Redefiniendo los sistemas de detección de fallas de bombas con datos más inteligentes

Este estudio mejora los sistemas de detección de fallas de bombas al generar datos predictivos de fallas a partir de señales eléctricas mínimas.

En yacimientos petrolíferos, plantas de energía y estaciones de bombeo remotas, las fallas suelen surgir mucho antes de que se activen las alarmas. Sin embargo, los sistemas de detección convencionales, que dependen de sensores o inspecciones manuales, a menudo no detectan los problemas a tiempo. Un nuevo estudio de la Universidad Shenyang Ligong propone un enfoque alternativo para los sistemas de detección de fallas en bombas: uno que transforma los escasos datos históricos en diagnósticos precisos y predictivos sin detener las operaciones.

Al convertir los datos de la tarjeta dinamométrica en señales eléctricas simuladas y luego expandir ese conjunto de datos mediante un modelo de predicción neuronal, los autores demuestran cómo los sistemas de clasificación avanzados pueden detectar y predecir fallas con una mínima entrada de datos. Los resultados revelan un camino hacia una detección de fallas más escalable y remota, donde la monitorización del rendimiento no depende de la disponibilidad de los sensores ni de la recurrencia de fallas.

Del movimiento mecánico a la visión diagnóstica

La base del sistema es un modelo mecanicista que vincula el movimiento de las varillas en las unidades de bombeo tipo viga con las curvas de potencia eléctrica. En lugar de esperar a que se produzcan fallas y registrarlas directamente, el modelo simula el comportamiento de los parámetros eléctricos en diversos modos de falla, como la separación de las varillas, la interferencia de gas o un suministro deficiente de fluido.

Este paso de simulación resuelve un problema de larga data en el diagnóstico de aprendizaje automático: la escasez de datos de fallas etiquetados.

“Al convertir los patrones de carga mecánica en curvas de potencia, podemos generar muestras de fallas precisas, consistentes y listas para el diagnóstico”, afirmaron los investigadores. “Esto permite que los modelos de IA aprendan de datos que de otro modo no podríamos recopilar en tiempo real”.

Para las unidades de bombeo que operan en yacimientos petrolíferos remotos, esta técnica evita la necesidad de sensores invasivos o mantenimiento reactivo y ofrece una alternativa más segura y económica para monitorear estados de falla.

Pronósticos inteligentes, bases más sólidas

Una vez completada la transformación mecánica-eléctrica, el equipo de investigación utiliza una versión personalizada del modelo de Interpolación Jerárquica Neural para Series Temporales (N-HiTS) para ampliar el conjunto de datos. A diferencia de las herramientas de predicción estándar, este marco neuronal incluye capas convolucionales que mejoran la sensibilidad a las variaciones locales de la señal, lo que permite una mejor predicción de anomalías sutiles en la potencia de salida.

En un conjunto de pruebas de 12 categorías de fallas, el modelo N-HiTS mejorado superó a otros modelos de aprendizaje profundo, como LSTM, RNN y NBEATS. Con tan solo 90 muestras de entrada, los investigadores generaron más de 200 ejemplos adicionales de series temporales. Esto proporcionó suficientes datos de entrenamiento para construir un clasificador de fallas fiable sin necesidad de recopilar nuevas lecturas de campo.

Al predecir las características de las fallas en diferentes períodos de tiempo y niveles de gravedad, el modelo facilita una monitorización de estado más granular. Esto permite a los equipos de mantenimiento distinguir el desgaste inicial de las fallas críticas, mejorando así el tiempo de respuesta y la asignación de recursos.

Clasificación sin compromiso

El paso final consiste en clasificar estos estados de falla simulados y pronosticados. Para ello, el equipo implementó una Red Neuronal Convolucional Omniescalar (OS-CNN). Esta arquitectura, diseñada específicamente, superó consistentemente a clasificadores estándar como MLP, ResNet y Voice2Series. La OS-CNN alcanzó una precisión del 95 % con un solo ciclo de falla y del 96 % al entrenarse con secuencias expandidas.

Fundamentalmente, el sistema pudo distinguir entre fallas de características similares pero con causas diferentes. Por ejemplo, las fugas en la bomba y el desequilibrio producen curvas similares; sin embargo, el modelo pudo diferenciarlas al comprender cómo cada una afectaba el comportamiento de la potencia del motor a lo largo del tiempo. Este nivel de conocimiento es crucial para los ingenieros que necesitan planificar el mantenimiento, priorizar los repuestos o prevenir el tiempo de inactividad del sistema.

«Una clasificación precisa de fallos no solo minimiza el tiempo de inactividad», afirmaron los investigadores. «Permite tomar decisiones más inteligentes sobre qué reparar, cuándo intervenir y cómo optimizar el rendimiento del sistema».

Mirando hacia el futuro: diagnósticos escalables en cualquier ubicación

A medida que la industria de las bombas se inclina hacia el monitoreo de condiciones y la gestión remota de activos, la detección de fallas escalable se convierte en una prioridad estratégica. Este estudio muestra cómo el modelado avanzado y el aprendizaje automático pueden compensar conjuntos de datos limitados, convirtiendo incluso unos pocos patrones de fallas conocidos en sistemas de detección de fallas de bombas con todas las funciones.

Futuras pruebas en campos petrolíferos o en instalaciones de servicios públicos ayudarán a confirmar la aplicabilidad general del modelo. Sin embargo, el método, que utiliza datos de fallas simuladas para entrenar modelos de detección robustos, ofrece una vía clara para los operadores que gestionan grandes flotas de bombas en entornos diversos e impredecibles.

Para los administradores de activos que buscan mantenerse a la vanguardia de las fallas sin los costos de la instrumentación de campo constante, esta investigación apunta hacia un futuro más inteligente y escalable.