Uso de Inteligencia Artificial para optimización de la gestión de activo de alta capitalización
Javier Serra Parajes
Gerencia Gestión y Análisis de Mantenimiento
Enagas Transporte
1. INTRODUCCIÓN
Son muchos los avances tecnológicos que están impactando directamente en el modo en el que las empresas gestionan sus activos industriales. Bajo del nombre de mantenimiento 4.0 se están incluyendo diferentes conceptos que sin duda están acelerando de manera exponencial los resultados que hasta ahora se obtenían de las metodologías más clásicas de gestión de mantenimiento.
Dentro de estos conceptos, entre los que estarían la conectividad, la monitorización o la fabricación aditiva, este artículo se va a centrar en el uso del dato operativo, y en concreto en su utilización mediante metodologías de inteligencia artificial.
2. USO DEL DATO COMO PARTE DEL MODELO DE GESTIÓN INTEGRAL
El uso de los datos para la toma de decisiones en el ámbito de la gestión de activos, viene siendo un pilar fundamental en todas las metodologías usadas para la optimización de operación y mantenimiento. Son muchos los indicadores que nos van a dar información en relación al riesgo del mantenimiento; la efectividad del personal, el coste de los servicios… Sin embargo, los datos utilizados suelen provenir de los Sistemas de Gestión de Mantenimiento Asistidos por Ordenador (GMAOs), y su naturaleza suele ser transaccional (horas, euros, síntomas, acciones…)
Así pues, el uso de datos operativos o de parámetros de proceso, se ha circunscrito tradicionalmente al mundo de la operación, y en concreto a garantizar que el proceso se desarrolla en términos de seguridad y operatividad.
Es aquí cuando las metodologías avanzadas en el uso de los datos, como es la inteligencia artificial, transforman dichos datos en una activo con valor en si mismo, ya que no sólo van a permitir establecer límites de control o de alarma para garantizar la seguridad del proceso, sino que bien utilizados van a permitir establecer un termómetro del funcionamiento de la instalación, ayudando optimizar su ciclo de vida en términos de disponibilidad y coste.
2.1. Uso del dato como parte de la estrategia
Una vez entendida la propuesta de valor que ofrece el uso de los datos operativos, es importante integrarla dentro del modelo de gestión de la instalación. En un ámbito tan creciente como la inteligencia artificial, existen múltiples propuestas del uso de información por parte de los proveedores. La prognosis, el gemelo digital, o el índice de salud de activos son algunas de ellas, y sin una estrategia clara, es difícil discernir cuales puede aportar un valor realmente diferencial. Es por ello que un pilar fundamental va a ser, conociendo la potencialidad de las metodologías, situarla dentro del mapa de gestión identificando claramente el objetivo del uso de las mismas.
Enagas ha adaptado el Modelo de Gestión de Mantenimiento (1) propuesto por Ingeman (Asociación para el Desarrollo de la Ingeniería de Mantenimiento) al sector del OIL&GAS. Dentro de ese modelo, ya se contemplan como fases específicas, el uso de información transaccional para el control y seguimiento de los procesos, y el uso de información operativa para la optimización del ciclo de vida. Ambas fases se encuentran dentro del vector de “optimización” como puede verse en la Figura 1.
Figura 1; Modelo de Gestión de Mantenimiento adaptado a OIL&GAS
Mirándolo desde el punto de vista del ciclo de vida del activo, y simplificando el análisis, se podría decir que las metodologías más clásicas del uso de dato transaccional se centran en la información más evidente o conocida del mantenimiento; los modos de fallo más habituales, o como minimizar el impacto de dichos fallos una vez se produzcan. Sin embargo, las metodologías basadas en el uso del dato operativo permiten detectar aquellos fallos sobre los que no existe tanta información, o incluso maximizar el periodo de operación sin averías, como se muestra en la Figura 2.
Con todas estas premisas, se puede concluir que el objetivo que se persigue con el uso de la inteligencia artificial en el caso de uso expuesto es ser capaz de capturar, visualizar y analizar toda la información operativa de los activos de alta capitalización de Enagás.
- La visualización permitirá bajar la complejidad del acceso al dato y realizar un seguimiento de la información relevante necesaria para un control de eficiencia en operación y mantenimiento.
- La analítica permitirá la digitalización del conocimiento mediante modelos que nos ayuden a extender la vía útil de los activos optimizando la operación y evitando fallos catastróficos con una vigilancia activa.
Figura 2; Estrategia de metodologías y proyectos de Enagás
2.1. Definición de los casos de uso
Existe una segunda fase muy relevante a la hora de comenzar con el uso de la tecnología, y es definir claramente que metodología se va a utilizar, y el activo sobre el que se quiere aplicar. Si bien la integración en el modelo de gestión ayuda a definir los objetivos, en esta segunda fase se pretende conseguir el máximo rendimiento de los mismos. Este análisis permite, no sólo discernir donde realmente es necesario el uso de este tipo de tecnologías (y por tanto donde es rentable invertir en ellas), sino como se debe aplicar (que solución tecnológica puede dar soporte).
En el caso de Enagas se han realizado dos análisis de muy alto nivel para ayudar a orientar su aplicación. En primer lugar, se ha realizado una matriz (Figura 3) en la que se analiza la repetitividad de la solución y la lógica que se aplicará sobre la misma.
- En relación a la repetitividad, hay que tener en cuenta que normalmente los modelos de análisis de datos operativos, cuando más precisos y más específicos, menos extrapolables son. Por lo tanto, tener una base de activos idénticos o al menos con la suficiente similitud como para poder aprovechar un algoritmo, va a permitir ser mucho más eficiente en el desarrollo de la solución. Uno de los problemas a los que se enfrentan muchas compañías, y de alguna manera le ocurre también a Enagas, es que tiene un parque de activos muy diverso y de poca repetitividad. Muchas clases de equipo diferentes, con poco volumen por cada tipo de activos. No es lo mismo desarrollar un algoritmo para un molino de generación eólica, donde una empresa puede tener cientos de ellos, a una bomba criogénica (como es el caso de Enagas), donde puede haber 40. Ambos desarrollos dan solución, pero la rentabilidad es diferente.
- En relación a la lógica, también se debe considerar como factor relevante. Hoy en día, a casi cualquier sistema de toma de datos operativos se le dota de una capa analítica donde poder desarrollar modelos matemáticos. Incluso en los propios sistemas de control (Scada) más clásicos, que son por definición sistemas de señalización y actuación, se incluye una capa donde poder realizar algoritmos. Sin embargo, a mayor nivel de análisis o mayor complejidad de la solución, los sistemas deben tener características más específicas.
Figura 3; Matriz de priorización y localización de iniciativas
Con esta primera matriz, ya se discrimina donde es más rentable o tiene más sentido realizar los desarrollos en función de las herramientas tecnológicas de las que disponga la compañía.
Existe un segundo análisis enfocado a decidir que herramienta tecnológica tiene más sentido para el desarrollo. Es habitual que los diferentes proveedores de equipos de alta capitalización (alto valor de inversión para su adquisición), como bombas, compresores o turbocompresores, dispongan de sus propios softwares de análisis. Esto tiene todo el sentido, pues si volvemos al análisis previo, donde se explicaba el impacto de la repetitividad, si hay a alguien a quien le sea rentable desarrollar un algoritmo de prognosis, es al proveedor del activo. Sin embargo, no siempre los proveedores tienen acceso a la información operativa del activo, y por tanto no tienen porqué ser los que más conocimiento tengan del mismo en el ciclo de vida.
Así pues, el análisis realizado para la elección tecnológica, se ha basado en la revisión de las plataformas de los diferentes proveedores. Si dicha plataforma tiene un desarrollo maduro, y además el algoritmo puede ser complejo, se recomienda utilizar dicha plataforma. Para algoritmos más sencillos, y cuyo software del proveedor no proporcione la confianza necesaria, se recomienda un desarrollo interno a implementar en una herramienta corporativa.
Como resultado de ambos análisis, Enagás concluyó que existían un conjunto de casos de uso para un grupo de activos específico, en los que tenía sentido técnico y económico el desarrollo de una plataforma corporativa propia para análisis de información operativa. De esta manera nació PLATIOM (Plataforma Inteligente de Operación y Mantenimiento) sobre la que se ha desarrollado el caso de uso basado en inteligencia artificial.
3. CASO DE USO DE PATRONES DE NORMALIDAD
Dentro de las metodologías propuestas para el análisis de datos operativos, desde Enagas se está trabajando con él índice de salud de activos y los patrones de normalidad. Los dos casos de uso tienen ciertas similitudes, pero se enfrentan a problemáticas diferentes y se utilizan de manera complementaria.
El índice de salud de activos cuantifica a través de diferentes modificadores el envejecimiento del activo y, por tanto, se vincula con la probabilidad del fallo y el riesgo asumido en un momento concreto. No detecta anomalías en tiempo real y su objetivo es medir el deterioro de una manera relativa respecto a si mismo, y a activos de sus mismas características.
Los patrones de normalidad, comparan en tiempo real los datos de operación históricos del activo con su situación actual, tratando de detectar desviaciones del funcionamiento estimado, y por tanto avisando de posibles anomalías. El objetivo es detectar de manera precoz cualquier anomalía que pueda influir en su ciclo de vida y derivar en una pérdida funcional. Es en este caso de uso donde Enagas utiliza la Inteligencia Artificial.
3.1. Metodología de trabajo
Uno de los factores de éxito más importantes para el correcto desarrollo de proyectos de analítica de datos, es establecer una metodología de trabajo que te permita optimizar al máximo el uso de los recursos humanos y materiales. Para ello, Enagás diferencia la construcción de este tipo de soluciones en diferentes fases que se resumen en dos grandes pasos; la elaboración de la prueba de concepto y la implantación efectiva en la herramienta tecnológica corporativa (Platiom en nuestro caso).
Las implantaciones de este tipo de desarrollos se suelen realizan con principios ágiles, lo que implica una gran concentración de esfuerzos en un periodo concreto para sacar los mejores resultados. Por ello se recomienda llegar a ese momento con una base metodológica sólida y probada. En el caso de Enagás, las pruebas de concepto se desarrollan con diferentes proveedores especialistas en analíticas avanzadas, y los periodos de aprendizaje son extensivos en el tiempo. Partiendo de los diferentes juegos de datos, se van haciendo estudios y contrastaciones con los especialistas hasta que el algoritmo responde a lo esperado por los usuarios y posteriormente se procedimenta.
Se considera tan esencial la procedimentación y solidez de la prueba de concepto, que suele ir acompañada de la publicación del mismo en revistas especializadas a fin de tener un garante externo de la calidad de la propuesta técnica. Existen diversas referencias de los casos de uso implantados en Platiom, tanto para el Índice de Salud de Activos (2)(3), como para los patrones de normalidad (4).
Posteriormente, ya se realiza la implantación en el sistema tecnológico. En este caso, el partner es un integrador tecnológico (Minsait en el caso de la plataforma de Enagás), ya que pasa a ser un proyecto eminentemente técnico.
A continuación, y mediante un ejemplo real, se explica brevemente la aplicación en un activo concreto, en este caso una bomba criogénica de una planta de regasificación.
3.2. Desarrollo de la metodología
La Figura 4 muestra la metodología general utilizada para la elaboración de un análisis basado en técnicas de inteligencia artificial. Se aplica a cualquier sistema para detectar desviaciones del comportamiento previsto del equipo en unas condiciones determinadas de operación.
Figura 4; Metodología de aplicación de análisis de datos
Paso 1; Selección de equipos
Para este ejemplo, los equipos que se han elegido son bombas de GNL (Gas Natural Licuado). 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 es necesario disponer de la información técnica de diseño de los equipos.
Paso 2; Contexto operacional
El contexto operacional de equipos semejantes puede variar y no ser completamente igual, 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.
En una planta de regasificación, el GNL es almacenado a presión atmosférica y a temperatura criogénica (-160ºC aproximadamente). La extracción de dicho GNL se realiza gracias unas bombas criogénicas sumergidas en el interior del tanque que lo impulsa a una presión aproximada de 8 bares.
En cuanto a las condiciones ambientales exteriores, no van a ser tenidas en cuenta al encontrarse los equipos sumergidos en condiciones criogénicas.
Paso 3; Selección de variables
Las variables tenidas en cuenta son parámetros de operación, de mantenimiento, del proceso, así como modificadores del contexto operacional que incidan en la operación y en el comportamiento del equipo.
Dado que lo que pretendemos es modelar un algoritmo que a priori no tenemos desarrollado, vamos a integrar en la prueba de concepto todas las variables a las que se tiene acceso, validando posteriormente el impacto que tiene cada una en el patrón de normalidad.
- 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
- 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 trabajado en diferentes modos de operación, que se hayan realizado mantenimientos por overhaul, se hayan hecho mantenimientos preventivos… Por último y para la validación del modelo, es de enorme valor poder contar con el registro de una avería que nos permita comprobar como hubiera funcionado el modelo a la hora de detectar dicha avería.
Paso 5; Selección del intervalo de registro de datos
Este intervalo de registro de datos tiene que permitir 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.
En el ejemplo se ha elegido la hora, debido a que hay suficiente información capturada por los sistemas de adquisición de datos e instrumentos para las bombas del estudio.
Paso 6; Procesado y validado 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) (5).
La importancia de este paso es fundamental para conseguir unos resultados los más cercanos posibles a la realidad. A modo muy resumido el procesado debe constar al menos de los siguientes tratamientos
- Unificar las variables y la información auxiliar
- Revisar la consistencia de la base de datos
- Limpiar la base de datos
- Estudiar la dependencia e impacto de las variables en el algoritmo
Como resultado final de este paso se tendrían que definir las variables finales a utilizar, así como un conjunto de datos aptos para el modelado.
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. Se destaca como paso específico y siempre posterior al procesado y validación con el objetivo de no excluir datos que luego puedan ser útiles para el algoritmo.
Paso 8; Implementación en software
Hasta este punto, todos los pasos serían comunes para cualquier algoritmo de inteligencia artificial que se quiera implementar. Con un juego de datos para simular, y siempre que el modelo no sea extremadamente complejo (los sistemas físicos que intervienen en procesos productivos no suelen serlo) existen softwares de simulación como Vensim o RapidMiner que son capaces de hacer una primera aproximación a qué modelo da mejores resultados en las predicciones esperadas. En el caso de Enagás, y para un mismo caso de uso, se han utilizado dos modelos, uno supervisado que es Machine Learning, y uno no supervisado que es K-medians.
Paso 9; Obtención del modelo
Con el modelo proporcionado por la herramienta de simulación, ya puede integrarse el algoritmo en el software de monitorización y comenzar con la predicción.
Figura 5; Ejemplo de aplicación
De modo ilustrativo, se muestra en la Figura 5 la gráfica resultante de un modelo supervisado donde se destacan las 3 fases con las que se ha trabajado para validar el modelo. Una primera fase de entrenamiento con datos históricos, una parte de los datos para validar la modelo denominada “testing”, donde ya se compara el patrón de normalidad propuesto por el algoritmo frente a los datos reales (en este ejemplo se comparan mostrando el error cuadrático de la diferencia). Y una última parte con un funcionamiento análogo a la de testing, pero donde existió un fallo real, y se prueba que el algoritmo hubiera detectado un incremento significativo del error cuadrático, luego una desviación anómala de los parámetros estimados de operación.
4. CONCLUSIONES
La inteligencia artificial está comenzando a dar soluciones a problemas reales y tangibles del mundo industrial. El uso de datos operativos mediante este tipo de metodologías está derribando los escasos muros que aún quedaban entre el ámbito de la operación y el mantenimiento, permitiendo información que hasta ahora era explotada de manera estanca por un departamento concreto, se analice de manera conjunta.
El ejemplo que se ha mostrado en este artículo esta basado en un caso real donde ya se pueden monitorizar activos concretos mediante la inteligencia artificial. Estas soluciones dotan de una capacidad analítica que exceden las que hasta ahora proveían los sistemas tradicionales, permitiendo detectar anomalías o desviaciones desde un momento tan precoz, que la intervención temprana se convierte en una herramienta capital para el mantenimiento del activo.
Sin embargo, cabe destacar que, en base a la experiencia descrita, la complejidad de la implantación de la metodología no está en la algoritmia, sino en saber donde y como aplicarla.
Desde ese punto de vista, se quieren destacar 3 aspectos que van a ser esenciales para el éxito del uso de inteligencia artificial:
- Coherencia con el modelo de gestión; la inteligencia artificial es una herramienta más que complementa las que ya integran el modelo de gestión de mantenimiento de la compañía, y por tanto debe tener un encaje coherente y natural.
- Aplicación quirúrgica; estas metodologías, tanto por complejidad como por coste, no están destinadas a día de hoy a ser utilizadas en el análisis de cualquier activo. La compañía tendrá que analizar muy bien donde aplicarla, en el caso de Enagás en activos de alta capitalización sin software de análisis específico.
- Casos de uso probados; el estudio y aprendizaje de los modelos previos a su uso y explotación, van a garantizar una utilización óptima de los recursos humanos y materiales durante el desarrollo del proyecto.
Enagás tiene el firme compromiso de seguir investigando este tipo de metodologías analíticas para sacar el máximo rendimiento a sus activos retribuidos, maximizando la disponibilidad de sus instalaciones a un coste óptimo para todos los usuarios del sistema gasista.
5. BIBLIOGRAFÍA
- Marquez AC. The Maintenance Management Framework: Models and Methods for Complex Systems Maintenance [Internet]. Springer series in reliability engineering CN - TS192 .C72 2007. 2007. XIX, 333. Available from: http://link.springer.com/10.1007/978-1-84628-821-0
- Crespo Márquez A, de la Fuente Carmona A, Guillén López AJ, Rosique AS, Serra Parajes J, Martínez-Galán Fernández P, et al. Defining Asset Health Indicators (AHI) to Support Complex Assets Maintenance and Replacement Strategies. A Generic Procedure to Assess Assets Deterioration. In: Value Based and Intelligent Asset Management. 2020.
- Serra J, de la Fuente A, Crespo A, Sola A, Guillén A, Candón E, et al. A model for lifecycle cost calculation based on asset health index. In: International Conference on Smart Infrastructure and Construction 2019, ICSIC 2019: Driving Data- Informed Decision-Making. 2019.
- De La Fuente A, Márquez CA, Candón E, Gómez JF, Serra J. A comparison of machine learning techniques for LNG pumps fault prediction in regasification plants. IFAC-PapersOnLine. 2020 Jan 1;53(3):125–30.
- Buddhakulsomsiri J, Kim DS. Priority rule-based heuristic for multi-mode resource-constrained project scheduling problems with resource vacations and activity splitting. Eur J Oper Res. 2007;178(2).
