Impulse la disponibilidad de activos con Machine Learning avanzado — Éxito industrial probado

El aprendizaje automático (ML) ha evolucionado de una herramienta de nicho para grandes corporaciones a una solución de monitoreo de activos fácilmente desplegable. Hoy, pruebas a corto plazo y plataformas basadas en la nube permiten a los fabricantes integrar ML sin los altos costes iniciales de hace una década.

Machine Learning para mejorar la disponibilidad de equipos de fabricación

Los modelos ML identifican precursores de falla en las etapas más tempranas, reflejando la lógica clásica de la curva PF: cuanto antes se detecta una falla, menos tiempo de inactividad y mantenimiento incurre. El proceso comienza con un modelo de activo integral que captura todos los parámetros relevantes de proceso y equipo —típicamente 10-30 variables, a veces acercándose a 100. Por ejemplo, un modelo de bomba puede incluir presión de succión, presión de descarga, posición de válvula, temperatura y vibración de rodamientos.

Datos históricos, usualmente un año completo para capturar variaciones estacionales, forman el conjunto de datos de entrenamiento. Un ingeniero calificado por operador marca periodos de operación "buena" para incluir, y "mala" para excluir, asegurando que el modelo aprenda de datos precisos y de alta calidad. El modelo entrenado genera una matriz operacional que define rangos de parámetros esperados para cada condición operativa.

Una vez desplegado, la matriz monitorea continuamente datos en tiempo real. Si un parámetro diverge más allá de un umbral establecido, el sistema dispara una alerta. La alerta se clasifica como: 1) válida —recursos de planta abordan el problema; 2) inconclusa —continuar monitoreo y recopilar más datos; 3) falso positivo —reentrenar el modelo con datos actualizados.

Gestionar estos modelos demanda experiencia dedicada. Un recurso típico a tiempo completo asigna 40 % de su tiempo a mantenimiento del modelo, 40 % a resolución de incidentes con equipos de planta, y 20 % a evaluar el retorno de inversión del programa ML.

Resultados de Machine Learning

Las aplicaciones de ML revelan cambios sutiles invisibles para operadores humanos. A continuación, ejemplos reales que ilustran cómo alertas tempranas previnieron tiempo de inactividad costoso.

Figura 1. Aumento de vibración de rodamiento de ventilador

En este caso, un aumento en la vibración del rodamiento señaló una fuga de aceite oculta. La inspección inmediata identificó la fuga en la conexión de la tapa del rodamiento, permitiendo acción correctiva antes de que ocurriera daño al rodamiento.

Figura 2. Pureza de hidrógeno del generador

Un declive gradual de un mes en la pureza de hidrógeno fue detectado temprano, dando tiempo a los equipos para abordar el problema sin una parada.

Figura 3. Colador de bomba EHC

Un aumento de presión diferencial a través de un colador de bomba EHC provocó un intercambio de bomba, evitando una posible parada de turbina.

Figura 4. Temperatura de aceite de pulverizador

Un aumento de temperatura en el sistema de lubricación llevó al reemplazo de una válvula de agua de refrigeración fallida, restaurando operación normal.

Ejemplos adicionales de una segunda plataforma ML demuestran aún más precisión predictiva consistente en diversos tipos de equipos. En cada instancia, el software identificó desviaciones, generó alertas y facilitó respuestas oportunas de la planta, confirmando el alto valor de la comunicación post-detección.

Figura 5. Flujo de pulverización de alta presión

Cuando el flujo de pulverización se desvió del modelo a 1.000 lb/hr, una alerta permitió a los operadores investigar y corregir el problema antes de que ocurriera una alarma.

Figura 6. Vibración de turbina de combustión

Durante el arranque, un sensor de vibración suelto disparó una alarma en un escenario, ilustrando cómo incluso pequeños cambios mecánicos pueden ser marcados rápidamente.

Figura 7. Presión de tambor HRSG

En otro escenario de arranque, una caída de presión llevó a una alarma. La planta puso la unidad fuera de línea para reparación de válvula, tras lo cual el modelo y los valores reales volvieron a alinearse.

Aplicaciones futuras de Machine Learning

Anticipamos que el ML se convierta en un componente estándar de Sistemas de Control Distribuido (DCS). El DCS generará predicciones de parámetros, las comparará con datos reales y entregará alertas accionables a operadores. A medida que el sistema aprenda acciones correctivas, la participación del operador disminuirá, moviéndose hacia plantas auto-optimizables —una visión ya realizada en vehículos autónomos como el autopilot de Tesla.

Desplegar ML en entornos industriales ahora requiere habilidades especializadas, pero la barrera de entrada más baja y la disminución de costes están impulsando una adopción más amplia. En los próximos años, soluciones ML de grado consumidor pueden entrar en la planta de fábrica, democratizando aún más la analítica avanzada.