Prognosis de fallo en componentes mecánicos mediante un sistema de monitorización con sensores IoT inalámbricos y análisis de datos en la nube

Ernesto Primera, Javier Basanta, Álvaro Rodríguez-Prieto 22 de mayo de 2024

0

0

0

0

8 min. de lectura

Ernesto Primera
Departamento Técnico, Machinery & Reliability Institute MRI
Alabama, USA

Javier Basanta
Departamento de Ingeniería de Construcción y Fabricación
Universidad Nacional de Educación a Distancia (UNED)
Madrid, ESPAÑA

Alvaro Rodríguez-Prieto
Departamento de Ingeniería de Construcción y Fabricación
Universidad Nacional de Educación a Distancia (UNED)
Madrid, ESPAÑA
Departamento de Inspección y Asistencia Técnica
SGS Tecnos
Madrid, ESPAÑA

RESUMEN

Un procedimiento para la prognosis de fallos debe englobar las tareas de análisis que se inician desde la captura de datos hasta llegar a conclusiones relacionadas con la condición (o estado de salud) de una máquina en función del tiempo. Estos análisis pueden ser de naturaleza muy diferente, desde una simple operación que puede venir determinada por procesos que se rigen bajo un enfoque determinística o, incluso, estocástico hasta un complejo modelado mediante modelos físicos, para finalmente hacer una proyección del comportamiento de una variable que representa el estado de salud de los equipos. Esta variable o variables, se pueden definir realmente como “síntomas”, y están relacionadas con un modo o varios modos de fallos. Como caso de estudio, mostraremos el diseño de un sistema de monitorización con sensores IoT (Internet of Things, por sus siglas en inglés) y prognosis basada en vibraciones, aplicado a una caja de engranajes en una industria de alta exigencia. Se trata de un procedimiento en el que los usuarios envían vía internet paquetes de datos recolectados por los sensores IoT, que son sometidos a diversos procesos de análisis para obtener un pronóstico de la condición actual y futura de los equipos. En este trabajo, se han empleado paquetes de software de analítica predictiva para construir diferentes modelos que han permitido reducir drásticamente el tiempo de ejecución de los análisis.

INTRODUCCIÓN

Nos enfrentamos a grandes desafíos en un mundo globalizado. Es, por ello, fundamental el cumplimiento de los 17 Objetivos de Desarrollo Sostenible (ODS) de Naciones Unidas en 2030 (Naciones Unidas, 2019) para hacer viable un planeta con futuro. Alcanzarlos no solo depende de la voluntad de los gobiernos, instituciones o personas. Es sumamente importante la aplicación de tecnologías que, con su efecto multiplicador, permitan lograr los objetivos (Puente, 2020). La aplicación de técnicas avanzadas de analítica de datos y el empleo de inteligencia artificial han demostrado ser herramientas clave para resolver problemas complejos. Sin embargo, las posibilidades de estas técnicas aún no se han estudiado en profundidad dentro del ámbito de la predicción de la fiabilidad y daño en las etapas de fabricación y operación de componentes mecánicos. En la actualidad, la inteligencia artificial solo puede verse como un poderoso asistente, ya que estos sistemas aún requieren la supervisión de agentes humanos que validen sus decisiones. En cualquier caso, estos sistemas son capaces de reducir, en gran medida, la complejidad de las tareas encomendadas. Necesitamos herramientas que puedan sumergirse en el gran volumen de datos que surgen del análisis de diversos sistemas y proponer la solución óptima entre las opciones (Pal, 2015).

El desarrollo tecnológico actual permite producir cantidades masivas de datos de comportamiento de materiales relacionados con el proceso de fabricación industrial, las condiciones de las máquinas y sus componentes, el medio ambiente y el de operación. Sin embargo, estos datos deben procesarse para obtener información fiable y útil que permita tomar mejores decisiones (Merayo et al. 2019). Así pues, el modelado de datos resulta esencial para caracterizar matemáticamente la tendencia en el comportamiento de los componentes que definen un sistema. En muchas ocasiones, los datos obtenidos, suelen mostrar patrones (modelos o tendencias). Es objeto del análisis de datos encontrar (inferir) los patrones (leyes matemáticas) de una cierta población (gran conjunto de datos de los que normalmente se desconoce la mayoría de sus valores) en función de los valores muestrales (subconjunto de datos conocidos de una población) observados de variables aleatorias (los datos de la población se denominan así). La aplicación de técnicas avanzadas de analítica de datos ha demostrado ser una herramienta clave para resolver problemas complejos (Dimiduk, 2018). Sin embargo, las posibilidades de estas técnicas aún no se han estudiado en profundidad dentro del ámbito de la predicción de la fiabilidad y daño en operación de componentes mecánicos.

La fiabilidad reducida de un componente puede causar una serie de consecuencias no deseables, relacionadas con la seguridad, la competitividad, así como con las inversiones en mantenimiento y reparación. De este modo, la fiabilidad de un componente y la del equipo y/o sistema en el que está instado está estrechamente relacionada con el número de fallos que presentará en un intervalo de tiempo dado. En relación con esto, desde una perspectiva de diseño, existe escasa literatura científica sobre estudios de fiabilidad de componentes fabricados (Paganina y Borsatoa, 2017). Algunos estudios como el de Geiger y Sarakakis (2016), el de Melinda y Tien-Wei et al. (2016) o el de Pandian et al. (2020) emplean el análisis de datos para predecir la fiabilidad de un producto determinado. Por otro lado, algunos otros trabajos como los publicados por Ahmadi et al. (2015) o Moayedi et al. (2019) han empleado algunas técnicas de inteligencia artificial para la predicción de la fiabilidad de componentes. No obstante, la mayor parte de estos trabajos de investigación se centran en la predicción de la fiabilidad de componentes electrónicos; no existiendo apenas estudios en los que se aplican técnicas de análisis de datos en la nube combinados con sensorización IoT para realizar tareas de prognosis de fallos en servicio en equipos mecánicos.

METODOLOGÍA. APLICACIÓN A CASO DE ESTUDIO

Como caso de estudio, en este trabajo, mostramos el diseño de un sistema de monitorización con sensores IoT (Internet of Things, por sus siglas en inglés) y pronóstico de vibraciones, aplicado a unos rodamientos en una industria de alta exigencia. Se trata de un procedimiento en el que los usuarios envían vía internet paquetes de datos recolectados por los sensores IoT, que son sometidos a diversos procesos de análisis para obtener un pronóstico de la condición actual y futura de los equipos usando como parámetro principal de análisis la amplitud vibracional (Figura 1).

Figura 1. Esquema del procedimiento para la prognosis de fallos

En este trabajo, se utilizaron paquetes de software para la aplicación de analítica predictiva para construir diferentes modelos, que permiten reducir drásticamente el tiempo de ejecución de los análisis. A principios de julio del 2019 una planta de producción en la Industria Pesada de Estados Unidos contacta a uno de los miembros del Grupo AFP para monitorizar uno de sus equipos más críticos, una Caja de Engranajes (Figura 2). Después de observar durante las inspecciones mensuales con analizadores de vibraciones portátiles que el equipo había sufrido algunos cambios en el espectro de vibraciones que no se habían observado antes; a pesar de que las amplitudes de vibraciones se mantenían bajas.

Figura 2. Caja de Engranajes

Uno de los aspectos más importantes era tratar de diferir la adquisición de partes para mantenimiento mayor del equipo, así como la parada de planta en el 2019, para esto se desplegó el esquema mostrado en la Figura 3. Como parte de la primera fase del esquema, se seleccionaron sensores para monitorización de vibraciones inalámbricos, que conectados a la nube nos permitiera monitorear de forma permanente el equipo y construir un set de datos para aplicar los algoritmos de pronóstico.

Figura 3. Modos de Fallo Potenciales

Se identificaron tres potenciales modos de fallo descritos en la Figura 3, y se seleccionó el algoritmo para identificar estos modos de fallo, los cuales están resaltados entre cuadros de líneas punteadas como puede apreciarse en la Figura 4.

Figura 4. Algoritmos para pronóstico de fallos evaluados

RESULTADOS

Las capturas de datos iniciaron el 14 de julio del 2019, y el primer pronóstico se realizó el 15 de septiembre del 2019, mostrando que las vibraciones globales alcanzarían el nivel de alarma de 0.22 IPS entre los meses de marzo y abril del 2020. En la Figura 5 se puede ver la validación del primer pronóstico. Con este logro se pudo retrasar la compra de componentes para mantenimiento mayor y también se pudo retrasar la parada de planta hasta el 2020.

Figura 5. Validación del primer pronóstico

Aunque el primer pronóstico y su validación fueron la base del caso, se procedió a proyectar la vida útil remanente del rodamiento y se alcanzó un pronóstico de un segundo nivel de alarma en agosto del 2020, para cuando - gracias a la capacidad de pronóstico del modelo - se pudo planificar la parada de planta en una temporada adecuada y con tiempos de entrega estándar de los componentes sin tener que pagar altos costos por acelerar tiempos de entrega. Es importante resaltar que solo el coste de los componentes principales para mantenimiento mayor del equipo es de aproximadamente de 2 millones de dólares.

CONCLUSIONES

El caso muestra el éxito de la aplicación de modelos y algoritmos avanzados para pronóstico de fallos de equipos con variables de serie tiempo como las vibraciones.

Fue indispensable tener múltiples variables vibracionales a través del tren de ejes de la caja de engranajes, también fue determinante la identificación de modos de fallos para asegurar la observabilidad de estos.

Una de las claves del éxito del modelo fue la aplicación de técnicas de identificación de patrones de frecuencias de vibraciones dentro del espectro vibracional, junto con la proyección de la amplitud de estos picos de frecuencia mediante un modelo de regresión. Esto demuestra el gran potencial que ofrece la combinación de conocimientos tradicionales sobre análisis de vibraciones con la aplicación de modelos de ciencia de datos.

AGRADECIMIENTOS

Este trabajo se ha realizado por integrantes del Grupo AFP de la UNED (https://blogs.uned.es/innovacion/grupo-afp/) en el marco de los proyectos de investigación 2021V/-TAJOV/006 y 2022-CTINV-0084.

REFERENCIAS

• M.A. Ahmadi, M. Pournik, S.R. Shadizadeh (2015). Toward connectionist model for predicting bubble point pressure of crude oils: Application of artificial intelligence, Petroleum, 1 (4), 307-317.
• D.M. Dimiduk, E.A. Holm, S.R. Niezgoda (2018). Perspectives on the impact of machine learning, deep learning, and artificial intelligence on materials, processes, and structures engineering. Integrating Materials and Manufacturing Innovation, 7, 157–172.
• C. Geiger, G. Sarakakis (2016). Data driven design for reliability, in: 2016 Annual Reliability and Maintainability Symposium (RAMS), pp. 1- 6.
• H. Melinda, H. Mark Tien-Wei (2016). Cleaning historical maintenance work order data for reliability analysis, Journal of Quality in Maintenance Engineering, 22, 146-163.
• D. Merayo, A. Rodríguez-Prieto, A.M. Camacho (2019). Comparative analysis of artificial intelligence techniques for material selection applied to manufacturing in Industry 4.0, Procedia Manufacturing, 41, 42-49.
• H. Moayedi, S. Hayati (2019). Artificial intelligence design charts for predicting friction capacity of driven pile in clay, Neural Computing and Applications, 31, 7429–7445.
• Naciones Unidas. Informe de los Objetivos de Desarrollo Sostenible. 2019. Disponible en: https://unstats.un.org/sdgs/report/2019/The- Sustainable-Development-Goals-Report-2019_ Spanish.pdf
• L. Paganina, M. Borsatoa (2017). A critical review of Design for Reliability - A bibliometric analysis and identification of research opportunities. Procedia Manufacturing, 11, 1421 – 1428.
• G. Pandian,  M. Pecht E. Zio M. Hodkiewicz (2020). Data-driven reliability analysis of Boeing 787 Dreamliner, Chinese Journal of Aeronautics Fink et al.
• S. K. Pal, S. K. Meher, A. Skowron (2015). Data science, big data and granular mining, Pattern Recognition Letters, 67, 109-112.
• P. de la Puente (2020). Inteligencia artificial para conseguir los ODS. Revista Telos, 113, 68-74.