Historias de clientes / Energía y servicios públicos

2021
Logotipo de ENGIE

ENGIE Digital utiliza Amazon SageMaker para llevar a cabo tareas de mantenimiento predictivo en las centrales eléctricas

ENGIE se basa en Amazon Web Services (AWS) para desarrollar sus plataformas de mantenimiento predictivo. A la larga, se conectarán casi 10 000 equipos, cada uno con docenas de modelos, lo que supone un ahorro estimado de 800 000 EUR por año para la empresa.

1000 modelos de predicción

Más de 1000 modelos de predicción desarrollados y entrenados en un plazo corto para una variedad de equipos, como válvulas; bombas; y sistemas de ventilación, aire acondicionado y calefacción.

5 años

Unos 10 000 equipos conectados que se benefician del mantenimiento predictivo en un plazo de 5 años para las centrales de generación de electricidad de ENGIE y los clientes de tipo negocio a negocio (B2B) del grupo.

Ahorro estimado de 800 000 EUR

Un ahorro estimado de 800 000 EUR al año para las unidades de negocio del grupo en las que se ha adoptado el mantenimiento predictivo.

Información general

ENGIE se basa en Amazon Web Services (AWS) para desarrollar sus plataformas de mantenimiento predictivo. A la larga, se conectarán casi 10 000 equipos, cada uno con docenas de modelos, lo que supone un ahorro estimado de 800 000 EUR por año para la empresa.

Mihir Sarkar, director de datos en ENGIE Digital, describe el rol de esta entidad concreta dentro del Grupo ENGIE: “ENGIE Digital es la empresa de software del grupo. Desarrollamos plataformas y productos digitales para las distintas líneas de negocio globales centradas en segmentos verticales específicos, como las energías renovables o la energía térmica. El objetivo de los productos digitales consiste en proporcionar a las entidades internas soluciones que les permitan mejorar su eficiencia operativa. Asimismo, pueden mejorar su propuesta para que los clientes externos se sumen a la transición energética en pos de lograr la neutralidad del carbono”.

Por estos objetivos, ENGIE Digital desarrolló las plataformas Robin Analytics y Agathe. El objetivo de estas plataformas digitales es desarrollar modelos de mantenimiento predictivo que puedan prevenir errores en los equipos y programar el mantenimiento de forma más eficaz. Robin Analytics se destina a los equipos de las centrales térmicas del grupo, mientras que Agathe se ofrece a los clientes B2B para garantizar el mantenimiento adecuado de sus equipos.

Oportunidad | Los desafíos del mantenimiento predictivo 

ENGIE buscaba beneficiarse de la infraestructura y las herramientas que le permitieran desarrollar, entrenar e implementar modelos de mantenimiento predictivo para prever las fallas que pudieran producirse en los equipos de las centrales eléctricas del grupo y sus clientes, sin perder de vista el control de la asignación de los recursos y los costos. También deseaba estar a la vanguardia y aprovechar las últimas innovaciones tecnológicas para garantizar con ello la industrialización y la escalabilidad de sus modelos.

Para implementar estos proyectos correctamente, ENGIE Digital se asoció a Mangrove, un socio consultor avanzado de AWS especializado en machine learning y servicios de AWS en Francia.

En ENGIE, es fundamental aprovechar las tecnologías de machine learning para abordar los problemas relacionados con el mantenimiento de los equipos. “El desafío del mantenimiento predictivo radica principalmente en la optimización de los costos. El mantenimiento sistemático nos obliga a realizar visitas a las instalaciones con cierta periodicidad. La mejora en la planificación y la optimización de los ciclos de mantenimiento es una cuestión de suma importancia tanto para nuestros clientes B2B como para nuestras centrales eléctricas”, afirma Sarkar.

Según detalla Céline Mallet, responsable de la Plataforma de Mantenimiento Predictivo Agathe en ENGIE Digital, la empresa cuenta actualmente con tres casos de uso específicos para el mantenimiento predictivo. “El primero de ellos es predecir la vida útil de nuestros equipos. Los equipos pueden desgastarse y dejar de ser eficientes. Gracias al mantenimiento predictivo, es posible predecir cuándo se alcanzarán los límites de eficiencia que justifiquen llevar a cabo acciones de mantenimiento y cambio de alguna pieza, con varios días, semanas o meses de antelación. El segundo es la detección anticipada de anomalías. El mantenimiento predictivo nos permite utilizar los datos operativos de los equipos (centrales eléctricas, compresores, etc.), gracias a los cuales es posible detectar comportamientos anómalos de manera temprana. Por último, también tenemos la posibilidad de desarrollar modelos que aprovechen los datos generados por los sensores de IoT (por ejemplo, que midan la vibración de los ultrasonidos) para así estimar el estado de los equipos a partir de las variables registradas”.

El mantenimiento predictivo también se produce en un contexto de cambios en la estrategia general del grupo que tiene como objetivo favorecer la producción de energías renovables. En este sentido, facilita la transición, como explica Sarkar: “Una de las últimas novedades en la organización de la producción de energía eléctrica es que, hoy en día, las centrales térmicas deben garantizar una carga base y ajustar su producción en función de la que producen las energías renovables intermitentes. El giro que ha dado ENGIE hacia la transición energética implica un cambio en el empleo de las centrales térmicas, por ejemplo, con paradas más frecuentes cuando hay viento y sol. Por tanto, el uso de sus equipos en esas plantas, como válvulas o bombas, es diferente, lo que puede producir comportamientos y errores para los cuales es imprescindible disponer de visibilidad. Los modelos de mantenimiento predictivo permiten anticiparse mejor a las fallas en lugar de esperar a los ciclos de mantenimiento sistemáticos para actuar o, en el peor de los casos, tener que hacer frente a paradas no previstas”.

kr_quotemark

“Se eligió una arquitectura de AWS por las limitaciones propias de nuestra empresa, que, dado su carácter industrial, incorpora el concepto de mantenimiento predictivo. Con miles de equipos en funcionamiento, cada uno con varias docenas de modelos, escalamos verticalmente muy rápido y, por ello, la escalabilidad constituye una cuestión fundamental”.

Mihir Sarkar
Director de datos de ENGIE Digital

Solución | La elección de los servicios para resolver los desafíos de ENGIE

Hace más de 3 años que ENGIE Digital utiliza AWS: “De las 12 plataformas que conforman la cartera de ENGIE Digital, 11 se basan en AWS. Además, estos servicios se utilizan en otras entidades del grupo, como Data@ENGIE, que respalda Common Data Hub, el lago de datos distribuido del grupo en el que ahora funcionan Agathe y Robin Analytics”, señala Sarkar. ENGIE Digital recurrió a estas soluciones para desarrollar Agathe y Robin Analytics. “Se eligió la arquitectura de AWS por las limitaciones propias de nuestra empresa que, de por sí, incorpora el concepto de mantenimiento predictivo. Con miles de equipos en funcionamiento, cada uno con varias docenas de modelos, escalamos verticalmente muy rápido y, por ello, la escalabilidad constituye una cuestión fundamental”, afirma Sarkar.

Para aprovechar al máximo las ventajas que ofrece AWS, ENGIE Digital se respaldó en Mangrove, una empresa de consultoría especializada en servicios de AWS. “Recurrimos a Mangrove para que nos guiara en el proceso de transformación hacia los servicios de AWS que no utilizábamos en ese entonces, como Amazon Simple Storage Service (Amazon S3) y Amazon SageMaker. También podemos contar con Mangrove en calidad de experto para que nos ayude a sacar el máximo provecho de las oportunidades que surgen con los nuevos lanzamientos y novedades de los servicios de AWS”, afirma Mallet.

En lo referente a las plataformas Agathe y Robin Analytics, Mangrove utiliza varios servicios de AWS, como explica Bastien Murzeau, director de tecnología de Mangrove y líder técnico de ENGIE Digital: “Para nosotros, Amazon S3 es un servicio esencial, ya que todos los datos pasan por él. Además, gracias a este servicio podemos analizar los datos usando servicios, como AWS Glue y Amazon Athena y otros procesos de transformación más ligeros a través de AWS Lambda”.

Estos servicios permiten a los usuarios mantener un control sobre los recursos utilizados al igual que los costos, tal y como explica Murzeau: “AWS Glue nos da la posibilidad de ejecutar Spark de manera sencilla y económica con escalabilidad dinámica. Así, podemos manejar tareas muy pequeñas con la misma facilidad que lo hacemos con aquellas que son muy grandes”.

“Es fundamental tener un control de los costos porque el mantenimiento es un sector muy competitivo”, agrega Mallet.

Resultado | El uso de Amazon SageMaker para entrenar modelos de mantenimiento

Un ejemplo de la colaboración entre ENGIE Digital y Mangrove lo constituye la adopción de Amazon SageMaker. Hace un año, ENGIE Digital deseaba mejorar sus modelos de mantenimiento predictivo, por lo que recurrió a Mangrove para evaluar los beneficios potenciales de su uso. Murzeau cree ahora que el servicio es de vital importancia: “Amazon SageMaker es un servicio clave para nosotros. La ventaja de utilizarlo es que no tenemos que reinventar el sistema y podemos confiar en un servicio que funciona y nos proporciona estabilidad. Antes, formábamos los modelos nosotros mismos y no aprovechábamos las prácticas recomendadas que el servicio nos obliga a seguir. Asimismo, nos proporciona un mayor nivel de seguridad, gracias a la compartimentación de las tareas de formación, y permite aislar los datos de nuestros clientes. Otro de los beneficios de Amazon SageMaker es el control de costos gracias a la formación mediante instancias de spot de Amazon Elastic Compute Cloud (Amazon EC2), que ofrecen un ahorro de hasta un 90 por ciento en costos informáticos”.

ENGIE Digital depende de todos estos servicios para que Agathe y Robin Analytics puedan desarrollar y formar una gran cantidad y variedad de modelos de mantenimiento. “Con Agathe, nuestra misión es cubrir 8000 equipos en un plazo de 5 años, cada uno de ellos provisto de 2 a 10 modelos de mantenimiento predictivo”, señala Mallet.

“En cuanto a las centrales térmicas de ENGIE, tenemos previsto incorporar más de 100 equipos a la plataforma Robin Analytics, con el objetivo de alcanzar un total de más de 1000 equipos de aquí a 2023. Esto incluye una gran diversidad de tipos de equipos, entre ellos varios tipos de válvulas, bombas e intercambiadores de calor, así como diversidad geográfica en la implementación de la solución de mantenimiento predictivo para las distintas plantas y unidades de negocio del grupo”, declara Sarkar acerca del desarrollo de Robin Analytics. Además, ENGIE Digital está analizando la adopción de servicios adicionales que podrían suponer un beneficio para Agathe y Robin Analytics. “Al igual que hicimos el año pasado con Amazon SageMaker, investigamos la viabilidad y los beneficios de migrar nuestras bases de datos de series temporales a Amazon Timestream, que tenemos previsto adoptar en algún momento”, afirma Sarkar.

“Una de las tecnologías de AWS que aún no utilizamos, pero que estamos evaluando adoptar es Amazon SageMaker Studioy nos permitiría incorporar a los científicos de datos de las unidades de negocio y que estos puedan tener acceso a nuestra plataforma y conjuntos de datos. Esto también garantizaría que su código esté listo para la etapa de producción de la plataforma”, explica Mallet, como una vía de mejora para la plataforma Agathe.

Acerca de ENGIE

Con presencia en más de 70 países de cinco continentes, ENGIE es una pieza clave en materia de producción, distribución y servicios de energía baja en carbono a escala mundial. El desarrollo de ENGIE Digital demuestra la voluntad del grupo de crear y aprovechar las tecnologías digitales para acelerar la implementación de la estrategia de transición hacia una energía neutra en carbono.

Servicios de AWS utilizados

Amazon S3

Amazon Simple Storage Service (Amazon S3) es un servicio de almacenamiento de objetos que ofrece escalabilidad, disponibilidad de datos, seguridad y rendimiento líderes en el sector.

Más información »

Amazon SageMaker

Amazon SageMaker ayuda a los científicos de datos y a los desarrolladores a preparar, crear, formar e implementar con rapidez modelos de machine learning (ML) de alta calidad mediante la agrupación de un amplio conjunto de características especialmente diseñadas para ML.

Más información »

AWS Glue

AWS Glue es un servicio de integración de datos sin servidor que facilita la preparación de los datos para análisis, machine learning y desarrollo de aplicaciones.

Más información »

Amazon Athena

Amazon Athena es un servicio de consultas interactivo que facilita el análisis de datos en Amazon S3 con SQL estándar. Athena no hace uso de un servidor. No es necesario administrar infraestructura y solo paga por las consultas que ejecuta.

Más información »

Descubra el camino de ENGIE hacia la innovación con AWS

Más historias de ENGIE

no se han encontrado elementos 

1

Comenzar ahora

Organizaciones de todos los tamaños y de todos los sectores transforman sus negocios y cumplen sus misiones todos los días con AWS. Contacte nuestros expertos y comience hoy mismo su propia jornada en AWS.