Relevancia de Pronósticos y Gestión de la Salud

El enforque de Pronósticos y Gestión de la Salud (PHM) permite al personal de operación y los fabricantes de equipos:

• Reducir el tiempo de inactividad de equipos: Los algoritmos de PHM pueden ayudar a detectar anomalías en equipos, determinar la causa raíz de errores y fallos, y predecir posibles problemas antes de que se produzcan.
• Optimizar el cronograma de mantenimiento: PHM ayuda a evitar costes de mantenimiento superfluos, ya que planifica el servicio de mantenimiento solo cuando es necesario.
• Mejorar la eficiencia del funcionamiento: PHM ayuda a identificar y mitigar riesgos de fallos de equipos, lo que prolonga su vida útil y mejora la productividad general.

Comparación entre pronósticos y diagnósticos

Para comprender el alcance completo de PHM, es importante distinguir entre dos enfoques que se suelen utilizar en paralelo pero que tienen propósitos diferentes: pronósticos y diagnósticos. Aunque la palabra diagnósticos no esté incluida expresamente en Pronósticos y Gestión de la Salud, suele ser un enfoque clave para el éxito de PHM.

Los diagnósticos se centran en identificar, aislar y determinar la causa de errores y fallos que ya se han producido en un sistema. Responden a la pregunta “¿Cuál es el problema?”. Los diagnósticos son un componente de los programas de mantenimiento basado en condiciones (CBM), una estrategia de PHM basada en supervisar el estado de salud actual de los equipos.

Por su parte, los pronósticos son prospectivos. Es decir, predicen el momento en el que un sistema o componente dejará de funcionar según lo previsto. Esta predicción, conocida como vida útil restante (RUL), posibilita el mantenimiento preventivo para evitar fallos. Los pronósticos requieren un conocimiento más avanzado del comportamiento de las máquinas, pero su impacto en la reducción del tiempo de inactividad no planificado y los costes de mantenimiento es mayor. Los pronósticos responden a la pregunta “¿Cuándo fallará?”.

Combinando diagnósticos y pronósticos, PHM puede proporcionar una visión integral de la salud de las máquinas, lo que permite tomar decisiones de mantenimiento y operaciones mejor fundadas.

Gestión de la salud

La gestión de la salud en el contexto de PHM se refiere a estrategias para mantener o mejorar la salud y fiabilidad de los sistemas en funcionamiento. Este enfoque integra diversas actividades, como supervisión, diagnósticos, pronósticos, planificación de mantenimiento y ejecución de medidas correctivas para abordar problemas actuales y potenciales. La gestión de la salud es un enfoque integral para garantizar que los sistemas funcionan de manera eficiente y efectiva a lo largo de sus ciclos de vida, y facilita la toma de decisiones bien fundadas sobre prácticas de mantenimiento y funcionamiento.

Una gestión de la salud eficaz se basa en un ciclo continuo de supervisión, análisis y ejecución. Este ciclo comienza con la supervisión en tiempo real de datos de sensores procedentes de los equipos en funcionamiento. Después, los datos recopilados se analizan aplicando diagnósticos, para conocer el estado de salud actual, y pronósticos, para predecir estados futuros. A partir de este análisis, se pueden tomar decisiones sobre el mantenimiento más adecuado, ya sea preventivo, correctivo o predictivo.

Desarrollo de algoritmos de pronósticos con MATLAB

El objetivo de un programa de mantenimiento predictivo es desarrollar algoritmos de pronósticos. Para desarrollarlos, se utilizan los datos procedentes de una máquina o conjunto de máquinas. Estos datos representan estados de salud correctos y degradados. Existen varios enfoques para desarrollar algoritmos de pronósticos en MATLAB^® con herramientas de Predictive Maintenance Toolbox™ para algoritmos de vida útil restante.

Datos de Pronósticos y Gestión de la Salud

Los datos de temperatura, presión, tensión, ruido o vibración recopilados a lo largo del tiempo para desarrollar algoritmos de pronósticos generalmente provienen de sensores en las máquinas. No obstante, dado que los programas de mantenimiento planificado suelen ser conservadores, los datos de fallos para realizar pronósticos pueden ser difíciles de capturar. Los datos de sensores se pueden aumentar con datos de fallos generados a partir de modelos basados en la física, que se ajustan para que coincidan con los parámetros de las máquinas.

Diseño de indicadores de condición

Los datos de máquinas para pronósticos se procesan empleando diversas técnicas estadísticas y de procesamiento de señales para extraer características importantes, denominadas indicadores de condición. Los indicadores de condición son características que cambian de manera predecible a medida que una máquina se degrada. Se trata de cualquier característica que ayude a diferenciar un funcionamiento correcto de uno defectuoso. En el caso de los pronósticos, los indicadores de condición a veces se denominan indicadores de salud y se utilizan como entradas para entrenar modelos de pronósticos.

Tipos de algoritmos de pronósticos

Existen varios enfoques para diseñar algoritmos de pronósticos basados en el conocimiento y los datos disponibles. Profesionales de ingeniería pueden usar datos históricos para diseñar algoritmos de pronósticos basados en datos, conocimiento especializado para crear modelos basados en la física, o una combinación de ambos. El resultado es un algoritmo de pronósticos que puede predecir cuándo es probable que ocurra el próximo evento de fallo.

Algoritmos basados en datos

Modelos de regresión: Tipo de algoritmo de Machine Learning que se suele utilizar para pronósticos básicos. Los modelos de regresión describen la relación entre una variable de salida (momento del fallo) y una o varias variables de entrada (indicadores de condición). Este enfoque puede resultar útil cuando el objetivo es predecir de manera estática la vida útil de un activo, como una batería, en función de su estado actual.

Sin embargo, en muchas aplicaciones de pronósticos, el objetivo es anticipar con precisión el tiempo hasta el fallo de un determinado activo en función de los datos históricos del funcionamiento. Para ello, se utilizan algoritmos de vida útil restante.

Modelos de vida útil restante (RUL): Algoritmos especializados para pronósticos, como modelos de similitud, degradación o supervivencia. El modelo que se utiliza en cada caso depende de la cantidad de datos históricos disponibles. Estos modelos requieren ingeniería de características para diseñar un indicador de condición representativo. Pueden proporcionar pronósticos actualizados continuamente dentro de un intervalo de confianza definido a medida que se capturan más datos.

Modelos de Deep Learning: Se emplean particularmente para aprender patrones complejos automáticamente y extraer características a partir de grandes volúmenes de datos. Los enfoques de Deep Learning para pronósticos, como redes de memoria a corto-largo plazo (LSTM) y redes neuronales convolucionales (CNN), pueden funcionar con datos no procesados y, por tanto, no requieren conocimiento especializado para diseñar características e indicadores de condición precisos. Sin embargo, los modelos de Deep Learning requieren cantidades de datos y recursos de cálculo sustanciales, y pueden carecer de la explicabilidad necesaria en un entorno crítico para la seguridad.

Modelos basados en la física

Los modelos basados en la física, creados en Simulink^® y Simscape^®, se pueden utilizar para pronósticos simulando el comportamiento de una máquina a lo largo del tiempo. Puede validar y calibrar estos modelos utilizando datos de sensores procedentes de la máquina real, y luego emplearlos para simular el comportamiento futuro a fin de realizar pronósticos en distintas condiciones de funcionamiento. Para utilizar estos modelos para pronósticos es necesario un conocimiento detallado del diseño de la máquina y cómo se degradan los componentes con el tiempo.

Algoritmos híbridos

Modelos identificados y estimadores de estados: Algoritmos híbridos que combinan el conocimiento de la física del sistema con datos de funcionamiento. Un modelo dinámico identificado, que describe el comportamiento de una máquina, como un modelo de espacio de estados o un modelo autorregresivo, se puede utilizar para pronósticos, propagándolo hacia delante en el tiempo y analizando el comportamiento de un indicador de condición conocido. Del mismo modo, se pueden utilizar estimadores de estados, como filtros de Kalman, para realizar pronósticos y predecir estados futuros en los que se producirá un fallo.

Además, los métodos basados en datos y en la física a menudo se pueden combinar para crear un enfoque de pronósticos sólido que utilice datos de funcionamiento y conocimiento especializado profundo. Por ejemplo, combinando características personalizadas específicas del dominio con técnicas de ingeniería de características estándar, se puede mejorar la precisión de modelos de IA. Analizar las fuentes de conocimiento sobre los sistemas y componentes en cuestión aumenta la fiabilidad del enfoque de PHM.

Despliegue y funcionamiento

Los algoritmos de PHM no son útiles hasta que se despliegan en un entorno operativo del mundo real. Existen varios enfoques para poner en práctica los algoritmos de pronósticos, dependiendo de los requisitos.

Los algoritmos se pueden desplegar en un entorno informático, como un servidor local o una plataforma de nube. Los despliegues en la nube pueden ajustarse rápidamente a diversas necesidades de cálculo y almacenamiento bajo demanda. Esto resulta particularmente útil para gestionar grandes volúmenes de datos y análisis complejos en múltiples sitios o grandes conjuntos de máquinas. Los despliegues en un entorno local, si bien requieren una mayor inversión inicial en infraestructura, permiten un mejor control de la seguridad de los datos y el rendimiento del sistema, lo que es fundamental para aplicaciones en sectores sensibles o altamente regulados.

Los algoritmos de pronósticos también se pueden desplegar en un sistema integrado directamente en equipos. Este enfoque permite supervisión y toma de decisiones en tiempo real, lo que reduce radicalmente la latencia asociada a la transmisión de datos a un sistema centralizado para su análisis. Además, procesando los datos localmente, los sistemas integrados pueden disminuir significativamente el volumen de datos que debe transmitirse a través de la red, lo que alivia las restricciones de ancho de banda y reduce posibles puntos de fallo. Esto es especialmente útil en escenarios donde se requiere una acción inmediata basada en información de pronósticos; por ejemplo, en vehículos autónomos o procesos de fabricación críticos.

Independientemente de la estrategia de despliegue, el funcionamiento de los algoritmos de pronósticos debe implicar una supervisión y mantenimiento continuos, para garantizar que sigan siendo efectivos con el paso del tiempo. Esto incluye actualizar los algoritmos para reflejar nuevos modos de fallos o cambios en las condiciones operativas, además de supervisión y detección de desviaciones para garantizar la precisión continua de los algoritmos. El funcionamiento de los algoritmos de pronósticos eficaz requiere una estrategia bien planificada de soporte y mantenimiento continuos que garantice que siguen aportando valor a lo largo de sus ciclos de vida.

Temas relacionados