Post on 01-Oct-2021
transcript
Soluciones en Mantenimiento Basado en la Condición y Líneas de InvestigaciónMantenimiento Predictivo
Diciembre 2010
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
2
INDICE
01 Breve Presentación de Indra02 Sistema de Mantenimiento Predictivo - GIDAS03 Otras iniciativas de Mantenimiento Predictivo
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
3
INDICE
01 Breve Presentación de Indra02 Sistema de Mantenimiento Predictivo - GIDAS03 Otras iniciativas de Mantenimiento Predictivo
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
4
QUIENES SOMOS
Multinacional de TI número 1 en España y una de las principales de Europa y Latinoamérica
2.513 M€ en ventas
30.000 profesionales
106 países
500 M€ invertidos en I+D+i en tres años
BREVE PRESENTACION DE INDRA
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
5
HISTORIA
Creación de la primera empresa que dará origen a Indra
Constitución de Indra
OPV de Indra. Comienza a cotizar en la Bolsa de Madrid
Incorporación de Azertia y Soluziona
Un grupo formado por más de 30.000 profesionales con un conocimiento profundo del negocio de nuestros clientes y de la tecnología
19211993199920062010
BREVE PRESENTACION DE INDRA
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
6
MERCADOS VERTICALESBREVE PRESENTACION DE INDRA
11%
Tele
com
y M
edia
13%
Ser
vici
os fi
nanc
iero
s
14%
AA
.PP
. y S
anid
ad
15%
Ene
rgía
e In
dust
ria
20%
Tran
spor
te y
Trá
fico
27%S
egur
idad
y D
efen
sa
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
7
INDICE
01 Breve Presentación de Indra02 Sistema de Mantenimiento Predictivo - GIDAS03 Otras iniciativas de Mantenimiento Predictivo
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
8
OBJETO Y VENTAJAS DE GIDASSISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
No es necesario conocer el detalle de la mecánica del elemento observado________________Capacidad de predecir la condición futura de una máquina o sistema________________Reducir costes de mantenimiento y operación de los sistemas________________Aumentar la disponibilidad operativa y prolongar el ciclo de vida________________Permitir la supervisión remota del estado de los componentes monitorizados________________
Ventajas
Sistema automático, y en tiempo real, para la predicción del estado futuro de los elementos mecánicos de cualquier tipo de maquinaria industrial, que permita por tanto, la detección anticipada de posibles anomalías
Objeto
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
9
SOLUCIONES PARTICULARES PARA PROBLEMAS GENERALES
Sistema escalable y modularCapaz de tratar cualquier tipo de parámetro con procesado específico del mismo
VibracionesVelocidad de Giro eje rápidoIntensidades eléctricas, etc.
Utilización de tecnologías de Inteligencia Artificial para el análisis de datos y realización de diagnósticos de estadoNo necesario conocimiento previo de la física de la maquinariaInterfaz Hombre – Máquina de fácil operación, flexible y con múltiples posibilidades de comunicación
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
10
Sistema GIDAS. Fragata F100SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
11
ARQUITECTURA DEL SISTEMA
La arquitectura del sistema desarrollado está organizada en una serie de capas o niveles que operan de forma independiente
NIVEL DE PRESENTACIÓNNIVEL DE PRESENTACIÓN
NIVEL DE ANÁLISISNIVEL DE ANÁLISIS
NIVEL DE GESTIÓNNIVEL DE GESTIÓN
NIVEL DE TRANSPORTENIVEL DE TRANSPORTE
NIVEL DE PROCESAMIENTONIVEL DE PROCESAMIENTO
NIVEL FÍSICONIVEL FÍSICOMódulo de Procesado de DatosMódulo de Procesado de Datos
Módulo de Adquisición de SeñalesMódulo de Adquisición de Señales
SensoresSensores
Comunicaciones Ethernet Inalámbrica/PLC
Comunicaciones Ethernet Inalámbrica/PLC
Sistema Experto y aplicación de técnicas de Inteligencia Artificial Sistema Experto y aplicación de técnicas de Inteligencia Artificial
Gestión de Base de DatosGestión de Base de Datos
Interfaz Hombre – MáquinaAlarmas
DiagnósticosPredicciones
Informes
Interfaz Hombre – MáquinaAlarmas
DiagnósticosPredicciones
Informes
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
12
AeroGIDAS
Paquete TCP
Cabeceraidentidad
8 seg.Sensor 1
8 seg.Sensor N
Estación de controlcentralizada
Sistema recepcióninalámbrica
Cable ethernet
BD
Modulo de Procesado de
Datos
Paquete TCP
Cabeceraidentidad
Valores Característicos
Módulo de adquisición de datos
Sistematransmisióninalámbrica
Sistema almacenamiento
Cable ethernet
Cable USB
Sensores
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
13
AeroGIDAS. Nivel Físico
NIVEL FÍSICONIVEL FÍSICO
Módulo de Adquisición de Señales:Monitorización en tiempo realValores de señal en crudo y FFT
Módulo de Adquisición de Señales:Monitorización en tiempo realValores de señal en crudo y FFT
SensoresSensores
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
14
AeroGIDAS. Nivel de Transporte
Estación de controlcentralizada
Sistema adquisición
Sistematransmisión
(GPRS)
Sistema recepción(GPRS)
Sistema almacenamiento(Disco duro externo)
Cable ethernet
Cable ethernet
Cable USB
PaqueteTCP
Cabeceraidentidad
8 seg.Sensor 1
8 seg.Sensor N
NIVEL DE TRANSPORTENIVEL DE TRANSPORTE Comunicaciones Ethernet Inalámbrica/PLC
Comunicaciones Ethernet Inalámbrica/PLC
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
15
AeroGIDAS. Nivel de Procesamiento
NIVEL DE PROCESAMIENTONIVEL DE PROCESAMIENTO
Módulo de Procesado de Datos-Obtención Valores Significativos: RMS, Valor de Pico, Factor de Cresta - Almacenamiento Base de Datos
Módulo de Procesado de Datos-Obtención Valores Significativos: RMS, Valor de Pico, Factor de Cresta- Almacenamiento Base de Datos
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
16
AeroGIDAS. Nivel de Gestión y de Análisis
NIVEL DE ANÁLISISNIVEL DE ANÁLISIS
NIVEL DE GESTIÓNNIVEL DE GESTIÓN
Sistema Experto y aplicación de técnicas de Inteligencia Artificial Sistema Experto y aplicación de técnicas de Inteligencia Artificial
Gestión de Base de DatosGestión de Base de Datos
RMS bandafrecuencia 1
RMS bandafrecuencia 2
RMS bandafrecuencia N
RMSglobal
RPM
FFTSensor
Señal cruda de vibracionesEspectro de frecuencias
Red neuronas Red neuronas Red neuronas Red neuronas
Sistema de diagnóstico
Predicción en elinstante t+p
Predicción en elinstante t+p
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
17
AeroGIDAS. Nivel de Gestión y de Análisis Sistema aprendizaje automático
NIVEL DE ANÁLISISNIVEL DE ANÁLISIS Sistema Experto y aplicación de técnicas de Inteligencia Artificial Sistema Experto y aplicación de técnicas de Inteligencia Artificial
Redes Neuronales ArtificialesEl sistema tiene que aprender el patrón de buen funcionamiento Se detectan desviaciones con respecto a lo “memorizado”
Modelos Ocultos de MarkovEn caso de traspasar los márgenes de normalidad de manera estable, se notificará el estado global de desviación de las señales capturadas respecto a las normales
Bases de ReglasUna vez detectada una desviación, se activa un sistema expertoque, emulando el razonamiento que llevaría un experto de mantenimiento genera un diagnostico preliminar de las posibles causas de la desviación
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
18
AeroGIDAS. Nivel de Presentación
NIVEL DE PRESENTACIÓNNIVEL DE PRESENTACIÓN
Interfaz Hombre – MáquinaAlarmasInformes configurables:- Medidas concretas- Evolución parámetros- Predicciones
Interfaz Hombre – MáquinaAlarmasInformes configurables:- Medidas concretas- Evolución parámetros- Predicciones
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
19
AeroGIDAS. Nivel de Presentación
Parque 1 Parque 2 Parque 3
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
20
AeroGIDAS. Nivel de Presentación
Parque 2Parque 1 Parque 3
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
21
AeroGIDAS. Nivel de PresentaciónSISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
22
AeroGIDAS. Nivel de Presentación (I)SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
23
NEG MICON 750, NEG MICON 900G47IZAR BONUS 1.3
Posicionamiento de algunos sensores en multiplicadora
Mantenimiento predictivo AeroGIDASSISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
24
AeroGIDAS. Simulación Datos IMS CENTERSISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
25
AeroGIDAS. Simulación Datos IMS CENTERSISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Envío sms
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
26
AeroGIDAS. Simulación Datos IMS CENTERSISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
27
CONCLUSIONES
GIDAS es capaz de realizar el diagnóstico de un sistema realizando predicciones futuras de los parámetros monitorizados. Los resultados obtenidos hasta la fecha avalan la robustez y la fiabilidad del sistema de predicción.
GIDAS permite aumentar el grado de anticipación en la detección de fallos en los componentes monitorizados. Esto supone una ventaja importante en la optimización y planificación de las tareas de mantenimiento.
SISTEMA DE MANTENIMIENTO PREDICTIVO - GIDAS
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
28
INDICE
01 Breve Presentación de Indra02 Sistema de Mantenimiento Predictivo - GIDAS03 Otras iniciativas de Mantenimiento Predictivo
- Basado en la física del tren de potencia- Basado en datos SCADA
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
29
CBM Basado en el conocimiento de la multiplicadora
Nº, disposición y diseño de engranajesEcuaciones dinámica de máquinasCaracterización del sistema:
Frecuencias fundamentales del sistemaFallos típicos:
DientesDesalineacionesHolgurasRodamientosOtros fallos ensayados
Seguimiento temporal de los valores de estos armónicosEstablecimiento de niveles de alarmasDiagnóstico en función del sensor y niveles detectados
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
30
AnálisisDETERMINISTA
de los datosObtenidos
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
CBM Basado en el conocimiento de la multiplicadora
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
31
OBJETIVOS La vocación de este proyecto es desarrollar un sistema que
incremente la eficiencia de los parques eólicos a la vez que reduzca sus costes de mantenimiento
El proyecto tendrá por objeto el desarrollo completo de un sistema automático de mantenimiento predictivo para su aplicación al mantenimiento de turbinas eólicas basado en el conocimiento de la física del tren de potencia de las mismas (Enfoque determinista)
El sistema detectará fallos con anticipación y diagnosticará los componentes y tareas asociadas a los mismos de manera automática
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
CBM Basado en el conocimiento de la multiplicadora
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
32
OBJETIVOSLa implantación del sistema reportará las siguientes ventajas:
Incrementar la disponibilidad y fiabilidad de las instalacionesOptimizar las reparaciones al detectar los fallos con antelaciónReducir los costes de los grandes correctivos al evitar averías catastróficasEvitar el sobremantenimiento asociado al preventivo por tiempo Reducir los costes de explotación y mantenimiento al incrementar la vida útil de las máquinas y componentesIncrementar la seguridad de los operarios del parqueReducir el coste de las pólizas de seguro de las máquinasReducir el stock de repuestos
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
CBM Basado en el conocimiento de la multiplicadora
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
33
CBM Basado en el conocimiento de la multiplicadora
DESCRIPCIÓN DEL SISTEMALos pilares que fundamentan el sistema a desarrollar son:
La caracterización de fallos típicos del tren de potencia mediante el análisis de la dinámica del mismo y sus efectos en las variables a monitorizar de cara a generar patrones de falloLa aplicación de distintas técnicas (vibraciones, análisis térmico, ultrasonidos) para la identificación de dichos patrones de falloLa instrumentalización y generación del SW para la captura de datos, su tratamiento y comparación con los patrones de falloLas aplicaciones para la generación de alarmas e informes de las incidencias detectadas
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
34
ESQUEMA DEL SISTEMA A DESARROLLAR
Patrones / REGLASPatrones / REGLAS
Tomas Reales Tomas Reales
Conocimiento Experto
Conocimiento Experto
Módulo deGeneración de
Patrones y Reglas
Módulo deGeneración de
Patrones y Reglas
MÓDULO DE GENERACIÓN DE PATRONES Y REGLASMÓDULO DE GENERACIÓN DE PATRONES Y REGLAS
Patrones / REGLASPatrones / REGLAS
Adaptación Datos
Adaptación Datos Módulo de
Diagnóstico del Sistema
Módulo de Diagnóstico del
Sistema
Presentación de Resultados
y Alarmas
Presentación de Resultados
y Alarmas
Módulo de MantenimientoMódulo de
Mantenimiento Tareas Manto.Tareas Manto.
AlarmasAlarmas
ResultadosResultados
MÓDULO ANÁLISISMÓDULO ANÁLISIS
Info. Máquina
Info. Máquina
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
35
Predictivo basado en análisis de datos SCADA
La cantidad ingente de datos almacenados en los centros de control sobre los distintos parques y máquinas junto con información relativa a las incidencias registradas puede ser una fuente de información para la detección prematura de averías.
Tales datos requiere el tratamiento de los mismos mediante un sistema experto capaz de analizar grandes volúmenes de datos y generar reglas de comportamiento en base determinadas tendencias de los mismos e información adicional sobre incidencias, conocimiento de expertos, etc.
Es posible obtener conclusiones sobre la predicción a distintos niveles:
Componente de la máquina. Objetivo principalFamilia de máquinas Conjunto de parques con máquinas diferentes
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
36
EVALUACION INICIALVarias estrategias posibles con distintos alcances
Posible obtención de reglas de comportamiento sólidas para determinados fallos
Precisión de las reglas dependerá de su solidezAnálisis de determinadas variables clave en el sistemaComparación de la evolución de estas variables en varias máquinas
Obtención de reglas de clasificación del comportamiento de cada máquina y su evolución
Monitorización de las tendencias de los aerogeneradores y su evolución entre los distintos tipos de comportamiento detectados en la población de máquinasEn principio podría NO permitir caracterizar fallos específicosEstrategia aplicable a otros tipos de máquinas
Otras técnicas de modelado y obtención de reglas
Predictivo basado en análisis de datos SCADAOTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
37
CLASIFICACIÓN DE DATOSGeneración de un “modelo de estados” de la máquina
Datos SCADA de 40 aerogeneradoresIncidencias 2009 (Necesidad de filtrar esta información y categorizar las incidencias)Revisar modelo de funcionamiento del aerogenerador
Se determina la probabilidad de cada máquina en cada estado y de los cambios de estado en base a los datos reales
El sistema se retroalimentaría de los nuevos datos existentesClasificador de datos/estados
Se representa en un mapa el comportamiento de la población de máquinasEl interfaz gráfico permitiría ver la evolución del comportamiento de cada máquinaSe pueden establecer alarmas. Ante una alarma se emplearían otros métodos para verificar el estado del molino en el momento que más convenga
Predictivo basado en análisis de datos SCADAOTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
38
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Predictivo basado en análisis de datos SCADAMAPA DE COMPORTAMIENTO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
39
Predictivo basado en análisis de datos SCADA
Patrones / REGLASPatrones / REGLAS
Tomas Reales Tomas Reales
Conocimiento Experto
Conocimiento Experto
AveríasAverías
Módulo deGeneración de
Patrones y Reglas
Módulo deGeneración de
Patrones y Reglas
MÓDULO EXPERTOMÓDULO EXPERTO
Patrones / REGLASPatrones / REGLAS
SCADASCADA
Info. Máquina
Info. Máquina
Adaptación Datos
Adaptación Datos Módulo de
Diagnóstico de Sistemas
Módulo de Diagnóstico de
Sistemas
Presentación de Resultados
y Alarmas
Presentación de Resultados
y Alarmas
Módulo de MantenimientoMódulo de
Mantenimiento Tareas Manto.Tareas Manto.
AlarmasAlarmas
ResultadosResultados
MÓDULO ANÁLISISMÓDULO ANÁLISIS
OTRAS INICIATIVAS DE MANTENIMIENTO PREDICTIVO
Man
teni
mie
nto
pred
ictiv
o en
Aer
ogen
erad
ores
40
Chantal Roldán, PMPJefe de ProgramaSimulación y Servicios Logísticos Mar Egeo 4 28830 San Fdo de Henares (Madrid)
T +34 91 626 86 31 F +34 91 626 87 96 chroldan@indra.es www.indra.es