2021 Sumsol brand Izdo
 
 
 
 
 
 
 
 
Pagina principal › Artículos y Entrevistas Online › Grupos electrógenos y equipos auxiliares

Machine learning aplicado en grupos electrógenos

Ricardo Rodríguez, CEO de Suigeneris

Poco a poco vamos viendo cómo las nuevas tecnologías habilitadoras nacidas de Industria 4.0 se van implantando con mayor o menor éxito, pero indudablemente ya es una realidad que empresas y personas nos tenemos que ir posicionando y adoptando algunas de estas tecnologías en la medida que nos vayan aportando una mejora sustancial en nuestros procesos o desarrollo de nuestras actividades.

En este sentido, en el ámbito de conocimiento y trabajos del que suscribe este artículo, voy a explicar cómo una de estas tecnologías, la inteligencia artificial y el IoT, están siendo aplicadas en el ámbito del mantenimiento de grupos electrógenos de emergencia para conseguir mejoras sustanciales en el ahorro de costes, desarrollo sostenible y minimización del impacto de averías o incidencias.

Dentro de la IA tenemos la disciplina del machine learning (aprendizaje de la maquina) que nos permite evolucionar del mantenimiento preventivo hacia el mantenimiento predictivo, es decir, la anticipación de lo que va a suceder, basada en datos empíricos. Sobre este asunto hoy día vemos muchos anuncios de soluciones que utilizan esta tecnología, aunque en la realidad la mayoría no son del todo verdad, ya que estas herramientas para realizar su función (predecir eventos) necesitan de una serie de premisas que en muchos casos no se cumplen, quedándose en simples modelos basados en la periodicidad y estimaciones simples.

El problema común de estas soluciones de machine learning radica en que el modelo de predicción está soportado por un algoritmo muy espécifico (he aquí uno de los problemas genéricos) que esté orientado a dar como resultado una “salida” o respuesta a unas determinadas “entradas” o situaciones de variables que influirán en la decisión y que serán específicas a la máquina/s o actividad/es, no valiendo modelos genéricos. Para ello este modelo algorítmico irá trabajando con las distintas variables de entrada y salidas obtenidas, autoanalizando y auto-contrastando los datos para así ir mejorando o precisando el resultado a medida que va aumentando la base de datos o “de conocimiento”.

Este último factor “el conocimiento” es primordial para poder obtener buenos resultados en los modelos de predicción. Sin una gran cantidad de datos contrastables, ningún modelo de predicción será fiable o preciso.

Partiendo de estas premisas, ya existe una solución en el mercado de empresa especializada en este sector que alberga una base de datos amplísima debido a su extensa trayectoria, que permite realizar mantenimientos predictivos orientados a la optimización del cambio de fungibles, anticipación de ciertas averías y, sobre todo, una muy específica dedicada a los grupos electrógenos de emergencia, donde se asegura la aptitud constante de arranque del/los generadores en stand-by, que en centros donde el suministro de energía es crítico, supone un gran avance en la seguridad de estas instalaciones.

Centrándonos en este último caso, es precisamente en los grupos electrógenos de emergencia, donde se hace más necesario asegurar el funcionamiento de las máquinas, debido a su carácter de respaldo ante un fallo en el suministro de energía de las instalaciones. El problema normalmente reside en que para garantizar el funcionamiento de estos grupos se realizan repetidas y costosas intervenciones preventivas y se monitorizan los equipos, pero en algunos casos estas acciones no nos permiten asegurar que el generador pueda arrancar y dar suministro en el momento de la demanda y solo permite realizar acciones correctoras una vez producida la avería, con las correspondientes consecuencias y costes derivados de la falta de suministro de energía.

 

La solución es posible gracias a la adquisición de los datos procedentes del equipo de control del generador, o en su defecto de la actualización del equipo realizada por la empresa, a través del puerto de comunicaciones, ya sea RS485 o RJ45, normalmente mediante protocolo Modbus, a lo que hay sumar un nuevo equipo de IoT (Internet of Things) que se encarga de la gestión de las comunicaciones de forma inalámbrica por UMTS/LTE o cableada Ethernet, tanto de los datos del equipo del grupo electrógeno como de los sensores que lleva asociados para captación de información adicional necesaria de parámetros no facilitados por los equipos de control estándar del mercado y un procesador interno con inteligencia embebida que permite “limpiar” la información de los transductores y enviar datos reales de tendencias, mediante técnicas de computación de  transformada de Furier. Estos sensores adicionales permiten:  

  • Analizar el estado real de la capacidad de descarga de la batería, que es un parámetro de vital importancia, ya que esta capacidad de descarga (para un grupo de 500 kVA, según el modelo de motor, la intensidad aproximada de descarga requerida es de unos 600 A) si está disminuida por el estado de la batería podría hacer que el grupo no arrancara. El problema es que el equipo de control solo nos ofrece la tensión de la batería y debido a la presencia del cargador de batería, esta tensión de referencia se ve condicionada por la referencia del cargador, camuflando las deficiencias de tensión de las baterías de arranque, aunque no obstante la medición de la tensión no es un indicador preciso del estado de la batería, sino más bien un indicador. Para poder determinar esta capacidad, precisamos hacer mediciones empíricas de la densidad del electrolito o mediciones de corrientes en el momento de demanda. Es precisamente con un sistema de comparación V/A lo que hace de este sensor un aliado eficaz.  
  • Detectar vibraciones anómalas. Mediante sensores de vibración colocados en partes estratégicas que junto con otros parámetros de motor, como temperaturas, permiten detectar funcionamientos anómalos que pueden derivar en serias averías.
  • Incorporar parámetros ambientales. Presión atmosférica, temperaturas ambientales, humedad relativa, punto de rocío, partículas volátiles o determinados gases (según el caso). Estos parámetros permiten comparar las condiciones mínimas, máximas, óptimas y/o recomendadas por los distintos fabricantes de motores y de elementos fungibles para determinar situaciones susceptibles de provocar alteraciones y condiciones desfavorables que aceleren el envejecimiento de estos materiales fungibles, así como situaciones de condiciones adversas de arranque.
  • Contaminación de refrigerante, aceite y/o combustible. Estos sensores ofrecen una información muy valiosa, por motivos obvios, siendo aún más relevante la derivada de contaminación del combustible con su consecuencia directa sobre el posible fallo de arranque o anomalías en la combustión, con la consiguiente falta de potencia.

Toda la información es recogida por una herramienta de software que almacena la información recibida, a la que se añade la información procedente de las revisiones presenciales y la combina con las bases de datos históricas, añadiendo los valores de maquinaría de iguales características. El algoritmo diseñado específicamente a este efecto ha sido creado utilizando técnicas de regresión lineal, random forest y redes neuronales y emite señales de alerta cuando los indicadores determinan que el equipo estaría 1) en situación de fallo de arranque, 2) parada inmediata justo durante el momento de arranque o 3) en el instante de entrada de la carga de los consumidores. Esto es así debido a que cualquiera de las 3 situaciones impediría un funcionamiento de respaldo en caso de fallo de la energía primaria.

Esta herramienta gracias a los otros dos algoritmos diseñados y los nuevos sensores de contaminación de fluidos y combustible, junto con el resto de parámetro permite optimizar los cambios de fungibles, mejorando notablemente los OPEX y el impacto medioambiental ya que hablamos de líquidos y elementos muy contaminantes. El último algoritmo desarrollado, permite anticiparse a un determinado número de averías muy orientadas a los sistemas que intervienen en el arranque.  

En resumen, esta tecnología de machine learning se irá sin duda mejorando a medida que los algoritmos se vayan perfeccionando, y sobre todo se vayan universalizando las bases de datos de los distintos fabricantes (fuentes principales de conocimiento), cosa poco probable a corto-medio plazo, ya que supone exponer información a la competencia como el ciclo de vida útil de sus componentes y/o productos y competir en una situación de desventaja en el mercado. De este modo, se podrá llegar a niveles muy óptimos de seguridad de las instalaciones, control de costes, eficiencia energética y sostenibilidad.

Artículos sobre grupos electrógenos y equipos auxiliares | 26 de noviembre de 2020

Próximos eventos

 

Últimas entrevistas
Utilizamos cookies propias y de terceros para elaborar información estadística y mostrarte publicidad personalizada a través del análisis de tu navegación, conforme a nuestra Política de cookies.
Si continúas navegando, aceptas su uso.


Más información
 energetica21.com - Revista de generación de Energía y Eficiencia Energética  
2021 Sumsol brand dcho

Política de privacidad | Cookies | Aviso legal | Información adicional