Homelowertripezone500x180px.png)
Límites de la IA y machine learning para la supervisión y diagnóstico proactivo de vibraciones en turbomaquinaria crítica
Andrés Montemayor Varela
Ing. Senior de Predictivo Global de Máquinas Rotativas
Iberdrola Renovables TECNO-CC Iberdrola Castellón
RESUMEN
Las turbomáquinas en la industria de generación eléctrica normalmente muestran en sus vibraciones comportamientos que resultan altamente complejos e incluso, inesperados. Estas características complejas, evidencian los límites de procesos como IA y machine learning para supervisar fiablemente a las vibraciones y aún más para realizar un diagnóstico automatizado de éstas. En estos casos, uso genérico de estas herramientas suele generar malos resultados, manifestándose en gran cantidad de alarmas con falsos positivos y falsos negativos, etc., frecuentemente siendo erróneamente adjudicados a falta de reentrenamiento o aprendizaje. Por ello, en la turbomaquinaria se implantó un proceso proactivo de Análisis y Diagnóstico de vibraciones, el cual se centra más en la Prevención del Deterioro que en la detección y evaluación del deterioro existente de la condición. Este esquema proactivo, se apoya parcialmente en un sistema automático, de cálculo y seguimiento de indicadores clave, los cuales han sido seleccionados y diseñados sobre la base de un profundo Know How de los procesos y modos de fallo de las turbomáquinas.
Se considera que este caso mostrado, es un ejemplo claro sobre los límites que afrontan los procesos informatizados de alto nivel como son IA, machine learning, etc. Límites como los aquí descritos, les impide ser utilizados de forma fiable e indiscriminada ante cualquier situación o proceso.
El presente caso de estudio deja al descubierto que los procesos como la IA, lejos de sustituir al Know How especializado sobre los procesos y sistemas, requieren de este para poder ser implementados de forma adaptada y fiable. Precisamente es el Know How el que debe asignar a la IA o machine learning, el papel que le corresponde dentro de un proceso de supervisión y/o diagnóstico de activos críticos, en función de su criticidad, complejidad de comportamiento, cantidad, etc.
En conclusión, se considera que este esquema proactivo, podría resultar útil a otros tipos de industria, maquinaria, procesos o sistemas de alta severidad que tengan un comportamiento de alta complejidad. De igual forma, sirve de llamado de atención para considerar que existen características técnicas que imponen límites al uso fiable de la IA en todo proceso o situación, especialmente en un entorno donde la criticidad de los activos y proactividad del mantenimiento requiere de un alto nivel de fiabilidad en la supervisión y diagnóstico.
1. INTRODUCCIÓN
De entre las diferentes estrategias de mantenimiento de activos, destaca el enfoque del Mantenimiento Basado en Condición (MBC), el cual considera que la adecuada función de los activos puede verse disminuida o interrumpida de diversas maneras, las cuales son llamadas modos de fallo.
Estos modos de fallo son analizables y son una consecuencia final del deterioro de diversos componentes del activo, de su sistema de control, de los sistemas de protección o de su interacción con otros sistemas o activos, etc. El deterioro que antecede al fallo provoca diversos síntomas mecánicos, térmicos, químicos, eléctricos, acústicos, etc., los cuales, en el MBC, son detectados y utilizados para estimar con antelación la condición del activo y la cercanía o no a que algún modo de fallo afecte la función del activo (Fig. 1).
Fig. 1. Diagrama esquemático de la función de las técnicas de supervisión en el MBC.
De esta forma, el MBC permite planificar acciones de mantenimiento, mediante el seguimiento y supervisión de los diferentes síntomas, que crean un sistema de contención que evite que los modos de fallo lleguen a afectar la función del activo.
Para esto, normalmente en el MBC, se requiere y se asume que:
- Una vez iniciado el mecanismo de deterioro, la progresión temporal de sus síntomas permite su detección, seguimiento, diagnóstico y actuación para prevenir la pérdida de función.
- Haya coherencia entre los síntomas de deterioro y la severidad del deterioro o del modo de fallo. Es decir, los síntomas supervisados son una medida consistente y repetitiva de la presencia y severidad de un modo de fallo en progresión.
En cuanto al primer punto (inicio del mecanismo de deterioro), se puede detallar:
En el caso específico de activos de alta severidad, no siempre resulta adecuado permitir el deterioro del equipo para supervisar su progresión. En activos de alta severidad, es habitual implantar un esquema de mantenimiento proactivo, el cual no está tan enfocado a la detección y evaluación del deterioro de la condición, sino en detectar y prevenir condiciones que implicarían el comienzo del deterioro.
Normalmente en los esquemas de mantenimiento proactivo, se encuentran involucrados activos de alta severidad con alto valor intrínseco y/o altos costes asociados al deterioro funcional y a su restablecimiento.
En cuanto al segundo punto (coherencia entre los síntomas de deterioro y la severidad del deterioro), se puede comentar:
Habitualmente, el deterioro de un activo es detectado y estimado de forma indirecta mediante la vigilancia de los síntomas que éste produce. Dichos síntomas, son producidos mediante procesos mecánicos, químicos, eléctricos, etc., tal y como se esquematiza en la Fig. 2.
Fig. 2. Diagrama esquemático de la estimación del deterioro mediante la detección de sus síntomas.
Normalmente se asume que hay buena coherencia entre la progresión de los síntomas supervisados del deterioro y la progresión del deterioro en sí mismo. Sin embargo, no siempre hay coherencia directa entre los síntomas de deterioro y la severidad del deterioro o del modo de fallo en progresión. A esto se le puede llamar, comportamiento complejo.
Los fenómenos de complejidad suelen surgir como una consecuencia inherente a las propiedades del mismo activo o del sistema supervisado. En otras palabras, son fenómenos provocados por características de los procesos físicos-químicos involucrados.
En casos en donde no existe buena coherencia entre los síntomas y la severidad del deterioro, no suele ser sencillo obtener resultados fiables por parte de los sistemas automáticos (basados en IA, etc.), tanto para la supervisión como para la estimación del deterioro del activo.
2. PRINCIPALES CARACTERÍSTICAS DE COMPORTAMIENTO COMPLEJO EN LAS VIBRACIONES DE LAS TUBROMÁQUINAS
En específico, las turbomáquinas de generación de electricidad interaccionan con sistemas de lubricación hidrodinámica, flujos de vapor, aire o gases en movimiento, etc. Son principalmente las características de estos fluidos en movimiento, los que, en conjunto con la variación de las condiciones operativas, facilitan la aparición de características complejas en las vibraciones, tal como las siguientes:
No linealidad
Implica que los niveles de vibración no siempre aumentarán de forma gradual ni progresiva.
Cambios transitorios
Implica que las vibraciones en algunos periodos transitorios como arranques, calentamientos, etc., serán muy distintas a las que existen en estado estable
Histéresis
Implica que, ante cambios operativos, las vibraciones pueden no ser las mismas, incluso aunque se regrese a las condiciones iniciales.
Divergencia
Implica que un cambio o estado de vibraciones, no necesariamente es adjudicable a solo una causa o fenómeno.
Impredecibilidad
Las vibraciones pueden presentar cambios súbitos no predecibles, debido a modos de fallo que no tienen una progresión gradual que sea detectable mediante las técnicas predictivas habituales.
Relevancia no correlativa con la Amplitud
Implica que cambios menores en la vibración pueden llegar a tener gran relevancia en el diagnóstico, incluso comparando con otros cambios de mayor vibración.
Para mayor complejidad, incluso, puede haber interacción entre diversas características complejas. Por ejemplo: podría haber variaciones no lineales en la histéresis, divergencia ante cambios en cambios transitorios, divergencia ante cambios impredecibles, etc.
Debido a todo lo anterior, especialmente en activos en donde coinciden simultáneamente una alta severidad, el comportamiento complejo y un esquema de mantenimiento proactivo (como es en el caso de las turbomáquinas), no resulta sencillo el evaluar de manera automatizada a los síntomas de deterioro con el fin de estimar fiablemente el grado de salud del activo. Por ello, deben adoptarse esquemas alternativos que sean capaces de abordar la complejidad de la sintomatología, mientras a la vez se obtienen resultados fiables.
2.1 Sistemas de supervisión tradicionales ante síntomas con comportamiento complejo
En cuanto a los sistemas automáticos convencionales de detección de anomalías, en general podemos decir que se basan en recabar una gran cantidad de información, la cual posteriormente se suele correlacionar de forma estadística, se clasifica de forma estructurada, etc. De aquí suele deducirse información útil o cierto conocimiento concreto sobre el comportamiento del activo y con ello se puede conformar un sistema de notificaciones y deducciones prediseñadas o no, sobre estado de deterioro del activo.
Fig. 3. Esquema Convencional de detección Automática de desviaciones, basado en gran cantidad de datos.
En un sistema convencional suele haber un nivel bajo de conocimiento especializado, tanto para interpretar las notificaciones, como para optimizar el sistema automático de detección, sea machine learning, deep learning, etc. En caso de un activo con comportamiento complejo en su sintomatología, las notificaciones suelen incluir gran cantidad de falsos positivos y específicamente para turbomaquinaria, los modelos requieren de un ajuste frecuente (Fig. 3). Esto fuerza a que conocimiento, se traslade hacia la optimización-entrenamiento de los modelos y no hacia el entendimiento directo del activo o de sus fenómenos dinámicos.
En conjunto los comportamientos complejos, producen que diversos sistemas automáticos de la IA, como machine o deep learning, tengan serias dificultades en el medio y largo plazo para proporcionar resultados fiables. Incluso este tipo de falta de fiabilidad suele ser extensiva al uso de reglas lógicas y algoritmos programados de forma tradicional.
Es importante resaltar, que la falta de fiabilidad de estos resultados suele ser erróneamente adjudicada a aspectos como: falta de precisión en el entrenamiento de los sistemas de IA, fallo del reentrenamiento, carencia de datos, falta de especialización en IA, etc. Sin embargo, las características complejas de los datos con las que se alimenta al sistema, son las que mayoritariamente producen un procesamiento inadecuado.
Todo lo anterior conlleva a que justo en los activos de mayor severidad de la generación de energía, haya dificultades para la detección oportuna y el análisis automático de los modos de fallo, la detección de condiciones que llevan al deterioro, etc.
2.2 Sistema de Detección Proactivo de indicadores clave
Con el fin de obtener el resultado de fiabilidad requerido para el diagnóstico de vibraciones en las turbomáquinas, se implantó un Sistema de Detección Proactivo, basado en indicadores clave. Para ello, se cuenta con indicadores que han sido diseñados y elegidos, sobre la base de un entendimiento profundo del comportamiento físico de las vibraciones y de las variables de proceso de las turbomáquinas. Este sistema utiliza tanto parámetros de vibración, como variables de proceso. En el Esquema Proactivo, se cuenta con un sistema automático que trabaja con una menor cantidad de datos, pero que resultan mucho más significativos (Smart Data). Como consecuencia, las notificaciones son más efectivas y no suelen generar múltiples falsos positivos. Hay una mejora continua del sistema automático especializado, la cual se basa en el entendimiento técnico de las turbomáquinas y su implicación en el negocio.
Fig. 4. Sistema de Detección Proactivo, basado en el diseño, cálculo y seguimiento de Indicadores clave.
En general, se puede decir que éste cumple dos funciones principales:
- Identificar y notificar tempranamente deterioros en la condición que no son previsibles.
- Evidenciar proactivamente situaciones que podrían iniciar un futuro deterioro de la condición.
El cálculo de indicadores clave se basa en un enfoque hibrido que utiliza filtrado de datos, cálculo mediante reglas lógicas y operaciones aritméticas / estadísticas, así como Deep Learning para tareas muy concretas. Las reglas e indicadores suelen ser modificados para mejorar y adaptar su desempeño ante condiciones y necesidades cambiantes.
En general, los indicadores realizan las siguientes actividades principales:
a. Verificaciones previas: Enfocadas a caracterizar periodos de tiempo previos al arranque y posteriores a las detenciones de la máquina.
b. Verificaciones durante transitorios de velocidad: Enfocadas a la caracterización de arranques y paradas.
c. Verificaciones en velocidad nominal: Enfocadas a evidenciar condiciones transitorias anómalas de origen operativo, detección temprana de deterioros no previsibles y evidenciar deterioros graduales no detectables operativamente.
Los resultados de estos procesos automáticos son evaluados por personal especializado, tanto para facilitar el diagnóstico proactivo de vibraciones, como para mejorar y adaptar el sistema de forma regular.
3. DISCUSIÓN Y CONCLUSIONES
Especialmente en activos en donde coinciden simultáneamente una alta severidad, comportamiento complejo y un esquema de mantenimiento proactivo (como en las turbomáquinas), no resulta sencillo el evaluar de manera automatizada a los síntomas de deterioro para estimar el grado de salud del activo. Por ello, deben adoptarse esquemas alternativos que sean capaces de abordar la complejidad de la sintomatología, mientras a la vez brindan resultados fiables.
Para el caso específico de las turbomáquinas, se ha creado un sistema de detección proactivo, de indicadores clave. Para ello, se cuenta con ciertos indicadores que han sido diseñados y elegidos, sobre la base de un entendimiento profundo del comportamiento físico de las vibraciones y de las variables de proceso de las turbomáquinas.
Si bien, este esquema proactivo ha sido desarrollado para cubrir las exigencias de las turbomáquinas en la generación de electricidad, es factible que las lecciones aprendidas y su aplicación sean extensibles a otro tipo de industrias, maquinaria, procesos o sistemas que también posean un comportamiento de alta complejidad y severidad. Para ello, los aspectos a destacar son los siguientes:
- En casos de activos / situaciones de alta severidad, la IA debe ser aplicada de forma cuidadosamente evaluada y acotada para obtener los niveles requeridos de fiabilidad. Resulta probable que los esquemas híbridos entre IA, inteligencia humana y reglas lógicas/aritméticas sean los más fiables. Para ello, el conocimiento humano especializado sobre el activo o proceso, es fundamental.
Conviene tomar en cuenta, posibles implicaciones derivadas del teorema de incompletitud de Gödel [1] [2] [3]:- No hay autopercepción en la IA, por lo que no existe una evaluación o matización profunda de la propia respuesta.
- Hay limitaciones sobre lo que es posible demostrar o establecer mediante un algoritmo.
- La IA aprende de lo que hay. La ausencia de evidencia, normalmente es tomada como prueba de inexistencia.
- Existen activos / procesos, los cuales intrínsecamente poseen características complejas en su comportamiento. Un resultado pobre o deficiente en los modelos de IA, no necesariamente está ligado a una falta de entrenamiento o mejora del modelo. Es decir, la fiabilidad de la IA, no es una medida intrínseca ya que depende de otros factores, como la complejidad del proceso o de los datos con los que se le alimenta.
- Los costes e implicaciones asociadas a la IA, conviene que sean evaluadas de forma integral, por ejemplo, tomando en cuenta:
- Costes de infraestructura (HW y SW).
- Costes de desarrollo, pruebas y entrenamiento inicial.
- Costes operativos (reentrenamiento, mantenimiento, ciberseguridad, etc.).
- Costes de energía, huella de carbono.
- Costes o implicaciones potenciales de falsos negativos y falsos positivos.
- Costes o implicaciones de la posible pérdida gradual del Know How del activo y sus procesos, en pos del Know How sobre el ajuste y refinamiento de la IA.
- La fiabilidad requerida o aceptable para una IA, varía en función de la severidad del activo o proceso y del esquema de mantenimiento adoptado. De igual forma, factores como costes de la IA / tiempo / escalabilidad del diagnóstico humano Vs la IA, etc. conviene que sean evaluados de forma integral para determinar la fiabilidad requerida a la IA o a algún otro proceso automático.
Todo lo anterior, sirve de llamado de atención para considerar que existen características técnicas que imponen límites al uso indiscriminado de la IA para todo proceso o situación, especialmente en un entorno donde la criticidad de los activos y proactividad del mantenimiento requiere de un alto nivel de fiabilidad en la supervisión y diagnóstico. De igual forma, se deja al descubierto que procesos como la IA, lejos de sustituir al conocimiento especializado sobre los procesos y sistemas, requiere de un amplio Know How para poder ser implementados de forma adaptada y fiable.
4. BIBLIOGRAFÍA
- Colbrook M, Hansen A. Mathematical paradox demonstrates the limits of AI [Internet]. University of Cambridge. 2022 [citado el 15 de noviembre de 2024]. Disponible en: https://www.cam.ac.uk/research/news/mathematical-paradox- demonstrates-the-limits-of-ai
- Fokas AS. Can artificial intelligence reach human thought? PNAS Nexus, Volume 2, Issue 12, December 2023, pgad409, https://doi.org/10.1093/pnasnexus/pgad409
- J. R. Lucas, "Minds, Machines and Gödel," in Minds and Machines, ed. Alan R. Anderson (Englewood Cliffs, NJ: Prentice Hall, 1964), p. 57.
