El aprendizaje automático no es suficiente: programa de análisis avanzado para sistemas de bombeo

Construir una solución más robusta y flexible que pueda validar anomalías del mundo real y adaptarse a las políticas de TI cambiantes requiere un enfoque de extremo a extremo que combine conocimientos tecnológicos, experiencia en equipos y experiencia operativa.

Dr. Marc Heggemann y Seth Tate de Sulzer explican por qué es necesario aumentar el aprendizaje automático para garantizar un resultado positivo y cómo se debe entregar una solución integrada correctamente.

Los sistemas de bombeo, especialmente los clasificados como "de alta energía", entregan materias primas, como petróleo, gas y agua, a las plantas de procesamiento antes de que se transformen en productos que se utilizan en la vida cotidiana. El análisis del estado de los activos para optimizar las acciones de operación y mantenimiento proporciona la ventaja competitiva en la producción y el transporte y, por lo tanto, la motivación para introducir el aprendizaje automático.

Medir el éxito
Las soluciones analíticas avanzadas que tienen como objetivo mejorar el rendimiento empresarial solo pueden considerarse exitosas si brindan un beneficio medible para la seguridad, el medio ambiente o las finanzas comerciales. Desde el principio, la solución debe ser flexible y capaz de funcionar de un extremo a otro para cumplir los objetivos comerciales.

Como tal, estas soluciones digitales son un habilitador de valor, dando a las operaciones la oportunidad de tomar la mejor acción en base a la inteligencia proporcionada. Los sistemas de bombeo pueden variar mucho según el diseño y el costo. Hacer funcionar bombas de alta energía, o aquellas con fluidos de alto riesgo, hasta el punto de fallar puede fácilmente tener implicaciones mucho mayores que USD 100.000 por ocurrencia.

Sin embargo, el uso de una solución digital para predecir con precisión las condiciones previas a la falla de los componentes del sistema de bomba y luego realizar acciones correctivas está lejos de ser un proceso simple. De hecho, crear una solución que logre los objetivos de la corporación y ofrezca la flexibilidad para adaptarse a cambios futuros requiere una experiencia considerable en diseño de sistemas y un conocimiento histórico de equipos. Esto se explica mejor con una instalación real en la que el operador buscaba una solución de gestión de activos eficiente.

Estudio de caso: establecimiento de criterios
Una gran instalación de energía solar, operada por una empresa que tiene sitios en tres continentes, quería mejorar aún más su programa de mantenimiento predictivo mientras cumplía con la justificación del proyecto y las políticas de datos corporativos. Una solución de análisis avanzada requiere seguridad de los datos basada en las políticas individuales de la empresa, así como la capacidad de cambiar y crecer con el tiempo con estas políticas.

En este caso, el operador ya estaba realizando análisis de datos y detección de anomalías con un equipo de ciencia de datos. El papel de Sulzer era mejorar su enfoque y, al trabajar en estrecha colaboración con ellos, proporcionar análisis que complementaran su trabajo existente. Sulzer describió las capacidades y beneficios de BLUE BOX ™ y cómo una colaboración les permitiría alcanzar sus objetivos.

Durante la incorporación, el proceso de carga de datos históricos comenzó a entrenar los algoritmos de aprendizaje automático. Una vez completado, se creó un canal abierto para nuevos puntos de datos y comenzó el monitoreo. A lo largo de este proceso, se llevaron a cabo reuniones semanales para discutir todas las tareas, incluida la calidad de los datos, y se destacaría cualquier problema potencial con el sistema de bombeo. La interacción entre los grupos tuvo como objetivo ofrecer una mejor calidad de los datos y menos problemas del sistema, así como ganancias mutuas de capacitación.

Comprobación de datos
Como parte del proceso de recibir información del historiador de datos, existe la necesidad de realizar una verificación de la integridad de los datos, que es esencialmente una auditoría de sus datos operativos; destacando cualquier problema que deba solucionarse. Se necesita una comprensión no solo de los datos, sino también del equipo y la aplicación para poder hacer esto.

Por ejemplo, uno de los puntos de datos recibidos fue la corriente del motor. A través de la experiencia en equipos y la experiencia operativa, estaba claro que se trataba de datos incorrectos. Una investigación adicional en el sitio reveló que los datos enviados no eran amperaje, sino rendimiento porcentual; las etiquetas de datos en el sistema de control de supervisión y adquisición de datos (SCADA) eran incorrectas.

Es esencial que la calidad de los datos sea parte del proceso de análisis, no solo durante la configuración inicial, sino también de manera continua durante el período del programa de análisis avanzado. En el caso de BLUE BOX, es una tarea continua cada vez que se detecta una anomalía. Es fundamental que un programa de análisis avanzado nunca sugiera una acción basada en una mala inteligencia.

Detección de anomalías
Los modelos matemáticos aprenden de los datos históricos para identificar patrones similares. Sin embargo, en esta aplicación, las fallas de la bomba no ocurren con mucha frecuencia y la mayoría de los operadores no tienen el historial de operación y mantenimiento disponible en un formato digitalizado. Por esa razón, Sulzer aprovecha las técnicas de aprendizaje automático no supervisadas, donde los modelos se entrenan con el historial operativo reciente de las bombas junto con el modelado físico de la bomba.

Volviendo al ejemplo, poco después de que se resolviera el problema de SCADA, BLUE BOX marcó cuatro anomalías en una sola bomba durante un par de días, donde el rendimiento del activo se desvió del estado saludable. El equipo de ciencia de datos en el sitio también estaba ejecutando, en segundo plano, sus propios algoritmos y una investigación adicional encontró un evento anormal similar para el mismo período.

Al combinar los dos conjuntos de resultados independientes, fue posible validar la información y concluir la presencia de una condición previa a la falla dentro del motor. El análisis de la potencia del motor y la velocidad del eje había identificado un rodamiento que estaba en condición previa a la falla, pero muy por debajo de los límites de alarma de vibración y temperatura.

Actuar sobre la base de la información recibida
Sin un conocimiento profundo de los sistemas de bombeo y la falta de otras alarmas, algunos operadores pueden optar por no seguir el apoyo a la toma de decisiones entregado por un sistema de mantenimiento predictivo. Los beneficios de estos sistemas solo se logran si el operador confía en la información que se entrega.

Este es el punto, para Sulzer, donde los especialistas en optimización de equipos (EOS) pasan a primer plano. Basándose en BLUE BOX como una base común para interactuar con el operador, estos expertos abordan la necesidad de la capacidad técnica y la experiencia para complementar los conocimientos, como por ejemplo, sobre una anomalía detectada, ofreciendo asesoramiento experto al operador y permitiendo la elaboración de un plan de acción. formulado. La colaboración entre el personal del sitio y el EOS permite definir las opciones, junto con las acciones, tiempos y beneficios requeridos. A partir de aquí, la información se puede entregar a los tomadores de decisiones, con evidencia de apoyo, para permitirles tomar una decisión bien informada.

Una solución convierte las anomalías en conocimientos y los conocimientos en acciones. Las soluciones digitales brindan soporte para la toma de decisiones, sin embargo, ninguna solución es valiosa sin conectarse a la acción. En última instancia, el aprendizaje automático por sí solo tiene beneficios limitados; hay varios otros aspectos que deben combinarse para ofrecer una solución de extremo a extremo.

La calidad de los datos debe tener un control continuo de la realidad. Se necesita un conocimiento experto de cómo se representa el diseño del equipo físico en un formato digital, para proteger de falsos positivos y reaccionar ante la verdadera inteligencia.

La seguridad de los datos es primordial, sin cumplir con la política de seguridad corporativa, el proyecto nunca despegará. Cualquier cambio en esta política debe adaptarse, por lo que la solución de análisis debe ser flexible.

BLUE BOX de Sulzer es un buen ejemplo de cómo el aprendizaje automático se puede combinar con un amplio conocimiento de bombas que proviene de ser un fabricante de equipos originales (OEM) para permitir la planificación de acciones, manteniendo los costos al mínimo y evitando tiempos de inactividad siempre que sea posible.