Un enfoque de IA para administrar la fiabilidad de las bombas impulsadas por motor

Visión General

Los datos sobre la salud de los activos conectados son valiosos, si sabe cómo usarlos. Si no sabe, es una colección costosa de conjuntos de datos. Por ejemplo, supongamos que ha recopilado datos de medidas sustanciales de Internet de las cosas (IoT), pero no puede obtener valor de ellos sin los expertos en la materia, que están desapareciendo de la industria de fiabilidad. ¿Cuál es la solución? Automatice el proceso de conversión de datos en información. En este documento, analizaremos el InsightCMTM Analytics Toolkit, un nuevo enfoque para el monitoreo de condición y análisis de mantenimiento predictivo.

Retos del análisis tradicional

Los proyectos piloto de mantenimiento predictivo (PdM) a menudo generan preguntas difíciles:

¿Qué datos necesitamos?

Los análisis de ciencia de datos puros son benéficos porque le permiten "trabajar con los datos que tiene". Pero además de la conveniencia, ¿los datos disponibles proporcionan la información necesaria para que los análisis puedan predecir fallas? Los datos útiles a menudo provienen de un sistema de control de procesos o de administración de activos. Y aunque las variables del proceso pueden proporcionar información sobre la salud de los activos, esos sistemas realmente fueron diseñados para operar una línea de producción. Por ejemplo, la vibración del motor y las firmas de corriente son medidas de fiabilidad comunes, pero generalmente no se valoran en un sistema de control de producción. Las brechas en la cobertura de los datos conducen a puntos ciegos en modo de falla que son difíciles de encontrar en entornos de aprendizaje de máquinas.

¿Qué experiencia en capacitación de modelos necesitamos?

Los modelos de aprendizaje de máquinas buscan patrones y correlación entre un conjunto de datos sin unidades y sin etiquetar. Esto se traduce en “trabajar con los datos que tiene”, pero también, significa que el modelo necesita experimentar diferentes estados para detectar patrones. Una experto ayuda a entrenar el modelo, indicándole de manera eficaz: "Esta es una operación normal para esta información". Piense por todo lo que tiene que pasar una máquina que puede hacer que el modelo formule un nuevo estado: Cambios ambientales, velocidades de operación, materiales manipulados, todas las condiciones normales deben evaluarse antes de que cualquier medida pueda identificarse como anormal. Esto requiere tiempo y conocimientos del experto.

¿Necesitamos datos de las fallas?

Si desea que el modelo reconozca que la máquina está en un estado de falla, el modelo necesita aprender cómo se ve la falla.

Según Chris Coleman y Ed Deuel, líderes especialistas de Deloitte Consulting, “la razón por la que usted generalmente no puede pasar directamente al mantenimiento predictivo es que se necesita tiempo para configurar los procesos de recopilación de datos, conectar los sensores a las máquinas y, lo más importante, el activo tiene que fallar al menos un par de veces con el fin de identificar los algoritmos predictivos. Cuanto más falle una máquina con el tiempo, lógicamente deberían ser mejores las predicciones". 1

E análisis específico de activos puede ayudar

El análisis específico de activos combina el conocimiento de los activos basado en ingeniería (gemelo digital) con el aprendizaje de máquinas para diagnosticar problemas, predecir fallas y, en última instancia, evaluar el riesgo operativo.

El InsightCM Analytics Toolkit

El InsightCM Analytics Toolkit integra análisis específico de activos de The DEI Group con datos de sensores de las instalaciones de InsightCM. Los componentes del toolkit, disponibles en NI, incluyen todos los elementos de software InsightCM y The DEI Group para pasar de los datos al tablero.

Características del InsightCM Analytics Toolkit PreMA para Bombas - Base PreMA para Bombas - Completo

PreMA Software

 

Tablero de salud

Detección de Anomalías

Diagnósticos

  • ¿Cuál es mi puntaje general de la salud de los activos?
  • ¿Qué activo se debe vigilar de cerca para detectar la falla?

Pronóstico – ¿Cuál es la vida útil restante (RUL) de cada componente?

Optimizador de mantenimiento – ¿Cuándo debo reparar qué componentes?

Tablero de fiabilidad

 

 

Sobre The DEI Group

Por más de 37 años, The DEI Group ha ayudado a clientes como la Marina de los EE. UU., Chevron Shipping, GE Power, Chevron Power, TVA, Ontario Power Generation, Duke Energy y otros a implementar soluciones que cambian el status quo de los programas de fiabilidad. Sus recursos de desarrollo combinan conocimientos académicos a nivel doctorado y experiencia en la industria en campos que incluyen ciencia de datos, ingeniería de plantas, mantenimiento de equipos y una variedad de disciplinas de ingeniería.

Combinar conocimientos de ingeniería con aprendizaje de máquinas

A diferencia de un enfoque de ciencia de datos puro, el análisis específico de activos comprende los componentes portátiles y los modos de falla dominantes y toma en cuenta las variaciones de instalación, fabricación y operación. El conocimiento de ingeniería es único del tipo de bomba: El modelo para una bomba vertical, de etapas múltiples y dividida axialmente es diferente del modelo para una bomba vertical de una sola carcasa con descarga a través de una columna de flujo axial.

Diagnosticar automáticamente los modos de falla dominantes

Con sensores de voltaje y corriente, hardware de monitoreo de NI, NI InsightCM y los toolkits correspondientes, puede detectar los siguientes modos de falla (según corresponda) en una bomba impulsada por motor:

Bomba

  • Carcasa desgastada
  • Anillo de desgaste de la carcasa degradado
  • Fugas en la junta de la brida
  • Propulsor desgastado
  • Llave del propulsor suelta
  • Impulsor suelto en el eje
  • Eje de la bomba doblado
  • Eje de la bomba desequilibrado
  • Desgaste del cuello de propulsión
  • Llave del cuello de propulsión suelta
  • Zapatos de propulsión activa desgastados
  • Zapatos de propulsión inactiva desgastados
  • Cojinete liso del extremo no impulsor de la bomba (NDE) desgastado
  • Fugas en el sello laberíntico del cojinete de la bomba NDE
  • Cojinete liso del extremo impulsor de la bomba (NDE) desgastado
  • Fugas en el sello laberíntico del cojinete de la bomba DE
  • Caras del sello interior desgastadas
  • Resorte de bobina individual interior desgastado
  • Juntas tóricas del sello interior gastadas
  • Resorte de bobina individual exterior desgastado
  • Juntas tóricas del sello exterior gastadas

 

Base

  • Desalineación del motor de la bomba
  • Pie suave (pernos de base sueltos)
  • Acoplamiento de manga flexible desgastado
  • Fugas en anillos de extremos del acoplamiento

Motor

  • Embobinado del estátor acortado
  • Aislamiento del embobinado del estátor desgastado
  • Embobinado del estátor suelto
  • Laminado del núcleo del estator suelto
  • Conexiones sueltas de cuñas del estátor
  • Barras de rotor agrietadas degradadas
  • Laminado del núcleo del rotor dañada
  • Excentricidad estática de burbuja de aire del núcleo del rotor
  • Excentricidad dinámica de burbuja de aire del núcleo del rotor
  • Eje del motor doblado
  • Fugas en el deflector del eje del motor
  • Cojinete del motor DE desgastado
  • Fugas en el anillo de aceite del cojinete del motor DE
  • Cojinete del motor NDE desgastado
  • Fugas en el anillo de aceite del cojinete del motor NDE
  • Elemento de compuerta degradado
  • Ventilador de enfriamiento sucio

Hacer coincidir las medidas del sensor con el análisis

El InsightCM Analytics Toolkit elimina las conjeturas a la hora de seleccionar sensores para PdM. Para bombas impulsadas por motor, el InsightCM Analytics Toolkit requiere medidas de voltaje y corriente trifásicas para capturar los modos dominantes de falla eléctrica y física.

Realizar medidas trifásicas de voltaje y corriente

Las mediciones de voltaje y corriente de alta velocidad incluyen conjuntos de datos valiosos como la corriente de entrada, el desequilibrio y las medidas de banda lateral que se utilizan para detectar modos de falla, como barras rotas del rotor y aislamiento desgastado.

Las instalaciones de análisis de firma de corriente de motor (MCSA) utilizan sensores que atenúan el alto voltaje/corriente en niveles adecuados para la entrada directa de la instrumentación:

  • Los sensores de corriente hacen un ciclo alrededor de las conexiones eléctricas al motor (o las entradas secundarias del relé de protección)
  • Las medidas de voltaje se realizan directamente a la instrumentación de NI o mediante transformadores potenciales de medidas que se conectan a los mismos módulos de entrada que los transformadores de corriente de bajo voltaje.

 

 

Figura 1. Los sensores de corriente del núcleo dividido generalmente se instalan en el gabinete de control del motor. La seguridad es primero: Siempre desconecte el activo/gabinete para la instalación.

El centro de control de motores (MCC) lo convierte en un punto de instalación más fácil porque puede monitorear muchos motores desde una sola ubicación, a diferencia de la vibración, que requiere instalación en cada ubicación física del activo.

NOTA DE SEGURIDAD: Siempre desconecte el equipo antes de trabajar en el gabinete de control del motor, incluso cuando no necesite cortar circuitos para la instalación.

Figura 2. Un solo sistema de monitoreo continuo de NI puede monitorear múltiples activos debido al bus de voltaje compartido y las ranuras de expansión disponibles para los módulos de entrada del sensor de corriente.

Nota: El MCSA Toolkit conecta InsightCM con los sistemas de monitoreo continuo de NI para medidas de I/V y es necesario para el InsightCM Analytics Toolkit.

Detección de problemas mecánicos con señales eléctricas

Tradicionalmente, los expertos en la materia utilizan medidas de voltaje/corriente para detectar modos de falla eléctrica (barras del rotor rotas o aislamiento desgastado) y firmas de vibración para detectar modos de falla física (fallas en los rodamientos de los rodillos o desalineación del eje). Pero con el InsightCM Analytics Toolkit, puede extraer características para componentes de bombas impulsadas por motor tanto eléctrico como mecánico a partir de datos de forma de onda de voltaje/corriente de alta velocidad basados en el tiempo. Los defectos físicos impactan las señales eléctricas a través de la excentricidad de burbuja de aire entre el rotor y el estátor. Y podemos ver perturbaciones adicionales, como indicaciones de un impulsor desgastado, a través de las ondulaciones del espectro de potencia y torsión. Configurar los datos de vibración y proceso en el modelo proporciona evidencia de falla adicional al motor de diagnóstico, refuerza los hallazgos de degradación mecánica y lo ayuda a diagnosticar con más contexto.

Configurar modelos de análisis de bombas

Los modelos de análisis específicos de activos no necesitan tanta capacitación, pero sí necesitan comprender las propiedades físicas del activo monitoreado. El componente específico del activo es "integrado por un experto" que supervisa la capacitación y relaciona los grupos de sensores con los modos de falla correlacionados.

Figura 3. El InsightCM Analytics Toolkit utiliza análisis específico de la bomba. Puede configurar el tipo de bomba en InsightCM para informar al modelo. (Imagen cortesía de The DEI Group)

Puede configurar activos individuales utilizando la siguiente información:

  • Inspección de la bomba y el motor de la placa de identificación
  • Datos del sensor
  • Historial de mantenimiento

 

Después de la configuración, el modelo entra al modo de aprendizaje, utilizando datos de forma de onda basados en el tiempo para establecer las relaciones paramétricas que representan los modos de falla de interés. El proceso de aprendizaje observa el equipo durante su rango operativo esperado para construir un modelo de línea de base altamente confiable. La duración del tiempo de aprendizaje depende del tipo de equipo y del rango de operación a observar (carga constante/carga variable).

Una vez que se completa el modo de aprendizaje, el tablero de salud y fiabilidad muestra información sobre el modo de falla, que incluye:

  • Calificaciones de salud, criticidad y fiabilidad por modo de falla
  • RUL
  • Una perspectiva de fiabilidad para los próximos 30/60/90/120 días para todo el tren de activos y cada componente (motor/bomba)

Interactuar con sus datos

Las diferentes partes involucradas necesitan distintos niveles de datos e información para realizar su trabajo. Con el InsightCM Analytics Toolkit, obtiene tres niveles de información para abordar diferentes flujos de trabajo.

Tableros de alto nivel y cronograma de mantenimiento

Utilice el tablero de fiabilidad de InsightCM para explorar de forma interactiva los riesgos operativos actuales y futuros. También puede evaluar el riesgo de componentes individuales (impulsores o cojinetes) a este nivel. El Schedule Optimizer combina datos de la salud de activos con un cronograma de disponibilidad de entrada del usuario (cronograma de producción e interrupciones planificadas) y restricciones de costo/riesgo para generar un cronograma de reparación de componentes por activo. Use el cronograma para reparar activos solo cuando sea necesario (reduciendo los costos de mantenimiento) y maximice el tiempo reemplazando otros componentes desgastados mientras el activo está fuera de funcionamiento (aumentando su retorno de inversión).

Figura 4. Vea los puntajes generales de la salud de los activos en tiempo real y las evaluaciones de riesgo de 30/60/90/120 días en el tablero de fiabilidad incluido con el InsightCM Analytics Toolkit.

Información del modo de falla y entradas del modelo

Es útil conocer la bomba que está agregando riesgo a sus operaciones. Conocer la parte específica que va a fallar, y cuándo, permite que los indicadores clave de desempeño vayan en la dirección correcta. Puede utilizar el paquete de software PreMA (incluido con el InsightCM Analytics Toolkit) para comprender mejor las medidas que llevan a los resultados o para acercarse a un modo de falla.

Figura 5. Inicie el software de aplicación The DEI Group PreMA (incluido con el InsightCM Analytics Toolkit) directamente desde InsightCM para inspeccionar modos de falla específicos, datos de medidas asociados y acciones sugeridas de mantenimiento.

Datos del sensor sin procesar

Utilice InsightCM para acceder a datos sin procesar con herramientas de análisis estándares en la industria para verificar componentes, solucionar problemas de sensores y confirmar un diagnóstico del motor de análisis.

Figura 6. InsightCM incluye cálculos, visualizadores y herramientas de análisis estándares en la industria para diagnosticar flotas de equipos de plantas de todo el mundo.

Implemente como parte de su transformación digital

El análisis es una tecnología compleja pero poderosa para mejorar la fiabilidad de la planta. Los análisis de DEI Group y NI InsightCM son tecnologías adyacentes en el paquete de software de IoT industrial y se combinan para ayudar a las empresas a modernizar el mantenimiento de los activos con una solución completa, desde datos de sensores hasta tableros informativos.

Figura 7. InsightCM tiene el soporte de hardware, sensores, software y análisis que necesita para conectar una variedad de activos a su red de IoT como parte de un cronograma de transformación digital.