Predicción de fallas en la red colombiana de transporte de hidrocarburos: Un enfoque Data Driven basado en Machine Learning
Este trabajo propone desarrollar un nuevo enfoque de predicción de fallas con algoritmos de Machine Learning, en la red colombiana de transporte de crudo, específicamente en una Estación de Bombeo. El proyecto fue realizado en la empresa de transporte de hidrocarburos más grande de Colombia que movi...
- Autores:
-
Calderon Coy, Maxwell
Muñoz Cruz, Martha Viviana
Torres Hernández, Germán Guillermo
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/55541
- Acceso en línea:
- http://hdl.handle.net/1992/55541
- Palabra clave:
- Transporte de crudo
Mantenimiento predictivo
Dispositivos IOT
Señales de sensores
Fallas
Machine Learning
Deep Learning
Administración
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
Summary: | Este trabajo propone desarrollar un nuevo enfoque de predicción de fallas con algoritmos de Machine Learning, en la red colombiana de transporte de crudo, específicamente en una Estación de Bombeo. El proyecto fue realizado en la empresa de transporte de hidrocarburos más grande de Colombia que moviliza el 92% del crudo del país y que cuenta con grandes volúmenes de datos sin procesar provenientes de sus dispositivos IoT. Se incorporaron a nuestro análisis, 107 fallas ocurridas en 18 meses, así como más de 23 millones de registros de 59 señales físicas, de Temperatura, Vibración, Presión, Velocidad, Densidad y Desplazamiento Axial. Esta propuesta busca contribuir en la evolución del enfoque de mantenimiento de la organización, que actualmente se denomina ¿mantenimiento basado en condiciones¿, aportando respuestas, después de más de 38 experimentos, a tres preguntas de negocio fundamentales; ¿Ocurrirá una falla?, ¿Qué tipo de falla ocurrirá?, y como valor agregado al negocio, se buscará aportar en determinar ¿Cuándo ocurrirá la falla?. Encontramos que las redes MLP (Multilayer Perceptron) funcionan mejor para la determinación de la ocurrencia de fallas, por otra parte, las redes Convolucionales arrojaron mejores resultados en el reto multiclase de determinar el tipo de falla según componente. En cuanto a determinar cuándo ocurrirá la falla, la mejor predicción fue generada por Redes recurrentes GRU con las series de tiempo de las señales. La experimentación consideró la creación de variables artificiales, así como el enfoque de ventana deslizante. Además, se construyó una página web que permitirá al equipo de negocio cargar datos originales de sus sensores de captura y obtener las respuestas predictivas. Entre los beneficios económicos, identificamos que este enfoque predictivo basado en datos permitirá al negocio materializar su target de ahorro en 1.2 veces. |
---|