PREVENIR AVERÍAS CON EL APRENDIZAJE AUTOMÁTICO: CASOS REALES

APRENDIZAJE AUTOMÁTICO PARA EL MANTENIMIENTO PREDICTIVO

En este artículo ilustramos el típico procedimiento para crear modelos de aprendizaje automático que permitan monitorizar y prever el comportamiento de un activo. En la segunda parte mostraremos, en cambio, ejemplos de aplicación y los resultados alcanzados por MIPU para una empresa cliente del sector manufacturero.

PREVENIR AVERÍAS CON EL APRENDIZAJE AUTOMÁTICO: EL PROCEDIMIENTO

Las aplicaciones de Aprendizaje Automático para el Mantenimiento Predictivo se utilizan para identificar la aparición de una avería, antes de que la misma tenga lugar.

  • – La primera fase prevé la creación de un modelo matemático del activo. El modelo incluye todos los parámetros de proceso asociados al específico activo, almacenados en una base de datos. La mayoría de los modelos tiene entre 10 y 30 parámetros, pero existen también modelos con casi 100 parámetros.
  • – En la segunda fase, los datos históricos de los parámetros se importan en el modelo. Este conjunto de datos en general se conoce como set de datos para el “adiestramiento” y normalmente incluye un año de datos. Una persona experta en el funcionamiento del activo, provista, pues, de competencia de dominio, sabría cuales son los datos a incluir o excluir en el set de adiestramiento.
  • – Durante la tercera fase, se utiliza el set de datos de adiestramiento para desarrollar una matriz operativa del activo. La matriz identifica el modo en que la máquina debería funcionar en un determinado momento en base a los datos de adiestramiento utilizados para crearla.
  • – Por último, el software monitoriza constantemente el funcionamiento de la máquina y prevé cuáles deberían ser los valores de los parámetros de la máquina en base a la matriz que ha recibido en input. Si un parámetro se desvía de la previsión del modelo con un porcentaje significativo, el sistema genera un aviso.
    (¿Tu software es capaz de hacerlo? Si no lo es, podría interesarte actualizarlo)

PREVENIR AVERÍAS CON EL APRENDIZAJE AUTOMÁTICO: LAS APLICACIONES

CASO 1

La Figura 1 muestra un incremento vibracional del cojinete del rotor de un ventilador debidoa una pérdida de aceite. Esta condición ha generado una alarma.
La solución creada con el Aprendizaje Automático había previsto que la vibración del cojinete debía ser de unos 3,5 mm dadas las actuales condiciones operativas. La vibración del cojinete se fue alejando lentamente del valor previsto generando una alarma apenas alcanzó un valor de 4,7 mm.

Los responsables técnicos de la instalación fueron alertados y, mediante inspección visual del rotor, identificaron una pérdida de aceite. La aspiración del ventilador efectivamente estaba aspirando en el alojamiento del rotor el aceite salido con la pérdida, por este motivo no había ninguna indicación de pérdida en el suelo. El aceite en las palas del rotor acumuló suciedad y detritos, provocando un desequilibrio en la rotación y, por lo tanto, un aumento de vibración. Los responsables técnicos de la instalación consiguieron emprender acciones correctivas para detener la pérdida antes de que el cojinete se dañara.

Prevenire i guasti con il machine learning

Aumento de la Vibración del rotor

CASO 2

La Figura 2 se refiere al sistema de lubricación de un gran pulverizador. El sistema de lubricación suministra aceite a la caja del cambio y a todos los cojinetes. El modelo del activo preveía que la temperatura fuera de 90 °F, pero la temperatura efectiva alcanzó los 110 °F. El software generó, pues, una alarma para los técnicos de la instalación que
descubrieron que la válvula de control del agua de enfriamiento en el intercambiador de calor del aceite lubricante estaba averiada. La válvula de control se sustituyó y el sistema volvió a su funcionamiento normal.

Prevenire i guasti con il machine learning

Temperatura del Aceite del pulverizador

CASO 3

La Figura 3 concierne a un sistema electrohidráulico (EHC) que controla la posición de la válvula, la velocidad de la turbina y las válvulas de seguridad. En este caso, la presión diferencial a través del filtro “A” de la bomba EHC comenzó a aumentar. Los técnicos fueron alertados con tiempo y consiguieron pasar de la bomba “A” a la bomba “B”. De este modo
se evitaron el bloqueo de emergencia de la turbina y todos los daños asociados al mismo.

Prevenire i guasti con il machine learning

Filtro del sistema electrohidráulico

Para mayor información sobre estos ejemplos o sobre cómo implementar modelos de aprendizaje automático para tus activos, contacta con nosotros.

Altre Case History:

¿Sabía usted que?

Organizamos AL MENOS un webinar por mes sobre los temas
ingeniería de mantenimiento, eficiencia energética
y las últimas tendencias en inteligencia artificial.

¡Deja tu contacto para recibir todas las invitaciones!