El proyecto PREDICTEDAR persigue dar un salto sustancial en la gestión de EDAR, pasando de la visión tradicional basada en la experiencia y en el mantenimiento preventivo-correctivo a una gestión inteligente y predictiva de su ciclo de vida que permita pronosticar la degradación de sus componentes críticos, así como anticipar las actividades de operación y mantenimiento necesarias optimizar parámetros clave como la disponibilidad, el consumo energético y los costes operativos.

Este sistema se caracteriza por su capacidad de actualización en tiempo real, aprovechando la incorporación continua de nuevos datos. Gracias a esta inteligencia evolutiva, la EDAR podrá aprender de su propio funcionamiento, anticiparse a posibles fallos y evitarlos, lo que se traducirá en una mayor fiabilidad y disponibilidad de la planta, así como en una reducción significativa de costes.

Objetivos

• Diseñar y desarrollar un sistema de mantenimiento predictivo de los componentes críticos de una EDAR, indagando sobre las variables clave que afectan a la fiabilidad y a la disponibilidad, incrementado la resiliencia del sistema y evitando costes de mantenimiento innecesarios.
• Modelizar la operación y mantenimiento nominal de los subsistemas que reflejen el entorno real (modelo versus realidad).
• Modelizar la degradación de los subsistemas detectando anticipadamente fallos y/o incursiones y notificar incidencias.
• Diseñar, desarrollar e implementar una algoritmia robusta interpretable y eficiente en cuanto a tiempo de ejecución para la gestión predictiva y eficaz de la EDAR.
• Dotar de inteligencia al sistema mediante innovaciones en el campo de la Representación de Sistemas Complejos y de las Redes Neuronales Profundas. Entrenamiento de los modelos mediante nuevos desarrollos basados en modelado de sistemas dinámicos de eventos discretos.
• Desarrollar una interfaz de usuario (HMI) amigable, única e integrada con las principales herramientas sectoriales (SCADA).

Resultados y conclusiones obtenidas

El proyecto ha demostrado la viabilidad de utilizar técnicas de IA para el mantenimiento predictivo de EDAR, proporcionando una herramienta robusta y precisa para la toma de decisiones. PREDICTEDAR ha dado como resultado una solución tecnológica computacional para la simulación y planificación del mantenimiento predictivo en EDAR, basada en datos históricos de funcionamiento, inspección y degradación de componentes críticos. Se han modelizado eventos mediante Redes de Petri de alto nivel, aplicadas a activos clave como sistemas de impulsión, aireación, cogeneración, secado de fangos y electrólisis térmica.

El sistema ha sido validado en las EDAR de Ranilla y Copero (Sevilla), y permite simular escenarios futuros y definir políticas óptimas de mantenimiento adaptadas al estado real de cada activo. Entre los avances más destacados se encuentran:

• Nueva metodología de estructuración de datos de averías por modos de fallo (MdF).
• Sustitución del modelo exponencial por el modelo Weibull, más preciso para representar tasas de fallo variables.
• Mejora en la calidad del modelo con mayor volumen de datos, reduciendo la incertidumbre.
• Confirmación de la robustez y eficacia de los algoritmos desarrollados.

Líneas Futuras

• Profundizar en el análisis de funcionamiento de los componentes, agregando datos entre dispositivos con el mismo MdF.
• Ampliar la solución para incorporar nuevos componentes o sustituir los existentes.