El reto de Tedagua: diseño, desarrollo e implantación de un gemelo digital propio

En el mes de noviembre de 2022, la entidad pública Red.es, adscrita al Ministerio de Asuntos Económicos y Transformación Digital, concedió una ayuda económica a Tedagua para desarrollar un gemelo digital propio que permita optimizar la operación y el mantenimiento de las plantas desaladoras. Un año después, el proyecto está dando unos resultados sorprendentes.

Para una empresa como Tedagua —cuyo negocio principal es el diseño, construcción, operación y mantenimiento de plantas de tratamiento de aguas— diseñar un gemelo digital supone un reto muy importante. Al fin y al cabo, un gemelo digital es un software y requiere de perfiles especialistas en campos relativamente nuevos como son analistas de datos, científicos de datos o ingenieros de datos, que, por lo general, no han trabajado directamente en nuestra industria.

Por otra parte, el proceso de desalación es un conjunto de procesos físico-químicos en el que intervienen multitud de variables. Tradicionalmente, estas variables se monitorizan y se analizan a través de un Scada (Control Supervisor y adquisición de datos) o mediante un DCS (Sistemas de control Distribuido) con el objetivo de controlar el proceso y definir alarmas para facilitar el trabajo del operador de planta. Toda la información recogida en estos equipos se muestra en una pantalla que es con la que interactúa el operador.

Estos sistemas tradicionales son fundamentales para la gestión de plantas desaladoras que cuentan con un tamaño relevante, pero la implantación de los gemelos digitales puede dar un salto cualitativo muy importante a la industria en cuanto a la gestión, optimización, operación y mantenimiento de estas plantas.

El proyecto tiene unos objetivos muy claros y definidos: la optimización de costes en la operación, aumentar la predicción de posibles fallos de cara al mantenimiento y facilitar la usabilidad del operador mediante inteligencia visual.

La inteligencia visual hace referencia a la experiencia que tiene el usuario mientras visualiza e interactúa con la pantalla. Partiendo de un modelo 3D, e integrando todos los sistemas con la metodología BIM, el modelo representará el proceso en tiempo real mediante cuadros de mando muy intuitivos para el operador.

El primer paso antes de comenzar el proyecto es elegir a los compañeros de viaje que complementen a nuestros ingenieros mecánicos, eléctricos, de proceso o de instrumentación y control. Después de evaluar opciones en el mercado, decidimos trabajar con Tecnalia —un centro de investigación que cuenta con un área muy potente de tecnologías digitales—, con Grant Thornton —como consultora que también cuenta con perfiles de alto nivel— y con la Universidad Pablo de Olavide de Sevilla para la modelización y entrenamiento de los algoritmos.

Una vez elegidos los compañeros de viaje, toca seleccionar la metodología de trabajo. En la industria de la ingeniería y construcción estamos acostumbrados a metodologías clásicas, trabajando de forma secuencial, donde se definen una serie de tareas que hay que ir completando hasta llegar al resultado final.

Para proyectos de desarrollo software es más eficiente trabajar con metodologías ágiles, que consiste en dividir los proyectos en distintas fases dinámicas, denominadas ‘sprints’. Estas fases o ‘sprints’ son periodos cortos dedicados a terminar una cantidad predefinida de trabajo, facilitando llegar lo antes posible a un producto mínimo viable (MVP). De esta manera este producto mínimo se irá mejorando de forma continua hasta llegar al resultado definitivo.

En cuanto a las herramientas de trabajo, para el seguimiento de la planificación y ejecución decidimos utilizar el programa Jira Software. Este programa está pensado para proyectos que aplican esa metodología ágil y permiten una colaboración en línea de todos los integrantes del proyecto de forma muy intuitiva.

Para toda la gestión de datos en la nube y la creación de la infraestructura tecnológica se seleccionó la plataforma Microsoft Azure. A través de esta plataforma, que cuenta con más de 200 aplicaciones, podemos integrar los datos, procesarlos, ejecutar los algoritmos y consumirlos.

Toda esta gestión y trabajo sobre los datos debe integrarse con las plataformas de desarrollo de modelos BIM.

Fase 1: Análisis AS IS y TO BE. Dónde estamos y dónde queremos llegar

En esta primera fase, antes de ponernos a desarrollar la solución hay que sacar la foto completa del estado actual de todo lo que pueda afectar al proyecto. Esto implica analizar desde la información organizacional de la compañía —incluyendo el organigrama, análisis de riesgos, departamentos clave, mapa de procesos y procesos específicos de la desaladora— hasta la infraestructura tecnológica de la compañía y de la propia planta.

Una vez tenemos la foto completa del ‘cómo estamos’ podemos plantearnos de forma realista cómo queremos que sea el producto que vamos a diseñar, qué funcionalidades debe cumplir y qué aspectos clave debe cubrir desde el punto de vista del usuario final.

Teniendo claros, definidos y acordados estos dos primeros puntos se facilita enormemente la fase siguiente, que es el diseño de la hoja de ruta para transitar del estado actual (AS IS) al estado futuro (TO BE).

Fase 2: Definición de la hoja de ruta y ejecución

Tal y como se ha explicado anteriormente, en este proyecto se sigue una metodología ágil, que implica la creación de un producto mínimo viable y después iterar hasta que se alcanza el producto final.

Por tanto, la hoja de ruta debe seguir este esquema. La principal complejidad en este tipo de proyectos es la integración de diferentes sistemas y disciplinas y su coordinación. En este caso, la hoja de ruta se ha definido mediante la ejecución de cinco ‘sprints’, cada uno de ellos con sus tareas correspondientes y un cierre final. A modo de ejemplo, el primer ‘sprint’ contaría con las siguientes tareas:

- SP 1.1 Definición de detalles de los procesos implicados.

- SP 1.2 Definición de controles sobre el proceso implicado.

- SP 1.3 Definición alto nivel de los potenciales casos de uso a los que se aplicarán los algoritmos de ‘Machine Learning’ a implementar y priorización de los mismos.

- SP 1.4 Despliegue de la infraestructura básica para desarrollo en la nube.

- SP 1.5 Despliegue de la infraestructura mínima para gestión de modelos BIM.

- SP 1.6 Análisis de fuentes de datos y diseño del modelo de datos del proceso.

- SP 1.7 Diseño inicial del frontal.

- SP 1.8 Estrategia para la integración entre sistemas.

- SP 1.9 UATs (Pruebas de aceptación de usuarios), validación y ‘feedback’.

Dentro de estas nueve tareas, algunas se irán iterando en los siguientes ‘sprints’ y otros en cambio evolucionarán a un paso posterior de desarrollo.

Más allá de todos los trabajos, y desde el punto de vista puramente tecnológico, la base de todo este desarrollo son los datos provenientes de las desaladoras, que nos van a aportar una información clave.

Sin datos no podemos hacer nada. Por esta razón lo primero que se debe hacer es extraer los datos históricos de las desaladoras y establecer un modelo de gobernanza, teniendo en cuenta que cada desaladora tiene sus particularidades.

Los históricos se extraen de los DCS, que permiten descargar datos registrados como intensidades de corriente de equipos, frecuencias (Hz), presiones, caudales, velocidades de motores (RPM), vibraciones, temperaturas, conductividad del agua, PH del agua, etcétera.

Cuantos más datos se extraigan, más exacta será la información que aporte el modelo. Estas variables se pueden extraer en distintos periodos de tiempo: diarias, horarias, cada minuto o incluso cada segundo.

Al haber hecho un trabajo previo en el ‘TO BE’, sabemos sobre qué parámetros específicos nos interesa trabajar. Aquí la labor de los ingenieros de Tedagua es fundamental para transmitir al equipo de gestión de datos y los responsables de entrenar los algoritmos cuáles son las relaciones entre cada uno de esos parámetros y con qué periodicidad deben obtenerse cada una de ellas.

Las tecnologías actuales de computación permiten identificar relaciones o normas que se dan en base a los datos con los que lo alimentes, o lo que es lo mismo: generan algoritmos de forma automática que se entrenan al alimentarlo de nuevos datos, de manera que el algoritmo se irá optimizando. Aun así, el conocimiento específico del campo sobre el que se está trabajando, en este caso desalación, adquiere un papel protagonista. Desarrollar los algoritmos implica también dar, por ejemplo, valores máximos y mínimos permitidos para identificar anomalías o ponderar qué peso tienen ciertas variables en el resultado buscado.

Al inicio de este artículo se indicó que lo que se buscaba con este proyecto era tanto optimizar los costes de operación como facilitar la usabilidad del operador. Como en el caso de la desalación el mayor coste proviene del consumo energético, hemos puesto el foco en trabajar con variables asociadas a equipos de alto consumo como son las bombas de alta presión.

Desde el punto de vista de proceso, todas las variables asociadas a la calidad de agua a la entrada y salida de los racks y aquellas asociadas a las membranas de ósmosis inversa también están siendo sido trabajadas en detalle. Los resultados a día de hoy son sorprendentes. A estas alturas del proyecto ya observamos como estos modelos automáticos nos muestran información que los sistemas tradicionales no eran capaces de mostrar.

En base a esta nueva información, y actuando sobre los equipos, somos capaces de reducir el consumo energético, lo que impacta directamente en una reducción de los costes de operación de la planta.