Implementación del aprendizaje automático para el mantenimiento predictivo en los sistemas de protección catódica

El aprendizaje automático está integrado en los sistemas de la mayoría de las industrias de Estados Unidos. En 2024, el mercado del ML de nuestro país alcanzará más del $21 mil millones en valoración debido a la gran demanda de automatización y sistemas "enseñados".

En Dreiym Engineering, hemos visto algunos sistemas ML utilizados para todo, desde la prevención de incendios hasta la gestión de riesgos. Un área de integración apasionante es la de los sistemas de protección catódica.

Los enfoques tradicionales de estos sistemas de salvaguarda implican una serie de tareas manuales de supervisión y mantenimiento que no deberían verse eclipsadas por el aprendizaje automático. Sin embargo, hay algunas ventajas en utilizar tanto las tecnologías tradicionales como las avanzadas para garantizar que sus tuberías, tanques de almacenamiento, estructuras marinas y servicios públicos enterrados evite los corrosivos daños.

Las limitaciones del mantenimiento tradicional de la protección catódica

El típico sistema de protección catódica (ya sea de corriente galvánica o impresa) funciona redirigiendo la corrosión lejos de una superficie metálica. Puede ser una herramienta muy eficaz siempre que esté bien diseñada y se mantenga adecuadamente.

El problema es que las inspecciones rutinarias realizadas en el modelo tradicional se basan en inspecciones basadas en el tiempo y en un servicio reactivo. Una empresa puede realizar inspecciones visuales mensuales "walkaround" o anuales encuestas a intervalos cortos (CIS).

Aunque son eficaces, es mucho lo que se pierde con un sistema que ofrezca supervisión en tiempo real. Imagine cuántos recursos podrían ahorrarse si los patrones de degradación emergentes o las caídas de rendimiento se advirtieran a tiempo. Ahí es donde el poder del aprendizaje automático y los sensores IoT (Internet de las cosas) pueden marcar una diferencia significativa.

¿Qué es el mantenimiento predictivo?

El concepto de mantenimiento predictivo es sencillo. En lugar de reaccionar ante lo que ya ha ocurrido, usted desarrolla un sistema de protección catódica que se anticipa a lo que puede ocurrir basándose en la supervisión y el análisis en tiempo real.

Los algoritmos de aprendizaje automático utilizan diversas herramientas, como las tendencias históricas de rendimiento, las variables ambientales (como la temperatura, la humedad, el nivel de agua y la resistividad del suelo) y los datos de los sensores, para calcular después los resultados potenciales. Es algo así como tener un ingeniero en la "estación de preparación" que no necesita dormir y que opera exclusivamente a partir de los datos observados. De ese modo, si se detecta alguna anomalía o tendencia a la degradación, se señala inmediatamente y se envía para notificarlo a los equipos de mantenimiento o gestión adecuados.

Cómo funciona el aprendizaje automático en los sistemas de CP

Existen varias etapas de integración del ML que deben producirse antes de poder confiar en estos sistemas para el mantenimiento predictivo. Por ejemplo, el ML para la protección catódica debe incluir una infraestructura digitalizada. Es necesario instalar monitores IoT para capturar puntos de datos para:

• Potencial tubo-suelo (PSP)
• Salida de corriente de los rectificadores
• Densidad de corriente anódica
• Tensiones de la célula de referencia
• Condiciones locales del suelo
• Factores medioambientales (temperatura, pH, humedad)

Todos estos sensores envían datos a plataformas basadas en la nube o en la intranet. Allí es donde se calculan y analizan para detectar anomalías, como una caída repentina de la PSP. El ML desarrollará modelos de regresión para predecir valores futuros o una "previsión" de dónde debería estar la protección. También clasificará cada sensor o componente para determinar si necesita una inspección o es probable que falle.

En algunas aplicaciones de vanguardia, el ML y la proliferación de sensores pueden dar lugar a redes neuronales avanzadas en torno a su infraestructura de protección. Se trata de una ventaja significativa para los sistemas más grandes y complejos, como un oleoducto a campo traviesa.

Un ejemplo del mundo real: Tuberías Supervisión de la integridad

El valor de la observación sobre el terreno de los sistemas no va a desaparecer. El ML no sustituirá a los ingenieros manualmente inspección de tuberías. Lo que hace el ML es simplificar el proceso y añadir otra capa de protección.

Piense en un oleoducto de 200 millas con un sistema de protección catódica por corriente impresa. Ese alcance del sistema requeriría un montón de equipos recorriendo manualmente milla a milla para volver a comprobar los problemas de tensión y las estaciones de prueba.

El ML con sensores IoT proporciona una supervisión en tiempo real de todo el sistema. En lugar de que los equipos recorran sistemáticamente kilómetro a kilómetro, pueden centrarse en las zonas de mayor "riesgo" gracias a los sensores y a los datos analizados.

Estas integraciones ahorran tiempo y dinero a las empresas. La implementación de ML para los sistemas de protección catódica hace que una empresa pase de una mentalidad centrada en el cumplimiento a otra de optimización estratégica de los activos. Las preocupaciones normativas se reducen a medida que la generación de informes y los diagnósticos actualizados garantizan una documentación adecuada. Para industrias como la del petróleo y el gas, eso se traduce en ahorros significativos y en un perfil de riesgo más estable.

Retos y consideraciones en la aplicación del aprendizaje automático para la PL

La integración del aprendizaje automático en los sistemas modernos de protección catódica no está exenta de ensayo y error. Habrá dolores de crecimiento a medida que su empresa se adapte a la supervisión avanzada y al mantenimiento de los sensores.

Por un lado, los algoritmos de ML requieren un gran volumen de datos de alta calidad. Sin esa información, el modelo no puede predecir con exactitud las necesidades futuras ni funcionar con eficacia. Algunas empresas heredadas pueden tener silos de datos que no se comunican entre sí o que contienen información que aún no se ha digitalizado para el análisis histórico. El éxito del ML se basa en gran medida en una información precisa y fiable de los sensores.

Por otro, los modelos ML deben ser entrenados. Las capacidades de estos sistemas mejoran con el tiempo. Eso significa que debe haber un toque humano en la integración basado en la experiencia y la familiaridad con los objetivos del sistema catódico. Incluso los sistemas de ML más potentes no pueden funcionar eficazmente si no existen ejemplos relevantes de comportamientos normales y anormales que sirvan como puntos de referencia.

Los sistemas heredados también deben permitir la integración del ML. La protección catódica ya existente puede funcionar independientemente de otros sistemas por cuestiones de conformidad. Deben construirse puentes API, o pueden requerirse unidades de computación de borde con infraestructura en la nube para garantizar que el ML pueda funcionar con un sistema determinado. Esto requerirá unos costes iniciales que pueden resultar prohibitivos para determinadas empresas o industrias.

Por último, existe una preocupación por la ciberseguridad y el cumplimiento de la normativa. La introducción de un ejército de sensores IoT expone a una empresa al riesgo de un ciberataque. No es ningún secreto que algunos actores maliciosos buscarán organizaciones relacionadas con las infraestructuras como objetivos potenciales de ataque. Sea cual sea el IoT que se introduzca, debe implicar un cifrado de grado industrial, autenticación multicapa y pruebas regulares de vulnerabilidad para garantizar el cumplimiento.

Nuestro papel como expertos en ingeniería

Sí, implementar el aprendizaje automático para los sistemas de protección catódica que mejoran el mantenimiento predictivo es una herramienta poderosa para reducir el riesgo y mejorar el rendimiento financiero de una empresa. Sin embargo, no puede confiar únicamente en los científicos de datos o en los especialistas informáticos para implantar dichos sistemas.

Se requieren ingenieros con un largo historial de éxitos en este campo para:

• Comprobar la química del suelo por su posible efecto en la corrosión
• Medición de las interferencias eléctricas y qué apantallamiento puede ser necesario
• Diseño de diferentes tipos de sistemas de protección catódica
• Garantizar el pleno cumplimiento de la normativa y los controles de seguridad
• Ofrecer análisis del modo de fallo

Usted quiere equipos altamente cualificados como los nuestros en Dreiym Engineering para garantizar una ingeniería de corrosión adecuada, un diseño de protección catódica y una visión de ingeniería eléctrica forense. Eso cubrirá la brecha de la incorporación de nuevas tecnologías, como el ML y la gestión de sensores IoT. Nuestros equipos de profesionales pueden auditar y evaluar sus actuales sistemas de CP para comprobar si están preparados para el ML, ofreciendo asesoramiento sobre la colocación de los sensores para garantizar el análisis de datos más preciso y eficaz.

Además, una empresa de ingeniería de calidad puede ofrecer una hoja de ruta para implantar el mantenimiento predictivo que incluya:

• Evaluación de la infraestructura actual de protección catódica
• Lanzar un programa piloto con un activo de gran valor
• Validación y ajuste del modelo utilizando los comentarios de los equipos
• Integración del ML en los programas de mantenimiento y formación de los empleados
• Garantizar la escalabilidad del sistema en caso de que sea necesario ampliar la cobertura

Cuanta más orientación experta tenga en las primeras fases de la implantación del ML, mejor funcionará el sistema a largo plazo. Trabajar con Dreiym Engineering antes en lugar de después de la instalación ayuda a evitar muchos de los dolores de crecimiento que algunas empresas experimentan al incorporar ML para la protección catódica.

Un futuro más inteligente para la protección contra la corrosión

No cabe duda de que la corrosión es una de las amenazas más costosas y persistentes para las infraestructuras críticas. La protección catódica ha servido durante mucho tiempo como defensa principal contra tales amenazas. Integrar el aprendizaje automático para un mantenimiento predictivo avanzado es una forma excelente de mejorar la protección.

Aunque habrá algunos ajustes a las nuevas tecnologías y una reevaluación de las tareas de los empleados, no se pueden exagerar los beneficios de la reducción de riesgos, el análisis de costes y la asignación de recursos. El ML es una herramienta valiosa que complementa la supervisión humana y ayuda a garantizar que las tuberías, los tanques y otras estructuras estén bien protegidos en el futuro.