El primer sistema de diagnóstico automatizado para análisis de aceite que detecta anticipadamente potenciales fallas de los equipos monitoreados, aplicando una metodología de inteligencia artificial basada en aprendizaje profundo.
- Este sistema es el resultado del Programa de Innovación en Manufactura Avanzada (IMA+) desarrollado por la Universidad de Chile y la empresa Seguel Robotics con apoyo de MCM.
Los sistemas productivos industriales se encuentran constantemente bajo estrés, debido a la necesidad de cumplimiento de metas de producción y de reducción de costos. También, en el contexto actual de creciente sensorización de éstos sistemas, se produce una acumulación de grandes bases de datos multidimensionales que no pueden ser procesadas directamente por los métodos tradicionales de mantenimiento predictivo. Es debido a esto que se vuelve cada vez más necesaria la utilización de técnicas de “Prognostics and Health Managment” (PHM) que permitan el análisis automático de las bases de datos antes mencionadas para la extracción de información y el diagnostico de potenciales fallas en los equipos. El foco principal de éstas técnicas es el mantenimiento predictivo, siendo el proceso de pronóstico uno de los temas principales de desarrollo a nivel mundial.
En esta línea, y entendiendo la necesidad de monitoreo constante de las condiciones existentes, nace el primer sistema de diagnóstico automatizado para análisis de aceite en equipos de la gran Minería de Chile, el cual está diseñado para identificar potenciales fallas de los equipos de forma automatizada mediante una metodología de inteligencia artificial basada en aprendizaje profundo. Este sistema es el resultado de la investigación del Programa de Innovación en Manufactura Avanzada (IMA+) que lidera la Universidad de Chile con financiamiento Corfo y las empresas MCM Ingeniería y Seguel Robotics.
En relación a los beneficios concretos de este desarrollo tecnológico en la industria minera, el Directivo de MCM Ingeniería, Sr. Jorge Marín, comenta: “Este sistema nos ha traído beneficios tanto para nosotros como para la gran Minería donde prestamos nuestros servicios de diagnóstico de fallas en máquinas. Se pueden destacar los siguientes beneficios desde su puesta en marcha:
– El procesamiento de 200 muestras demora menos de 1 minuto, lo que antes se realizaba en tres días. Esto es una fuerte mejora en el diagnóstico sobre los activos, ya que permite tomar acciones correctivas oportunas en los activos que lo requieran.
– En la actualidad un 50% de los diagnósticos realizados por el sistema de monitoreo automático no requiere de supervisión por un especialista, esto ha sido muy favorable para el equipo de la minera ya que optimiza los tiempos de analista expertos (recurso cada vez más escaso), focalizando sus esfuerzos en análisis complejos. Esperamos que a futuro aumentemos esta capacidad, ya que el sistema se encuentra en una etapa de retroalimentación, proceso que consiste en comparar muestras de aceite con diagnósticos complejos realizados por nuestros analistas, con el diagnóstico del sistema para así obtener un modelo más robusto en sus resultados.”
La tecnología propuesta considera el desarrollo de un modelo de aprendizaje profundo basado en redes neuronales, el que es entrenado con una base de datos creada con análisis de aceites lubricantes previamente clasificados por un analista experto. Dicho análisis es realizado por un laboratorio especializado, en donde se identifican las cantidades de los diferentes componentes y de particulado presentes en el aceite. Esta información se complementa con las etiquetas históricas de falla para así aprender la causa – efecto detrás de los resultados. De ésta forma, se implementa un modelo ya entrenado para clasificar automáticamente nuevos análisis de aceite, reduciendo los cuellos de botella debido a la posibilidad de procesar los datos a medida de que son recibidos desde el laboratorio.
En esta línea la directora de IMA+, Dra. Viviana Meruane, explica la importancia de desarrollar un sistema como el descrito. “Este tipo de tecnologías permiten detectar de forma temprana las fallas en sistemas o componentes críticos, disminuyendo la posibilidad de fallas imprevistas, aumentando la seguridad de las personas y de los activos, y también, la confiabilidad y el intervalo entre mantenimientos lo cual afecta directamente en los costos de mantenimiento, entre otros”.
Respecto de la realidad de operación, el director del proyecto de Identificación de fallas en equipos mineros utilizando herramientas de aprendizaje profundo, Dr. Enrique López Droguett, comenta qué “En la actualidad, la mayoría de los equipos y sistemas están siendo monitoreados en línea, generando enormes volúmenes de datos (Big Data). Esto conlleva una gran oportunidad para mejorar las técnicas de confiabilidad y mantenimiento de una equipo, a través de técnicas de data analytics. Adicionalmente, el pronóstico de daños está en línea con el principio de sustentabilidad, esto es, un aumento de la disponibilidad y vida útil de los sistemas”.
Sobre los detalles de este algoritmo en que está construido el sistema, el ingeniero de IMA+, Danilo González, indica que “Dado que pueden ir incorporándose nuevos tipos de falla o cambiar los márgenes tolerables, se implementará un sistema que permita retroalimentar el modelo, manteniéndolo actualizado con la incorporación de los últimos análisis a la base de datos. Por otra parte, en próximas etapas, este programa quedará enlazado entre la comunicación del laboratorio que realiza el análisis de aceite y la empresa que entrega el servicio de monitoreo, logrando de esta manera obtener un diagnóstico automatizado, quitando posibles cuellos de botella en el análisis. Cabe destacar que nuestra solución se enfoca en analizar todas las muestras y liberar a los analistas de las más simples (muestras sanas), enfocando sus esfuerzos en los análisis conflictivos. Con esto es importante tener una baja cantidad de falsos negativos, esto es, muestras que sean catalogadas como sanas y tengan fallas presentes.”, explicó el profesional.
Con esto, la industria se ahorraría casi un 50% de horas hombre en la evaluación de los análisis de aceite, haciendo un proceso mucho más rápido y efectivo, y por ende, más económico para la industria minera.