Ley de atenuación por envejecimiento de sensores de calidad del agua y sistema de juicio para un ciclo de reemplazo preciso

Introducción

La gestión moderna del agua requiere la adquisición continua de datos en tiempo real las 24 horas del día, los 7 días de la semana, en lugar del muestreo manual y puntual. Sin embargo, los sensores no son infalibles. Una vez sumergidos en agua, el desgaste físico y químico natural los deteriora. Esto inevitablemente provoca una pérdida de precisión y una desviación en sus mediciones.

Las normas antiguas obligan a cambiar los sensores según plazos estrictos, generalmente cada 18 a 24 meses. Sin embargo, la mayoría de los sensores siguen funcionando correctamente durante este tiempo. Cambiarlos antes de tiempo supone un derroche de dinero, requiere mano de obra adicional y conlleva el riesgo de daños accidentales. En cambio, necesitamos un método inteligente para decidir cuándo cambiar los sensores, basado en un sistema de evaluación. Deberíamos reemplazarlos en función de cómo se deterioran realmente los materiales, siguiendo la Ley de Atenuación por Envejecimiento, en lugar de basarnos en conjeturas con un calendario rígido.

La ley biofísica de la atenuación del envejecimiento

Cómo se descomponen los sensores física y químicamente

Los sensores químicos se deterioran cuando sus superficies reaccionan con el agua [degradación fisicoquímica del electrodo]. Por ejemplo, los sensores de antimonio desarrollan una capa que ralentiza su respuesta [capa de pasivación]. Los sensores con filtros [membranas semipermeables] se ven afectados cuando estos filtros se disuelven o presentan fugas de sustancias químicas [fuga de electrolitos]. Esto reduce su capacidad de medición.

Los sensores ópticos utilizan pequeñas luces (LED) que se debilitan naturalmente con el calor. Esto reduce su brillo inicial (I0). Además, la suciedad y las algas pueden cubrir el cristal del sensor (obstrucción de la trayectoria óptica), bloqueando físicamente la luz. Por último, los cambios constantes de presión, los ciclos de calor y frío (ciclos térmicos) y las filtraciones de agua en los cables provocan daños físicos y errores eléctricos (ruido analógico).

Uso de la luz para medir la calidad del agua

Los sensores ópticos utilizan la ley de Beer-Lambert, que relaciona el bloqueo de la luz con la cantidad de partículas. La fórmula básica es:

A = ε · c · b

Estas son las variables clave de esta ecuación:

A: Absorbancia

ε: Absortividad molar

c: Concentración

b: Longitud del camino óptico

Los sensores miden la luz que atraviesa con éxito el agua T. Esto relaciona la luz final I con la luz inicial I0 mediante la siguiente ecuación:

A = -log₁₀(T) = log₁₀(I₀ / I)

A medida que aumenta la suciedad, la luz disminuye rápidamente. Esto reduce la salida eléctrica del sensor.

Los sensores utilizan longitudes de onda específicas para detectar sustancias químicas concretas. Por ejemplo, la luz ultravioleta a 254 nm (SAC254) detecta residuos orgánicos (DQO). Otros utilizan la fluorescencia para detectar algas.

Para comprobar la claridad del agua desde lejos, los investigadores utilizan un sistema lidar de flash con compuerta de rango. Aplican el método de diferencia de fotogramas adyacentes (AFD) para hallar el coeficiente de bloqueo o atenuación de la luz del agua, C. La fórmula es:

C = [ln Σ ΔIₖ(r₁) - ln Σ ΔIₖ(r₂) - ln(r₂² / r₁²)] / [2(r₂ - r₁)cosθ]

Cómo detectar errores en los sensores a partir de cambios de agua

Los sensores pueden variar su valor y perder precisión con el tiempo, incluso si el agua permanece igual. Los saltos rápidos y aleatorios en la señal suelen deberse simplemente a burbujas o suciedad que pasa cerca. La deriva real es una tendencia lenta y constante que se aleja de la realidad.

La deriva se produce de dos maneras:

• Desplazamiento aditivo: Cambia el punto cero inicial.
• Degradación de la ganancia multiplicativa: Cambia la escala de medición. Cambiar la escala es peligroso porque los errores aumentan considerablemente en lecturas más altas.

Si los sensores no se calibran periódicamente, su fiabilidad disminuye. Estudios de campo demuestran que, en un periodo de entre 16 y 34 meses, los sensores sin calibrar presentan un margen de incertidumbre mucho mayor. Esto compromete la consistencia de los datos.

Cuantificación de la degradación y la propagación de la incertidumbre

Cómo los errores de los sensores perjudican las predicciones y las decisiones

Los sistemas de pronóstico y gestión de la salud (PHM) requieren datos perfectos. Los sensores averiados alteran las predicciones sobre cuándo fallará una máquina. Esta incertidumbre perjudica las estrategias de mantenimiento predictivo (CBM). Los gerentes terminan tomando malas decisiones basadas en datos erróneos. O bien malgastan dinero reparando piezas en buen estado prematuramente, o sufren averías repentinas y catastróficas.

Para monitorizar el desgaste de las máquinas, los sistemas avanzados utilizan modelos estocásticos, como los procesos de Wiener y Gamma. Sin embargo, es necesario incluir los errores de los sensores en los filtros de estimación de estado del sistema, como los filtros de partículas o de Kalman. Si se ignoran, la vida útil prevista de la máquina (RUL) resulta muy imprecisa y oculta riesgos graves.

Uso de software para corregir errores de sensores

Para evitar reparaciones físicas, los expertos utilizan la monitorización en línea y la detección virtual para corregir errores en tiempo real. El método de regresión de núcleo autoasociativo (AAKR) analiza datos relacionados, como la temperatura y la acidez, para estimar el valor real de un sensor con desviaciones. La comparación de la lectura real del sensor con esta estimación permite medir con precisión la desviación.

Las configuraciones modernas también utilizan modelos de aprendizaje automático descentralizados que abarcan múltiples sensores. Un modelo iterativo específico de bosque aleatorio compara datos de diferentes fuentes. Si una lectura difiere en más de un límite establecido, por ejemplo, θ = 0,05 o una desviación del 5 %, el software reemplaza automáticamente la medición errónea con una lectura prevista.

Los modelos básicos de IA suelen fallar debido a que los errores de los sensores varían gradualmente con el tiempo. Para solucionar esto, las redes neuronales adversarias de dominio incrementales (IDAN, por sus siglas en inglés), más recientes, aprenden constantemente sobre la marcha. Esto permite mantener una alta precisión durante largos periodos sin interrumpir las operaciones.

Marco de decisión para el ciclo de reemplazo preciso

Equilibrar costes y riesgos

Determinar el momento preciso para cambiar los sensores implica sopesar dos factores opuestos. Debemos equilibrar el alto costo de los sensores nuevos con los riesgos financieros y ambientales que conllevan los datos erróneos. El sistema registra constantemente gastos como tarifas de inspección, tiempo de inactividad y multas por contaminación. El umbral de reemplazo debe ser perfecto. Si se establece demasiado bajo, desperdiciamos dinero al reemplazar sensores que funcionan correctamente. Si se establece demasiado alto, nos arriesgamos a incurrir en costos enormes por fallas del sistema e infracciones de calidad del agua.

Sistemas de decisión inteligentes

Las decisiones en el mundo real se basan en un modelo matemático, el Proceso de Decisión de Markov Parcialmente Observable (POMDP). Este modelo utiliza la regla de Bayes para calcular la probabilidad de que un sistema falle. A continuación, selecciona una de cuatro acciones: no hacer nada, comprobar manualmente, recalibrar el sensor o sustituirlo por completo. Para evitar errores, los sistemas avanzados utilizan filtros de Kalman duales. Estos separan los cambios reales en la calidad del agua del desgaste del sensor mediante un filtrado desacoplado de doble estado. Esto garantiza que nunca confundamos accidentalmente agua sucia con un sensor averiado, evitando así reparaciones físicas innecesarias.

Matriz de degradación del sensor de calidad del agua

Para facilitar la implementación de un ciclo de reemplazo preciso, la siguiente tabla sintetiza las vías de degradación, las leyes físicas de referencia, los programas de calibración recomendados y los indicadores de reemplazo algorítmicos para los sensores básicos de calidad del agua:

Conclusión

Debemos dejar de reemplazar los sensores según calendarios fijos. En su lugar, deberíamos utilizar leyes de atenuación por envejecimiento, como la Ley de Beer-Lambert, y aprendizaje automático adaptativo (como AAKR e IDAN) para crear un sistema de evaluación. Este enfoque predictivo basado en el estado reduce los costos totales hasta en un 36 %. Además, reduce el tiempo de inactividad y garantiza datos precisos y legales.

Construya una red más sólida con las herramientas duraderas de BOQU Instrument. Cuentan con comunicación RS485 Modbus RTU y cepillos autolimpiables para evitar la bioincrustación y la deriva. Descubra sus herramientas avanzadas:

• ZDYG-2087-01 Sensor de sólidos suspendidos en línea: Tecnología de doble dispersión infrarroja ISO 7027
• Sensores BH-485-CHL y BH-485-BAG: Compensación óptica integrada para clorofila A y algas verdeazuladas.
• Sensor digital de cloro residual BH-485-FCL: Utiliza voltaje constante y no tiene membrana, por lo que no necesita recargas de productos químicos.
• Sensor de transparencia del agua BH-485-WTS: Utiliza tecnología de fotómetro de dispersión infrarroja de doble haz y cepillos de limpieza.
• Sensor digital de COD RS485 CODS-3000-01: Utiliza el principio de absorción de luz ultravioleta directa (SAC 254 ) para realizar comprobaciones rápidas y sin productos químicos.
• Sonda multiparamétrica de calidad del agua MS-301: Admite hasta 16 sensores distintos simultáneamente.

Póngase en contacto hoy mismo con los ingenieros expertos de BOQU para obtener configuraciones personalizadas y una estrategia de monitorización a medida.