Sistema para el mantenimiento predictivo de EDAR soportado por nuevos modelos de Inteligencia Artificial

Nuevo modelo para el mantenimiento predictivo de EDAR basado en inteligencia artificial.

El proyecto PREDICTEDAR persigue dar un salto sustancial en la gestión de EDAR, pasando de la visión tradicional basada en la experiencia y en el mantenimiento preventivo-correctivo a una gestión inteligente y predictiva de su ciclo de vida que permita pronosticar la degradación de sus componentes críticos, así como anticipar las actividades de operación y mantenimiento necesarias optimizar parámetros clave como la disponibilidad, el consumo energético y los costes operativos. Este sistema se caracteriza por su capacidad de actualización en tiempo real, aprovechando la incorporación continua de nuevos datos. Gracias a esta inteligencia evolutiva, la EDAR podrá aprender de su propio funcionamiento, anticiparse a posibles fallos y evitarlos, lo que se traducirá en una mayor fiabilidad y disponibilidad de la planta, así como en una reducción significativa de costes.

Objetivos

• Diseñar y desarrollar un sistema de mantenimiento predictivo de los componentes críticos de una EDAR, indagando sobre las variables clave que afectan a la fiabilidad y a la disponibilidad, incrementado la resiliencia del sistema y evitando costes de mantenimiento innecesarios.
• Modelizar la operación y mantenimiento nominal de los subsistemas que reflejen el entorno real (modelo versus realidad).
• Modelizar la degradación de los subsistemas detectando anticipadamente fallos y/o incursiones y notificar incidencias.
• Diseñar, desarrollar e implementar una algoritmia robusta interpretable y eficiente en cuanto a tiempo de ejecución para la gestión predictiva y eficaz de la EDAR.
• Dotar de inteligencia al sistema mediante innovaciones en el campo de la Representación de Sistemas Complejos y de las Redes Neuronales Profundas. Entrenamiento de los modelos mediante nuevos desarrollos basados en modelado de sistemas dinámicos de eventos discretos.
• Desarrollar una interfaz de usuario (HMI) amigable, única e integrada con las principales herramientas sectoriales (SCADA).

Resultados y conclusiones obtenidas

El proyecto ha demostrado la viabilidad de utilizar técnicas de IA para el mantenimiento predictivo de EDAR, proporcionando una herramienta robusta y precisa para la toma de decisiones. PREDICTEDAR ha dado como resultado una solución tecnológica computacional para la simulación y planificación del mantenimiento predictivo en EDAR, basada en datos históricos de funcionamiento, inspección y degradación de componentes críticos. Se han modelizado eventos mediante Redes de Petri de alto nivel, aplicadas a activos clave como sistemas de impulsión, aireación, cogeneración, secado de fangos y electrólisis térmica.

El sistema ha sido validado en las EDAR de Ranilla y Copero (Sevilla), y permite simular escenarios futuros y definir políticas óptimas de mantenimiento adaptadas al estado real de cada activo. Entre los avances más destacados se encuentran:

• Nueva metodología de estructuración de datos de averías por modos de fallo (MdF).
• Sustitución del modelo exponencial por el modelo Weibull, más preciso para representar tasas de fallo variables.
• Mejora en la calidad del modelo con mayor volumen de datos, reduciendo la incertidumbre.
• Confirmación de la robustez y eficacia de los algoritmos desarrollados.

Líneas Futuras

• Profundizar en el análisis de funcionamiento de los componentes, agregando datos entre dispositivos con el mismo MdF.
• Ampliar la solución para incorporar nuevos componentes o sustituir los existentes.