¿Cómo los sensores ultrasónicos y la inteligencia artificial mejoran el monitoreo de la condición?

En un entorno industrial, los activos lo son todo. Una avería puede causar horas de tiempo de paro y, por lo tanto, horas de pérdida de productividad y menores ganancias financieras. El mantenimiento preventivo es una manera en la que gerentes de las instalaciones contrarrestan la entropía del sistema, pero no es una estrategia perfecta. En algunos casos, un enfoque preventivo de mantenimiento puede reducir la eficacia general de un activo. En el caso de una válvula, por ejemplo, el apriete constante puede causar un desgaste prematuro.

El mantenimiento predictivo fue el siguiente paso lógico hacia adelante. En lugar de programar el mantenimiento, este método anticipa un error y solo toma medidas cuando es más necesario. Esto también tiene sus retos, como cuando un activo es tan complejo que se vuelve imposible predecir cada falla inminente.

Ahora, los gerentes de planta pueden usar sensores, aprendizaje automático (machine learning) e inteligencia artificial para predecir estados de falla con un mayor grado de precisión. La implementación de un sistema de monitoreo inteligente requiere tiempo y un esfuerzo considerable, pero cuando se trata de activos multimillonarios, el valor se vuelve obvio.

LOS ACTIVOS COMPLEJOS SON RESISTENTES AL MONITOREO DE CONDICIÓN TRADICIONAL

Cuando una compañía farmacéutica se puso en contacto con el equipo de Blair Fraser en Lakeside Process Controls, querían mejorar el tiempo de actividad de un activo industrial crítico, una autoclave industrial.

“Fue una simple petición de nuestro cliente para mejorar la confiabilidad y el tiempo de actividad de este activo industrial. El cliente identificó, a través de la evaluación de riesgos, qué podría tener el mayor impacto en la producción”, señaló Fraser.

Sin embargo, ese objetivo resultó ser más complejo de lo previsto. La autoclave presentaba cientos de componentes críticos.

“Comenzamos haciendo el análisis de modo de falla y efectos, que es una forma de mirar un activo y dividirlo en sus componentes y luego determinar cómo ese activo podría fallar. Al hacer eso, identificamos alrededor de 260 maneras en las que ese activo podría fallar. Alrededor de 150 de ellos podrían ser mitigados a través del monitoreo de la condición”, dijo Fraser.

“Es imposible para los humanos monitorear activos complejos”.

A través de evaluaciones, el equipo identificó tres componentes dentro del autoclave que tendrían el mayor impacto en la productividad futura: trampas de vapor, válvulas de diafragma y la bomba de vacío. Sin embargo, incluso reducir el problema a un solo componente resultó ser un problema, teniendo en cuenta que el activo podría funcionar de 13 maneras diferentes.

El monitoreo de condición tradicional funciona bien para activos de funcionamiento continuo que generan constantemente un flujo regular de datos. Los activos complejos con varias docenas de variables, por otro lado, no se pueden monitorear de la misma manera. Los sensores del Internet Industrial de las Cosas (IIOT) han hecho algunos progresos hacia un enfoque más granular para el monitoreo de condición de activos, pero todavía requieren intervención humana. Y cuando un activo genera datos variables más rápido de lo que un humano puede comprender, es casi imposible producir valor a partir de esos datos.

En el caso de la autoclave industrial, el monitoreo de condición tradicional no era lo suficientemente confiable como para predecir con precisión el fallo de los activos. Simplemente había demasiadas variables.

ESCENARIOS CONTROLADOS VERSUS APLICACIONES REALES DEL MUNDO

El primer paso para crear una estrategia de monitoreo de condición eficaz es determinar una línea de base de funcionalidad óptima. En otras palabras, antes de poder determinar si un activo está a punto de fallar, necesita saber cómo se ve cuando está en perfectas condiciones.

Por ejemplo, el equipo de Lakeside Process Controls trajo una válvula de diafragma para probarla en su propio laboratorio. Conectaron un Ultra-Trak™ 750 para monitorear la amplitud ultrasónica. Con el sensor en su lugar, compararon la válvula en el orden de trabajo adecuado, luego indujeron un error para ver cómo cambió la salida de datos. De esta manera, el equipo fue capaz de ver cómo las lecturas ultrasónicas cambiaron cuando la válvula estaba en varios estados de falla.

Sin embargo, en un entorno real, el equipo encontró que era imposible reproducir los resultados que produjeron en el laboratorio. Demasiados factores ambientales afectaron a la válvula de diafragma para poder tomar una lectura precisa en funcionamiento.

“Utilizando la tecnología manual de monitoreo de condición, descubrimos que era casi imposible obtener datos buenos y repetibles. Para que la tecnología de monitoreo de condición funcione, necesitamos tener datos repetibles”, dijo Fraser.

Cuando el equipo dio sus registros a un científico de datos, encontraron que cada componente de la autoclave tenía una factorial de 32. En otras palabras, en un segundo dado, cada una de las aproximadamente 50 piezas podría mostrar 32 lecturas diferentes, en un amplio rango de decibelios. Puede tomar meses humanos pasar por un solo minuto de datos, e incluso más tiempo para desarrollar reglas de alerta de falla basadas en esa información.

Para monitorear la condición en un activo tan complejo, el equipo de Fraser necesitaba una mejor manera de rastrear las variables en tiempo real. Necesitaban una solución que pudiera hacer lo que un humano no podía. Fue entonces cuando contrataron Quartic.ai, una empresa de IIoT e IA Industrial.

¿CÓMO EL APRENDIZAJE AUTOMÁTICO Y LA INTELIGENCIA ARTIFICIAL MEJORAN EL PRIMER PASO DE ANÁLISIS?

Imagine que podría poner a su mejor ingeniero en una habitación con un solo componente de su activo más valioso y hacer que monitoree y evalúe constantemente su estado para siempre. Con el Ultra-Trak™ 750 e IA entrenada, eso se convierte en una realidad.

El equipo de Fraser registró meses de datos de “lotes dorados”, es decir, corridas perfectas de un ciclo de la autoclave. Quartic.ai utilizó los datos de varios lotes de diferentes recetas y durante el estado inactivo para entrenar algoritmos de aprendizaje automático que capturen los patrones de “línea de base” para cada señal de ultrasonido bajo diferentes estados de funcionamiento. Ellos dieron los datos a una empresa de inteligencia artificial que entrenó un algoritmo de aprendizaje automático para entender cuándo los componentes monitoreados están funcionando perfectamente. A continuación, la IA recién formada monitoreó los datos en tiempo real del activo. Cada segundo, la IA compara los datos de 50 componentes con su línea de base y, a continuación, proporciona una puntuación de anomalía entre cero y 100. Una puntuación de cero significa que los datos en tiempo real coinciden exactamente con la línea de base. Una puntuación de 100 significa que los datos son exactamente lo opuesto a la línea de base. Una puntuación alta prolongada indica un fallo inminente.

La IA logró lo que ningún humano puede hacer. En un escenario del mundo real, el algoritmo identificó correctamente la falla del activo dos horas antes de que se activara el apagado automático basado en reglas.

En el futuro, los sensores ultrasónicos y los algoritmos de aprendizaje automático podrán monitorear activos cada vez más complejos, lo que podría ahorrar miles de horas en tiempo de parada y optimizar completamente las rutinas de mantenimiento. Las aplicaciones de esta solución inteligente son infinitas, desde plantas industriales hasta activos comerciales.

En el caso de la industria farmacéutica, esta tecnología significará menos lotes perdidos y potencialmente millones en dólares ahorrados.