasos más importantes y normalmente el que más tiempo puede consumir en la aplicación de la metodología.
Cuando la cantidad de datos extraídos de las diferentes fuentes es considerable, existen errores en la información que hay que depurar, para ello se requieren sistemas adecuados para tratarlos. Para la identificación de relaciones de valor-atributo que no son fácilmente identificables, se puede aplicar la minería de Reglas de Asociación (AR) (Buddhakulsomsiri et al., 2006).
La importancia de este paso es fundamental para conseguir unos resultados los más cercanos posibles a la realidad.
i. Unificación de las variables y la información auxiliar por equipos: Se recoge la información de los diferentes sistemas y se unen en una única base de datos. A modo de ejemplo, en nuestro estudio, esta es la tabla maestra, resultado de la unificación de variables.
ii. Revisar la consistencia de la base de datos: Es necesario revisar fechas incompletas, datos en blanco, duplicados, atípicos, erróneos o incompletos.
iii. Limpieza de la base de datos: Eliminar la existencia de ruido en los datos. Para ello es necesario la opinión experta de los técnicos y operadores, conocedores del sistema de control de la planta y las bombas.
Como ejemplo, en la siguiente tabla se muestran algunas de las consideraciones que se tuvieron en cuenta para la limpieza de datos:
iv. Estudiar la dependencia entre las variables de condición, operación e indirectas y seleccionar las variables más representativas:Una de las comprobaciones necesarias, es representar mediante diagramas de dispersión para identificar patrones en función de los regímenes de operación, potencia, horas de funcionamiento, etc.
Por ejemplo, en la siguiente figura puede apreciarse la presión frente al caudal (figura 6), donde los puntos que caen muy alejados de la nube, pueden ser lecturas erróneas de los instrumentos.
Por otro lado, la matriz de covarianzas y coeficientes de correlación nos sirve para identificar la dependencia entre variables.
Como en el caso anterior, es muy importante confrontar los resultados con la opinión de los expertos.
Y, por último, con toda la información decidir si hay que reducir el número de variables a emplear o por el contrario incluir nuevas variables indirectas.
Paso 7: Normalización de la información
Es importante la normalización de la información para eliminar inconsistencias y redundancias, consiguiendo que la base de datos sea más flexible.
La tabla que aparece a continuación son los valores que se han tenido en cuenta para la normalización de cada una de las variables.
Paso 8: Implementación en software
El siguiente paso es la implementación en la red neuronal artificial para obtener el modelo ideal de comportamiento del sistema.
La implementación se ha llevado a cabo mediante el modelado de una red neuronal multicapa, caracterizada por:
- 3 capas.
- 7 neuronas en la capa de entrada.
- 20 neuronas en la capa oculta (Testeado previamente entre 5, 10, 15, 20 y 25).
- 1 neurona de salida.
Y dicha implementación necesita de una serie de requisitos:
- Conexión con datos normalizados en Excel.
- Definición intervalo de entrenamiento (70% de la información antes de la realización del gran mantenimiento).
- Pruebas básicas de funcionamiento y validación (Con el 30% restante de la información).
* Datos utilizados para el entrenamiento de la red.
** Datos utilizados para validar la red y analizar el comportamiento de las bombas.
4. Optimización de valores del algoritmo de ANN:
a. Coeficientes w1 (i, j) i=7, j = 20;140 parámetros.
b. Coeficientes w2 (j) j = 20;20 parámetros.
c. Parámetros Bía 1 y Bía 2;2 parámetros.
5. Obtención de error cuadrático de la predicción.
6. Estudio de tendencia del error.
7. Correlación entre error y pérdida de rendimiento.
A modo de ejemplo, la siguiente tabla muestra una serie de datos preparados y normalizados, que se utiliza para el diseño del modelo de red neuronal.
Paso 9: Obtención del modelo
Con el modelo obtenido y la lectura en tiempo real de las variables se podrá contrastar con el comportamiento real del sistema, de tal forma que en un caso ideal, podrá detectarse desviación respecto al comportamiento esperado.
CONCLUSIONES
Es posible modelar el comportamiento de estos dispositivos y detectar anomalías en su funcionamiento por desviaciones de la predicción, lo que aporta un valor muy significativo, ya no sólo para evitar posibles fallos, sino para optimizar la operación y por tanto el ciclo de vida de los activos.
En el caso concreto del análisis, la bomba GA-131-A que sufre un fallo catastrófico después de su primer OH, funciona con un comportamiento anómalo durante su segundo período de operación antes del fallo. La velocidad de acumulación de error es 7 veces mayor después del OH que antes, lo que demuestra que el funcionamiento no era el modelizado previamente.
Con respecto a las otras bombas, la velocidad de acumulación de errores no cambia desde un cierto punto, pero las acumulaciones de errores de puntos se detectan antes de ciertos regímenes operativos.
Así pues se consideran resultados suficientes para poder continuar, no sólo extrapolando esta metodología al resto del parque de bombas de Enagas, sino a otros activos que por su criticidad, o por su volumen y dispersión dentro de las infraestructuras, se pueda obtener una alta rentabilidad mediante su “normalización”.
No cabe duda de que la rentabilidad de la digitalización es difícil de medir con los “business case” habituales, especialmente en una empresa que no se dedica a la producción, sin embargo, cualquier gestor de infraestructuras que pretenda ser sostenible en el largo plazo no debe transformarse por rentabilidad, sino por supervivencia.
Homelowertripezone500x180px.png)