Machine Learning aplicado al Condition Monitoring

¿Por dónde empezar a hacer inteligente mi fábrica? ¿Qué estratégia puedo aplicar de IA? El mantenimiento predictivo ya no es cosa del futuro. ¿Qué es el «Condition Monitoring»? ¿y el «Machine Learning»?

Desde que llevo metido en este mundo de la Industria 4.0 he leído y oído hablar mucho del mantenimiento predictivo. Desde hace unos meses lidero un proyecto de «Machine Learning» orientado a este tipo de mantenimiento.

El primer escollo que me he encontrado es la recopilación de datos. Al fin y al cabo la digitalización se basa la creación de sistemas ciber-físicos. En estos primeros estadios debemos integrar sensórica en nuestras máquinas para crear las bases de datos de las cuales más tarde sacaremos la información que nos llevará a la toma de decisiones.

La herramienta con la que vamos a trabajar ahora, al inicio, será la «Monitorización de la Condición«. Pero quedarnos aquí sería un trabajo muy pobre. Es solo el primer paso para el aprendizaje autónomo de las máquinas y, a más largo plazo, el mantenimiento predictivo.

El «Condition Monitoring» generalmente trabaja analizando cada medición por separado y usa información basada en límites estáticos. Como resultado, esto provoca falsas alarmas (o falsos positivos) y condiciones desfavorables que no son alarmadas en si (falsos negativos). Por este motivo no podemos quedarnos en este paso.

A continuación, usando técnicas técnicas de aprendizaje automático, o Machine Learning, los datos adquiridos entorno a equipos o, incluso, a una planta completa se pueden analizar como un todo coherente para extraer conclusiones sobre su estado de funcionamiento del sistema.

El eBook de la Revolución Industrial

La cuarta revolución industrial ha llegado para quedarse.

Para ello, en primer lugar se crea un modelo matemático de la medición relevante utilizando otras mediciones disponibles. Este modelo representa el equipo o planta como una unidad cuando está funcionando como debería.

En segundo lugar, este valor esperado se compara con el valor medido. Si ambos valores están en concordancia, el estado actual es correcto. Si no lo hacen, se debe activar una alarma o aviso para realizar las actividades de mantenimiento correspondiente.

Se considera que este método es mucho más exitoso que el «Condition Monitoring» estándar, lo que evita falsas alarmas y condiciones de peligro no detectadas.

Te invito a profundizar un poco más en este campo y ver las posibilidades que se abren para tu organización.

Introducción

En la industria nos encontramos con muchos tipos de máquinas, unas más compleja que otras; no obstante, todas se van degradando. Cualquier máquina eventualmente llegará a un punto de mal funcionamiento.

Sin embargo, ese punto aún no provoca un fallo catastrófico de la maquina, pero es un punto en el que es evidente que el equipo ya no actúa como debería y necesitará alguna actividad de mantenimiento para restaurar su potencial operativo completo.

En la planta donde me encuentro trabajamos principalmente con máquinas rotativas. Por lo tanto prestamos especial atención a esta categoría de máquinas.

Operario Machine Learning

Las máquina giratoras en general sufren mayor estres que otros equipos. Pero no importa si la máquina es una máquina giratoria (bomba, compresor, turbina de gas o vapor, etc.) o una máquina no giratoria (intercambiador de calor, columna de destilación, válvula, etc.). En todos los casos nos debemos preguntar: ¿está actualmente en buen estado? Aquí es donde entra en juego el «Condition Monitoring».

¿Qué es el «Condition Monitoring»?

La forma más común hasta ahora era realizar el monitoreo y observar cada medición de los sensores de la máquina, imponiendo unos límites mínimo y máximo de funcionamiento correcto.

Si el valor está dentro de los límites, entonces la máquina está en buen estado. Si el valor está fuera de los límites, la máquina no se encuentra en las condiciones necesarias y se envía una alarma al operador.

Los límites son puestos por el conocimiento experto de los trabajadores de la planta. En los sitemas ciber-físicos es muy importante la colaboración hombre-máquina.

Sin embargo, se sabe que este procedimiento envía una gran cantidad de falsas alarmas, es decir, alarmas para situaciones que en realidad son estados de perfecta operación para la máquina. También faltan alarmas, es decir, situaciones que son problemáticas pero que no tienen como resultado alarmadas.

En el primer problema no solo se desperdicia tiempo y esfuerzo, sino también la disponibilidad del equipo. El segundo problema es más crucial ya que conduce a un daño real asociado al equipo, reparación y pérdida de producción. Al fin y al cabo los límites suelen ser valores rígidos obtenidos de forma experimental en ciertas condiciones de funcionamiento.

Los dos problemas anteriormente mencionados resultan de la misma causa: análisis incorrecto de los datos recopilados. El perfecto estado de un equipo no se puede juzgar de manera confiable basándose en el análisis de cada medición por separado. Se debe considerar una combinación de diversas mediciones para obtener una indicación real de la situación. Para resolver este problema tenemos disponemos del «Machine Learning».

Modelado

Gracias al paradigma de la Industria 4.0 y a los avances en las tecnologías se pueden combinar las mediciones de forma estructurada y significativa mediante la creación de un modelo matemático.

Este modelo se realizará para cada medición y, en términos generales, tendrá en cuenta las demás variables analizadas. Los científicos de datos están logrando grandes avances en este sentido.

Por ejemplo, considerando la presión de salida de un compresor, está influenciada por la temperatura del medio, la velocidad de rotación de la máquina, la composición del medio y algunos otros parámetros. Conociendo estos parámetros, es posible calcular cuál debe ser la presión de salida. Para calcularlo realmente, se necesita encontrar la relación entre todos estos parámetros en una formaulación matemática.

En primera estancia, se utiliza el conocimiento de las personas para empezar a ajustar el modelo. Sin embargo en la práctica, la construcción de esta ecuación a partir del conocimiento experto requiere demasiado tiempo, ya que esta expresión sería diferente para cada fabricante y modelo de cualquier tipo de máquina y también para cada condición en que se coloca la máquina. Para propósitos de la vida real, solo vale la pena hacerlo si el modelo se puede obtener rápidamente y con muy poco esfuerzo humano.

¿Qué nos aporta el «Machine Learning»?

En este punto entra en valor el «Machine Learning». Estos métodos toman datos empíricos que se han medido en la máquina en particular, y en concreto en el momento cuando se sabía que la máquina funcionaba correctamente.

A partir de estos datos, los métodos de aprendizaje de máquina, de forma automática y sin intervención humana, construyen una representación matemática de las relaciones de todos los parámetros alrededor de la máquina. Ya no será necesario que los operarios supervise el aprendizaje de la máquina, el personal entonces podrá dedicarse a labores de mayor valor añadido.Creatividad e ideas en las aulas

El «Machine Learning» incluye diferentes disciplinas, tomando como ejemplo las redes neuronales. Se puede demostrar matemáticamente que una red neuronal es capaz de representar un conjunto de datos complejos con gran precisión, siempre y cuando la red sea lo suficientemente grande y los datos obedezcan de manera consistente las mismas leyes.

Ejemplo de «Machine Learning»: redes neuronales.

Como la máquina obedece a las leyes de la naturaleza, esta suposición es fácilmente cierta. Por lo tanto, se podría utilizar una red neuronal como plantilla para modelar cada medida en la máquina en función de las demás.

El algoritmo de aprendizaje automático encuentra los valores para los parámetros del modelo de manera que las redes neuronales representan los datos con mucha precisión.

La selección de qué medidas son importantes para tener en cuenta al modelar el modelo matemático, valga la redundancia, de un parámetro en particular. Aúnque esto, la selección de medidas, también se podría lograr utilizando una combinación de modelos de correlación y análisis de componentes.

El resultado es que cada medición en la máquina obtiene una fórmula que puede calcular el valor esperado para esta medición. Como la fórmula fue entrenada con datos obtenidos con un funcionamiento correcto, la fórmula o expresión matemática es la definición de estado correcto para la máquina. Las condiciones que no coincidan con el modelo matemático se consideran desviaciones de funcionamiento.

Desviación del correcto funcionamiento.

Los encargados de la creación de modelo tienen la importante labor de modelar el correcto funcionamiento y buscar desviaciones a la condición normal. Sin embargo, por lo general hay poca información disponible para un comportamiento indeseado conocido y la pequeña cantidad de información que se pueda tener es muy diversa debido a la gran cantidad de posibles fallos diferentes que puedan ocurrir.

Los modos de fallo difieren para cada fabricante y modelo de máquina, lo que hace que una caracterización completa de los posibles fallos sea muy compleja. Por lo tanto, modelar un mal estado de un equipo no es un problema de análisis de datos sino más bien disponibilidad de datos.

Como tal, este problema es fundamental y no se puede abordar de manera práctica y completa sin los medios de medida, recolección y análisis de datos.

Generación de alarmas

En cualquier momento, se puede comparar el valor de un comportamiento bueno esperado con el valor del sensor. A medida que el valor esperado se calcula a partir de un modelo, se conoce la distribución de probabilidad de las desviaciones

Una desviación nos dice qué tan probable es que la medición esté alejada de la expectativa en una cierta cantidad. Por lo tanto, se puede calcular la distribución de probabilidad de un comportamiento correcto de la máquina.

Por otro lado, tambíen es válido a la inversa, utilizar este intervalo de confianza para juzgar si el valor del sensor está demasiado lejos del esperado. Si ese es el caso, entonces se envía una alarma o dispara una acción preventiva.

Debido a que se están tomando mediciones constantemente se puede obserbar la desviación entre el modelo y el valor del sensor. Con estos datos obtenemos la probabilidad de que ocurra esa desviación.

Obtenemos una curva en forma de campana para un buen modelo, es decir, muchos puntos con poca desviación y pocos puntos con mucha desviación con una simetría general entre las desviaciones por encima y por debajo del modelo.

Interrelación de variables

De esta distribución, se puede estrapolar fácilmente qué tan probable es cualquier desviación observada y, por lo tanto, cómo de bueno es el estado de funciomaniento de la máquina. Además, la alarma también puede enriquecerse con la información de los estados de fallo o la probabilidad mal funcionamiento.

Dado que el valor esperado se ha calculado a partir de un número (generalmente pequeño) de otros parámetros de la máquina, generalmente es posible echar la culpa de alguna otra medida. Esto brinda asistencia al operador humano que recibe la alarma y reduce el esfuerzo de diagnosticar el problema y diseñar alguna acción.

Con el monitoreo de la condición normal, en la práctica, a menudo se encuentra que cuando una máquina pasa de un estado estable a otro, se emiten muchas alarmas (falsas) porque un enfoque de análisis simple no puede mantenerse al día con las condiciones que cambian rápidamente.

Como una red neuronal puede representar fácilmente relaciones altamente no lineales, incluso un cambio de inicio o carga de una máquina se modelará con precisión sin alarma si todo es como debería ser.

Conclusiones

Casos de éxito

En la literatura he visto que este enfoque ya ha sido probado para máquinas rotativas. Son varios los ejemplos que he podido encontrar, como compresores, bombas, turbinas de gas y vapor. Generalmente en el contexto de generación de energía, producción química, refinación de petróleo y producción.

En particular, la empresas como MAN Diesel y Turbo utilizan este enfoque para sus sistemas de alarmas de compresores y turbinas de gas.

Estos estudios muestran que la intervención humana para configurar y mantener un sistema disminuye en más del 50%. El «Condition Monitoring» disminuye la intervención debido a la asistencia automatizada de los métodos de «Machine Learning».

Esto se debe principalmente a que ya no es necesario establecer manualmente los límites superior e inferior para cada medición, ya que ahora los modelos se generan automáticamente.

Reducción de falsas alarmas

La tasa de incidencia de las falsas alarmas (falsos positivos) y las alarmas faltantes (falsos negativos) se consiguen reducidir en más del 90%.

Esto reduce los esfuerzos de intervención humana en el diagnóstico de fallos de la máquina en más del 60%, reduce los presupuestos de mantenimiento y mejora la disponibilidad de la máquina en alrededor del 10%.

Los dos problemas principales del enfoque estándar para el «Condition Monitoring», es decir, falsas alarmas y malas condiciones no detectadas, se pueden resolver mediante técnicas de «Machine Learning». Esto se logra creando una representación matemática de cada medición en términos de las otras y, por lo tanto, considerando la combinación de varias mediciones alrededor de la misma pieza del equipo.

Aprendizaje automático

Estos modelos pueden generarse automáticamente utilizando el aprendizaje automático sin esfuerzo humano. La precisión de estos modelos que distinguen los estados deseados de los no deseados se mejora en un orden de magnitud que conduce a una reducción de las falsas alarmas y falta de alarmas en más del 90%.

FAQFrequently Asked Questions

¿Es mi industria susceptible de beneficiarse del mantenimiento predictivo?

Absolutamente. Hasta ahora veníamos trabajando con mantenimiento preventivo que nos ayudaba a conservar el buen funcionamiento de las máquina. Pero sin saber los motivos, nos encontrábamos con el mantenimiento correctivo,cuando ya ocurrían incidentes y era necesario actuar.

El mantenimiento predictivo es la evolución natural, anticipándonos a los fallos de las máquinas y de esta forma alargando la vida útil.

Desde mi punto de vista, esta modalidad de mantenimiento no sustituye a las otras, pero logra optimizar los recursos ya que nos ayuda a conocer mejor el estado de salud de la máquina.

¿Por dónde debo empezar?

El proceso lleva su tiempo, lo estoy sufriendo en mi propio proyecto, sin embargo te recomiendo identificar las máquina más criticas y a partir de ese punto ir expandiendo el alcance dentro de la industria.

¿Y los costes?

Bueno, en el mercado podemos encontrar diferentes fabricantes con diferentes soluciones. Desde equipos de «Condition Monitoring» muy simples, portátiles y que nos permiten la versatilidad de poder utilizarlos en diversos puntos, hasta complejas redes de instrumentación que se conectan a algún tipo de nube y nos permite anticiparnos. Ya depende de lo que te propongas, pero hay soluciones para todos los bolsillos.

¿Necesito complejos conocimientos?

Para el monitorizar el estado de las máquinas no es necesario tener unos conocimientos de ingeniero de la NASA. Los propios fabricantes nos pueden proporcionar herramientas y la formación básica para obtener unos resultados muy decentes.

Sin embargo, recomiendo ir más halla para realmente explotar este tipo de tecnología. Bien sea formando a algún componente de la organización, contratando a alguien específico para ese puesto o con proveedores expertos en el campo.

Muchas personas achacan a la Industria 4.0 la destrucción de puestos de trabajo, pues bien, yo creo que aqui tenemos un claro ejemplo de nicho de mercado en el que en el futuro muy cercano habrá gran demanda de profesionales.

Explorar las soluciones de «Condition Monitoring» y «Machine Learning».

Desde aquí te animo a que comiences a utilizar este tipo de tecnología. Puedes empezar con un pequeño proyecto piloto de «Coniditon Monitoring» y después dar el salto al aprendizaje automático.
Ya no tenemos escusas, las tecnologías se están haciendo cada vez más asequibles.
En el mercado tenemos personas cualificadas para llevar a cabo esta tareas. Tenemos empresas especializadas. Los fabricantes de instrumentación también prestan servicios especializados.

Manufacturing Technology Program

Deja tu opinión

Si te ha resultado útil el artículo. O crees que el contenido es de valor. Si tienes alguna sugerencia u opinión… Te agradezco que dejes un comentario o te pongas en contacto conmigo. De esta forma entre todos iremos mejorando un poco más cada día. Cultiva una cultura Kaizen. Gracias
Contacto

¿Por qué compartir este contenido?

Desde mi punto de vista, compartir conocimiento significa entender la vida desde un punto de vista proactivo. Debido a que nuestro conocimiento está estrechamente ligado a nuestra identidad.

Quizás a veces te hayas preguntado por qué compartir contenido.

Knowledge Transfer

Hoy, más que nunca, compartir es tremendamente sencillo, fácil y accesible. Compartir nos hace sentir generosos y desinteresados, Nos convierte en una fuente emisora de contenido de valor.

Está genial aprovechar conocimiento de los demás, pero ¿no es genial invertir eso y aportar el tuyo también?

Desde aquí me gustaría pedirte que compartas este artículo. Me ayudarás a difundir mis ideas y a hacer mi aportación al mundo un poco más grande.

Deja un comentario