Mantenimiento Predictivo aplicado a instalaciones de bombeo de agua potable
Fernando Ávila Martínez
Responsable de Sensorización y Mantenimiento
Global Omnium (Grupo Aguas de Valencia)
Juan Fernando Villegas Gómez
Director de datos
Fracttal Tech
1. INTRODUCCIÓN
Motivado por la continua búsqueda de la excelencia y la optimización de los costes de producción nace el proyecto GO PredictiveMNT, cuyo objetivo es minimizar los costes de mantenimiento, pasando de un paradigma de mantenimiento basado en el preventivo y el correctivo a realizar un mantenimiento de las instalaciones basado en el predictivo. De esta forma se pretenden evitan problemas asociados al mantenimiento correctivo tales como discontinuidades no planificadas en el servicio a los clientes, posibles fallos que pueden degradar otras partes de la instalación o cambios en la planificación de los trabajos, que provocan ineficiencias en el uso de los recursos. Además, también se evitan los problemas asociados al preventivo ya que el mantenimiento programado puede no ajustarse a las necesidades reales de los equipos y se puede caer en un sobremantenimiento, en el que se actúa más veces de las que es necesario con el correspondiente sobrecoste, o el inframantenimiento, que causa un aumento en las tareas de mantenimiento correctivo.
En consecuencia, desde Global Omnium, se ha implementado la herramienta de mantenimiento predictivo Predictto de Fracttal, una de las empresas participadas por el Grupo. Esta herramienta emplea algoritmos de desarrollo predictivos para optimizar el mantenimiento de los elementos electromecánicos más importantes de las instalaciones, gracias a los datos obtenidos de la sensorización en tiempo real. De este modo el sistema predice el momento del fallo de los equipos o el momento en el que el rendimiento de los equipos aumenta por encima de los niveles aceptables, permitiendo actuar antes de que esto ocurra y evitando un aumento en los costes de operación de las instalaciones. En concreto, GO PredictiveMNT tiene en cuenta los datos adquiridos del sistema de telecontrol (caudal impulsado, presión de bombeo, nivel del acuífero, vibraciones de los equipos, variables eléctricas, etc.) y predice la evolución de estos datos y otras ratios características de la instalación.
2. PRINCIPIOS BÁSICOS DEL CÁLCULO DE PREDICCIONES
Dentro del proceso predicción, el algoritmo de Predictto parte del concepto que una predicción útil requiere tres elementos a saber: Un suceso bien determinado dado por la variable en cuestión en relación con un modo de fallo, un tiempo de ocurrencia al evento y la probabilidad de que el mismo ocurra, dichas predicciones se basan en series de tiempo históricas. El algoritmo utilizado debe utilizar dichas series de tiempo como entrada para entregar predicciones que contengan los tres elementos nombrados anteriormente.
2.1. Pronóstico de las series de tiempo con procesos Gaussianos
Los procesos Gaussianos utilizados para este proyecto tienen la capacidad de realizar inferencias bayesianas sobre un conjunto de datos mostrando buen desempeño en presencia de pocos datos y permitiendo encontrar un pronóstico basado en la serie de tiempo con información de incertidumbre. El proceso Gaussiano se define por medio de la ecuación:
𝑝[𝑦(𝒙)] = 𝒩(𝜇(𝒙), 𝐾(𝒙, 𝒙)) (1)
Siendo y la variable de salida y x un arreglo de variables de entrada, p[y(x)] es la probabilidad para que con un conjunto de valores de entrada se obtenga un valor de salida particular y, el resultado es una distribución Normal 𝒩(∙) que tiene como parámetros la función de la media 𝜇(𝒙) que representa el valor más probable de la variable y la matriz 𝐾(𝒙, 𝒙) representa las covarianzas de la variable, es decir, la variación sobre la media, de esta manera se puede tanto realizar un pronóstico como determinar la incertidumbre de dicho pronóstico.
2.2. Cálculo de pronósticos de confiabilidad
Dado un proceso Gaussiano que representa un proceso de degradación físico se procede a transformar las probabilidades de ocurrencia de un valor en valores de confiabilidad: Podemos definir dicha confiabilidad como la probabilidad que un equipo se encuentre dentro de sus condiciones de operación, es decir entre el mínimo y el máximo de la variable dada expresado matemáticamente como:
𝑅(𝑥) = 𝑃(𝑦(𝑥) < 𝑦max) ∙ (1 − 𝑃(𝑦(𝑥) < 𝑦𝑚𝑖𝑛)) (2)
Donde ambos términos corresponden a las distribuciones acumuladas en un punto determinado del proceso Gaussiano:
𝑅(𝑥) = 𝑐𝑑𝑓(𝑦𝑚𝑎𝑥|𝜇(𝒙), 𝐾(𝒙, 𝒙)) ∙ (1 − 𝑐𝑑𝑓(𝑦𝑚𝑖𝑛|𝜇(𝒙), 𝐾(𝒙, 𝒙)) (3)
Donde,
De esta manera para cada proceso gaussiano con un conjunto de límites ymin, ymax se puede trazar una curva de confiabilidad que represente el estado de la variable y que se relaciona con la ocurrencia del modo de falla.
Las ventajas del modelo con procesos gaussianos es que es no paramétrico y es agnóstico a la variable, esto significa que no se requiere conocer a priori la distribución de los datos y que dicho modelo no requiere información de contexto de la variable. Por esta razón el modelo puede ser ajustado para pronosticar índices de bombeo, desviaciones del punto de funcionamiento y cualquier otra variable que muestre degradaciones o derivas a lo largo del tiempo.
Una vez construidos los modelos se utilizan tanto para valores históricos identificando puntos de degradaciones y restablecimientos del sistema como también en la realización de pronósticos.
Figura 1. Ejemplo de predicción y curva de confiabilidad del Índice de bombeo de una instalación
Los pronósticos de confiabilidad se contrastan para su evaluación contra el nivel mínimo de confiabilidad aceptable (nmca) que es determinado por el pronosticador como aquella confiabilidad mínima que es tolerable dentro de la operación del equipo y a partir de ella se puede calcular el tiempo residual de confiabilidad aceptable (ARRT) frente a un modo de falla como:
𝐴𝑅𝑅𝑇 = 𝑡𝑛𝑚𝑐𝑎 − 𝑡𝑎𝑐𝑡𝑢𝑎𝑙 (5)
Este valor determina el tiempo restante para que la confiabilidad se encuentre por debajo de las expectativas o requerimientos y se involucra dentro de los procesos de planificación como el tiempo máximo de espera hasta la próxima inspección o intervención del activo, acercando a la organización no sólo políticas de mantenimiento basado en condición, sino buscando optimizar las intervenciones bajo una filosofía de justo a tiempo.
3. VARIABLES ESTUDIADAS
El objeto de este proyecto es el análisis predictivo de variables en instalaciones de agua potable, tanto pozos como rebombeos. De este tipo de instalaciones los equipos más importantes son las bombas hidráulicas y los motores eléctricos asociados. Estos equipos representan el coste mantenimiento más importante en este tipo de instalaciones.
Otra de las premisas de este proyecto es sacar el máximo partido posible del gran número de variables que ya se estaban registrando en el sistema de telecontrol de las instalaciones. Tales como caudales producidos, presiones de aspiración e impulsión, niveles de acuíferos, consumos energéticos,
Con estas premisas, a continuación, se exponen las diferentes variables o ratios que se han utilizado como input para los diferentes modelos predictivos.
3.1. Índice de bombeo
Seguramente una de las ratios más importantes de todos los analizados, permite analizar el rendimiento de una instalación de bombeo. Similar al consumo específico, que relaciona la energía consumida con la producción del sistema, pero en el caso del índice de bombeo tiene en cuenta la altura manométrica de bombeo además del consumo específico de la instalación, de ese modo los valores de este indicador de desempeño energético no se ven afectados por las variaciones del nivel dinámico (nivel del acuífero) en el caso de los pozos y el dato es válido para comparar diferentes instalaciones.
Siendo IB el índice de bombeo, E la energía consumida por la bomba en Wh, V el volumen bombeado en m³, Pimp y Pasp la presión de impulsión y aspiración en m.c.a. y ND el nivel dinámico (para el caso de los pozos) que es la distancia entre el brocal de la perforación y el nivel del agua del acuífero cuando la bomba está en funcionamiento.
En caso de que este índice tenga una tendencia ascendente y aumente por encima de cierto valor es indicativo de que el rendimiento de la instalación está empeorando, ya sea porque ciertos elementos de la instalación como el motor o la bomba están degradándose, porque existen fugas en la columna de impulsión (en el caso de los pozos) o porque el nivel del acuífero ha variado y el punto de funcionamiento de la bomba ha cambiado. En todos los casos se requerirá planificar unas actuaciones de mantenimiento sobre los equipos afectados o un ajuste de la velocidad de la bomba para optimizarla a las nuevas condiciones de contorno (nivel del acuífero).
Otra causa que puede modificar el valor del índice de bombeo es que alguno de los sensores que alimentan las variables del modelo predictivo se estén degradando y necesiten mantenimiento o incluso ser sustituidos.
3.2. Desviación del punto de funcionamiento real vs. teórico de la bomba
Teniendo como inputs los datos de la curva de funcionamiento teórica del equipo según el fabricante y los datos de caudal, presión manométrica y velocidad de giro de la bomba. El sistema calcula por la ley de semejanzas la curva teórica a la velocidad de giro de la bomba a estudiar y analiza la desviación del puto teórico de la bomba con respecto al punto de funcionamiento real.
Siendo la curva de funcionamiento característica de una bomba a una función polinómica con la siguiente forma:
𝐻 = 𝑎 ∙ 𝑄2 + 𝑏 ∙ 𝑄 + 𝑐 (7)
Siendo H la altura manométrica, Q el caudal y a, b y c coeficientes independientes. Gracias a las relaciones de semejanza entre las bombas centrífugas:
Siendo n la velocidad de giro de la bomba en rpm.
Se calcula el punto de funcionamiento teórico a una velocidad diferente a la nominal y se puede comparar la altura manométrica H2 teórica con Hreal a una velocidad de giro n2 registrada por los sensores de la instalación.
Un aumento entre la diferencia entre el comportamiento real indica una degradación de los equipos, gracias a la predicción de estos datos se puede planificar una tarea de mantenimiento que evite el fallo del equipo.
3.3. Vibraciones
Dentro de las variables estudiadas se encuentran las vibraciones de las bombas de las relevaciones, no se incluyen los pozos debido a la imposibilidad de instalar este tipo de sensores en bombas sumergidas alojadas en perforaciones a decenas o incluso centenares de metros de profundidad.
El análisis de vibraciones en máquinas rotativas permite el diagnóstico de problemas mecánicos en los equipos en incluso de algunos problemas en máquinas eléctricas.
3.4. Desequilibrio de tensión y corriente entre fases
Otra de las variables introducidas en los modelos de predicción es el desequilibrio de tensión y corriente entre fases que pueden generan pulsaciones de torsión, un aumento de las vibraciones en la operativa de los equipos y del estrés mecánico. Estos desequilibrios de tensión y corriente también pueden indicar problemas de mantenimiento tales como conexiones sueltas y contactos desgastados.
4. INTEGRACIÓN CON PLATAFORMA DE GESTIÓN GLOBAL OMNIUM
Una de las premisas de este proyecto es una total integración con el ecosistema modular de aplicaciones de gestión de Global Omnium, desarrollado por la empresa para ofrecer una plataforma global para la gestión del ciclo integral del agua.
Así pues, desde la plataforma de gestión se envían los datos de las instalaciones necesarios para alimentar en tiempo real los modelos predictivos elaborados por Predictto que son visionados en esta misma plataforma para el visionado de los modelos y la generación de alarmas en el módulo de telecontrol.
En caso de detectar una anomalía en alguno de los modelos directamente el técnico puede generar una orden de trabajo de mantenimiento en el módulo GMAO para que los técnicos de mantenimiento ejecuten la tarea de mantenimiento pertinente adelantándose al momento del fallo.
5. CONCLUSIONES
Pese a que el proyecto está en proceso de implantación ya se han obtenido los primeros resultados de forma muy satisfactoria ahorrando costes de mantenimiento y mejorando el servicio a los abonados algo muy importante ya que cualquier interrupción del suministro de agua potable por labores de mantenimiento es inaceptable.
6. BIBLIOGRAFÍA
Rasmussen, C. E., & Williams, C. K. I., Gaussian processes for machine learning (2016), The MIT Press
Robert L. Sanks; George Tchobanoglous; Bayard E. Bosserman; Garr M. Jones. Pumping station design. (1998)
Roberts S.; Osborne M.; Ebden M.; Reece S.; Gibson N.; Aigrain S. 2013. Gaussian processes for time-series modelling. Phil Trans R Soc A 371: 20110550.
