QORUM

Indicadores y procesos de mejora

QORUM sustituye las planillas de Excel por indicadores calculados en continuo sobre el dato real de planta.

FIABILIDAD, por componente y modo de fallo: fiabilidad, MTBF, EOL y Fecha Recomendada de Inspección, trazables a un catálogo FMECA propio y con alertas en cuatro niveles, de Advertencia a Vencido. Se proyectan sobre los visores GIS y BIM: el estado se ve sobre el mapa de la cartera y sobre el modelo 3D del activo.

EJECUCIÓN DEL PLAN, con umbrales verificados: Ocupación 60-85 %, Disponibilidad Neta >=90 %, Solapamiento <=20 %, Indisponibilidad <=10 % y Tiempo de Intervención. Ningún plan se activa sin simulación previa que calcule estos KPI.

OPERACIÓN: aprendizaje automático sobre potencia AC/DC y energía generada, en predicción y detección de anomalías, por minuto y por día.

Mejoras: protocolos de registro rediseñados desde el análisis de modos de fallo, Data Lake unificado, ciclo cerrado fallo-orden de trabajo y reentrenamiento automático de modelos vía API.

Cuantificación/Estimación reducción consumo

Estimaciones con hipótesis conservadoras.

VÍA 1, más energía limpia del activo ya instalado. La literatura sitúa la mejora alcanzable con mantenimiento predictivo entre el 10 % y el 30 % (IEEE Trans. Ind. Informatics, 14(6), 2018); QORUM adopta un 3 %. Cartera de validación (8 plantas, 7,2 MW): 11.530 MWh/año de referencia, +346 MWh/año, unos 31.100 €/año a 90 €/MWh. Por cada 100 MW gestionados: 160.000 MWh/año de referencia, +4.800 MWh/año, unos 432.000 €/año.

VÍA 2, menos energía en la propia operación. Optimización de rutas, mantenimiento oportunista y planificación de recursos reducen un 50 % las intervenciones correctivas, de 20 a 10 por cada 100 MW.

VÍA 3, menos energía embebida. La vida remanente por componente permite +10 % de vida útil, de 25 a 27,5 años, y evita unas 100 t de materiales por cada 100 MW.

Ahorro económico estimado: 125.000 €/año por cada 100 MW

Cuantificación/Estimación reducción emisiones CO2

La huella de carbono no es un resultado colateral: es una VARIABLE DE OPTIMIZACIÓN del algoritmo. Las funciones objetivo del motor de aprendizaje por refuerzo profundo combinan coste, huella de carbono, producción y accidentalidad, y la plataforma expone la huella de cada actividad predicha como KPI. Cifras estimadas:

1) Por mayor generación renovable, con 0,5 kg CO2/kWh de referencia fósil: cartera de validación (8 plantas, 7,2 MW), 346 MWh/año adicionales = 173 t CO2/año; por cada 100 MW gestionados, 4.800 MWh/año = 2.400 t CO2/año.

2) Por menos desplazamientos: 40 kg CO2 por intervención correctiva evitada y un 50 % menos de correctivos suponen 400 kg CO2/año por cada 100 MW, más las inspecciones resueltas sobre el modelo BIM y la nube de puntos.

3) Por no fabricar ni desechar componentes: ~100 t de materiales evitadas por cada 100 MW.

Agregado: más de 2.400 t CO2/año por cada 100 MW. La medición final compara el mantenimiento prescrito frente al histórico del operador.

Innovación aplicada y buenas prácticas

Las plataformas de referencia (Maximo, Predix, Azure, SAP) predicen pero no prescriben, y exigen ceder el dato de explotación al proveedor.

1. IA AGÉNTICA QUE CONSTRUYE EL GRAFO, NO SOLO LO CONSULTA (en desarrollo). El sector usa agentes para preguntar a un grafo instanciado a mano. QUANTIA desarrolla lo contrario: agentes que POBLAN el grafo y sostienen la ingesta, leyendo documentación técnica, manuales, partes e históricos, proponiendo instancias, resolviendo duplicados y pidiendo el dato que falta. El cuello de botella de un gemelo digital no es consultarlo: es construirlo y mantenerlo al día.

2. Motor de decisión sobre redes de Petri profundas con aprendizaje por refuerzo: híbrido booleano-numérico, objetivos dinámicos y pronóstico en los nodos.

3. Vida remanente con incertidumbre cuantificada.

4. Gemelo multicapa GIS + BIM sobre una misma ontología.

5. Sensor virtual con IA generativa.

6. Soberanía del dato: cloud y edge en servidor propio.

Uso de tecnologías (TICs)

Plataforma web multiplanta en producción, en español e inglés, con acceso por roles, pensada para que el jefe de planta y el técnico decidan sin un científico de datos por medio.

DATOS: Data Lake que unifica sensórica (supervisión en tiempo real, curvas IV, termografía, célula calibrada, dron, piranómetro) con los partes de incidencias; actualización cuasi-real y generación sintética cuando falta señal.

MODELOS: API entre repositorio y modelos, con reentrenamiento automático; despliegue cloud y edge.

COGNITIVA (en desarrollo): ontología y grafo del activo, con agentes que pueblan el grafo y después permiten la consulta en lenguaje natural.

PRESENTACIÓN: vista de planta configurable, visor GIS de la cartera, sinóptico de activos de 4 niveles, visor BIM con la ficha de fiabilidad de cada elemento, visor de nube de puntos .e57, órdenes de trabajo, fiabilidad y FMECA, analítica ML y planes de mantenimiento. Exportación en SVG, PNG, CSV, XLS y PDF.