Determinación de modelos de fallas en bomba mediante aprendizaje automático

Abstract

En los últimos años ha surgido el desarrollo de Inteligencia Artificial (IA), en diferentes ámbitos, siendo una metodología que permite procesar gran cantidad de datos e infiriendo conocimiento en muy poco tiempo de procesamiento informático. Similarmente el mantenimiento según condición se basa en evaluar datos para que los especialistas infieran el estado de salud de la maquinaría, siendo esta actividad estratégica en la gran Minería. La industria minera, es una actividad cada vez más exigida y requiere de una evaluación permanente de la salud operacional de sus máquinas consideradas como críticas para el proceso productivo. Los especialistas en monitoreo de condición son escasos en el país y solo se logra cubrir turnos en jornadas diurna. Por otra parte, los costos de los sensores son cada vez más económicos y los equipos estas están que cada vez más sensorizados. En sistemas de control automatizado (DCS su sigla en inglés), siendo esta una capacidad ya instalada y disponible. El propósito de esta investigación es utilizar esta capacidad instalada de sensores, para obtener una metodología de diagnóstico automatizada y permanente, aplicando IA la salud de las maquinas, existiendo un vacío de conocimiento en torno a cómo tratar tal volumen de información que entregan dichos sensores cada cierta cantidad de segundos, día y noche, los 365 días del año. Este estudio tiene por final llenar ese vacío. Con la aplicación de IA se busca alertar oportunamente mediante la detección de comportamientos sintomático anormales del estado de salud de las máquinas evitando fallas catastróficas, logrando de esta manera la continuidad operacional de la minera. Para tal fin, se usaron datos de sensores de una bomba de impulsión de agua desalada de 3500 kw, equipo crítico para el proceso productivo, relativamente nuevo, sin un historial de fallas significativas. La técnica de diagnóstico de anormalidades se aplica a un volumen del orden de 9 millones de datos operacionales aportados por la minera, entregados por: 8 sensores de vibración, 4 sensores de temperatura, un sensor de caudal y tres sensores de corriente de alimentación del motor, durante un periodo de 3 meses de recolección. Para obtener los resultados esperados, se procesan los datos iniciando con limpieza de datos, luego sincronizándolos en el tiempo, efectuando una metodología de reducción de variable para finalmente aplicar una metodología de detección de anormalidades, luego se analizan los resultados ya que el autor tiene conocimiento del comportamiento sintomático de fallas de la bomba. Como resultado se logra detectar una anormalidad la que se comprueba en los archivos del historial del equipo que posee la minera, que efectivamente existió una falla durante la noche que evoluciono en menos de 3 horas. De esta manera se valida la metodología. Se concluye que es posible detectar fallas con datos reales para un equipo minero. Esta metodología permitirá a la Minera tener un control sobre la bomba, día y noche sin una mayor inversión en instalación de sensores, solo aplicando conocimiento y desarrollo informático.