Copia GRATUITA de la Guía de implementación de Uptime Elements una vez que se suscriba a Reliability Weekly

Tu viaje comienza en Virtual Reliability Leadership Development Summit WTSS

Sign Up

Please use your business email address if applicable

Minimizar los costos a través del aprendizaje automático

Minimizar los costos a través del aprendizaje automático

por Stuart Gillen

El aprendizaje automático es un enfoque de exploración y desarrollo de algoritmos que permiten que las computadoras aprendan y se adapten de manera continua.

Con los servicios públicos, las fallas desconocidas y el mantenimiento para repararlas pueden acumularse a la velocidad de la luz. Un estudio reciente realizado por GlobalData Power estima que los gastos proyectados para el mantenimiento de turbinas eólicas aumenten de nueve mil doscientos millones de dólares a diecisiete mil millones de dólares antes en 2020. 1

Los problemas también se extienden más allá del enorme costo de mantenimiento. En 2011, equipos eólicos de aproximadamente cuarenta mil millones de dólares en Estados Unidos estaban fuera de garantía, lo que ponía la responsabilidad financiera en el propietario de los parques eólicos para proporcionar una operación más rentable.

Parece inevitable que los costos sigan aumentando y los parques eólicos lucharán para seguir siendo activos funcionales para los servicios públicos. Los problemas en la industria persistirán y la carga se pondrá continuamente sobre los propietarios para reemplazar y reparar las turbinas de sus parques. Además, el tiempo de inactividad no programado causado por fallas injustificadas se suma a las pérdidas y los gastos de estas compañías y de la industria en conjunto.

La falla inevitable de las turbinas eólicas y otros activos de las flotas plantea la siguiente pregunta: ¿Y si hubiera una manera de predecir estas fallas antes de que ocurran? En realidad, la hay. Los operadores de servicios públicos han comenzado a subcontratar sus áreas problemáticas al aprendizaje automático.

El aprendizaje automático es un enfoque de exploración y desarrollo de algoritmos que permiten a las computadoras aprender y adaptarse de manera continua. Las técnicas de aprendizaje automático y aprendizaje profundo, un subconjunto del aprendizaje automático, se utilizan para entender el razonamiento detrás de los algoritmos y ayudar en el aprendizaje de patrones complejos. Recientemente, el equipo de DeepMind Lab de Google utilizó mecanismos de aprendizaje profundo para derrotar a un gran maestro en el antiguo juego de mesa chino, Go. Go es un juego en el que hay más movimientos posibles que átomos en el universo. Debido a esto, se necesitan nuevas técnicas de inteligencia artificial para resolver estos tipos de problemas. Un enfoque que se centra más en el razonamiento y la inferencia, se vuelve esencial para resolver problemas complejos incluso antes de que presenten. Es alentador saber que se puede resolver un problema con tantas complejidades. Esto significa que proporcionar información como predicciones de tiempo de inactividad eventualmente se convertirá en algo sencillo y natural.

Para los servicios públicos, utilizar el aprendizaje automático significa varias cosas y puede dar lugar a una respuesta positiva en todos los ámbitos. Una cosa es tener datos en una variedad de plataformas y otra codificarlos, permitiendo así una mayor retención de conocimiento. Hay una relación compleja entre los conjuntos de datos, tan compleja que las técnicas de análisis promedio rara vez pueden notar una diferencia. Con la codificación de estos conjuntos de datos y la utilización de técnicas de aprendizaje automático, la visibilidad puede aumentar, disminuyendo así la necesidad de que los seres humanos analicen manualmente cada conjunto para hacer comparaciones.


Figura 1: Organización de datos para sistemas de aprendizaje automático

Con grandes cantidades de datos, la organización sistemática es clave. Hay cuatro sectores principales para entender y organizar los datos dentro del campo de servicios públicos: activos, sistemas de recopilación de datos, plataformas analíticas y salida.

Los lagos de datos (Data Lake) están empezando a ser populares y son un concepto donde toda la información necesaria de silos de datos se reúne en un solo lugar. Desde una perspectiva comercial, esta consolidación hace más eficiente el acceso a toda la información, lo que hace que sea más fácil proporcionar y gestionar evidencias y conocimientos. Esto permite obtener mejores resultados en una compañía que emplea programas de mantenimiento predictivos y centrados en la confiabilidad.

Liberar esta información permite que una compañía de servicios públicos utilice una solución más holística en todos sus segmentos de negocio. La cadena de energía (es decir, generación, transmisión y distribución; comercio de energía y gestión de riesgos; y seguridad cibernética) ahora puede tratarse como un sistema en el que los datos se comparten y analizan, produciendo resultados específicos y eficientes para los servicios públicos y los consumidores. Hagamos un desglose más detallado de cómo las tecnologías de inteligencia artificial y aprendizaje automático están proporcionando información procesable en cada etapa de la cadena energética.


Figura 2: Cómo el aprendizaje automático puede beneficiar a diferentes sectores de servicios públicos

Los medidores inteligentes son dispositivos electrónicos que registran el consumo de energía eléctrica en intervalos de una hora o menos. Las compañías de servicios públicos recopilan terabytes de datos diariamente, creando la solución ideal para utilizar plenamente el aprendizaje automático en el campo.

En la desagregación de energía, los patrones de uso por electrodoméstico se recopilan mediante la extracción de información de un único sensor doméstico. Esta aplicación requiere la utilización del aprendizaje automático porque deben analizarse miles de “señales” energéticas para encontrar los patrones de uso. Los ahorros son inmensos, ya que los propietarios de viviendas pueden saber cuánto contribuye cada electrodoméstico a su factura de energía. En el lado de las operaciones, el análisis de las señales energéticas pronostica valores de consumo sospechosos debido a dispositivos manipulados de manera física o digital, robos sofisticados, fallas en el medidor y más.

La mayoría de las soluciones de pronóstico no fueron diseñadas para gestionar la variabilidad, complejidad y volumen de datos que están emergiendo en las compañías de servicios públicos en el mundo actual. El aprendizaje automático permite a los servicios públicos detectar patrones sutiles dentro de conjuntos de datos, lo que les permite hacer predicciones unificadas y más precisas en general. Este es un activo vital para la industria y los consumidores por igual, porque si se puede realizar un seguimiento más preciso del pronóstico de energía, entonces el precio de esta puede mejorar universalmente.

El aprendizaje automático fomenta el aprendizaje del pasado y se adapta al futuro para reforzar y proteger mejor las infraestructuras valoradas.

Otra faceta a tener en cuenta es la seguridad cibernética. Una encuesta reciente realizada por SAS nombró a la seguridad cibernética como el principal beneficio del aprendizaje automático y por una buena razón. Una de las principales amenazas de la industria es la cantidad de virus que se crean diariamente, con un promedio diario de aproximadamente 28 000. Esto crea la necesidad de adaptarse dinámicamente y aprender de la frontera siempre cambiante de los datos y virus por igual. El aprendizaje automático fomenta el aprendizaje del pasado y se adapta al futuro para reforzar y proteger mejor las infraestructuras valoradas.

Un ejemplo específico en el que el aprendizaje automático tiene un valor agregado en el ciclo energético es el caso de Invenergy, una compañía energética que tiene y opera numerosas unidades de turbinas eólicas en Estados Unidos y Europa. El objetivo es simple: proporcionar un aviso anticipado de las fallas de la caja de cambios en sus turbinas eólicas. Las cajas de cambios son uno de los componentes más frágiles de una turbina eólica y su falla representa aproximadamente el 85 por ciento de todas las reclamaciones de seguros de turbinas eólicas.

Estas averías podrían reducirse fácilmente si se pusiera en funcionamiento un sistema orientado por el aprendizaje automático que notifica una falla a los operadores antes de que se produzca una avería. Invenergy emplea tecnologías de aprendizaje automático en sus instalaciones y ya puede recibir una advertencia anticipada de degradación con 67 días de antelación, así como una indicación (denominada índice de riesgo) de fallas catastróficas inminentes en las cajas de cambios 35 días antes. Esto permite que Invenergy actúe con un mejor conocimiento y comprensión de su flota.


Figura 3: Resultados del proyecto piloto de Invenergy

Ya sea que esté aplicando el aprendizaje automático para comprender mejor el funcionamiento de sus activos o conocer su propio consumo, no se puede negar su efectividad en la industria. La capacidad para pronosticar una falla antes de que ocurra ya no es un sueño lejano. Está sucediendo ahora, permitiendo así la sostenibilidad mientras se mantienen los costos bajos.

Referencia

  1. "Wind turbine maintenance costs to almost double by 2020," Edie newsroom, Edie.net, 2015; https://www.edie.net/news/6/Win-turbine-maintenance-costs-to-nearly-doubl/

Stuart Gillen

Stuart Gillen is the Director of Business Development at SparkCognition. Stuart is responsible for driving business engagements, partner development, marketing activities, and go-to market strategy. His areas of specialty include IoT architectures, platforms, and technologies. www.sparkcognition.com

“R.A.I.” the Reliability.aiTMChatbot

You can ask "R.A.I." anything about maintenance, reliability, and asset management.
Start

Próximos Eventos

MaximoWorld

August 5 - 8, 2024
Ver más Eventos