SMART IN FLOW CONTROL

Verdadero mantenimiento predictivo gracias a una topología innovadora

Entrevista del atp magazin 08/2018

Con la adquisición de la Start-up israelí Visual Process Ltd., SAMSON AG ofrece, desde la ACHEMA 2018, Precognize, un sistema de monitorización y diagnóstico predictivo. En una entrevista con atp, Chen Linchevski, CEO de Visual Process Ltd., el Dr. Andreas Widl, CEO de SAMSON AG y el Dr. Thomas Steckenreiter, Director de investigación y desarrollo de SAMSON AG, explican las ventajas de la nueva tecnología y por qué aporta una calidad completamente nueva en el mantenimiento predictivo.

Sr. Linchevski, Dr. Widl y Dr. Steckenreiter, con Precognize han ampliado la cartera digital de SAMSON con una herramienta de mantenimiento predictivo. ¿Qué tiene de especial Precognize?

Chen Linchevski: Precognize nos permite analizar exhaustivamente la gran cantidad de datos que se generan en una planta industrial para poder detectar y remediar fallos y anomalías que están profundamente arraigadas en la estructura de la planta.

Dr. Andreas Widl: Además, esta tecnología permite recopilar los enormes conocimientos técnicos que poseen los usuarios y operadores de las plantas sobre la topología y los procesos de sus plantas y reproducirlos en un modelo digital claramente estructurado.

Dr. Thomas Steckenreiter: Hasta ahora no había ninguna solución que reuniera esta compleja topología de diferentes equipos de campo con las alarmas y mensajes de anomalía documentados.

Las soluciones de mantenimiento preventivo no son una rareza en los tiempos de la Industria 4.0 y las plantas inteligentes. ¿En qué se diferencia su tecnología de las usuales herramientas de software?

Linchevski: Con esta solución ofrecemos un verdadero mantenimiento predictivo. Analizamos los datos, detectamos desviaciones y somos capaces de relacionarlos con ciertos equipos de campo. 

¿Cómo funciona exactamente?

Linchevski: Por ejemplo no hay forma de predecir de manera fiable las anomalías o fallos de una válvula. Sin embargo, lo que podemos detectar son los cambios en las mediciones y en los datos registrados por los sensores de esta válvula. Las desviaciones, que llamamos anomalías, se acumulan.

Muchas de las herramientas disponibles ya son capaces de detectar desviaciones.

Widl: Sí, esto es cierto. Pero el problema con estas herramientas es que muestran las anomalías a los operadores de la planta sin ningún tipo de filtro. Los operadores de planta se dan cuenta de que algo no funciona como debería, pero aún así no pueden decir qué es lo que realmente causa los problemas. Con nuestra solución, podemos señalar la causa exacta de las anomalías, hasta el nivel del sensor.

¿Cómo se consigue?

Linchevski: Con SAM GUARD, hemos desarrollado una herramienta de software basada en Precognize, para cubrir la topología de una sola máquina, una planta o una fábrica entera. Para ello, escaneamos la planta durante unas dos semanas y aprendemos cómo el operador de la planta ejecuta qué procesos. Al final, tenemos una idea exacta de qué válvula y qué sensor está involucrado en qué proceso.

O sea, ¿se crea algo como un gemelo digital de toda la planta?

Linchevski: Preferiría llamarlo un "mapa digital". Relacionamos esta topología digital con nuestro algoritmo, que analiza permanentemente el flujo constante de datos de los equipos de campo. En la práctica, esto nos permite señalar las anomalías y, en base al modelo digital, podemos indicar si apuntan a un problema específico.

¿Es este el punto fuerte de Precognize?

Linchevski: Exactamente. El clave de la tecnología, es ser capaz de predecir cuál de los miles de equipos de campo en una planta tendrá que inspeccionarse, remplazarse o repararse en un futuro

¿Cuánta inteligencia artificial se esconde en Precognize?

Linchevski: La tecnología se basa en un algoritmo, que clasifica las anomalías y las relaciona o vincula con ciertos equipos de campo. Pero para que sea capaz de hacerlo, primeros debemos entrenar el algoritmo con datos históricos. En base a estos datos, el algoritmo genera clústeres de normalidad. Esto significa que recopila cada vez más detalles para detectar los límites del funcionamiento normal, lo que permite una rápida y fiable identificación de cualquier nuevo mal funcionamiento o fallo que se produzca. En un segundo paso, podemos asignar las anomalías en base al modelo digital de la planta y visualizarlas mediante una interfaz hombre-máquina (HMI).

Así, se transforman las anomalías en problemas visibles.

Steckenreiter: Se podría decir así. Resolviendo estos problemas, nuestra tecnología puede optimizar el funcionamiento de la planta a fondo: la vinculación de la topología revela dependencias previamente desconocidas entre los equipos de campo y la maquinaria a los operadores de la planta, que pueden prevenir fallos en el funcionamiento de la planta en el futuro.

Linchevski: Además, Precognize aprende con cada nueva anomalía y exige la retroalimentación del operador para seguir desarrollándose. El sistema aprende algo nuevo con cada fallo, independientemente de cual sea el equipo de campo.

¿El sistema no está hecho a medida de determinados equipos de campo?

Steckenreiter: No, el sistema puede utilizarse independientemente de los tipos de equipos que se vayan a vigilar. Se puede usar para monitorizar sensores, válvulas, bombas o plantas enteras con varios miles de equipos de campo de diferentes niveles de calidad. El método empleado es siempre el mismo.

Widl: Otra gran ventaja es que los diferentes grupos de usuarios pueden trabajar con diferentes áreas de la herramienta. Por ejemplo, es posible que el personal de mantenimiento de sensores sólo tenga acceso al monitor de los sensores en la HMI, mientras que el equipo de válvulas sólo vea el monitor de las válvulas.

¿Que sea independiente del tipo de equipo de campo, significa también que sea independiente de una cierta semántica?

Linchevski: Por supuesto. Necesitamos hablar el idioma de nuestros cliente, de lo contrario nuestro software no sería aceptado. No nos limitamos a cierta semántica, ni en la creación del modelo digital ni en los análisis. Nuestro software soporta todos los lenguajes de máquina usuales.

¿Podría ser Precognize también el elemento de conexión entre las muchas "islas del sistema" de una planta?

Linchevski: Sí, esto es definitivamente una opción. En realidad no es una cuestión de tecnología, sino más bien de modelo de negocio. Precognize nos permite interrelacionar tantos datos y crea tantas oportunidades que tardaremos unos cuantos años más a explotarlo plenamente. Estamos solo al principio.

¿Cómo será Precognize dentro de unos años? ¿Qué planes hay?

Linchevski: Nuestra esperanza para el futuro es que, además del mantenimiento predictivo, también seamos capaces de proporcionar mantenimiento prescriptivo. Este sería el siguiente paso en nuestra evolución. El sistema no sólo detectaría una anomalía y la asignaría a una unidad de campo específica, sino que también iniciaría los procesos necesarios.

Chen Linchevski

es cofundador y CEO de Visual Process. Anteriormente el Sr. Chen Linchevski había sido CEO de Opcat y ocupó cargos ejecutivos en Ayeca, especialistas en el análisis y el diseño de análisis de negocios complejos. Él estudió derecho en la Universidad Hebrea de Jerusalén.

Dr. Andreas Widl

es desde 2013 miembro del Consejo de administración de SAMSON AKTIENGESELLSCHAFT, y desde el 1 de abril de 2015 su presidente. Antes de SAMSON tuvo puestos directivos en las empresas Mannesmann, GE Capital y la suiza Oerlikon-Konzern.

Dr. Thomas Steckenreiter

es desde el 1 de mayo de 2017 miembro del Consejo de administración de SAMSON. Anteriormente había ocupado puestos directivos en Endress+Hauser Conducta y Bayer Technology Services (BTS). Además, hasta su incorporación en SAMSON, formaba parte del Consejo de NAMUR.


Este artículo se publicó en la revista atp magazin.

Ir a la edición online www.atpinfo.de