Diseño de equipos eléctricos más inteligentes integrados con IA

La combinación del diseño basado en modelos con la IA en sistemas eléctricos mejora las operaciones de la industria

Todos los componentes de la vida moderna dependen del funcionamiento de sistemas eléctricos. A escala industrial, el fallo de esos sistemas significa pérdidas, oscuridad y pérdida de datos. Un componente en particular que experimenta un desgaste significativo es un contactor, que conecta o desconecta la corriente. Pero hasta hace poco, mantener los contactores significaba tratar de anticipar cuándo los dispositivos podrían fallar o funcionar mal. Para solucionar este problema, los ingenieros de Schneider Electric combinaron inteligencia artificial (IA) y diseño basado en modelos para incorporar un algoritmo de mantenimiento predictivo en los propios contactores. Como resultado, condensaron una prueba de mantenimiento de meses en una hora.

Poner un número a la vida útil restante de los contactores solía requerir un período intensivo de pruebas que duraba meses. Pero con la mayor accesibilidad de las herramientas de inteligencia artificial para ingeniería, los ingenieros de Schneider Electric no solo redujeron este tiempo de prueba, sino que también redujeron el tiempo de desarrollo de nuevos contactores de tres años a seis meses.

"Antes de este nuevo método, los clientes debían interrumpir tareas durante el mantenimiento", dice Silvio Rizzuto, experto técnico principal de Schneider Electric. "Por ejemplo, en la fabricación de alimentos, si se detiene la producción, se desperdicia todo lo que aún queda en la línea de producción".

De reactivo a proactivo

Debido a que este equipo vital maneja corrientes y voltajes tan altos, los contactores sufren desgaste durante una vida útil que puede exceder significativamente los 10 años, dependiendo de las condiciones de operación. Sin embargo, las presiones del medio ambiente pueden reducir la vida útil de los dispositivos y una intervención proactiva puede alargarla. Debido a estas variaciones, es difícil estimar la vida útil restante (RUL) de un contactor individual en funcionamiento.

Comenzando con una nueva generación de contactores, el equipo de Schneider Electric tenía como objetivo brindar a los clientes la capacidad de ser proactivos en lugar de reactivos. Con IA, el equipo buscó incorporar un algoritmo de mantenimiento predictivo en un contactor, eliminando la tensión entre monitorear la longevidad del contactor y preservar las operaciones.

Rizzuto y sus colegas llevaban mucho tiempo preocupados por estos temas. "Nuestros productos pueden utilizarse en la instalación de un cliente durante 20 años, siempre encendidos", afirma Rizzuto. "Los componentes eléctricos no están diseñados para este tipo de aplicación".

Para tener una idea aproximada de la RUL de un contactor, los técnicos interrumpen sus tareas para inspeccionar visualmente los puntos de contacto, en busca de decoloración o corrosión, lo que indica un contactor deteriorado. Pero hay mucho que los clientes pueden hacer para optimizar la vida útil de estos dispositivos y proteger su funcionamiento.

Comenzando con una nueva generación de contactores, el equipo de Schneider Electric tenía como objetivo brindar a los clientes la capacidad de ser proactivos en lugar de reactivos. Con IA, el equipo buscó incorporar un algoritmo de mantenimiento predictivo en un contactor, eliminando la tensión entre monitorear la longevidad del contactor y preservar las operaciones.

Trabajador instalando contactores en un panel industrial.

Instalación de contactores TeSys Giga. (Crédito de imagen: Schneider Electric)

Comenzando desde cero

En 2016, Schneider Electric comenzó a desarrollar el contactor TeSys Giga, su primer contactor equipado con una función de estimación de vida útil restante. Pero la primera fase del esfuerzo fue, como dijo Rizzuto, un "desastre".

"Decidimos incluir diseño basado en modelos y generación de código para gestionar la complejidad".
Silvio Rizzuto, experto técnico principal, Schneider Electric

El equipo del proyecto comenzó a construir desde cero el algoritmo de estimación de vida útil con Machine Learning para clasificar los niveles de desgaste que sufren los contactores. Para generar los datos necesarios para entrenar el algoritmo, construyeron una tarjeta eléctrica que podía capturar las métricas necesarias (como corriente, voltaje y número de operaciones) desde el interior de un contactor y sometieron el dispositivo a operaciones para obtener esas cifras.

Después de dos años y medio desarrollando la IA, comenzaron a probar el nuevo contactor TeSys Giga. Esta primera versión no pasó las pruebas de durabilidad y nadie pudo identificar la causa subyacente. Crear algoritmos manualmente es un proceso complejo, con muchas oportunidades de error humano. "Resultó imposible de gestionar", dice Rizzuto. "Fue en ese momento que decidimos incluir el diseño basado en modelos y la generación de código para gestionar la complejidad".

Ilustración deconstruida del contactor TeSys Giga que muestra las piezas individuales, incluidas las conexiones de bloque (Adv), la base, la ampolla, el marco intermedio y el imán móvil, y el CMD, la bobina y el imán fijo.

Contactor TeSys Giga. (Crédito de imagen: Schneider Electric)

Combinación de IA con diseño basado en modelos

Tanto el diseño basado en modelos como la IA existen desde hace décadas, pero la combinación de ambos y la disponibilidad de herramientas de IA fáciles de usar para los ingenieros es un desarrollo relativamente reciente. "Hoy estamos comenzando a utilizar esta metodología", dice Cédric Tridon, ingeniero de aplicaciones de MathWorks que brinda soporte a Rizzuto y otros clientes de la región. "Ahora, los ingenieros saben cómo utilizar la IA y tienen las herramientas para desarrollar algoritmos de IA para resolver sus problemas, y se pueden utilizar para cada vez más aplicaciones".

Intercambiando sus métodos manuales por la automatización, el equipo reanudó el desarrollo, el modelado y la simulación del rendimiento del algoritmo de Machine Learning utilizando MATLAB. Compararon los resultados del modelo con su conjunto de datos inicial para asegurarse de que funcionara según lo planeado y utilizaron Simulink para desarrollar, simular y visualizar la arquitectura del algoritmo. MATLAB también generó el código que el equipo del proyecto incorporó en el contactor.

MATLAB^®, que combina IA con el diseño basado en modelos, le dio al equipo del proyecto dos ventajas que no tenían antes: una interfaz visual para un algoritmo complejo y una forma rápida y precisa de simular la función de vida útil restante antes de probarla en el contactor real.

Rizzuto, que no tenía una sólida experiencia en IA, se apoyó en los recursos de MathWorks, como capacitación, soporte técnico y ejemplos en línea, para iniciar el redesarrollo del contactor TeSys Giga. El equipo de Rizzuto había aprendido de sus errores. "No queremos una caja negra", dice Rizzuto. "Queremos saber cómo funciona nuestro algoritmo".

Intercambiando sus métodos manuales por la automatización, el equipo reanudó el desarrollo, el modelado y la simulación del rendimiento del algoritmo de Machine Learning utilizando MATLAB. Compararon los resultados del modelo con su conjunto de datos inicial para asegurarse de que funcionara según lo planeado y utilizaron Simulink^® para desarrollar, simular y visualizar la arquitectura del algoritmo. MATLAB también generó el código que el equipo del proyecto incorporó en el contactor.

"Queríamos probar la RUL de un contactor, lo que normalmente lleva cuatro meses y medio", explicó Rizzuto. "Con el modelo, es posible simular este proceso en sólo una hora, ahorrando mucho tiempo de desarrollo".

Aunque su nuevo camino de desarrollo impulsado por la IA y el modelado estaba demostrando ser un proceso más sencillo, persistían obstáculos. Rizzuto afirma que la orientación de los ingenieros de MathWorks fue fundamental. Por ejemplo, el equipo de Schneider necesitaba una función de filtrado para minimizar la superficie de memoria del algoritmo. Cuando el desarrollador del firmware de Schneider necesitó un filtro personalizado, MathWorks le ayudó a desarrollarlo. Además, Rizzuto y su equipo se basaron en ejemplos en línea de MathWorks para crear una clase de almacenamiento personalizada para la generación de código que optimizó la presentación de los datos proporcionados por el código generado en las diferentes capas de hardware.

Esta vez, cuando llegaron las primeras pruebas tanto de software como de hardware, el equipo de Rizzuto tenía mayor confianza en sus resultados. De hecho, el proyecto fue un triunfo. Con diseño basado en modelos e IA, el equipo dedicó solo seis meses a las mismas tareas que, sin esos recursos, habían llevado casi tres años. El nuevo procedimiento también evitó los problemas que enfrentó el equipo de Schneider Electric al principio: crear un algoritmo a mano, un método propenso a errores, sin una forma de simularlo antes de probarlo en el hardware.

Los clientes utilizan los contactores TeSys Giga de Schneider Electric, equipados con la función de estimación de RUL, desde 2021. "Gracias a esta nueva función, pueden planificar el mantenimiento de este producto y utilizarlo de forma más eficiente", afirma Rizzuto. Ya no necesitan detener las operaciones para inspeccionar los contactores y pueden planificar reparaciones o reemplazos estratégicamente. Ahora, armado con su modelo, Schneider Electric también puede brindar soporte de ingeniería continuo a sus clientes, utilizando su modelo para simular posibles soluciones en solo una hora.

Primer plano del contactor TeSys Giga, que muestra el indicador LED de desgaste.

El diagnóstico de desgaste de contactores y la detección de fallos locales con un indicador LED permiten a los clientes planificar cuándo reemplazar el conjunto de módulos de conmutación. (Crédito de imagen: Schneider Electric)

Además de acelerar el desarrollo de productos, Rizzuto afirma que MATLAB y Simulink permitieron un flujo de trabajo más fluido entre los integrantes del equipo. Comunicarse con un equipo internacional y garantizar que todos estuvieran actualizados sobre el estado del proyecto resultó especialmente desafiante. Pero MATLAB y Simulink ayudaron a aliviar ese problema. "Usar MATLAB y Simulink es claramente una ventaja porque muchos ingenieros ya saben cómo utilizar estas herramientas", afirma. El uso de Simulink para ver la arquitectura del algoritmo también proporcionó un lenguaje común para comprender un algoritmo complejo.

El futuro del mantenimiento predictivo

La combinación de IA y diseño basado en modelos ya le ha ahorrado a Schneider Electric tiempo y dinero en desarrollo y está permitiendo a Rizzuto y sus colegas emprender proyectos más ambiciosos también. Continuando con el éxito de TeSys Giga, Schneider Electric está trabajando ahora en una actualización del mantenimiento predictivo de contactores con el desarrollo de un nuevo contactor. Este contactor incluirá una función de diagnóstico interno que indica qué fallas pueden ocurrir en las siguientes operaciones además de la estimación de RUL.

"La interfaz simple de usar de estas herramientas hizo que fueran fáciles de entender. Las apps Diagnostic Feature Designer y Classification Learner me permitieron explorar funciones basadas en IA incluso sin tener experiencia en IA".
Silvio Rizzuto, experto técnico principal, Schneider Electric

"La interfaz simple de usar de estas herramientas hizo que fueran fáciles de entender", dice Rizzuto. "Las apps Diagnostic Feature Designer y Classification Learner me permitieron explorar funciones basadas en IA incluso sin tener experiencia en IA". La app Classification Learner aceleró el diseño de modelos, acelerando aún más el desarrollo de la IA. "En menos de un mes pude crear un prototipo en tiempo real para la función de mantenimiento integrada en nuestros contactores", añadió, lo que impresionó a sus jefes de desarrollo.

En el nuevo contactor, que por ahora sigue siendo un prototipo, una red neuronal mediana impulsa la función de diagnóstico que alerta a los clientes sobre problemas de mantenimiento a medida que surgen. Esta característica adicional fortalece aún más las defensas de los clientes contra daños impredecibles a los equipos, retrasos en la producción y pérdidas.

Captura de pantalla del histograma del Diagnostic Feature Designer.

La app Diagnostic Feature Designer y su interfaz gráfica multifunción permitieron al equipo explorar funciones basadas en IA incluso sin experiencia en IA.

Más casos prácticos

MACHINE LEARNING