Aprovecha el IIoT en aplicaciones de mantenimiento predictivo – Duke Energy

Cómo Duke Energy implementó una solución “end-to-end”, para monitorear la condición de sus máquinas en 30 instalaciones.

SINOPSIS
Este caso de estudio investiga la búsqueda realizada por Duke Energy para remplazar sus prácticas de recolección de datos mensual y manual, con una recolección diaria de datos y monitoreo de sus instalaciones.

INTRODUCCIÓN
Fundada en 1900, Duke Energy es la compañía de generación de energía más grande de los Estados Unidos, con más de 80 plantas y 29,000 trabajadores. Con sede en Charlotte, North Carolina, la capacidad de generación eléctrica de todas sus plantas es de 52,700 megawatts, abasteciendo a más de 7.4 millones de clientes en seis estados de las regiones del sureste y medio oeste del país. Duke Energy también atiende a 1.5 millones de clientes de gas natural, además de operar activos de generación de energía en Canadá y América Latina, incluido un portafolio de activos de energía renovable.

Duke Energy y otras industrias de generación de energía enfrentan problemas para monitorear manualmente las condiciones de sus máquinas. El monitoreo de condición es esencial para controlar los costos e incrementar la disponibilidad evitando interrupciones ocasionadas por fallas en sus unidades. La recolección manual de datos es una actividad que requiere una cantidad considerable de mano de obra; utilizando la recolección de datos basadas en rutas, los especialistas de mantenimiento preventivo de Duke Energy visitaron cada estación de recolección para recoger manualmente cientos de datos de muestra, regresando luego a sus computadoras para revisar y analizar todos esos datos. Con casi 60,000 datos mensuales, los analistas de Duke Energy típicamente gastaban el 80% de su tiempo recolectando datos y solo el 20% de su tiempo analizándolos, lo que provocaba diagnósticos inconsistentes y evaluaciones de riesgo limitadas, ¡así como un intenso caminar!

En el 2010, comenzó en toda la compañía un programa centralizado para utilizar nuevas tecnologías y así abordar la creciente demanda en confiabilidad y optimización de activos de su fuerza laboral. Duke Energy quería sustituir su tradicional recolección de datos basada en rutas con una tecnología capaz de identificar problemas y notificar a los especialistas, lo que le permitiría dedicar más tiempo a las actividades de mayor valor y a realizar su trabajo, independientemente de su ubicación. Este proyecto multianual requirió la instalación de sensores adicionales, un diseño nuevo de arquitectura, así como una infraestructura que complementaría la infraestructura anterior.

Figura: 1 Sistema NI CompactRIO que conecta los activos de toda la planta para una solución en el monitoreo de condición de las máquinas en Duke Energy.

SOLUCIÓN
Duke Energy comenzó a analizar el uso de elementos del internet industrial de las cosas (IIoT, por sus siglas en inglés) y el análisis de big data para ayudarse a enfrentar algunos de estos desafíos. Para este proyecto, trabajó con National Instruments, así como con el Instituto de Investigaciones en Energía Eléctrica (EPRI, por sus siglas en inglés), OSIsoft e InStep (ahora parte de Schneider Electric) en el monitoreo personalizado y la infraestructura de diagnóstico llamada Smart Monitoring and Diagnostics o “Smart M&D” para la implementación en toda su flota y plantas.

EPRI había introducido el marco I4GEN (desarrollo de ideas mediante la integración de la información para la generación inteligente) para apoyar a las empresas de generación de energía en su transición al uso de tecnologías y soluciones relacionadas con IoT (internet de las cosas, por sus siglas en inglés). Este instituto apoya a sus socios compartiendo experiencia y facilitando la colaboración entre múltiples organizaciones de generación de energía, en lugar de que cada una lo haga por su cuenta.

Inversión en tecnología y operación

Las inversiones necesarias para este proyecto incluyen la instalación de sensores adicionales en línea, infraestructura, arquitectura y aplicaciones de diagnóstico.

En el 2012, Duke Energy comenzó a construir una nueva arquitectura para apoyar este proyecto. Utilizó la plataforma CompacRIO de National Instruments, la cual combina un procesador integrado en tiempo real, una matriz de puertas programables de alto desempeño (FPGA, por las siglas en inglés de field-programmable gate arrays) y módulos de I/O intercambiables para la adquisición de datos en tiempo real hacia una computadora principal en red. Los datos de los sensores se alimentan al sistema de monitoreo NI CompactRIO, que realizan la recolección y el procesamiento de las señales que pueden ser transmitidas por cable o en forma inalámbrica a los servidores de su planta. Utilizando esa gran cantidad de datos analógicos, condiciona alarmas y proporciona un análisis completo en forma de onda para los especialistas en datos de Duke. Adicionalmente, Duke Energy pudo utilizar el NI InsightCM^TM de monitoreo de condición para visualizar y analizar los datos. Al conectar un FPGA y un procesador integrado en tiempo real al sensor, las formas de ondas análogas sin analizar se pueden reducir a condiciones que indican la “salud” del sistema en su nodo mismo. Esto evita la condición de sobrecarga de datos en la cual los expertos en la materia están atrapados buscando problemas que son difíciles de localizar.

El software de NI InsightCM^TM fue una herramienta importante para hacer los datos más amigables para el usuario y más accesibles para el pequeño equipo técnico. Esto es un proceso continuo, donde Duke está apoyando la transición de la tecnología tradicional a la nueva para apoyar a sus usuarios finales.

Se agregaron sensores adicionales a equipos con capacidades de monitoreo limitadas, como las transmisiones, motores, bombas, cajas de engranajes y ventiladores. Para las máquinas que ya están equipadas con sensores, Duke Energy se centró en expandir la capacidad de detección. Por ejemplo, los generadores con turbinas de vapor ya tenían un alto nivel de detección, ya que estas máquinas tan costosas requieren de alarmas para evitar fallas costosas. Duke Energy agregó más sensores a este tipo de equipo para capturar datos y permitir un monitoreo de vibración más avanzado, lo que mejoró la detección de fallas futuras.

Duke Energy identificó más de 10,000 activos en sus instalaciones y elaboró un plan para añadir más de 30,000 sensores a sus activos, incluyendo acelerómetros, sensores de temperatura, sensores de análisis del lubricante, cámaras térmicas y sondas de proximidad. Estos sensores añadieron funciones como el monitoreo de vibración, temperatura de los cojinetes y presión de aceite, así como el monitoreo de otros activos como transformadores, gases disueltos y firmas electromagnéticas en generadores.

Se estima que el 75% del costo de este proyecto no estaba en el software o los sensores, sino que estaba relacionado con el costo del cableado de los sensores hacia las computadoras de recolección de datos. Los sistemas de adquisición de datos están distribuidos en todas las instalaciones de Duke Energy y pueden conectar por cable entre 30 y 40 sensores. El cableado debe llevarse desde el sensor hasta la computadora local de adquisición de datos; luego las señales se transmiten en forma inalámbrica desde el dispositivo de adquisición de datos NI a los servidores de Duke Energy.

Para recolectar información de vibración, puede ser necesario capturar de 10,000 a 100,000 muestras por segundo por varios segundos para obtener una buena medida de la condición de la máquina. Para ayudar a manejar esta gran cantidad de datos, Duke Energy utiliza una combinación de servidores en sitio. Cada planta tiene su propio servidor OSIsoft PI, el cual colecta, almacena y organiza los datos de diversas fuentes.

Estos servidores están ubicados en los Centros de Monitoreo y Diagnóstico de Duke, donde el software de reconocimiento y pronóstico de patrones Prism de Instep (utilizado para soluciones mecánicas) y el software de monitoreo de condición térmica EtaPRO de Strategy, son utilizados para identificar desviaciones del comportamiento esperado. Dentro del centro de monitoreo y diagnóstico, hay un equipo de cinco técnicos que utilizan estas herramientas de software.

El personal técnico observa en un tablero de alarmas si el equipo ha tenido un comportamiento inesperado. En este punto, pueden investigar y analizar el problema para decidir si se trata de una verdadera anomalía y se requiere de más investigación. Si está marcado, hay en el proceso un correo electrónico estándar que se envía para alertar a las personas correctas sobre el problema, y darles información gráfica que indique las desviaciones y los asesore con un diagnóstico inicial para que el operador pueda ir y verificar la máquina.

Esta información se envía al sistema de gestión de la salud de los activos de EPRI, para identificar el problema a través de la comparación con todas las fallas conocidas registradas en una base de datos compilada en el tiempo (de múltiples compañías) utilizando datos de equipos reales. EPRI notifica a los especialistas de Duke Energy para que ingresen en el NI InsightCM Data Explorer (software en la web diseñado para ayudar a los ingenieros en localizar, analizar y reportar rápidamente los datos de medición) y realizar un análisis completo.

Actualmente, Duke Energy almacena todos sus datos en servidores internos, ya que el departamento de IT no está actualmente abierto para trabajar en la nube. Hasta la fecha, Duke Energy ha podido hacerles frente a esos volúmenes de datos recopilados con este método.

RESULTADOS PARA DUKE ENERGY

A marzo del 2017, cerca de 2,000 sistemas CompactRIO habían sido implementados y administrados por la arquitectura Smart M&D en 30 instalaciones. Dentro de estas plantas, Duke Energy se basa en la recolección automatizada de datos, permitiendo que los analistas gasten el 80% de su tiempo en analizar, el lugar de estar recolectando datos; por lo tanto, el análisis es más robusto.

En un año, Duke Energy promedia dos notificaciones por día en su Centro de Monitoreo y Diagnóstico, utilizando el Prism: solo uno de cada cuatro requiere acción correctiva. Estas alarmas dan a los especialistas una ventana para planificar y corregir el equipo en el momento cuando el costo será más bajo, por ejemplo, cuando la planta debe estar inactiva por mantenimiento o en tiempos de baja demanda.

Las máquinas pueden seguir operando continuamente por varias semanas, permitiendo a los especialistas elegir el tiempo de paro menos costoso para programar las reparaciones. En una oportunidad, Duke Energy mantuvo operando un generador operando por tres semanas, a pesar de tener una falla en sus cojinetes, manteniéndolo hasta que pudo programar una reparación segura y conveniente.

La compañía ha pasado a recolectar cuatro lecturas en cada punto de recolección por año a recolectar lectura de datos cada cinco segundos. No todos los datos adicionales pueden ser almacenados para siempre; de modo que los protocolos de administración que tienen en las plantas deciden cuándo y qué tipo de datos deben ser desechados, con el fin de apoyar un plan de almacenamiento de datos inteligente.

Durante cuatro años, Duke Energy ha evitado gastar 130% del presupuesto de capital debido a una reducción de los costos asociados con las fallas. En el tercer año del proyecto Duke Energy comenzó a ver un repunte significativo en la recuperación de la inversión.

La compañía está ahora en el proceso de calcular los beneficios en los costos de mano de obra por evitar la recolección manual de datos. Dado que los sistemas están analizando datos constantemente, las rondas de los operadores han disminuido sustancialmente mientras que la frecuencia de recolección de datos se ha incrementado dramáticamente. Ya no se necesita recolectar los datos mensualmente; pueden ser obtenidos varias veces al día dando como resultados muchos terabytes de datos por semana, permitiendo descubrir y rastrear los problemas con mayor frecuencia y consistentemente.

Estos cambios han mejorado la confiabilidad y han disminuido los costos de operación cumpliendo con los objetivos del ejecutivo incrementando la confiabilidad y optimizando la fuerza laboral al ser más analíticos.

 

 

 

 

 

 

 

 

 

DESAFÍOS
Se tuvieron que superar muchos desafíos en la implementación de esta solución. Al comienzo de este proceso, Duke Energy se dio cuenta de que no podría completar este proceso fácilmente por sus propios medios. Eliminó muchos de estos al asociarse con tecnologías como NI y EPRI desde el principio.

• Uno de los retos que Duke Energy enfrentó fue conseguir que sus empleados, muchos de los cuales habían basado su carrera en la recolección de datos basados en rutas, cambiaran por estos nuevos métodos y que confiaran en la tecnología y su información. Por ejemplo, todavía es muy común que los especialistas reciban una alerta basada en los datos y darle seguimiento verificando manualmente el equipo con dispositivos manuales. En consecuencia, la compañía ha invertido y continúa mejorando en la visualización de los datos.

 “Debes hacerlo tan simple para que lo quieran y lo busquen porque es muy fácil de entender y leer”.

Michael Reid – Gerente General de Programas de Tecnología – Duke Energy

• Otro desafío importante que enfrentó fue la cantidad de modelos avanzados de reconocimiento de patrones (APR, por sus siglas en inglés) en funcionamiento (por encima de 10,000), dando como resultado una gran cantidad de alarmas recibidas. Para hacer frente a esto, Duke Energy está estableciendo una estrategia para administrar y priorizar las alarmas, ya que no dispone de suficientes analistas para hacer frente a todos los modelos. Un método que está utilizando para administrar esto es evaluando la priorización tomando en cuenta la criticidad del activo (por ejemplo, una turbina de vapor vs. un ventilador).
• Para cada una de las cuatro regiones donde esta solución está implementada, Duke Energy ha colocado líderes, quienes trabajan con los especialistas de mantenimiento que toman las decisiones, ayudándolos a incorporar estas nuevas tecnologías en sus actividades. Sin embargo, ninguna de estas personas tiene todas las habilidades, por lo tanto, fue muy importante desde el comienzo para los equipos de OT y TI que trabajaran juntos. Esto introdujo en desafío, ya que los departamentos de OT y TI tenían sus propias prioridades (y presupuestos), que a veces competían entre sí, por lo que era fundamental mantener el equilibrio; la responsabilidad del ejecutivo patrocinador del proyecto era muy importante para asegurar que el presupuesto fuese suficiente y continuo.
• Como el proyecto se ha implementado en varias de sus instalaciones, el equipo ha tenido que trabajar con cada una de las plantas para desarrollar soluciones únicas de acuerdo con sus necesidades específicas. Esto necesitó la aprobación de los gerentes de las plantas, en función de sus puntos clave y preocupaciones. Otro reto es que, en los últimos años, los gerentes de planta han sido cambiados, lo que ha requerido la capacitación de este nuevo personal sobre la marcha.

PRÓXIMOS PASOS

Este año, Duke Energy finalizará la colocación de sensores adicionales, ya que recientemente expandió el alcance de lo que le gustaría monitorear para incluir equipos adicionales como los transformadores. En el futuro, Duke Energy reconoce que hay una gran oportunidad de tener ahorros adicionales utilizando sensores inalámbricos, los cuales no requieren un cableado costoso para el sistema de adquisición de datos.

Más adelante, Duke Energy espera moverse hacia la obtención de inteligencia más procesable con herramientas que puedan diagnosticar problemas en etapa temprana. Le gustaría moverse de soluciones predictivas actualmente en uso, a unas que le digan al experto no solo cuál es el problema, sino que también le proporcione recomendaciones de cómo resolverlo. Esto será especialmente importante dado el desgaste de los expertos en la materia en esta industria.

Figura. 3. Planta de Duke Energy