Soluciones en Mantenimiento Basado en la Condición y

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


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


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


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


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


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


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



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


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


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


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


Man

teni

mie

nto

pred

ictiv

o en

Aer

ogen

erad

ores

19


Parque 1 Parque 2 Parque 3


Man

teni

mie

nto

pred

ictiv

o en

Aer

ogen

erad

ores

20


Parque 2Parque 1 Parque 3


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


Envío sms

Man

teni

mie

nto

pred

ictiv

o en

Aer

ogen

erad

ores

26


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.


Man

teni

mie

nto

pred

ictiv

o en

Aer

ogen

erad

ores

28

INDICE


- 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



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



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



Man

teni

mie

nto

pred

ictiv

o en

Aer

ogen

erad

ores

33


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


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


Módulo deGeneración de

Patrones y Reglas


Patrones y Reglas

MÓDULO DE GENERACIÓN DE PATRONES Y REGLASMÓDULO DE GENERACIÓN DE PATRONES Y REGLAS


Adaptación Datos

Adaptación Datos Módulo de

Diagnóstico del Sistema

Módulo de Diagnóstico del

Sistema

Presentación de Resultados

y Alarmas


y Alarmas

Módulo de MantenimientoMódulo de

Mantenimiento Tareas Manto.Tareas Manto.

AlarmasAlarmas

ResultadosResultados

MÓDULO ANÁLISISMÓDULO ANÁLISIS

Info. Máquina

Info. Máquina


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


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


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


Tomas Reales Tomas Reales



AveríasAverías


Patrones y Reglas


Patrones y Reglas

MÓDULO EXPERTOMÓDULO EXPERTO


SCADASCADA

Info. Máquina

Info. Máquina

Adaptación Datos

Adaptación Datos Módulo de

Diagnóstico de Sistemas

Módulo de Diagnóstico de

Sistemas


y Alarmas


y Alarmas

Módulo de MantenimientoMódulo de

Mantenimiento Tareas Manto.Tareas Manto.

AlarmasAlarmas

ResultadosResultados

MÓDULO ANÁLISISMÓDULO ANÁLISIS


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 [email protected] www.indra.es

Documents

Soluciones en Mantenimiento Basado en la Condición y