ES2400643A2

ES2400643A2 - Sistema inmunológico artificial autónomo para activos complejos con largo ciclo de vida

Info

Publication number: ES2400643A2
Application number: ES201130035A
Authority: ES
Inventors: Alberto Conde Mellado
Original assignee: Nuevas Estrategias De Mantenimiento S L; NUEVAS ESTRATEGIAS DE MANTENIMIENTO SL
Current assignee: CAF Rail Digital Services SL
Priority date: 2010-12-31
Filing date: 2011-01-14
Publication date: 2013-04-11
Anticipated expiration: 2031-01-14
Also published as: EP2472446A1; ES2400643B1; ES2400643R1

Abstract

Sistema inmunológico artificial autónomo para activos complejos y largo ciclo de vida, que se caracteriza porque es capaz de extraer el comportamiento normal relevante en cada fase de edad del sistema analizado, clasificarlo de forma individual y en familias, y gestionarlo para activos complejos de largo ciclo de vida, y en base a ello diagnosticar su estado de salud.

Description

Es un objeto de la presente invención un sistema inmunológico artificial autónomo capaz de obtener, almacenar, analizar y gestionar la información recogida en sistemas complejos de largo ciclo de vida. Mediante el sistema propuesto, es posible detectar anomalías en el comportamiento de estos activos, diagnosticarlas y notificar a sus mantenedores y explotadores para que se tomen las medidas de mantenimiento oportunas evitando cualquier indisponibilidad o falta de fiabilidad indeseada en los activos.

ANTECEDENTES DE LA INVENCiÓN

El objeto principal de la presente invención es un sistema inmunológico artificial autónomo para activos complejos y con largo ciclo de vida, en donde la invención está orientada al sector del mantenimiento, especialmente el de activos complejos y largo ciclo de vida, entendiendo como activo complejo todos aquellos que están compuestos por sistemas que, a su vez, tienen la entidad suficiente para considerarse complejos por sí mismos. Un ejemplo de un sistema complejo es una unidad ferroviaria o un aerogenerador ya que están compuestos a su vez de otros sistemas complejos.

Del mismo modo, se considera activos con largo ciclo de vida, aquellos activos que deben perdurar en el tiempo funcionando con las pertinentes operaciones de mantenimiento, durante 15 años o más. Sin embargo, una red de ordenadores, o un sistema de comunicaciones no se considera un sistema complejo de largo ciclo de vida, dado que sus componentes no son complejos por sí mismos, y donde además, la obsolescencia de la tecnología con la que están desarrollados, impide que tengan un ciclo de vida de larga duración.

Actualmente existen muchos sistemas de monitorización en tiempo real de sistemas complejos, capaces de mostrar en pantalla e incluso registrar información de variables

o sensores embarcados en dicho sistema complejo. Igualmente, están muy extendidas las invenciones concretas para diagnóstico de fallos conocidos en sistemas específicos que se ensamblan en un vehículo ferroviario, como ejemplo de sistema

complejo, como pueden ser las patentes de referencia RU2349480 "Díagnostíc and monítoríng method and devíce for raílway poínts, crossíngs, turn-outs or raíl joínts" o EP0903514 "Raílway vehícle brake system wíth condítíon monítoríng".

Más avanzadas son aquellas que presentan un sistema único para englobar la monitorización global de un sistema complejo, como hacen por ejemplo JP2008057979 (A) "Raí/way vehícle monítor" o KR20000059333 (A) "Monítoríng system and method of raílway rollíng stock", para un sistema ferroviario.

Fuera de este ámbito, patentes como US2009/0089035 A 1 "Hybríd multí-Iayer artífícial ímmune system", está orientada al mundo de los ordenadores y software, y la patente US2010/0069832 "Intellígent medícal devíce system dynamícs for bíologícal network regulatíon" está orientada al mundo médico, dejando sin abordar por lo tanto los sistemas complejos mencionados anteriormente.

En cuanto a contribuciones científicas, se han detectado algunas que tratan una temática similar, si bien únicamente están basándose en aproximaciones teóricas que no incorporan la información y datos que se generan durante la vida del activo como fuente de datos para el sistema, dejando de lado el historial del sistema complejo diagnosticado, e imposibilitando la estimación de vida remanente del sistema de forma integrada en la invención. Se basan en una normalidad teórica, en lugar de la reconstrucción de una normalidad experimental e individualizada en familias de activos. Los artículos mencionados son:

Natural Computatíon Archítecture of Immnue Control Based on Normal Model. Zíxíng Caí and Ca. Proceedíngs of 2006 IEEE. Internatíonal símposíum on íntellígent control. Muních, Germany, October 4-6,2006; Y Multí-Iayer Immune Model for Fault Díagnosís. rían Yulíng. Supported by Natíonal Natural Science Fund (No.50335030).

DESCRIPCiÓN DE LA INVENCiÓN

De acuerdo con la invención se propone un sistema inmunológico artificial autónomo capaz de de obtener, almacenar, analizar y gestionar la información recogida en sistemas complejos de largo ciclo de vida, por ejemplo en trenes de alta velocidad y ancho variable, estimando además la vida remanente de los componentes implicados.

De esta manera, el sistema es capaz de detectar anomalías en el comportamiento de estos activos, diagnosticarlas y notificar a sus mantenedores y explotadores para que se tomen las medidas de mantenimiento oportunas evitando cualquier indisponibilidad

o falta de fiabilidad indeseada en los activos. El sistema es capaz de identificar tanto los casos que pueden provocar fallos inminentes como los que podrían derivar en avería a largo plazo. Por ello, esta invención permite minimizar los costes de mantenimiento, reducir el tiempo necesario de intervención de mantenimiento, anticiparse a fallos/averías, aumentar la seguridad de los activos supervisados, mejorar su fiabilidad, su disponibilidad y también su mantenimiento. Todo ello sin necesidad de supervisión humana, y dotando de nuevos conocimientos a las personas que estén en contacto con el mantenimiento y explotación u operación del sistema supervisado por la presente invención.

Más concretamente, el sistema objeto de la presente invención comprende, al menos,

(i): unos primeros medios de adquisición de datos, configurado para la obtención de los datos del activo complejo (en una realización particular un tren), en donde esta labor se realiza de manera autónoma y mediante tecnología sin cables; cada activo complejo comprende, a su vez un enrutador 3G que posibilita la centralización de la información a bordo de forma estratégica y comprimida; y donde estos primeros medios de adquisición de datos están, además, configurados para acceder a toda la información sensorizada en tiempo real, registrarla a bordo y además de monitorizarla, gestionar su descarga en ventanas de tiempo meticulosamente estudiadas en función de los desplazamientos de cada activo (que no son siempre los mismos) para aumentar así la extracción del conocimiento;

(ii): unos segundos medios de procesamiento de datos configurados para la toma de la información suministrada por los primeros medios, tratarla para asegurar su compatibilidad y almacenar dichos datos en una base de datos; y donde dicha compatibilidad se asegura mediante una pluralidad de parámetros derivados que son variables o valores ficticios generados por el cruce de variables físicas monitorizadas en los primeros medios;

(iii) unos terceros medios de diagnosis configurados para el acceso a la base de datos donde han sido almacenados los datos procesados por los segundos medios para, en base a labores de minería de datos, lógica difusa y aplicación de reglas complejas, analizar la información de los activos complejos en busca de modos de fallo, comportamientos anómalos y tendencias desfavorables.

Gracias a este módulo, no es necesario conocer los modos de fallo del sistema supervisado, sino que el sistema es quien va detectando los posibles modos de fallo antes de que ocurran según la degradación de los componentes, anticipando la respuesta a dicho fallo;

(iv): unos cuartos medios de notificación configurados para que una vez que el diagnóstico ha sido establecido, dependiendo del tipo y la severidad del mismo, se notificará a las personas requeridas mediante correos electrónicos y/o SMS; y

(v): unos quintos medios de visualización configurado para representar tanto los diagnósticos como los datos obtenidos directamente de los activos supervisados; Y donde estos medios comprenden, en una realización particular, un portal Web que permite la consulta de datos históricos, la generación de informes, la creación de gráficos y la visualización del conocimiento en un estado matricial organizado en clusters o bloques de conocimiento.

En un segundo aspecto de la invención, el método inmunológico artificial autónomo para activos complejos con largo ciclo de vida se caracteriza por que comprende, al menos, las etapas de:

(a): una primera etapa de adquisición de datos, en donde se obtienen los datos del activo complejo, accediendo a la información sensorizada en tiempo real, monitorizándola y gestionándola en su descarga en ventanas de tiempo en función de los desplazamientos de cada activo; y en donde esta labor se realiza de manera autónoma y mediante tecnología sin cables;

(b): una segunda etapa de procesamiento de datos configurada para la toma de la información suministrada por los primeros medios, tratarla para asegurar su compatibilidad y almacenar dichos datos en una base de datos; y donde dicha compatibilidad se asegura mediante una pluralidad de parámetros derivados que son variables o valores ficticios generados por el cruce de variables físicas monitorizadas en los primeros medios;

(c): una tercera etapa de diagnosis, en donde se accede a una base de datos donde han sido almacenados los datos procesados por los segundos medios para, en base a labores de minería de datos, lógica difusa y aplicación de reglas complejas, analizar la información de los activos complejos en busca de modos de fallo, comportamientos anómalos y tendencias desfavorables;

(d): una cuarta etapa de notificación en donde, una vez que el diagnóstico ha sido establecido, dependiendo del tipo y la severidad del mismo, se notifica a las personas requeridas mediante correos electrónicos y/o SMS; y

(e) una quinta etapa de visualización configurada para representar tanto los

diagnósticos, como los datos obtenidos directamente de los activos supervisados;

estando todo ello configurado para detectar los posibles modos de fallo antes de que ocurran según la degradación de los componentes estudiados, anticipando la respuesta a dicho fallo al personal requerido.

Así pues, el problema técnico objetivo que resuelve la presente invención frente al estado de la técnica es la optimización del diagnóstico de fallo en un sistema complejo, diagnosticando tanto los casos que pueden provocar fallos inminentes como los que podrían derivar en avería a largo plazo.

BREVE DESCRIPCiÓN DE LAS FIGURAS

A continuación se pasa a describir de manera muy breve una serie de dibujos que ayudan a comprender mejor la invención y que se relacionan expresamente con una realización de dicha invención que se presenta como un ejemplo no limitativo de ésta.

FIG 1. Muestra un esquema de la estructura de la invención. En él se pueden observar cada uno de los módulos que la conforman, así como las relaciones entre ellos y los parámetros de entrada y salida de cada uno.

FIG 2. Muestra un diagrama de los pasos que se llevan a cabo durante el procesado de los datos.

FIG 3. Muestra un diagrama a modo de ejemplo de una de las secuencia seguida durante el proceso de diagnosticado, en las que interviene una metodología de las utilizadas para la presente invención. En función del sistema a diagnosticar, las técnicas utilizadas derivan y no siempre son las mismas, sino que es el propio sistema el que elige qué técnica utilizar en cada momento para procesar la información y determinar el diagnóstico, en función de la tipología de los datos recibidos.

FIG 4. Muestra una gráfica en la que se presenta el perfil de velocidad de un tren de alta velocidad (en la parte baja en rojo) junto con las temperaturas registradas en los rodamientos exteriores de las cuatro ruedas de un boggie. Éste es un ejemplo de la información de la que se nutre la invención para generar diagnósticos.

REALIZACiÓN PREFERENTE DE LA INVENCiÓN

Tal y como se pude observar en las figuras anteriores, el objeto de la presente invención consiste en un sistema automatizado, inteligente y autónomo de obtención, registro, análisis, diagnosticado, extracción del conocimiento, gestión del conocimiento y visualización de las variables monitorizadas en sistemas complejos, a modo de ejemplo y no limitativo, en trenes de alta velocidad de ancho variable.

El sistema aprovecha las múltiples variables que se registran en este tipo de sistemas para determinar, de manera autónoma, el estado en el que se encuentran los diferentes componentes que conforman un activo complejo. La naturaleza de dichas variables puede ser a modo de ejemplo no limitativo, registros de temperatura, aceleraciones, presiones, voltajes, corrientes y alarmas digitales o cualquier otro que se desee.

La obtención de esta información se lleva a cabo mediante el módulo de adquisición de datos que, por medios inalámbricos, en este ejemplo de realización práctica, mediante tecnología 3G, permite crear una red VPN (red virtual privada) entre los diferentes activos y el sistema objeto de invención. Empleando esta red, el módulo de adquisición de datos es capaz obtener la información requerida de forma inteligente y eficiente, proporcionándosela a los segundos medios para que estos la procesen. En este caso, cobra vital notoriedad el sistema de comunicación desarrollado, dado que permite una descarga inteligente de datos, continuando desde el último byte descargado en caso de pérdida de conexión o cobertura de comunicación con el activo en movimiento. Esto se puede llevar a cabo gracias a un sistema continuo de comparación en espejo de la información a bordo y la información descargada antes de proceder a la descarga. De esa forma se detecta el punto exacto para proceder a la descarga de datos.

Antes de almacenarse en la base de datos, la información debe pasar por una etapa de filtrado, formateado y segmentado de los datos para adecuarse al funcionamiento óptimo de la herramienta. En dicha etapa, se modifica la información recibida para amoldarse al formato y estructura de la base de datos y se filtra para eliminar los casos corruptos e incompletos que no aportan valor. Además, la información recibida se segmenta en ciclos de trabajo, a modo de ejemplo en los vehículos ferroviarios de alta velocidad y ancho variable, viajes de las unidades ferroviarias, descartando los

periodos en los que las unidades se encuentran paradas, eliminando así los datos que

no reflejan actuación de trabajo e incorporan información no útil.

Una vez se dispone de la información almacenada, el módulo de diagnóstico entra en funcionamiento. Dicho módulo es el encargado de realizar la labor de minería de datos en busca de posibles comportamientos anómalos. Para ello se emplean diferentes técnicas en función de la procedencia del dato.

En primer lugar, existe un modulo de parámetros derivados, que resulta de la interacción y cruce de la información de las variables monitorizadas y registradas. De esta forma se trata con variables adimensionales o incluso con unidades que pueden carecer de sentido físico, pero que aportan mucha información al proceso de detección de anomalías y de recreación de normalidad de los activos supervisados. Así, en lugar de observar fallos, el sistema observa el comportamiento en tiempo real, y lo clasifica en comportamiento normal o comportamiento anormal. Los activos están más tiempo prestando servicio en condiciones normales, por lo que es más interesante centrar el diagnóstico en estas condiciones, advirtiendo los síntomas de aquello que se aleje del estado normal administrado en el tiempo.

Para detectar esa normalidad y poder diagnosticar, el primer paso que realiza el módulo de diagnóstico es el de obtener una serie de valores característicos para cada variable. Estos valores son, principalmente, el resultado de diversos cálculos estadísticos realizados sobre cada variable pero, también, sobre los parámetros derivados. Además, para fomentar la extracción de conocimiento, el sistema objeto de patente pone en común la información de diferentes activos, pudiendo comparar diferentes equipos con la misma finalidad entre sí. Esto aporta un conocimiento que hasta la fecha no existía en el campo ferroviario por ejemplo. Por lo tanto, el análisis es individual, pero la base normalizada además de ser individual para cada equipo, es comparada con la normalidad de la muestra global para cada sistema. Así se advierten casos en los que un sistema cuya normalidad sea diferente a la normalidad de la familia de sistemas a la que pertenece, se diagnostique como síntoma de fallo, o similar. Este hecho presenta también una novedad muy importante en este ámbito.

Los cálculos estadísticos realizados, a modo de ejemplo no limitativo son, valores máximos, mínimos y medios, percentiles, desviaciones típicas, varianzas y

correlaciones. La forma de interactuar con estos resultados es la que permite al

sistema identificar los parámetros normalizados en valor.

El segundo paso consiste en aplicar, a cada uno de estos valores característicos, unos umbrales basados en la lógica difusa para clasificar los resultados obtenidos. Gracias a la aplicación de esta técnica, se consigue una nueva dimensión de umbral, el umbral individual del sistema analizado y también la normalidad de la normalidad del sistema analizado frente a su familia, que representa una novedad que permite una derivada en la dimensión del diagnóstico al elevar la fuente del análisis y de la frontera difusa.

Por último, se emplean una serie de reglas que serán las que generen los diagnósticos. Para que una de estas reglas genere un diagnóstico, todos los valores característicos incluidos en la misma deberán haber sido clasificados.

La generación de las reglas puede realizarse tanto de forma manual en base a la experiencia del usuario (modos de fallo conocidos que se quieren incorporar al sistema como inteligencia y/o conocimiento de nacimiento, o conocimiento heredado) como de manera automática gracias a la aplicación de técnicas de inteligencia artificial basadas en algoritmos genéticos.

La utilización de algoritmos genéticos permite el aprendizaje. Además, su aplicación al estado de normalidades diferenciadas entre elemento individual y familias de elementos, permite un herencia genética de familia, ampliando la extracción de conocimiento y aprendizaje desde el historial de componentes que no forman parte de un mismo sistema, a modo de ejemplo un tren de alta velocidad y ancho variable, a otros vehículos de la flota, de forma que los vehículos que más kilómetros realicen o que más datos suministren, podrán guiar en la normalidad no conocida al esto, prediciendo la evolución de sus normalidades, y por lo tanto, una estimación de la vida remanente del componente, algo que hasta la fecha no se había conseguido de esta forma.

Tras generarse los diagnósticos, se almacenan en la base de datos y se pone en marcha el módulo encargado de las notificaciones. Éste obtiene la lista de usuarios a los que tiene que informar de cada diagnóstico y envía, para cada persona, un correo electrónico y/o un mensaje SMS. En ellos se incluye un resumen de los avisos generados y un link en cada uno que lleva al portal Web en el que se puede consultar más información. Estas alertas además, no sólo incorporan información del evento del que se alerta, sino que aportan conocimiento del sistema diagnosticado, así como su historial y vida remanente, gracias a las técnicas y módulos mostrados anteriormente.

5 El mencionado portal Web posee diferentes secciones que permiten, entre otras cosas, la visualización y el graficado de la información contenida en la base de datos, la generación de informes sobre los diagnósticos generados, la representación del estado de la flota de trenes en tiempo real, acceso a historiales de elementos y de familias, acceso al conocimiento organizado, y a la estimación de vida remanente de

10 cada componente.

Claims

REIVINDICACIONES

1.-Sistema inmunológico artificial para activos complejos con largo ciclo de vida que se caracteriza por que comprende, al menos:

(a) unos primeros medios de adquisición de datos configurados para la obtención de los datos de al menos un sensor en al menos un activo complejo por medios inalámbricos entre los que se establece una red privada virtual para la descarga de datos en tiempo real en unos segundos medios de procesamiento de datos;

(b) unos segundos medios de procesado de datos configurados para: -filtrar los datos corruptos y/o incompletos procedentes de dichos primeros medios de adquisición de datos; -se amoldan los datos a la estructura de almacenamiento de una base de

datos; y -se segmentan los datos almacenados en ciclos de trabajo;

(c) unos terceros medios de diagnóstico de los datos almacenados en la base de datos de dichos segundos medios, y que incluye un módulo de parámetros derivados que resulta de la interacción y cruce de la información entre las variables monitorizadas y las variables ya registradas, resultando en una pluralidad de variables adimensionales que se almacenan en dicha base de datos; y donde estos terceros medios están configurados para:

-

establecer una pluralidad de valores característicos obtenidos mediante cálculos estadísticos para cada variable analizada y para cada parámetro derivado obtenido por el módulo de parámetros derivados, estableciendo un primer análisis individual del valor característicos y un segundo análisis comparándola con otros valores de la familia de sistemas a las que pertenece, estableciendo su normalidad o anormalidad; -aplicar a cada uno de los valores característicos un análisis por medio de lógica difusa de tal forma que se establezca un umbral o frontera borrosa para el valor característico individual y para el valor característico en relación con el valor característico normal de la familia de sistemas a las que pertenece dicha variable; -establecer reglas con los datos clasificados previamente entre comportamiento normal y comportamiento anormal, de tal forma que se establezca un diagnóstico en función de dichas reglas; en donde dichas reglas han sido obtenidas por: (i) forma manual en base a la experiencia de usuario; y (ii) mediante la aplicación de técnicas de inteligencia artificial basadas en algoritmos genéticos;

(d)

unos cuartos medios de notificación configurados para que una vez que el diagnóstico ha sido establecido notificar dicho diagnóstico mediante correos electrónicos y/o SMS;y

(e)

unos quintos medios de visualización configurados para representar tanto los diagnósticos, como los datos obtenidos directamente de los activos supervisados;

estando todo ello configurado para detectar los posibles modos de fallo en cada activo objeto de estudio, anticipando la respuesta a dicho fallo.
2.-Sistema de acuerdo con la reivindicación 1 que comprende medios para comparar en continuo la información almacenada y la información descargada antes de proceder a la siguiente descarga de tal forma que dicha descarga se realice continuando desde el último byte descargado en caso de pérdida de conexión o cobertura de comunicación con el activo en movimiento.
3.-Sistema de acuerdo con las reivindicaciones anteriores en donde los quintos medios de visualización comprenden un portal Web que permite la consulta de datos históricos, la generación de informes, la creación de gráficos y la visualización del conocimiento en un estado matricial organizado en clusters o bloques de conocimiento.
4.-Método inmunológico artificial para activos complejos con largo ciclo de vida que se caracteriza por que comprende las etapas de

(a)

una primera etapa adquisición de datos para la obtención de los datos de al menos un sensor en al menos un activo complejo, dicho sensor comprendiendo unos medios inalámbricos configurados para establecer una red privada virtual para la descarga de datos en tiempo real en unos segundos medios de procesamiento de datos;

(b)

una segunda etapa de procesado de datos en donde dicha etapa comprende, a su vez, las etapas de: -filtrar los datos corruptos y/o incompletos procedentes de la primera etapa

de adquisición de datos; -amoldar los datos a la estructura de almacenamiento de una base de datos;

y

-

segmentar los datos almacenados en ciclos de trabajo;

(c) una tercera etapa de diagnóstico de los datos almacenados en la base de datos en la segunda etapa, y que incluye un módulo de parámetros derivados que resulta de la interacción y cruce de la información entre las variables monitorizadas y las variables ya registradas, resultando en una pluralidad de variables adimensionales que se almacenan en dicha base de datos; y donde esta tercera etapa, a su vez comprende:

-

establecer una pluralidad de valores característicos obtenidos mediante cálculos

5 estadísticos para cada variable analizada y para cada parámetro derivado obtenido por el módulo de parámetros derivados, estableciendo un primer análisis individual del valor característicos y un segundo análisis comparándola con otros valores de la familia de sistemas a las que pertenece, estableciendo su normalidad o anormalidad; -aplicar a cada uno de los valores característicos un análisis por medio de lógica

10 difusa de tal forma que se establezca un umbral o frontera borrosa para el valor característico individual y para el valor característico en relación con el valor característico normal de la familia de sistemas a las que pertenece dicha variable; -establecer reglas con los datos clasificados previamente entre comportamiento normal y comportamiento anormal, de tal forma que se establezca un diagnóstico en

15 función de dichas reglas; en donde dichas reglas han sido obtenidas por: (i) forma manual en base a la experiencia de usuario; y (ii) mediante la aplicación de técnicas de inteligencia artificial basadas en algoritmos genéticos;

(d) una cuarta etapa de notificación de los datos de diagnóstico para que una vez que el diagnóstico ha sido establecido se notifique mediante correos electrónicos y/o SMS; y

20 (e) unos quintos medios de visualización configurados para representar tanto los diagnósticos, como los datos obtenidos directamente de los activos supervisados.

Adquisición de Datos

crudos del tren

Procesado de Datos

del tren formateados

Diagnosticado

Notificación

Visualización

Figura 1

Conversión al

Segmentación

Filtrado de los

formato

en fracciones

datos

adecuado

de viaje

Figura 2

Cálculo de

Clasificación

valores

basada en

Reglas

característicos

lógica difusa

Figura 3