Novedoso dispositivo autónomo de detección temprana de mal funcionamiento y respaldo del sistema de control

2187
9
0
0
15 min. de lectura
Imagen del artículo Novedoso dispositivo autónomo de detección temprana de mal funcionamiento y respaldo del sistema de control

Miguel Ángel Rodríguez López
Foggify

Luis María López González
TENECO Research Group (Universidad de La Rioja)


Jesús Las Heras Casas
TENECO Research Group (Universidad de La Rioja)

RESUMEN

En plena era digital donde la Industria 4.0 y el Internet de las Cosas (IoT) se postulan como una evolución irrefrenable se están dejando de lado la gran cantidad de equipos industriales en operación o en los almacenes de los proveedores que no llegarán a experimentar dicha revolución y a los cuales les quedan muchos años de vida hasta su amortización. Además, no se debe olvidar que muchas PYMES no disponen de personal de mantenimiento familiarizado con herramientas digitales o no pueden invertir en infraestructuras Big Data.

Mediante el mantenimiento basado en la condición se consigue alargar el ciclo de vida de los equipos y maximizar la rentabilidad de las instalaciones, ya que se reduce el impacto de las averías y la pérdida de producción por indisponibilidades de los equipos.

Mediante el sistema de hardware embebido desarrollado por foggify, podrá monitorearse la condición de cualquier equipo, bien con la sensórica instalada o con sensores adicionales, facilitando valiosa y sencilla información al personal de mantenimiento, como el nivel de degradación del equipo y la necesidad de realizar una inspección.

Se desarrolló una metodología enfocada a la aplicación práctica de las técnicas de Inteligencia Artificial en la detección de mal funcionamiento en equipos. Con dicha tecnología se desarrollaron una serie de indicadores de estado de equipo, aplicados a un componente en concreto, y se detectó el 100% de los casos de fallo no aleatorio en el equipo, con una antelación de varios meses.

Dicha metodología se ha compilado en un sistema Hardware autónomo, el cual hace automáticamente un modelo de comportamiento del equipo (digital clone) y posteriormente simula el comportamiento esperado, comparándolo con el comportamiento real que está presentando. De esta forma, el sistema es capaz de estimar el nivel de degradación del componente, enviando al PLC de control alarmas del estado, así como también mostrar en un display, o mandar a la nube esta información del estado de salud del equipo.

El dispositivo puede instalarse en equipos ya en funcionamiento, o incluirse en las especificaciones de diseño de nuevos equipos desde origen en los fabricantes, aportando un gran valor añadido al producto.

En este artículo se presentarán los resultados del piloto, en el que se muestra cómo el dispositivo detecta mal funcionamientos en un equipo que está siendo degradado y que finalmente es llevado hasta el fallo.

1. INTRODUCCIÓN

Internet ha supuesto una revolución en las comunicaciones por el simple hecho de que todo dispositivo conectado a la red de redes puede intercambiar información con otros dispositivos.

Ahora, la conectividad de los equipos está sufriendo su propia revolución. La reducción del coste de la electrónica, la mejora de la sensórica y el aumento de la capacidad adquisitiva de grandes sectores de la sociedad está permitiendo que cada vez más equipos tengan la posibilidad de estar monitorizados o controlados vía remota, desde interruptores para la luz a cafeteras.

La figura 1, propuesta por Ahmed Banafa, muestra la evolución del número
de equipos conectados y una proyección hasta el año 2020.

Según algunos autores, el “Internet de las cosas (IoT)” es un concepto que
se refiere a la interconexión digital de los objetos cotidianos con internet”,
visualizándolo como la “Nueva revolución industrial”.

IoT supondrá una generación de datos en tiempo real de tal calibre que los actuales servidores quedarán obsoletos para almacenar y analizar todos esos datos. Por otra parte, la necesidad de transmitir dichos datos hasta la nube precisará anchos de banda enormes y que se tenga en cuenta que el origen de los datos no será fijo. La tecnología 5G solucionará en parte este problema, pero ¿se garantiza una misma cobertura en todas las ubicaciones?
Mediante la computación en la niebla (Fog computing), se evitaría tener que enviar todos los datos a los “cloud”, siendo procesados primeramente a nivel local y, por tanto, reduciendo no sólo el volumen de datos en tránsito, sino el tiempo de respuesta o latencia ante un posible problema o necesidad de actuación. La niebla se sitúa en la frontera entre la nube y el usuario, como una extensión de la nube, utilizando dispositivos como routers, conmutadores y dispositivos de acceso integrado (Figura 2).

Figura 2. Esquema de computación en la niebla.

Esencialmente consiste en que, en lugar de enviar los datos generados por vehículos, trenes, ascensores, maquinaria industrial, aerogeneradores, barcos, etc. a la nube para ser analizados, estos datos sean analizados en los propios dispositivos inteligentes que los rodean. La computación en este nivel solucionaría los problemas de disponer de sistemas capaces de actuar en tiempo real con los datos entrantes y trabajar dentro de los límites del ancho de banda disponible. En sistemas críticos, tales como trenes, metro, vehículos, etc., no basta con mandar datos a servidores centrales para
esperar a ser analizados, siendo la seguridad lo primero en estos casos, requiriéndose el cálculo en tiempo real.

La ejecución de algoritmos en la niebla permitiría recoger y procesar información que se está generando en tiempo real a nuestro alrededor, enviando a la nube únicamente el resultado del algoritmo o bien interactuando directamente con el dispositivo. Esto facilitará:

  • Ejecutar aplicaciones que requieren una latencia muy baja y previsible. Tal es el caso de aplicaciones para sistemas de alta fiabilidad y seguridad, que no pueden situarse en cola la ejecución, sino que deben ser procesadas en tiempo real, con tiempos de respuesta cortos.
  • Reducir el ancho de banda requerido para la transmisión de datos.
  • No se necesitan costosas y complejas arquitecturas de Big Data.

El concepto de Fiabilidad de las Cosas (RoT) hace referencia a un conjunto de dispositivos con metodologías y algoritmos que sirven para monitorizar y evaluar el estado de salud de los dispositivos a los que están conectados en sus inmediaciones (en la misma niebla) con la finalidad de mejorar su seguridad y disponibilidad.

Las oportunidades de negocio crecen exponencialmente y Cisco ya ha pronosticado que de manera optimista el mercado tendrá unos 19 billones de dólares de negocio.

En este contexto, la actividad operativa de equipos como los anteriormente citados, e incluso personas, podrá monitorizarse en tiempo real. Mediante la utilización de técnicas de inteligencia artificial (IA) se pueden identificar patrones de fallo de los equipos. La aplicación de un adecuado mantenimiento basado en la condición o mantenimiento predictivo sobre esos dispositivos permitirá alargar su período de vida útil y maximizar su eficiencia operativa. Todos estos “equipos” son propensos a sufrir fallos, mal funcionamientos y degradaciones y, en consecuencia, el conocimiento del instante potencial de su fallo permitiría reducir el impacto de sus averías. Por otra parte, conocer qué es lo que va a fallar y cuándo permite optimizar la gestión de almacenes y reducir los tiempos logísticos de espera en la realización de las tareas de mantenimiento.

La aplicación de una tarea de mantenimiento predictivo supone la realización
de tres procesos:

  1. Detección: Para identificar si el equipo en cuestión presenta una anomalía.
  2. Diagnóstico: Para identificar qué tipo de anomalía se está dando en la máquina.
  3. Prognosis: Para determinar en qué momento se llegará a producir la avería detectada y diagnosticada.

    El objeto del presente artículo es presentar un novedoso dispositivo
    electrónico para mantenimiento predictivo en un entorno del IoT y Fog
    Computing, aplicando las metodologías más avanzadas para la detección de
    anomalías en equipos industriales mediante la utilización de modelos de
    comportamiento normal (o digital clone).

2. DESCRIPCIÓN DEL DISPOSITIVO

RoT es un dispositivo electrónico compacto para la detección de fallos
prematuros en equipos. Está especialmente diseñado para la industria 4.0 y
para ser compatible con la gran mayoría de los actuales sistemas de control.
Se dispone de varias versiones del dispositivo, compacta (para uso regular o
intensivo) e integrada con pantalla táctil, la cual permite una monitorización
directa del estado de salud del equipo (Figura 3).

Todos los dispositivos de la gama RoT tienen la capacidad de conectarse e interactuar con los equipos de su alrededor mediante conexión física (cable ethernet) o bien de forma inalámbrica (conexión wifi, bluetooth o similar), como se muestra en la Figura 4. El dispositivo genera una red wifi (o niebla) alrededor suyo, de tal forma que todos los dispositivos del IoT, como sensores, sistemas de control con conexión wifi, etc. pueden mandar y recibir datos conectándose a esta niebla. Bien sea inalámbricamente o mediante conexión física, el dispositivo utiliza protocolos estándar de comunicación (MQTT), de tal forma que mediante una sencilla configuración se establece la comunicación con los tradicionales PLC de control. En algunos casos es posible que los actuales PLC precisen una plataforma intermedia, pero los fabricantes de las diferentes tecnologías ya están trabajando en ello, de tal forma que la mayoría de sus equipos ya están preparados para este entorno de industria 4.0.

El dispositivo tiene además conexión a la nube, lo cual permite enviar resultados del análisis del estado del equipo a servidores externos.

El funcionamiento del dispositivo es muy sencillo, ya que está concebido para que cualquier técnico de mantenimiento pueda utilizarlo sin tener conocimientos específicos de Big Data, ciencia de datos o mantenimiento predictivo.

3. DESCRIPCIÓN DEL PILOTO

Las actuales soluciones de mantenimiento predictivo basadas en Big Data, generalmente, se fundamentan en la elaboración de búsqueda de patrones de fallo o la realización de complejos modelos de comportamiento. Estas metodologías precisan un elevado volumen de datos correspondientes a un extenso histórico de operación de los equipos. Datos que hay que almacenar durante largo periodo de tiempo hasta que son analizados.

La metodología que utiliza el dispositivo desarrollado consiste en la realización
de un modelo de comportamiento de un equipo a partir de pocas muestras de sus variables de operación (temperatura, presión, etc.) y, posteriormente, comparar el valor real de dichas variables con el valor simulado por el modelo. Si se dan desviaciones entre el modelo y la realidad, podría significar que el equipo está presentando un comportamiento anómalo. Tan pronto como el dispositivo se conecta a los equipos a monitorizar, comienza a hacer su clon digital, aprendiendo de ellos cómo es su comportamiento normal.

Para poder demostrar la capacidad de detección de mal funcionamientos del
dispositivo se desarrolló un banco de pruebas (Figura 5). En este banco se realizaron los siguientes experimentos:

  1. Comprobar la capacidad de conexión del dispositivo con equipos del IoT
    (ESP8266) y con tradicionales PLC’s (Siemens 1200).
  2. Desarrollo y validación de la arquitectura y algoritmos del dispositivo.
  3. Demostrar la capacidad de fallos prematuros en los equipos mucho
    antes de darse las primeras alarmas en los dispositivos de control. Para
    ello, se creó un simulador de fallos, de tal forma que en lugar de llevar al
    fallo equipos reales, se simularon diferentes modos de fallo.

3.1 Realización del modelos de comportamiento

3.1.1 Selección, limpieza y tratamiento de la muestra.

Dado que en todo sistema de control y proyecto de ciencia de datos, podemos encontrarnos con datos aberrantes, es necesario realizar un pretratamiento de las señales de entrada. En el caso del piloto se simularon en Simulink® los valores de operación de un generador eléctrico asíncrono. En el proceso de simulación se incluyeron datos aberrantes de forma manual y aleatoria. Los valores obtenidos de comportamiento normal en la simulación se mandaron posteriormente desde el PLC como se fuesen mediciones en tiempo real. Las variables consideradas para la realización de los modelos han sido:

  • Variable objetivo a monitorizar:
    - Temperatura de uno de los rodamientos del eje del generador (ºC).
  • Variables de entrada asociadas con la temperatura del generador:
    - Carga/potencia del motor eléctrico (kW).
    - Temperatura ambiente (ºC).
    - Revoluciones del rotor (r.p.m.).
    - Temperatura del rodamiento gemelo opuesto en el mismo eje rotor (ºC).

El tratamiento que sufrirán los datos será un filtrado manual y, posteriormente, una normalización de los mismos.

Para cada una de las variables consideradas, el filtro manual elimina aquellos valores que, desde el punto de vista lógico de operación no tienen sentido. Posiblemente, se trate de datos debidos a fallos en la sensórica o casos de operación claramente anómalos. Estos límites conocidos por el experto o técnico de mantenimiento se introducen en RoT mediante una sencilla pantalla de configuración (Figura 6).

Figura 6 - Pantalla de configuración de las variables del digital clone.

Los límites obtenidos con el filtrado manual para las diferentes variables del piloto fueron los siguientes:

• Temperatura de los rodamientos del eje del generador (0<T<90 ºC).
• Carga/potencia del generador eléctrico (0<P<2500 kW).
• Temperatura ambiente (0<Ta<50ºC)
• Revoluciones del rotor (0<R<1300 r.p.m.).

Al realizar modelos con variables de entrada de diferentes unidades, escalas, etc., se hace necesaria la normalización de los datos, de tal forma que la escala de fluctuación de unas variables frente a otras pueda relacionarse y no se dé más peso a una variable que presente cifras más elevadas, como pueden ser las revoluciones por minuto del eje en el que se encuentra el rodamiento (que puede oscilar entre 0 y 1200 r.p.m.) frente a otra variable, como puede ser la temperatura ambiente (que puede oscilar entre 0ºC y 40ºC).

El dispositivo realiza internamente la normalización de las variables.

3.1.2 Digital Clone: Realización del modelo de comportamiento

El dispositivo utiliza redes neuronales (Figura 7) para el modelado del comportamiento normal del equipo. La principal ventaja que aportan los modelos con redes neuronales deriva del hecho de que no hace falta conocer la naturaleza del conjunto de datos que se quiere representar, sino que la propia red neuronal, a través del proceso de entrenamiento, recoge las características esenciales de dicho conjunto de datos.

Una red neuronal es básicamente una ecuación más o menos compleja para la que hay que ajustar sus parámetros. El ajuste de los parámetros se realiza mediante un proceso iterativo en el que se calcula la salida del modelo y se compara con la salida real. En cada iteración se ajustan los parámetros de tal forma que se busca minimizar el error entre el modelo y la realidad.

Figura 7 - Ejemplo de Red neuronal.

Los algoritmos de RoT, ajustan el tamaño y configuración de la red en función de las variables configuradas por el usuario. Una vez se ha entrenado la red neuronal, ésta es capaz de simular los valores esperados en función de nuevas variables de entrada.

Para detectar los males funcionamientos del equipo se analizan las desviaciones entre los valores simulados y la temperatura real, es decir se analiza la evolución de los residuos a lo largo del tiempo. Los indicadores de degradación desarrollados son una gran complejidad. El desarrollo de los mismos se realizó en base a dos premisas fundamentales:

  • Debían ser muy estables sin generar falsos positivos cuando se den datos aberrantes o fallos transitorios.
  • Debían ser muy enérgicos cuando se produce un mal funcionamiento para que haya duda a la hora de generar la alarma.

Para probar la capacidad de fallo de los indicadores, se simularon fallos modificando ligeramente los valores de operación de forma aleatoria. Los valores de temperatura se modificaron con incrementos muy reducidos, de tal forma que dichos fallos no serían detectados por los actuales sistemas de control al encontrarse la máquina dentro de los límites de operación. Sin embargo, el dispositivo desarrollado es muy sensible a los cambios de comportamiento normal del equipo, y el indicador reacciona de forma enérgica dando una alarma.

Tanto en la versión compacta, como en la de pantalla integrada del dispositivo,
podrán monitorizarse los valores de operación, el valor de la señal simulada y
los indicadores de estado del equipo, así como un listado de alarmas
registradas en el equipo (Figura 8).

Figura 8 - Monitorización de la salud en un RoT Integrado.

3.2 Ejemplo de detección de un mal funcionamiento

En la Figura 9 se muestran una de las pantallas del sistema de monitorización del estado de salud del equipo. En la zona izquierda, se representan las alarmas registradas en el equipo, de tal forma que el usuario podrá ver si hay alarmas activas y las históricas.

En la zona de las gráficas temporales, se representan las variables asociadas con la temperatura del rodamiento (dos gráficas superiores), así como la temperatura real de equipo (tercera gráfica) y el valor que temperatura esperada según la simulación del digital clone. En la parte inferior se presenta uno de los indicadores de detección y estimación de la vida remante del equipo.

Figura 9 - Monitorización del estado de salud del equipo.

La temperatura real del equipo es la representada en color verde (Figura 10), y la temperatura simulada por el modelo en color amarillo, conjuntamente con las bandas de comportamiento normal (naranja y azul). Cuando se comienza la simulación del fallo, vemos como la temperatura del equipo empieza a ser cada vez mayor, alejándose de la temperatura esperada según el modelo. Sin embargo, no llega a superar el valor de alarma (línea horizontal roja en los 80ºC), es por ello que el PLC no hubiese detectado el mal funcionamiento. Sin embargo, el indicador de degradación (en color rojo), reacciona desde el primer momento, superándose su nivel de alerta con varias semanas de antelación.

Figura 10 - Detalle del Indicador de detección

Cuando el equipo recupera su funcionamiento normal, es decir, vuelve a presentar valores similares a los estimados por el modelo, el indicador se recupera inmediatamente. Esto hace que el indicador también puede utilizarse para evaluar la actuación del mantenimiento. Es decir, si el indicador se recupera significará que el equipo se ha mantenido correctamente. Si no lo hace, será necesaria una segunda revisión.

4. CONCLUSIONES

A lo largo del presente trabajo, se ha introducido la acelerada transformación que está generando el Internet de las Cosas (IoT). Cada vez son más los dispositivos que generan datos y están conectados a la red, de tal forma que llegará un momento en el que el volumen de esos datos que deben ser transmitidos, almacenados y procesados en la nube no sea gestionable. Para solucionar este inconveniente, surge el Fog Computing que se fundamenta en el procesamiento de datos en cualquiera de los dispositivos próximos a la fuente de los mismos. Esto permite reducir el tráfico de datos a los servidores, descargándoles de carga de computación y mejorando los tiempos de respuesta y la fiabilidad del sistema, ya que puede fallar un servidor, pero es más improbable que fallen todos los dispositivos conectados en la niebla. Es en este punto, en el que se ha introducido el concepto de Fiabilidad de las cosas (RoT).

En el presente trabajo, se ha presentado un novedoso dispositivo de bajo coste, que puede conectarse a la gran mayoría de los actuales equipos (trenes, aviones, aerogeneradores, turbinas, etc.), analizar su estado de salud y mostrarlo en su propio sistema de monitorización.

Se ha probado, cómo el dispositivo es capaz de detectar ligeras desviaciones del comportamiento normal del equipo, anticipándose a la alarma de los actuales PLC’s con días o meses de antelación en función del modo de fallo. Además, se puede utilizarse como sistema de monitorización del equipo.

BIBLIOGRAFÍA

  1. Andrew Kusiak and Anoop Verna. (2012). Analyzing bearing faults in wind turbines: A data-mining approach. Renewable Energy 48 (2012) 110-116. doi:10.1016/j.renene.2012.04.020.
  2. Cadini F, Agliardi GL, Zio E. A modeling and simulation framework for the reliability/availability assessment of a power transmission grid subject to cascading failures under extreme weather conditions. Appl Energy 2017;185:267–79. doi:10.1016/j.apenergy.2016.10.086.
  3. García Pérez, A. Métodos avanzados de estadística aplicada. Universidad Nacional de Educación a Distancia. Madrid. 2001.
  4. Hai Qiu, Jay Lee, Dragan Djudjanovic and Jun Ni. (2005). Advances on prognostics for intelligent maintenance systems.
  5. MEIK SCHLECHTINGEN, ILMAR FERREIRA SANTOS and SOFIANE ACHICHE. (2013). Wind turbine condition monitoring based on SCADA data using normal behaviour models. Part 1: System description. Applied Soft Computing 13 (2013) 259-270. doi:10.1016/j.asoc.2012.08.033.
  6. Meik Schlechtingen and Ilmar Ferreira Santos. (2014). Wind turbine condition monitoring based on SCADA data using normal behaviour models. Part 2: Application examples. Applied Soft Computing 14 (2014) 447-460. doi:10.1016/j.asoc.2013.09.016.
  7. Mo H-D, Li Y-F, Zio E. A system-of-systems framework for the reliability analysis of distributed generation systems accounting for the impact of degraded communication networks. Appl Energy 2016;183:805–22. doi:10.1016/j.apenergy.2016.09.041.
  8. Rodríguez-López MA. Metodología para sistemas inteligentes de detección de mal funcionamientos en equipos. Aplicación a los aerogeneradores. Tesis Doctoral en la Universidad de La Rioja. Logroño. 2015.
  9. Rodríguez-López MA, López-González LM, López-Ochoa LM, LasHeras-Casas J. Development of indicators for the detection of equipment malfunctions and degradation estimation based on digital signals (alarms and events) from operation SCADA. Renew Energy 2016;99:224–36. doi:10.1016/j.renene.2016.06.056.
  10. Sun P, Li J, Wang C, Lei X. A generalized model for wind turbine anomaly identification based on SCADA data. Appl Energy 2016;168:550–67. doi:10.1016/j.apenergy.2016.01.133.

Deja tu comentario

Consulta nuestra para evitar que se elimine

Principios y normas de participación en AEM Daily News

En AEM queremos fomentar la participación de los lectores a través de los comentarios en los artículos que publicamos en nuestra web y aplicación móvil. Así mismo, queremos promover una conversación de calidad con los usuarios, que enriquezca el debate y el pluralismo en temas de interés del sector del mantenimiento, en la que quedan excluidos los insultos, las descalificaciones y opiniones no relacionadas con el tema. El objetivo es ofrecer a los usuarios la revista un debate y discusión en la que se respeten los siguientes principios:

Son bienvenidos todos los comentarios de todos los usuarios que contribuyan a enriquecer el contenido y la calidad de la página web y app de AEM Daily News.

La discrepancia y el contraste de opiniones son elementos básicos del debate. Los insultos, ataques personales, descalificaciones o cualquier expresión o contenido que se aleje de los cauces correctos de discusión no tienen cabida en AEM Daily News.

La política de moderación garantiza la calidad del debate, acorde con los principios de pluralidad y respeto recogidos en el aviso legal de esta web y app. En AEM Daily News seremos muy estrictos a la hora de rechazar opiniones insultantes, xenófobas, racistas, homófobas, difamatorias o de cualquier otra índole que consideremos inaceptables.

El usuario publicará sus comentarios con su nombre y apellidos, y se compromete a no enviar mensajes que difamen, insulten, contengan información falsa, inapropiada, abusiva, pornográfica, amenazadora, que dañe la imagen de terceras personas o que por alguna causa infrinjan alguna ley.

La dirección editorial de AEM Daily News decidirá a diario qué contenidos se abren a comentarios. Esta selección se hará con criterios de valor informativo y siempre que resulte posible gestionar una moderación de calidad. La lista de contenidos abierta a comentarios aspira a ser lo más amplia posible y a estar en permanente actualización.

Los comentarios realizados en la página web y app de AEM Daily News pueden publicarse simultáneamente en las principales redes sociales dentro de la aspiración a ampliar la conversación a otros espacios.

Los mensajes escritos en mayúsculas, publicitarios o sobre cuestiones no relacionadas con el tema del artículo serán rechazados.

AEM Daily News se reserva el derecho de eliminar los comentarios que considere inadecuados y de expulsar a aquellas personas que incumplan estas normas.

Hazte socio de la AEM

Regístrate como socio y pasa a formar parte de la red de profesionales de Mantenimiento más importante de España.

Más información

Formación AEM

Consulta nuestra agenda de eventos y encuentra la formación que buscas en el área del mantenimiento.

Ver oferta formativa

Síguenos en las redes

No te pierdas ningún evento

Suscríbete a nuestro newsletter para recibir en tu correo o en nuestra app Android / iOS toda la información sobre formación, jornadas, webinars, etc.

Suscríbete al newsletter

Patrocinadores

Conviértete en patrocinador de la AEM

Infórmate de los beneficios y ventajas de asociarse a la AEM. Contacta con nosotros.

El sitio web utiliza cookies propias y de terceros con fines analíticos y técnicos para mejorar la experiencia de navegación. Puede aceptarlas todas o cambiar las preferencias de sus cookies en el botón de Configuración. Mas información en Política de cookies.