Blog

#entrevistasCOIIA

En el año 2023, el Colegio Oficial de Ingenieros Industriales de Álava (COIIA) organizó la primera edición de los premios TFG y TFM. De entre los 27 trabajos presentados, Zaira Arteaga fue galardonada con el premio al mejor TFG, mientras que Luis Alberto Pérez Angulo se llevó el premio al mejor TFM.

En esta entrevista hemos hablado con Luis Alberto Pérez, ingeniero en automoción especializado en automatización, electrónica y control industrial. Desarrolló su TFM en Arteche, desarrollando e implementando un gemelo digital para predecir el comportamiento del compensador de transformadores de medida. Actualmente, trabaja en Aeroblade, empresa del grupo Aernnova enfocada al sector eólico. Se dedica concretamente a automatizar software y analizar datos de aerogeneradores.

El apasionante mundo de la automatización, electrónica y control industrial, son la clave para mejorar la eficiencia y confiabilidad de los sistemas energéticos. En este contexto, el concepto de gemelos digitales ha surgido como una herramienta revolucionaria, permitiendo simular, analizar y optimizar sistemas complejos en un entorno virtual antes de su implementación en el mundo real. En esta entrevista, nos sumergimos en el proyecto de Luis, quien nos cuenta los detalles de su investigación.

¿Qué te motivó a elegir este tema para tu Trabajo Fin de Máster? y ¿cómo fue trabajar con Arteche?

Al empezar el maestro, Arteche contactó conmigo para hacer las prácticas curriculares con ellos y me sugirieron algunas ideas sobre las que hacer el TFM, entre ellas este tema. Fue el que más me gustó porque era una gran oportunidad para practicar sobre Machine Learning, que es aplicable a prácticamente cualquier ámbito.

Trabajar en Arteche fue un placer, con muy buenos compañeros y un ambiente de trabajo muy agradable. Además, me dieron muchas facilidades para acceder a los datos de los transformadores y, gracias a ello, pude centrarme sobre todo en el análisis y la automatización del gemelo digital.

¿Podrías explicar brevemente cómo funciona el gemelo digital que desarrollaste para el compensador de transformadores?

Los transformadores de medida disponen de un compensador, una pieza que se mueve mecánicamente para que la presión interna no sobrepase ciertos límites. El objetivo del proyecto era desarrollar un modelo de esta pieza, para que si se detectaran discrepancias entre el valor predicho y el valor medido se emitiera un aviso y se actuara sobre el transformador antes de que se produjeran fallos graves. Para la predicción desarrolló una red neuronal recurrente para regresión, que se implementó en un servidor en la nube y mostró los resultados en la plataforma de visualización de Arteche.

¿Cuáles fueron los principales desafíos que enfrentaste durante el desarrollo de tu TFM?

El TFM era la primera experiencia con Machine Learning dentro de Arteche, así que tenía delante una hoja en blanco y libertad total para rellenarla. Por tanto, cada etapa del proyecto supuso un desafío, desde la investigación sobre que algoritmos utilizar hasta la ejecución automática en la nube. Esta libertad para tomar mis propias decisiones me ayuda a entender mejor todo el proceso, ya que era mi responsabilidad justificar el motivo de cada decisión de diseño que tomaba.

¿Cuáles fueron los resultados y conclusiones más destacados de tu investigación?

El resultado fue una red neuronal recurrente que predecía cuál era la posición del compensador en cada momento. Este modelo se ejecutaba automáticamente en la nube y los resultados se mostraban en la plataforma de visualización de la empresa. El TFM, además, permitió a Arteche entender mejor la influencia de las variables monitorizadas y tener un primer acercamiento a las tecnologías de Machine Learning.

¿Existen áreas de investigación o desarrollo tecnológico en las que veas un potencial particularmente prometedor para mejorar los gemelos digitales en el futuro?

Los considero especialmente útiles para tareas de mantenimiento predictivo. Se pueden elaborar modelos muy precisos que permitan realizar simulaciones del estado de los dispositivos ante diferentes situaciones, para predecir asà fallos antes de que se produzcan en la realidad y ocasionen accidentes graves o costes elevados.

Gracias a este proyecto que desarrollaste, Arteche ha incorporado una nueva característica a los productos de la empresa, abriendo una nueva vía hacia la digitalización de la empresa. ¿Podrás comentarnos brevemente el impacto que estás teniendo? ¿Continúas actualmente investigando sobre ello?

Como comentó antes, este TFM era la primera experiencia de Arteche dando uso a los datos de los transformadores que se habían sensorizado recientemente. Este primer estudio permitió ver relaciones entre variables que no se habían detectado previamente, así como confirmar algunas teorías sobre el comportamiento de los equipos. Además, sirvió para confirmar que estos datos eran útiles y que se podrían desarrollar otros modelos similares al del compensador para otras variables del transformador.

Actualmente estoy trabajando en otra empresa, Aeroblade, aunque sí que es cierto que parte de lo aprendido con el TFM lo estoy utilizando ahora, aplicado a un sector diferente. Uno de los grandes beneficios del Machine Learning es que es aplicable a cualquier ámbito, así que hay retos de todo tipo a los que enfrentarse.

Finalmente, agradecerte tu participación en nuestra primera edición de premios TFG y TFM, ¿podrías valorar brevemente tu experiencia y animar a futuros participantes?

Por mi parte, agradecer al Colegio la organización del concurso. Animo a participar a todos los que puedan. La parte que requiere esfuerzo es hacer el TFG/TFM, presentarlo al concurso no cuesta nada y es una gran oportunidad para optar a premios.