Programación eficiente del mantenimiento de motores en el Sistema Automatizado de Tratamiento de Equipajes
SMARTMantain centra sus esfuerzos en la innovadora propuesta de programación eficiente de mantenimiento y detección temprana de fallos. Existiendo un contrato con Aena, el proyecto se realiza en el SATE (Sistema Automatizado de Tratamiento de Equipajes) del Aeropuerto de Madrid. El sistema, crucial para el buen funcionamiento del aeropuerto tanto en eficiencia como en seguridad, está compuesto por equipos electromecánicos, contando con un total de 15.000 motores que transportan los equipajes.
El proyecto actual pretende monitorizar los motores para así conocer cuándo estos necesitan mantenimiento. Esto se consigue mediante el análisis de la variable de consumo eléctrico de cada uno de los motores, de modo que si el consumo aumenta significativamente, el motor en cuestión comenzará a fallar en poco tiempo. El estudio se realiza con el objetivo de que las máquinas aprendan y detecten problemas de forma autómata, reduciendo los costes y aumentando la eficiencia relacionados con el sistema. Además, la implantación de este proyecto innovador reduce los residuos de mantenimiento producidos, al optimizar los tiempos de mantenimiento.
La propuesta de la empresa SMARTMantain de monitorización de consumo eléctrico de los motores del SATE requiere la implementación de diversas herramientas para su correcto desarrollo.
En primer lugar, se necesita crear modelos específicos para la gestión de los datos. Para ello, se utiliza la IA y algoritmos de Deep Learning. Entre los que se destacan las redes neuronales recurrentes, ya que son especialmente adecuadas para analizar secuencias de datos tanto históricos como en tiempo real.
Una vez se cuenta con este modelo, se implementan sensores IoT relacionados con el consumo eléctrico, como sensores de corriente, de voltaje y de temperatura en todos los motores para la captura de datos en tiempo real. Dichos datos serán procesados y analizados por la IA, detectando problemas antes de que se produzca un fallo potencial, en caso de que el valor sobrepase un rango preestablecido de consumo, y alertando al Centro de Gestión Aeroportuaria. En caso de anomalía, la IA pararía la ruta asociada a dicho motor, redirigiendo las maletas por caminos alternativos en función de la proximidad y la carga de trabajo del resto de motores para evitar pérdidas de tiempo, espacio y energía, al mismo tiempo que los ingenieros de mantenimiento realizan intervenciones mientras el resto del sistema continúa funcionando.
Adicionalmente, los datos de los motores serán almacenados en una base de datos diseñada para manejar grandes volúmenes de información y que proporcione un acceso rápido a estos. Y también se necesitará la implementación de plataformas de visualización de datos que permitan identificar patrones de funcionamiento.
Finalmente, se considera la implementación de un sistema de gestión de proyectos para que los diferentes agentes, el Centro de Gestión Aeroportuaria y la empresa de mantenimiento, planifiquen, coordinen sus recursos y puedan seguir el proceso de las actividades que se llevan a cabo dentro del SATE en relación con su mantenimiento.
SMARTMantain basa su actividad en la anticipación de las paradas de mantenimiento no programadas, la monitorización del sistema y la eficiencia en los procesos de gestión en lo que al SATE (Sistema Automatizado de Tratamiento de Equipajes) del Aeropuerto de Madrid se refiere. De esta manera, los objetivos medibles de SMARTMantain son los siguientes:
- Detección preventiva de fallos y anomalías en el SATE mediante la monitorización de los motores eléctricos del sistema.
- Anticipación de paradas inesperadas y reducción de los tiempos de inactividad.
- Eficiencia en el flujo de equipajes.
- Optimización de los parámetros de operación del sistema.
- Reducción de los costes de operación.
- Reducción del tiempo de inactividad.
Una vez vistos los objetivos de la empresa de mantenimiento preventivo SMARTMantain, el siguiente paso es ver cómo la empresa mejora las actividades del día a día. En primer lugar, supone una reducción significativa de los costes de mantenimiento ya que gracias al mantenimiento preventivo se pueden detectar fallos no esperados antes de que ocurran. De esta manera, se puede hacer el mantenimiento y reparación del sistema antes de que desemboque en un fallo mayor, lo que supone una optimización en la programación del mantenimiento junto a unos menores gastos de reparación y un menor tiempo de inactividad del sistema.
Además, gracias a las herramientas de Inteligencia Artificial (IA) implementadas se optimiza el flujo de los equipajes cuando se detecta una lectura anómala en uno de los motores eléctricos del sistema. De esta manera, el SATE puede redirigir automáticamente los flujos de equipajes por otro recorrido de la manera más óptima evitando el motor que está dando lecturas irregulares mientras los ingenieros solucionan el problema en el tramo afectado. Cabe destacar que el sistema es inteligente y guarda la información en una base de datos, por lo que cada vez va mejorando y ampliando el volumen de datos para una mejora continua y gestión de cambio.
Por otro lado, la implementación de esta propuesta de mantenimiento preventivo supone una reducción de los residuos de mantenimiento. Esto es debido a que el mantenimiento preventivo permite gestionar de una mejor manera los residuos producidos gracias a que se pueden implementar prácticas más sostenibles y eficientes como la reutilización y el reciclaje de componentes. Además de que se genera una menor dependencia de repuestos gracias al constante mantenimiento que se lleva a cabo debido a la continua monitorización del sistema, pudiendo hacer el mantenimiento o la reparación de una pieza antes de que sea necesario sustituirla por una nueva.
La implementación de la propuesta SMARTMantain requiere una planificación detallada para garantizar el éxito del proyecto. En esta fase, se enfoca en identificar y asignar los recursos necesarios, tanto en términos de herramientas tecnológicas como de personal, para llevar a cabo las diferentes funciones del proyecto de manera efectiva.Desarrollo de Modelos de IA y Deep Learning: Para las herramientas, se requieren plataformas de desarrollo de IA y Deep Learning como TensorFlow, PyTorch, o Keras. En cuanto a las personas, se necesita un equipo compuesto por: 1 científico de datos principal, que es responsable de diseñar arquitecturas de modelos, supervisar el entrenamiento y la evaluación
de los modelos. 2 ingenieros de IA, que están encargados de la implementación y optimización de los modelos, así como del mantenimiento diario del modelo, y 1 ingeniero de software especializado en integración de sistemas, que es responsable de integrar los modelos de IA en la infraestructura existente.
Implementación de Sensores IoT: Sobre las herramientas, se necesitan sensores de corriente y voltaje, y plataformas de IoT para la captura y transmisión de datos en tiempo real. Para las personas, se requiere un equipo compuesto por 2 técnicos electrónicos o mecatrónicos, que son responsables de la instalación y configuración de los sensores en los motores, y un ingeniero de redes IoT, que está encargado de configurar la red de sensores y garantizar la conectividad con la plataforma de análisis de datos en tiempo real.
Gestión de Base de Datos: Sobre las herramientas, se requieren bases de datos diseñadas para manejar grandes volúmenes de información como MongoDB, Cassandra o InfluxDB. En cuanto a las personas, se necesita al menos 1 administrador de bases de datos principal, que es responsable de diseñar e implementar la arquitectura de la base de datos, así como de garantizar su rendimiento y disponibilidad.
Plataformas de Visualización de Datos: Sobre las herramientas, las herramientas de visualización de datos son necesarios como Tableau, Power BI o Grafana. Para las personas, se necesita un diseñador de UX/UI, que es responsable de diseñar los paneles de visualización de datos de manera intuitiva y atractiva.
Gestión de Proyectos: Se necesitan Herramientas de gestión de proyectos como Jira, Asana o Trello. En cuanto a las personas, se necesita al menos 1 gerente de proyecto, que es responsable de planificar, coordinar y supervisar todas las actividades del proyecto, así como de comunicarse con los stakeholders.
Los costes estimados para el desarrollo del proyecto se muestra en la siguiente tabla:
| Componente | Coste total (€) |
| Costes personal | 1089433,33 |
| Costes herramientas y equipos | 87400 |
| Coste total del proyecto | 1176833,33 |
Entre ellos, el coste de personal se estima en función de la duración máxima de la planificación del proyecto y algunos de ellos deberá pagar continuamente después de finalizar el proyecto para garantizar la mejora continua del proyecto, como los ingenieros de IA y de IoT. Por otro lado, para las herramientas, son pagos únicos.
En cuanto al plan de implementación del proyecto, en primer lugar, se lleva a cabo la identificación de herramientas y su diseño integrado en el SATE. Los desarrolladores informáticos elaboran el modelo de IA y deeplearning, crean las BDD y seleccionan los sensores de IoT que se utilizan. En esta fase también se debe entrenar al sistema para que aprenda patrones y a realizar predicciones. Es la más compleja y su duración se estima entre 8 y 10 meses.
La segunda fase consiste en la instalación. El Aeropuerto de Madrid cuenta con un total de dos SATE, uno de ellos para las terminales T4 y T4S y otro para la T123. El primero de ellos es el más extenso y complejo, y en 2019 transportó el 61,1% de los equipajes. Por ello, se considera oportuna la implantación primera en el sistema de transporte de equipajes de la T123, de modo que, en caso de que se produzca alguna falla, afecte al menor número de equipajes posibles y se pueda solucionar de forma más sencilla. En esta fase se instalan y calibran los diferentes sensores de IoT. Esto supone una detención temporal del funcionamiento del SATE, por ello se selecciona un tramo horario de instalación entre las 23:00 y las 2:00, siendo este periodo la duración de la fase. Posteriormente, cuando se compruebe el buen funcionamiento de la instalación, esta se aplicaría al SATE de las terminales T4 y T4S.
Acto seguido se entra en la fase de recogida de datos y pruebas del funcionamiento del sistema. Se debe comprobar inmediatamente que todos los sensores y sistemas de registro funcionan correctamente. Su duración es de seis meses para poder realizar las comprobaciones correspondientes.
A su vez se entra en la fase de entrenamiento y capacitación de los técnicos de mantenimiento y operarios del SATE para que se familiaricen con las nuevas tecnologías y sepan cómo actuar. Esta fase dura un mes.
También es importante que una vez se ponga el sistema en funcionamiento, se establezca un programa de monitoreo continuo para evaluar el rendimiento y realizar ajustes para optimizar la eficiencia y la fiabilidad. Para ello se establecen una serie de KPIs:
- Precisión de detección (> 98%)
- Tiempo de respuesta (< 4 seg.)
- Fiabilidad de respuesta ante fallos (> 98%)
- Pérdida de maletas (< 0,5%)
Autores: Elena Calvo, Ana María Ramírez, Jorge Rivera, Irene Simón y Hao Wang.
