HERATech

HERAtech, el corazón tecnológico del Grupo HERA, tenía la necesidad de:

• Identificar las alarmas no pertinentes
• Optimizar el uso de los recursos empresariales
• Monitorear en tiempo real los valores de los sensores en las instalaciones
• Aumentar la capacidad predictiva de posibles fallos

Dinova ha implementado una solución de Machine Learning y una plataforma de streaming analytics a medida para HERAtech, obteniendo:

• Identificación automática de falsas alarmas
• Análisis de los datos de los sensores en tiempo real
• Simplificación del monitoreo a través de una nueva interfaz centrada en el usuario
• Integración de la solución con SCADA para la gestión de las alarmas

En los sistemas de la red de agua, las fluctuaciones en los niveles de cloro a menudo superaban los rangos establecidos, generando falsas alarmas. Esto implicaba el uso de horas de trabajo por parte de los equipos operativos, que debían verificar cada anomalía.

HERAtech se dirigió a Dinova para reducir las alarmas no pertinentes y optimizar los recursos, mejorando el monitoreo en tiempo real y aumentando la capacidad predictiva de posibles fallos.

El proyecto para HERAtech se concretó en dos fases: después de la primera realización de un Proof of Concept (POC), se implementó una herramienta a medida diseñada para la configuración particular de las instalaciones y destinada a controlar el parámetro de inyección de cloro en el agua.

La integración del Machine Learning en la solución permite a HERAtech identificar las falsas alarmas gracias a un algoritmo, entrenado mediante aprendizaje supervisado, que ha comprendido todas las situaciones de alarma, distinguiendo aquellas en las que fue necesario intervenir a los operadores de aquellas en las que la señalización no era pertinente.

Como apoyo al algoritmo, Dinova ha desarrollado una plataforma de streaming analytics capaz de adquirir el historial de datos de los sensores, analizar automáticamente y en tiempo real los cientos de valores obtenidos en todo el territorio y reportar si una alarma particular requiere intervención.

Posteriormente, también se creó una nueva interfaz front-end para simplificar el monitoreo de los niveles de cloro y compartir fácilmente los datos con operadores, mantenedores y laboratorios de análisis. La interfaz centrada en el usuario fue diseñada para proporcionar a cada operador una visión transparente del estado de los análisis y, por esta razón, fue exitosamente integrada con SCADA, el sistema de gestión de alarmas actualmente activo.

La adopción de la tecnología de Machine Learning ha tenido repercusiones positivas también en el negocio: la amplia recopilación y procesamiento de datos a través del algoritmo de ML ha llevado a un aumento de la capacidad predictiva de los sistemas de alarma, permitiendo un ahorro en términos de costos de gestión para emergencias.

“El número de falsos positivos se ha reducido en un 85% con una tendencia creciente. Esto ha permitido una mayor focalización de los operadores en otras actividades, como la respuesta a las llamadas telefónicas: en promedio, cada falsa alarma requería un tiempo de gestión de unos 4 minutos, sin contar que al menos en el 15% de los casos no era posible verificar el alert de manera remota y era necesario intervenir en el lugar para verificar la naturaleza de la alarma. No solo eso: la introducción de la nueva herramienta ha llevado a un aumento de la capacidad predictiva de posibles fallos. La plataforma también es capaz de procesar y devolver en tiempo real una gran cantidad de datos valiosos, y se ha demostrado ser un excelente apoyo para los procesos de toma de decisiones.”

— Sandro Boarini, director responsable del Polo Telecontrol y Call Center Técnico de Hera

Innovación e inteligencia artificial para una gestión eficiente y predictiva

Dinova fue la elección ideal para HERAtech gracias a su capacidad para integrar tecnologías avanzadas de Machine Learning con soluciones personalizadas y escalables. La plataforma de streaming analytics y la interfaz centrada en el usuario hicieron que el monitoreo de los niveles de cloro fuera más efectivo e intuitivo, reduciendo drásticamente los falsos positivos y optimizando los recursos empresariales.

La adopción de la solución ha generado beneficios significativos:

• Reducción del 85% de las falsas alarmas
• Aumento de la capacidad predictiva y gestión proactiva de fallos
• Proceso de toma de decisiones basado en datos, con impactos positivos en la gestión de la calidad del agua y en la comunidad

Este proyecto, premiado con el Smau Innovation Award y los Digital360 Awards 2020, demuestra cómo la aplicación del Machine Learning y las analytics puede mejorar la productividad empresarial, optimizar los costos operativos y fomentar la innovación sostenible en los servicios públicos.