Nuevos Socios

Optimización de Bombeo mediante IA y Machine Learning

Angélica Rivera TORISHIMA GLOBAL TEAM Central&South America Manager

Una de las grandes preocupaciones en el mundo es el consumo energético. Un mayor consumo eléctrico indica un incremento a su vez de numerosas variables. Implica un mayor desembolso económico, el agotamiento de energías no renovables, una mayor contaminación ambiental, y otras tantas consecuencias que hacen necesaria su máxima reducción. Si analizamos los costes de Conservación y Mantenimiento de una planta desalinizadora, rápidamente observamos como más de la mitad de los mismos son debidos a la energía que consume la planta. Dentro de la planta, el gran consumidor de energía eléctrica son las bombas de alta presión pero no debemos olvidar las bombas de agua producto, captación de mar y el resto de equipos que también lo hacen.

Muchas veces se ha hablado en los diferentes medios de ALADYR de cómo podemos minimizar los consumos: tratamos de maximizar eficiencias, aumentar el porcentaje de recuperación, disminuir los rechazos, pero más allá de todo eso, ¿cómo podemos optimizar el consumo y así minimizarlo? Para optimizar cada uno de los procesos, para realizarlos con mayor exactitud y precisión podemos recurrir a la Inteligencia Artificial y más en concreto al Machine Learning. Mientras que la Inteligencia Artificial son las diferentes tecnologías por las que una máquina es capaz de aprender y resolver problemas, si hablamos del Machine Learning nos referimos a máquinas que ‘aprenden’ a partir de los datos que analizan, es decir la máquina recibe una serie de datos o señales y a partir de ellos, realiza o indica una serie de acciones para optimizar los resultados.

Son muchos los componentes de la Inteligencia Artificial pero si los enumeramos basándonos en los más importantes dentro de su aplicación a las bombas y sistemas de bombeo, podemos reducirlos a sensores inteligentes, dispositivos móviles, comunicación inalámbrica, plataformas de Internet, portales web y análisis de datos.

Si comenzamos por las plantas inteligente y las características que las definen, son la visibilidad, la conectividad y la autonomía. Estas plantas Incluyen equipos que pueden predecir fallos y activar procesos de mantenimiento de forma autónoma. Podemos hablar así de ‘bombas inteligentes’ definiéndolas como aquellas que tienen la capacidad de regular y controlar su caudal y/o presión, con el triple beneficio potencial de reducir los costes de electricidad y aumentar la vida útil de los componentes y como consecuencia, espaciar los intervalos de mantenimiento.

El primer objetivo de la normativa es reducir el consumo de electricidad haciendo funcionar las bombas con la mayor eficacia posible en las condiciones que requiere el proceso, no solo de la bomba pues es obvio que no tiene sentido obligar a una bomba a funcionar en su punto de máxima eficiencia si para ello hay que cerrar una válvula. Con un importante caché de datos históricos de funcionamiento, el objetivo general es hacer coincidir el punto óptimo de la curva de rendimiento de la bomba con el mayor número posible de horas de funcionamiento. La cuestión es cómo se regula una bomba inteligente. Por supuesto, todo se reduce a que su controlador, o el control general del sistema, obtenga información sobre la bomba y el proceso y utilice esos datos para determinar qué puede ajustarse u optimizarse. Además de reducir los costes de funcionamiento, un funcionamiento más eficiente provocará la reducción de las fuerzas internas, como la recirculación, aumentando así la vida útil de los componentes y el tiempo entre las operaciones de mantenimiento. Con la monitorización de ciertos datos, concretamente la vibración y la temperatura, e idealmente con los datos del proceso, se puede eliminar o reducir en gran medida el mantenimiento de las averías, con los costes asociados bien documentados de los daños colaterales -que se llevan por delante otras partes de la bomba con, por ejemplo, el fallo de un cojinete-, el pago de tarifas superiores por las reparaciones y la pérdida de producción mientras la unidad está fuera de servicio. Cualquier decisión sobre el uso de las capacidades inteligentes de la bomba debe tomarse a partir de los datos operativos en tiempo real. En la actualidad, si utilizamos el Machine Learning, contaremos con una recogida de datos muy rápida y sencilla, con transferencia automática a la nube para el acceso remoto de los portales web, lo que permite chequear los datos y sus variaciones a lo largo del día y de las estaciones para llevar a cabo la regulación y minimizar el coste total de propiedad. Si nos centramos en los equipos de bombeo de una planta desalinizadora, debemos hablar de la detección temprana de problemas en los rodamientos. Una tardía detección o una ‘no-detección’ de los fallos puede hacer que haya que parar el equipo con todos los gastos asociados a productividad y reparación que conlleva. Si monitorizamos adecuadamente las vibraciones en ellos, podemos evaluar en cada instante las condiciones del rodamiento y sus posibles fases de daños. De este modo observaríamos la monitorización y el histórico de datos y se podrían detectar a tiempo los patrones anómalos; tal y como se muestra en las imágenes podemos detectar que en una etapa inicial de los daños en los rodamientos podemos recibir una señal de vibración a alta frecuencia.

Si estas vibraciones iniciales no son detectadas llegaremos a una fase de daños difícilmente reparable, llegando a romperse los rodamientos o a dañarse el eje. Utilizar el Machine Learning para recibir y monitorizar esta señal nos ayuda a detectar antes los daños o fallos en los rodamientos pudiendo llevar a cabo así rápidas medidas correctivas y protegiendo el equipo, evitando daños mayores y pudiéndose así acortar el tiempo de inactividad. Pero ésta es solo una de las muchas variables que podríamos optimizar mediante el uso del Machine Learning. Cuanta más información y datos procedentes de diversas fuentes seamos capaces de conseguir, leer y almacenar, conseguiremos mejorar la toma de decisiones y definir acciones proactivas mediante el uso de modelos predictivos de Inteligencia Artificial y Machine Learning.