Introducción
En la actualidad, la gestión eficiente de las instalaciones deportivas exige la incorporación de tecnologías que permitan anticipar fallos, optimizar el uso de recursos y alargar la vida útil de los sistemas. Uno de los sistemas más críticos en este tipo de edificaciones es el HVAC (Heating, Ventilation and Air Conditioning), cuyo funcionamiento adecuado es fundamental para garantizar el confort ambiental, la eficiencia energética y la seguridad de los ocupantes.
La presente investigación se centra en la aplicación de un enfoque de mantenimiento predictivo, apoyado en el análisis de datos y la modelación digital, como estrategia clave para mejorar la gestión de sistemas HVAC en infraestructuras deportivas. A través de un estudio aplicado y una metodología clara, se propone un esquema de diseño orientado a la anticipación de fallos y la toma de decisiones informadas, basado en información extraída directamente del entorno operativo del edificio.
ÍNDICE
Antecedentes
Enfoques de mantenimiento:
En el ámbito de la gestión de instalaciones, especialmente en entornos de alta exigencia como los edificios deportivos, es fundamental contar con estrategias de mantenimiento eficaces que garanticen la operatividad continua de los sistemas. Tradicionalmente, se han aplicado distintos enfoques de mantenimiento, cada uno con sus ventajas y limitaciones. A continuación, se describen brevemente los tres principales tipos: el mantenimiento preventivo, el mantenimiento predictivo y el mantenimiento correctivo, como base para comprender la evolución hacia modelos más eficientes y orientados a los datos.
Mantenimiento Preventivo:
- También conocido como mantenimiento reactivo.
- Intervención tras fallos; el equipo opera hasta que falla.
Mantenimiento Predictivo:
- Inspecciones y acciones de mantenimiento mientras el equipo sigue funcionando.
- Puede ser basado en tiempo o en uso (e.g., cada 100 km).
- Reduce fallos pero puede implicar inspecciones innecesarias y aún ocurren fallos imprevistos.
Mantenimiento Correctivo:
- Uso de datos de monitoreo para predecir el estado futuro de la máquina.
- Aplica principalmente en situaciones críticas actualmente.
- Reduce fallos no planificados, costos de mantenimiento y mejora la comodidad y seguridad.
Apredizaje profundo:
El aprendizaje profundo ha revolucionado el análisis de datos complejos gracias a su capacidad para identificar patrones ocultos y aprender representaciones jerárquicas directamente desde los datos. En el contexto del mantenimiento predictivo, estas técnicas permiten anticipar fallos con mayor precisión al procesar grandes volúmenes de información en tiempo real. A continuación, se presentan dos arquitecturas fundamentales del aprendizaje profundo aplicadas en este ámbito: los autoencoders y las redes Long Short-Term Memory (LSTM), ambas clave en la detección de anomalías y la predicción de comportamientos futuros en sistemas dinámicos.
Autoencoders:
- Arquitecturas de aprendizaje profundo para tareas no supervisadas.
- Compuestos por un codificador (encoder) y un decodificador (decoder).
- Utilizados para reducción de dimensionalidad, reconstrucción de señales y detección de anomalías.
Long Short-Term Memory (LSTM):
- Variante de redes neuronales recurrentes (RNN).
- Procesa datos secuenciales (series temporales, texto, habla).
- Captura dependencias a largo plazo en una secuencia.
- Aplicaciones en procesamiento de lenguaje natural, predicción de series temporales y detección de anomalías.
Objetivo y metodología de investigación
Objetivo del Estudio:
- Proponer un Framework genérico para el mantenimiento predictivo.
- Reducir fallos no planificados y minimizar operaciones defectuosas en instalaciones de edificios.
- Framework flexible y ajustable a diferentes tipos de edificios (HVAC, ascensores, maquinaria eléctrica, etc.).
- Implementación y prueba del marco en una instalación deportiva como estudio de caso.
Investigación Cuantitativa:
- Entrevistas cara a cara con seis expertos en gestión de instalaciones.
- Objetivos de las entrevistas:
- Identificar herramientas actuales utilizadas en edificios.
- Identificar datos disponibles.
- Evaluar perspectivas del marco propuesto.
- Resultados utilizados junto con la investigación literaria para diseñar módulos de detección de fallos y retroalimentación en el Framework.
I. Esquema de diseño
El diseño propuesto representa un enfoque de aprendizaje automático adaptado al contexto del edificio. Se compone de cinco pasos:
II. Caso aplicativo: «Mantenimiento predictivo de instalaciones HVAC en edificios deportivos»
2.1. Las características de las instalaciones:
Instalación deportiva en París, Francia. Se compone de dos edificios principales con una superficie de 15.000 m². La instalación contiene múltiples instalaciones. Sin embargo, por razones de accesibilidad y privacidad, este estudio de caso se centró únicamente en un grupo seleccionado de instalaciones HVAC que incluye: dos AHUs, tres calderas y tres bombas dobles. La instalación está equipada con un sistema inmótico (BAS) que monitoriza y controla las diferentes instalaciones de la instalación.
2.2. Características de los datos y del modelo:
De acuerdo con la directriz definida previamente en el marco, se identificaron las fuentes de datos. Las fuentes disponibles se presentan a continuación. El sistema de automatización de edificios (BAS) se conectó a un servidor web. Cada instalación es monitorizada a través del BAS a través de una o múltiples variables como temperatura, consumo energético, consumo de agua, caudal de aire o agua, etc. El informe del BAS se carga cada hora. El informe contiene la fecha y la hora, el nombre de la variable y su valor en ese momento. Un extracto de la CMMS que contiene una parte del registro de mantenimiento.
Dispositivo de vibración: se instaló un dispositivo IoT en la superficie del equipo; Se utiliza para recoger las medidas de vibraciones de la instalación. Los datos que reporta el dispositivo son las medidas de aceleración en los tres ejes (eje x, y y z), la frecuencia de vibración de los tres ejes, una variable binaria (ON/OFF, que detecta si la máquina está habilitada) y la temperatura en la superficie del equipo. En la se presenta un ejemplo que muestra un dispositivo de vibración conectado a una bomba doble.
Dispositivo medidor eléctrico: medidor IoT instalado para recolectar datos de energía eléctrica que incluye las siguientes medidas: intensidad y voltaje de la corriente eléctrica, así como la temperatura en la superficie del equipo.
Los dispositivos IoT solo se fijaron a la superficie de las instalaciones para que no se produzcan deterioros ni daños en las instalaciones. Los dispositivos IoT están conectados a Internet a través de la red Lora. Fueron programados para cargar las mediciones en un ciclo de 1 h. Los datos se cargan y almacenan en la plataforma web de Objenious: una empresa francesa (By Bouygues Telecom) especializada en soluciones y desarrollo de IoT.
La Tabla presenta el grupo de instalaciones HVAC utilizadas en este estudio y el dispositivo IoT adjunto a cada instalación. El dispositivo de vibración se adjuntó a cada instalación. Por cuestiones de accesibilidad, el dispositivo medidor eléctrico solo se adjuntó a los dos AHUS.
Para construir el conjunto de datos de entrenamiento, se recopilaron datos durante un período de aproximadamente 3 meses. Se utilizó el error cuadrático medio (RMSE) como puntuación de anomalía. Después de esto, el umbral de alerta estaba de acuerdo con el usuario para limitar el número de alertas por debajo de un número aceptable. Como resultado de este proceso, el umbral se fijó en 0.0040, considerando que el puntaje de anomalía (RMSE) varía de 0 a 0.0125 (medida adimensional), como se ilustra en el grafico.
2.3. Resultados y análisis:
El modelo fue probado durante un período de 45 días (del 10 de abril de 2020 al 25 de mayo de 2020). Los resultados se presentan en la Tabla.
Hay tres posibilidades:
(1)Falla confirmada o verdadero positivo (el algoritmo realmente predijo una falla, luego el técnico en el sitio lo confirma).
(2)Fallo no confirmado o falso positivo (falsa alarma y no se informó ningún fallo en el sitio).
(3)Fallo no detectado (el algoritmo no informa un fallo).
(4)Se emitieron cuatro alertas; dos de ellos fueron confirmados como verdadero positivo y los otros dos fueron reportados como falso positivo.
(5)Durante este período, ocurrió una falla en la «UTA 1“ pero el modelo no logró detectarla.
Las alertas de verdaderos positivos se emitieron dos días antes de que ocurrieran en el sitio.
Esto demuestra que el algoritmo puede predecir fallas por adelantado. Se aceptan falsos positivos ya que pueden corresponder a pequeñas anomalías que no han sido reportadas como fallos. Sin embargo, es necesario mejorar el algoritmo y probarlo en un conjunto de datos más amplio.
CONCLUSIONES
El estudio concluye que el mantenimiento predictivo basado en ML es altamente efectivo para instalaciones de edificios. Los algoritmos de Bosques Aleatorios y Redes Neuronales son particularmente recomendados por su alta precisión. Se sugiere una mayor inversión en tecnologías de ML para la gestión de mantenimiento de edificios, ya que pueden proporcionar un retorno significativo de la inversión mediante la mejora de la eficiencia y la reducción de costos.
Recomendaciones Futuras
Ampliación a Otros Equipos: Se recomienda expandir el sistema a otros tipos de equipos en instalaciones de edificios, como sistemas eléctricos y de fontanería, para maximizar los beneficios del mantenimiento predictivo.
Más Fuentes de Datos: Incorporar más fuentes de datos, incluyendo sensores más avanzados y tecnologías de IoT (Internet de las Cosas), para mejorar la precisión y la capacidad de predicción de los modelos de ML.
Investigación Continua: Continuar investigando y mejorando los algoritmos de ML para aumentar la precisión de las predicciones y adaptarse a nuevos tipos de equipos y condiciones operativas.
BIBLIOGRAFÍA
Bouabdallaoui, Y.; Lafhaj, Z.; Yim, P.; Ducoulombier, L.; Bennadji, B. Predictive Maintenance
in Building Facilities: A Machine Learning-Based Approach. Sensors 2021, 21, 1044.
https://www.mdpi.com/1424-8220/21/4/1044/pdf?version=1612431119
