Caso de éxito #DATASCIENCE #MACHINELEARNING #CLOUD

Detección de anomalías en bombas criogénicas

La anticipación a posibles fallos en la cadena de suministro mediante el aprendizaje a partir de los propios datos evita el corte de servicio y la pérdida de grandes cantidades económicas.

Enagás es un referente en el desarrollo y  mantenimiento de infraestructuras de gas y en la gestión de redes de gas. A lo largo de sus 50 años de trayectoria ha construido las principales infraestructuras del sistema de gas en España, convirtiéndose en un referente en seguridad y diversificación del suministro. Actualmente, tiene alrededor de 12.000 kms de tuberías distribuidas por toda España. Desde 2011, Enagás ha desarrollado y operado en otras infraestructuras fuera de España, hoy en día, opera en 8 países.

Enagás desarrolla proyectos nacionales e internacionales para contribuir a los procesos de descarbonización y mejora de la calidad del aire. Sus iniciativas se apoyan en la eficiencia energética, el uso del gas natural en transporte (especialmente el marítimo) y el desarrollo de gases renovables.

Evolución a sistema de mantenimiento predictivo basado en datos propios

El mantenimiento de las bombas criogénicas instaladas en los tanques de Gas Licuado (GNL) es una de las tareas más importantes asociadas con los procesos realizados en las plantas. Las bombas tienen unas condiciones de operación muy cambiantes, y están sumergidas dentro de los tanques a una temperatura aproximada de -163ºC, lo que hace su mantenimiento complejo y dificulta establecer un juicio claro sobre el posible funcionamiento defectuoso de la bomba. Enagás quería evolucionar desde su actual modelo de mantenimientos planificados a uno que permitiese anticiparse a posibles fallos observando comportamientos anómalos en los datos. De esta manera los mantenimientos pueden ser programados antes de que ocurra un fallo que afectaría a la calidad del suministro del gas. 

Aunque este método de detección de anomalías represente un avance considerable en los mantenimientos rutinarios y las reparaciones tras fallos, su efectividad está limitada por la calidad  de los datos recogidos.

Un reto extra dentro de este caso de uso ha sido que ningún dato estaba etiquetado como irregular, por lo tanto la solución propuesta solo puede ser no supervisada.

Solución en Amazon Web Services

Tradicionalmente, los procesos de mantenimiento industrial han sido llevados a cabo hasta ahora mediante reglas o consejos del proveedor de las unidades industriales. Recientemente, los enfoques basados en datos se están poniendo en marcha en estos ecosistemas con el fin de sacar partido a los datos generados.

Este tipo de casos de uso no suelen tener muchos datos considerados como fallos, debido sobre todo a políticas de mantenimiento. Por esta razón, hemos elegido un enfoque no supervisado, bajo la premisa de que el comportamiento normal de una máquina no va a variar demasiado y cualquier cambio lo suficientemente significativo en las mediciones indicará una desviación que evaluar.

El modelo propuesto compara diferentes medidas entre sí para luego poder evaluar mediciones nuevas y decidir si ha ocurrido o no una anomalía basada en la distancia a la que se encuentre una medición del resto de los datos. Esta solución ayudará a los equipos técnicos de Enagás a observar, con un gran nivel de detalle, el funcionamiento de sus bombas de manera individual.

Además, se ha desarrollado una API para facilitar las tareas de entrenamiento, inferencia y actualización de los modelos por parte de los usuarios de negocio.

Los servicios principales que hemos utilizado en este proyecto son: 

  • AWS S3 como el principal repositorio.
  • AWS API Gateway para implementar todos los requisitos necesarios para facilitar la llamada al modelo.
  • AWS Lambda usada para controlar las llamadas realizadas a la API.
  • AWS Sagemaker para entrenar y evaluar los modelos.
  • Amazon ECR para almacenar los contenedores de docker que contienen los modelos.
  • Amazon DynamoDB como base de datos para la información de las bombas.
  • Amazon Cloudwatch para monitorizar si existe o no algún fallo en los modelos y enviar correos siempre que haya fallos.

Beneficios

  • El principal objetivo de Enagás no es sólo anticiparse a los fallos en las bombas, sino detectar anomalías en la operación y mantenimiento de los equipos de manera temprana. Esta solución les permite complementar su actual programa de mantenimiento predictivo, con una prognosis basada en sus propios datos que ayudará a reducir costes mediante la optimización de la operación y la extensión de la vida útil del equipo.
  • Gracias a este proyecto, Enagás tiene ahora más información sobre el comportamiento de sus bombas, la cual ayudará a los equipos técnicos a consolidar su know-how y objetivar la toma de decisiones.
  • A pesar del gran número de bombas de Enagás, gracias a la API los usuarios pueden realizar múltiples entrenamientos o inferencias más rápido, haciendo esta tarea mucho más ágil.
  • Con el uso de Amazon DynamoDB estaremos almacenando información sobre las bombas, los modelos asociados y los hiperparámetros que hemos utilizado. Toda esta información también puede consultarse vía API.
logo keepler tagline

Keepler es una empresa boutique de servicios profesionales tecnológicos especializada en el diseño, construcción, despliegue y operaciones de soluciones software de Big Data y Machine Learning para grandes clientes. Utiliza metodologías Agile y Devops y los servicios nativos de la nube pública para la construcción de sofisticadas aplicaciones de negocio centradas en datos e integradas con diversas fuentes en modo batch y tiempo real. Es nivel Advanced Consulting Partner y cuenta con una plantilla técnica en la que el 90% de sus profesionales están certificados en AWS. Keepler actualmente trabaja para grandes clientes en diversos mercados, como servicios financieros, industria, energía, telecomunicaciones y media.

¿Hablamos? 

Si quieres saber más o que desarrollemos una propuesta para tu caso de uso concreto, contáctanos y hablamos.