Normalmente, solo las máquinas rotativas más críticas de una planta se supervisan de manera continua con fines de mantenimiento. En una planta piloto, ahora ABB ha equipado a los equipos menos críticos con una solución basada en sensores económicos, aprendizaje automático y software que permite una supervisión rentable pero avanzada.
Ralf Gitzel Benedikt Schmidt, Arzam Kotriwala, Ido Amihai, Guruprasad Sosale, ABB Corporate Research Ladenburg, Alemania ralf.gitzel@de.abb.com benedikt.schmidt@de.abb.com arzam.kotriwala@de.abb.com ido.amihai@de.abb.com guruprasad.sosale@de.abb.com James Ottewill ABB Corporate Research Cracovia, Polonia james.ottewill@pl.abb.com Marco Heese ABB Automation GmbH Mannheim, Germany marco.heese@de.abb.com Diego Pareschi ABB B.V.Rijswijk, Países Bajos diego.pareschi@nl.abb.com Subanatarajan Subbiah, Antiguo empleado de ABB.
En una planta industrial típica, la supervisión del estado y el mantenimiento predictivo suelen aplicarse únicamente a los equipos rotativos más críticos. Por razones de coste, los puntos menos críticos suelen analizarse exclusivamente dentro de lo posible.
Para investigar cómo supervisar, diagnosticar y predecir fallos en equipos rotativos menos críticos, pero de uso generalizado, como motores o bombas, ABB llevó a cabo un estudio de 30 meses en el que se equipó una instalación piloto en las instalaciones de un cliente con tecnologías rentables de sensores, aprendizaje automático y una solución de software impulsada por indicadores clave de estado (KCI) →1. Se tomaron datos de vibración varias veces al día en 30 bombas. Una red de dispositivos loT (Internetde las cosas) recogió datos relevantes, a partir de cuyos análisis se extrae la información.
Antecedentes y motivación
La supervisión del estado de activos industriales, como motores o bombas, puede garantizar la detección temprana de problemas críticos, evitando así paradas o daños imprevistos. La intervención temprana, que reduce la necesidad de mantenimiento correctivo, es más rentable que simplemente dejar que un componente funcione hasta que falle. Sin embargo, los elevados costes asociados a los sistemas de supervisión del estado hacen que actualmente solo se instalen principalmente en activos críticos.
Una planta de una industria de procesos (por ejemplo, una fábrica química o farmacéutica) normalmente incluye una gran flota de motores no críticos que accionan bombas. Si bien el coste del fallo en estos casos es considerablemente inferior al fallo de los equipos críticos, estos activos se beneficiarían de un sistema rentable de detección temprana de fallos. La detección temprana de fallos no solo ayudaría a evitar más daños, sino que el diagnóstico previo de los problemas también podría reducir el tiempo necesario para reparar el activo.
Arquitectura de la solución global
La arquitectura de supervisión del estado de los equipos rotativos no críticos en el estudio piloto tiene tres niveles →2:
- Nivel de campo, con sensores conectados a los activos para recoger datos.
- Nivel de planta, que cubre la agregación y el procesamiento previo de los datos de sensores en toda la planta.
- Nivel de plataforma de integración de datos (por ejemplo, nube u otra plataforma), para los análisis de datos de flota, como benchmarking, mantenimiento predictivo) e informes.
Nivel de arquitectura 1: campo
El nivel de campo especifica el proceso de recogidade datos basado en sensores hasta la transmisión delos datos recogidos. Los activos considerados sonlos componentes estándar de los equipos rotativosde una planta de procesos comerciales, tales comobombas y motores de baja tensión. Cada elementoobjeto del estudio estaba equipado con un sistemacomercial inalámbrico de supervisión del estado,ABB WiMon 100, que se utilizó para captar datos devibraciones. El sistema WiMon consta de un sensor devibración (acelerómetro) para captar las vibraciones yun sensor de temperatura para captar la temperaturasuperficial del equipo rotativo. Los sistemas WiMonutilizan una tecnología de red en malla que simplificala transferencia de datos en la planta. Además, losmotores de baja tensión estaban equipados con unsensor inteligente ABB Ability™, que convierte losmotores tradicionales en dispositivos inteligentesconectados de forma inalámbrica.
El esquema de recogida de datos del sistema WiMon puede configurarse de acuerdo con los requisitos del usuario. Normalmente, cada hora, se almacena un valor agregado del valor cuadrático medio de la velocidad en mm/s y de la temperatura real de la superficie en °C en forma de datos de series temporales. Para realizar un análisis detallado de las vibraciones, cada seis horas se capta la señal en bruto del acelerómetro durante un tiempo de muestra de 700 ms y se computariza una FFT (transformada rápida deFourier) de la señal en bruto captada. El espectro de frecuencias resultante permite extraer y analizar en profundidad los componentes de la señal de vibración en las frecuencias seleccionadas.
Nivel de arquitectura 2: planta
La red en malla establecida por los sistemas WiMon está conectada a una pasarela WirelessHART. A través de la pasarela, la colección de datos de los sensores se conecta a la red de la planta, poniéndola a disposición para su uso en diferentes análisis a nivel de la planta en general. En la arquitectura realizada, los datos recogidos de señal de los activos se almacenan en el histórico de la planta y se procesan en el servidor en el borde de ABB instalado en la planta.
Nivel de arquitectura 3: plataforma de integraciónde datos
La plataforma de acceso remoto de ABB permite la transferencia de los datos de señal de los activos a la plataforma de integración de datos. Además de sus notables capacidades de computación, una ventaja importante de esta plataforma es la posibilidad de recoger datos a partir de muchas plantas.
Con muchas plantas conectadas, se pueden realizar análisis de datos de flota en la plataforma para comparar y evaluar diferentes ubicaciones y regiones. Se utiliza un algoritmo de supervisión del estado para procesar todos los datos recogidos y permitir el acceso remoto a los resultados analíticos desde diferentes ubicaciones.
Diagnóstico: análisis detrás de indicadores clave de estado
La utilidad de un sistema de supervisión del estado depende de su capacidad para proporcionar información concisa, significativa y práctica a su usuario. Los datos de vibración pueden utilizarse para calcular una serie de métricas que son útiles para que el responsable de mantenimiento identifique las acciones necesarias para evitar un mayor deterioro de los activos. Por ejemplo, un desequilibrio en el equipo rotativo se manifiesta como una mayor vibración en la frecuencia de rotación. En el escenario aquí descrito, los datos del espectro de frecuencias se transfieren a algoritmos patentados desarrollados en ABB para calcular los KCI para los modos de fallo (por ejemplo, fallo de cojinete o cavitación) que podría experimentar la pieza de un equipo →3.
Un KCI es un valor numérico que indica el nivel de severidad del modo de fallo correspondiente observado en el equipo. El siguiente ejemplo de KCI supervisa los problemas que pueden detectarse mediante datos de vibración:
- Problemas en las palas: durante la supervisión de las bombas, ciertos picos en el espectro de frecuencias indican daños en las palas de labomba. El KCI Problema en las palas refleja cómode pronunciados son estos picos críticos.
- Turbulencias de flujo: este KCI indica irregularidades en el flujo de líquido que pasa por una bomba. Las turbulencias pueden ser problemas en sí mismas o indicadores de problemas.
- Holgura: el eje central del equipo rotativo suele estar limitado por los cojinetes para que su eje de rotación no fluctúe. Una holgura excesiva, causada normalmente por el desgaste del cojinete, significará que el eje presentará un movimiento vertical y horizontal, que puede dar lugar a mayores daños rápidamente. El KCI Holgura indica si el equipo sufre este problema y en qué medida.
- Desalineación: todos los componentes del equipo rotativo deben estar bien alineados. Sin embargo, los daños durante el transporte o las irregularidades durante el funcionamiento pueden provocar desviaciones de la alineación ideal. Al igual que la holgura, la desalineación puede causar más daños al activo y reducir su rendimiento.
- Desequilibrio: idealmente, los elementos rotativos de un equipo están equilibrados.Esto significa que la masa se distribuye por igual en todas las direcciones. Un ejemplo de desequilibrio sería un trozo de materia adherido a una de las palas de una bomba, que ejercerá una fuerza adicional sobre los cojinetes.
- Cavitación: la cavitación es un conocido problema relacionado con las bombas. Cuando se ejerce fuerza sobre un líquido pueden producirse pequeñas burbujas de baja presión que pueden dar lugar a cambios rápidos de presión. Debido a la presión más alta que las rodea, estas burbujas pueden implosionar y dañar la bomba. El KCI Cavitación detecta la aparición de implosiones relacionadas con la cavitación.
Mantenimiento predictivo: uso del aprendizaje automático para predecir el estado de los activos
Se entrenó un modelo de aprendizaje automático basado en redes neuronales para predecir el estado de salud futuro de los activos. La predicción o pronóstico, se basa en los KCI y otra información sobre los activos y sus cambios a lo largo del tiempo. Por ejemplo, basándose en valores de KCI pasados Ct-n,..., Ct-1, la red neuronal predice los valores futuros Ct+1 y Ct+n, donde n indica la predicción o la ventana "Look ahead". Si el valor pronosticado de un activo supera un umbral, se envía un mensaje al gestor de activos recomendando su inspección →4.
El umbral utilizado para determinar el mal estado de los activos puede establecerse mediante estándares industriales o de forma dirigida por datos, donde se proporcionaría una amplia muestra de valores KCI a un modelo de aprendizaje automático diferente capaz de categorizar los datos en distintas clases según estos valores. Independientemente del umbral, el enfoque de aprendizaje automáticode ABB resultó muy eficaz a la hora predecir el deterioro de la salud de los activos, que se detectó aproximadamente en el 90 % de los casos en estos tipos de activos (los valores exactos dependieron del KCI utilizado, así como de factores adicionales como el tamaño de la ventana Lookahead).
Escenarios de aplicación
Con la arquitectura descrita más arriba y tomando como base los análisis desarrollados para diagnósticos y pronósticos, se creó un prototipo de solución para los gestores de activos y para el personal responsable del mantenimiento →5, 6.
05. Panel que muestra la visión general de la fltoa de activos con el sistema de supervisión del estado. 
06. Panel con estado del activo seleccionado y visión general del modo de fallo.
Los resultados del diagnóstico se presentan al usuario final como el estado actual del activo, que puede ser "Mantener en funcionamiento", "Esperar y observar" o "Necesita atención". El estado pronosticado puede ser bien "Manteneren funcionamiento" o "Necesita atención". A continuación, se explican los posibles escenarios que pueden darse y cómo la tecnología desarrollada ayuda al usuario final a aprovecharla → 7.
Escenario 1
Partiendo del escenario trivial en el que el activo funciona normalmente sin que haya ningún daño pronosticado, los estados actual y pronosticado son "Mantener en funcionamiento". No debe realizarse un mantenimiento innecesario basado en el tiempo.
Escenario 2
En este escenario, consideremos que el activo presenta actualmente signos de daños, pero no de un fallo inminente. Así, el campo del estado actual recomienda al usuario que mantenga en funcionamiento el activo y los campos del estado pronosticado para las próximas semanas mostrarían "Necesita atención" y recomendarían una acción. La acción propuesta al usuario es explorar los datos del sensor del activo de forma detallada y adoptar las medidas pertinentes. Los algoritmos de diagnóstico indican cualquier daño- por ejemplo, una desalineación detectada en la vista detallada daría lugar a una recomendación de llevar a cabo un proceso de alineación en lugar de desmontar el activo, lo que centra el esfuerzo exclusivamente en el mantenimiento requerido.
Escenario 3
Aquí consideraremos que el activo presenta actualmente signos de daños significativos, nolo suficientemente graves como para que deba pararse, pero lo suficiente graves como para que su estado se supervise de cerca. Los campos del estado pronosticado para las próximas dos semanas mostrarían "Necesita atención" a modo de recomendación. La acción propuesta al usuario consiste en analizar los datos de los sensores del activo en detalle y adoptar las medidas apropiadas en función de distintos modos de fallo. Los algoritmos de diagnóstico indican cualquier daño ya iniciado. Por ejemplo, la detección de problemas en las palas en la vista detallada daría lugar a una recomendación para realizar un proceso de mantenimiento que podría requerir la desinstalación del activo. Esto ayudaría al gestor de activos a planificar las piezas de repuesto y a coordinar el esfuerzo de mantenimiento para minimizar el tiempo de inactividad.
Escenario 4
Consideremos que el activo presenta actualmente síntomas de un daño considerable que podría alcanzar el nivel de daño significativo en dos semanas o más. Sin embargo, dado que no hay daños devastadores en el estado actual, se aconseja al usuario "Mantener en funcionamiento", pero la predicción basada en datos históricospasados y actuales sugeriría "Necesita atención" en el campo del estado pronosticado a dos semanas. La acción propuesta consiste en realizar un análisis más detallado de los datos del sensor en forma de informe Fingerprint. Esto ayudaría al gestor de activos a tomar una decisión informada sobre la planificación de cualquier mantenimiento necesario, si procede.
Información y previsión
Del desarrollo del prototipo de esta solución demantenimiento predictivo surgieron varias ideas importantes:
- La preparación de los datos es un aspecto importante que a menudo se infravalora.
- Cuando se recogen periódicamente nuevos datos en el campo, debe prestarse especial atención a la coherencia de los datos para tener en cuenta casos, por ejemplo, en los que se ha movido o sustituido un sensor.
- Hay retos únicos asociados a la administración y manipulación de datos en tiempo real.
Abordando estos retos, y combinando el conocimiento de dominio con enfoques de aprendizaje automático, ABB pudo ofrecer una solución supervisión del estado fiable y robusta para equipo srotativos no críticos. Los resultados obtenidos al aplicar este enfoque a un caso de cliente real pusieron de manifiesto que podrían predecirse KPI con precisión hasta dos semanas antes.
