Publicación:

Modelo inteligente para detectar los fallos del compresor centrifugo SC-2651 de la unidad de Hydrocraking moderado HCM en la refinería de Barrancabermeja

Resumen

Este proyecto aborda el desarrollo de un sistema de detección de fallas en un sistema de compresión de hidrógeno utilizando técnicas avanzadas de inteligencia artificial. Se emplearon tres clasificadores principales: Discriminador Cuadrático, Máquina de Soporte Vectorial Gaussiana y Clasificador de Subespacio KNN, los cuales fueron entrenados y validados para identificar y clasificar correctamente las fallas en el sistema de compresión. Los resultados obtenidos durante el proceso de entrenamiento y validación mostraron una precisión general superior al 80%, destacando el desempeño prometedor de los clasificadores en la detección de fallas. A pesar de los resultados alentadores, se identificaron desafíos significativos, como la confusión entre fallas de sellos y de rotor, atribuible a errores en la segmentación de datos y similitudes en los comportamientos bajo ciertas condiciones operativas. Además, se exploraron posibles causas de este fenómeno, incluyendo errores intrínsecos en el proceso de entrenamiento y la coincidencia de fallas con menor intensidad. A pesar de estos desafíos, los resultados respaldan la efectividad del enfoque de inteligencia artificial en la detección de fallas en sistemas de compresión de hidrógeno. Este proyecto representa un avance significativo hacia el desarrollo de un sistema de detección de fallas confiable y eficiente en entornos industriales. El próximo paso crítico implica la validación del sistema con datos independientes, que garantizará su robustez y precisión en escenarios del mundo real. Estos hallazgos tienen importantes implicaciones para la seguridad y eficiencia en operaciones industriales, destacando el potencial de la inteligencia artificial en la mejora de la monitorización y el mantenimiento de sistemas críticos como los compresores de hidrógeno. Demás de los avances tecnológicos, este proyecto también contribuye al desarrollo de estrategias de mantenimiento predictivo en la industria, lo que permite una gestión más eficiente de los activos y una reducción significativa de los costos asociados con el mantenimiento no planificado.