Detección de fallos por fuga de aceite en un compresor de Boil-Off Gas de una planta gas natural licuado mediante técnicas de machine learning

Abstract

Durante el desarrollo de este trabajo se ha generado un caso práctico de aplicación de metodologías de ciencia de datos para la gestión del mantenimiento en plantas industriales, construyendo un modelo de clasificación para la detección de fugas de aceite en un compresor de BOG de GNL a tráves de Regresión Logistica y siete técnicas de machine learning afrontando los retos de partir de datos en bruto y analizando el impacto del desbalance de las clases en el rendimiento de los modelos. Gracias al análisis del “Registro de Incidencias” se pudo concluir que los fallos relacionados al sistema de lubricación del compresor son los que han afectado en mayor medida al funcionamiento del compresor y en este sentido, es la fuga de aceite el tipo de fallo que mayor ha afectado este sistema con el 27% de las incidencias reportadas y con 15% de las horas de paradas generadas por incidencias. Se construyó el dataset de trabajo cruzando la información del “Registro de Incidencias” con las del “Registro de Variables de Operación” a través de la creación en este último, de la variable objetivo ‘Fuga_Aceite’ tomando del “Registro de Incidencias” la información correspondiente a las horas donde se presentaron las fugas, logrando clasificar el dataset en dos clases, con fuga de aceite y normal, permitiendose así realizar todos los análisis y estudios propuestos.