Aprendizaje automático: cómo se entrenan los algoritmos en KSB

Detecte daños en la máquina antes de que ocurran

Todo empezó con un leve zumbido que no se percibía con el motor en marcha. Poco después, empezaron a producirse ligeras vibraciones en el sistema que tampoco se percibían, hasta que de repente se rompió el rodamiento y dejó de funcionar toda la estación de bombeo. El resultado: una parada completa del sistema seguida de una carrera frenética para comprar piezas de repuesto y dificultades para instalarlas rápidamente. ¡Un incidente costoso, pero que pronto se podrá prevenir!

En la práctica, las bombas suelen funcionar en continuo de forma muy transitoria e incluso más allá de sus límites de funcionamiento debido a un incorrecto dimensionamiento o a unas condiciones cambiantes del entorno, con consecuencias negativas bien conocidas: reducción del rendimiento, mayor desgaste, menor vida útil y un mayor riesgo de fallos prematuros imprevisibles. Desafortunadamente, es raro que los operadores lleven a cabo un monitoreo regular y un análisis preciso de los datos de funcionamiento.

Pero ¿qué pasaría si existiera un sistema de control y diagnóstico que pudiera monitorear de cerca el estado de funcionamiento de sus bombas, evaluar su vida útil, detectar anomalías y predecir fallos en una etapa temprana? Esto garantizaría que los conjuntos de bombas pudieran funcionar de forma segura y fiable en todas las condiciones de operación y dentro de los límites del rango de funcionamiento definido. Minimizaría el riesgo de paradas no programadas y permitiría que los programas de mantenimiento individuales de las bombas se basaran completamente en lo que realmente se necesita, lo que contribuiría enormemente a una mayor eficiencia y al ahorro de recursos.

Detección y evaluación fiables de anomalías

Un sistema de monitorización y diagnóstico de este tipo se basa en dos pilares: la adquisición de datos mediante sensores y el procesamiento inteligente de estos datos: ahí es donde se produce la magia.

La palabra mágica aquí es "detección de anomalías", una tarea de investigación bien conocida en el campo del aprendizaje automático. Además de la detección de fraudes por intrusiones, el mantenimiento predictivo de los sistemas es una de las principales aplicaciones de la detección de anomalías. Las áreas típicas de aplicación incluyen la predicción, el diagnóstico y la clasificación de cualquier problema que surja, así como el análisis del desgaste y la vida útil restante.

Para ello, se utilizan varios parámetros del sistema, como temperatura, presión, voltaje, velocidad de rotación, vibraciones y señales acústicas. En el caso de las bombas, se han publicado los primeros conceptos para detectar la cavitación y obstrucciones, así como para utilizar los datos de vibración para predecir su vida útil. Sin embargo, hasta la fecha, sólo se han utilizado métodos estadísticos comparativamente sencillos para diagnosticar las causas de los daños.

¿Cómo convertir los datos simples en información útil?

O, dicho de otro modo, ¿cómo se pueden detectar y analizar las anomalías para poder hacer predicciones? Para responder a esta pregunta, se requiere una metodología sofisticada y un plan de trabajo ambicioso. Para permitir una aplicación de este tipo y generar un valor añadido real, el desarrollo de algoritmos y modelos matemáticos debe trabajarse en paralelo a las cuestiones de estrategia de datos e infraestructura. Durante un proceso de desarrollo de este tipo, los diferentes paquetes de trabajo están claramente definidos:

1. Creación de la arquitectura general básica del sistema

2. Desarrollo de una plataforma de datos

3. Detección de estados de fallo (anomalías)

4. Clasificación de los estados de fallo

5. Predicción de estados de fallo

Debido a las dependencias dentro de estos paquetes de trabajo, es esencial un enfoque continuado y repetitivo. Este es especialmente el caso para un correcto desarrollo de la estrategia de datos y la infraestructura necesaria.

Paquete de trabajo 1 Creación de la arquitectura general básica del sistema

En primer lugar, se debe diseñar una arquitectura detallada para el sistema general y describir las interfaces entre los sistemas (en la nube y local). En el caso de los sistemas locales, es necesario definir las interfaces entre los sensores, el preprocesamiento y los algoritmos. Además de la interfaz en la nube, también se debe definir el procesamiento posterior de la información en la nube y la ruta de regreso al sensor. Es necesario definir el tipo, la frecuencia y los formatos de los datos de entrada y de los resultados para permitir análisis y visualizaciones posteriores. Esto se debe a que muchas conexiones solo se pueden identificar a través de la visualización correlacionada de múltiples datos.

Paquete de trabajo 2: Desarrollo de una plataforma de datos

El desarrollo de una plataforma de datos está estrechamente relacionado con el desarrollo de la infraestructura. Los datos de diferentes fuentes (por ejemplo, de bancos de pruebas, la solución de monitorización KSB Guard, información estática, metadatos o datos meteorológicos) se recopilan en un llamado "lago de datos" basado en la nube. Para almacenar y recuperar estos datos de manera eficiente y con un alto rendimiento, los formatos de datos deben evaluarse e identificarse con precisión. Y para cumplir con los requisitos de un grupo de usuarios definido, es necesario crear y definir roles de usuario, permisos e instalaciones de seguridad de cuentas.

La configuración y el mantenimiento de una infraestructura de desarrollo (DEV), una infraestructura de prueba (QA) y una infraestructura de producción también son extremadamente importantes. El software y las nuevas funciones que se implementan en estos sistemas están sujetos a pruebas y control de versiones automatizadas. Además, se debe desarrollar una herramienta que permita enriquecer los datos medidos en las máquinas con metainformación (por ejemplo, el estado de la bomba y las condiciones de funcionamiento). Esta información mejora significativamente los datos y sienta las bases para el entrenamiento de los algoritmos.

Paquete de trabajo 3 Detección de estados de fallo (anomalías)

En este paquete de trabajo, los modelos de sistemas se entrenan para detectar individualmente las desviaciones respecto al funcionamiento normal. Esto se hace utilizando algoritmos del campo del aprendizaje automático. También involucra algoritmos de límite. Para desarrollarlas, KSB se basa en sus conocimientos especializados, así como en las normas pertinentes (por ejemplo, DIN 10816). Se definen límites fijos o flexibles para indicar anomalías. Las anomalías detectadas se anotan según el grado de desviación de las condiciones normales de funcionamiento, su duración y urgencia.

Para garantizar la eficiencia de los recursos a largo plazo, la atención se centra en la idoneidad y precisión de los algoritmos o implementaciones de valores límite y su optimización continua. La cantidad y la calidad de los datos de entrada necesarios para la detección de anomalías se optimizan mediante la selección, la combinación y la adaptación.

Paquete de trabajo 4 Clasificación de los estados de fallo

Las anomalías de las bombas monitoreadas se clasifican utilizando los algoritmos de aprendizaje automático implementados. Para entrenar los algoritmos se requieren datos reales, simulados o generados a partir de conjuntos de bombas que funcionan de manera anormal. Aquí también se utilizan los conocimientos especializados existentes. Los algoritmos desarrollados se documentan e implementan en la infraestructura.

Paquete de trabajo 5 Predicción de estados de fallo

El objetivo es poder hacer pronósticos (predicciones) sobre anomalías en función de los parámetros operativos actuales, lo que permite tomar precauciones antes de que ocurra un tiempo de inactividad no programado. En lugar de detectar anomalías cuando realmente ocurren, estos algoritmos están diseñados para predecir cuándo es muy probable que ocurra una anomalía. Las tendencias a largo plazo se modelan utilizando el conocimiento de expertos y se aprenden de forma independiente mediante algoritmos de aprendizaje automático. Para evaluar estos algoritmos de predicción, se necesitan datos de anomalías reales o simuladas de conjuntos de bombas.

Resumen y conclusión

Solo la detección y predicción automáticas y fiables de anomalías hacen posible un verdadero mantenimiento predictivo con todas sus ventajas potenciales. Pero el camino para llegar a ello aún implica grandes áreas de terreno desconocido y un campo de investigación que se está explorando actualmente. El servicio Guardmonitoring de KSB convierte a KSB en uno de los pioneros en este campo. La compañía está trabajando arduamente para avanzar en el tema del mantenimiento predictivo para sus clientes. Especialmente a la luz de la digitalización de grandes áreas de la industria y los esfuerzos por implementar los principios de la Industria 4.0, el manejo inteligente y beneficioso de los datos es cada vez más importante. Con volúmenes de datos en continuo crecimiento, cada vez es más difícil extraer información valiosa mediante análisis de datos sencillos. El aprendizaje automático ayuda a filtrar información crucial, reconocer patrones y hacer predicciones. Esto ayuda a las empresas a tomar las decisiones correctas y mejora significativamente sus procesos y su eficiencia.