La importancia de la transformación digital del agua

Introducción
El agua es uno de los recursos básicos y esenciales para la vida, así como para el mantenimiento de los
ecosistemas y también es un componente estratégico de la economía mundial. Muchas de las masas de agua tienen
elevados índices de explotación y el balance entre recursos hídricos disponibles y demanda viene presentando un
equilibrio frágil.

Desafortunadamente cada vez más el agua es considerada un bien escaso (fig.1) por los siguientes motivos:

- cambio climático: muchos países sufren periódicamente sequías con descensos notables en las
precipitaciones (un reciente informe del Observatorio Mundial de la Sequía concluyó que Europa está
sufriendo su peor sequía en 500 años y este año se han quemado más de 270.000 hectáreas, según el
Sistema Europeo de Información sobre Incendios Forestales [1]).

- contaminación del agua: Existen más de 70 mil sustancias conocidas como contaminantes cuyo vertido
en mares y océanos suponen una de las principales causas de contaminación en el agua (Hay líquidos que,
en pocas concentraciones, pueden contaminar vastas extensiones de agua. Por ejemplo, solo cuatro litros
de nafta pueden contaminar hasta 2.8 millones de litros de agua[2])

- sobrepoblación: según la ONU [3] se estima que los recursos de agua dulce disponibles por persona han
disminuido en más de un 20% en las últimas dos décadas debido al crecimiento de la población.

Fig. 1 - Los desafíos interrelacionados en los sistemas de agua están creando vulnerabilidades críticas

Por otro lado, las infraestructuras para la gestión del agua cada vez están más obsoletas y en muchos casos no
se dispone de información completa sobre su consumo, así como sobre las pérdidas que se producen en las redes
de distribución por fugas, roturas o filtraciones.

Se estima que las compañías de agua a nivel mundial pierden 40 mil millones de Euros al año en ingresos, debido al
agua no contabilizada (NRW – no revenue water). Por ejemplo, en Italia según un informe del Istat [4], más del 40%
del agua se pierde durante su distribución.

Si no actuamos de forma rápida y responsable, según un informe de UNICEF [4], casi 1 de cada 4 niños en todo el
mundo vivirá en áreas con un estrés hídrico extremadamente alto para el 2040.

La solución principal a estos problemas evidenciados consiste en aplicar las tecnologías digitales: es necesario
emprender una completa modernización del ciclo del agua a través del Internet de las Cosas - IoT con el fin de
avanzar hacia una gestión más eficiente del fluido y minimizando, simultáneamente, el impacto del cambio climático
al conseguir un mejor equilibrio entre demanda y recursos hídricos disponibles.

Por IoT se entiende generalmente la agrupación e interconexión de dispositivos y objetos a través de una red (bien
sea privada o Internet, la red de redes), dónde todos ellos podrían ser visibles e interaccionar. Respecto al tipo de
objetos o dispositivos podrían ser cualquiera, desde sensores y dispositivos mecánicos hasta objetos cotidianos
como pueden ser una televisión, una radio o incluso una lavadora. Con más de 10 mil millones de dispositivos IoT
conectados en la actualidad, los expertos prevén que este número aumentará a 22 mil millones para el 2025.

Fig.2 - Grafica del Internet de las cosas (IOT) para Digital Water (Cortesia de Flowserve)

Las tecnologías digitales podrían ahorrar al sector del agua 60.000 millones de euros al año en todo el mundo.

En este articulo analizaremos cuales son las soluciones digitales disponibles en el mercado con particular atención a
la monitorización de los activos (por ejemplo, bombas y válvulas), unos de los principales protagonistas para la
correcta distribución y gestión del agua.

Muchas industrias ya han pasado por una transformación digital, con resultados abrumadoramente positivos. Por
ejemplo, los coches de F1 tienen ahora instalados más de 300 sensores inteligentes que permiten analizar
parámetros críticos del motor y datos biométricos del conductor en tiempo real (se estima que en cada GP se
intercambian más de 400GB de datos entre coche y centro de control) mejorando sensiblemente las performances
respecto a las de hace 10 años (por ejemplo, los Pit Stop ahora duran menos de 3 segundos).

La transformación digital, por lo tanto, puede ser vista como una evolución natural en la industria hídrica.

Las barreras para la transformación digital y sus soluciones

Hay varias razones por las que la adopción de la digitalización está tardando más en la industria del agua que en
otras industrias:

1. Los sistemas de distribución del agua y control suelen ser antiguos, lo que hace que la integración y
la interoperabilidad de nuevos sistemas sean un gran obstáculo. Afortunadamente, el Internet de las cosas
(IoT) está facilitando esta transición con plataformas nativas en la nube que son independientes de los
datos: la industria de la tecnología sabe que este es un factor clave para que todos participen e integren sin
problemas nuevas capacidades (ejemplo, sistemas API).
 2. La ciberseguridad es otra preocupación creciente que da lugar a una nueva serie de temores. Hoy en día,
se han desarrollado herramientas de software de seguridad que son prácticamente imposibles de
encriptar (ejemplo cifrado AES a 256bits)
3. Problema cultural: existe el temor a la tecnología, especialmente en una industria del agua que tiene una
gran fuerza laboral que envejece y se ha acostumbrado a un rol definido donde su experiencia es su mayor
activo. Dar esas responsabilidades definidas a un dispositivo conectado puede percibirse como una
amenaza. Afortunadamente, muchas tecnologías alojadas en la nube están diseñadas para ser intuitivas y
fáciles de usar, con paneles visuales personalizables, alertas y procesos automatizados. El alojamiento en
la nube también ofrece una solución sin mantenimiento para los departamentos de IT de las empresas.
4. Problemas de costes / inversiones: Muchas de las herramientas es cierto que pueden conllevar un
aumento inicial del coste pero esta inversión se va compensando por los beneficios medioambientales y en
forma de ahorros que obtenemos. Normalmente se habla de ROI (return of investment) inferiores a un año
para soluciones como el condition monitoring.

Estos obstáculos han llevado a una transformación no lineal en las empresas de agua y por lo tanto en el siguiente
párrafo definiremos varias etapas de adopción digitales y sus principales soluciones.

Las etapas de adopción digitales y sus soluciones

Para convertirse en una empresa de agua digital, es importante establecer con claridad el nivel de implementación
digital para poder mejorar de forma efectiva la eficacia en la gestión de los recursos hídricos.

Por ejemplo, podemos definir 5 etapas de adopción digital (fig.2):

1. No iniciado
2. Básico
3. En Desarrollo
4. Sistemático
5. Transformacional

Fig. 3 – Las 5 etapas de adopción digital (Cortesía de Flowserve)

En la etapa 1 estamos considerando una infraestructura analógica y obsoleta, donde el primer paso es reconocer la
digitalización como prioridad. Es fundamental desarrollar un proyecto piloto seleccionando los parámetros más
críticos que se quieren digitalizar/monitorizar. Un proyecto piloto, por ejemplo, podría ser la implementación de
sensores de vibraciones, temperatura y presión en las bombas que avisan a la sala de control de forma inmediata en
caso de valores anómalos.

La etapa 2 es una directa evolución de la etapa 1: Los datos enviados a la sala de control pueden ser almacenados
también en la nube y enviados (existen varios protocolos wireless de comunicación: LoraWan, WirelessHart, GSM,
Isa-100…) a tablet, móviles o laptop para tener una monitorización de forma remota (condition monitoring). En esta
etapa se empieza a adoptar el concepto de forma básica de IoT ya que los instrumentos, sensores y dispositivos
móviles están conectados entre ellos (implementando por ejemplo sistemas SCADA). El hecho de poder recolectar
datos en la nube, permitiría a una empresa de agua pasar de forma casi inmediata a la fase 3 de esta transformación
digital.

El nivel 3 consiste en implementar una gama más amplia de sensores respecto a la etapa 2, ya sea utilizando una
infraestructura de medición avanzada y/o soluciones como GIS (Geographic information system) o modelos de redes
hidráulicas conectados directamente entre ellos para informar y mejorar la toma de decisiones.

Por ejemplo, en esta etapa el uso de sensores de detección de fugas de agua, junto con los datos históricos de
filtraciones almacenado en la nube e implementados con un modelo de red hidráulica, pueden mejorar
sensiblemente la correcta selección de las tuberías más críticas que tienen que ser sustituidas durante una parada
de manutención programada y al mismo tiempo gestionar de forma más eficiente el flujo a través de las bombas de
distribución.

Los niveles 4 y 5 se logran recopilando datos casi en tiempo real de diferentes fuentes. La información generada a
partir de sensores y datos históricos de la red, combinada con las técnicas más innovadoras (inteligencia artificial,
machine learning, gemelos digitales, algoritmos y realidad virtual/aumentada) permiten ayudar a las empresas a
mejorar la eficiencia de su sistema y su impacto medio ambiental. Además, mejoran la planificación, en función de
resultados predictivos, para cumplir sus objetivos comerciales, ambientales y legislativos a largo plazo.

Por ejemplo, un análisis predictivo de una bomba no solo permite prever problemas como cavitación o recirculación
de flujo interno, sino permite también trabajar de forma continua en los puntos de máxima eficiencia con la
consecuente optimización del consumo de energía y reducción de emisiones de dióxido de carbono a la atmosfera.

Otro ejemplo de este nivel de trasformación digital es el uso de la realidad virtual o mixta para aprender de forma
segura los pasos correctos de mantenimiento sobre el gemelo digital del activo o para estar conectado en remoto
con el centro de servicio para obtener asistencia de forma inmediata.

Fig. 4 – Ejemplo de solución digital: Realidad Mixta

Como hemos visto en el párrafo anterior, en cada una de las 5 etapas los activos como bombas y válvulas son unos
de lo mayores retos de la transformación digital en el mercado del agua.

Basta con pensar que, en las plantas de desalinización de osmosis inversa, las bombas de alta presión representan
el 80% del consumo eléctrico total de la planta.

Por lo tanto, en el siguiente párrafo examinaremos las mejores soluciones digitales de análisis de los activos.

La gestión de los activos en la trasformación digital del agua

En la gestión de activos y el análisis de su estado en campo, es algo que se ha trabajado durante muchísimo tiempo.
La tecnología para hacer una medición en campo rutinaria lleva mucho tiempo implementada como una forma de
mantenimiento. Desafortunadamente, este planteamiento difícilmente se acerca a un mantenimiento preventivo y
se queda como parte de un mantenimiento correctivo.
Un análisis rutinario en campo sólo detalla el estado del equipo en un momento y unas condiciones de servicio
determinadas. No se puede asumir que ese equipo funciona continuamente bajo los mismos procesos por lo que es
prácticamente imposible asumir que un equipo se encentra en unas condiciones óptimas cuando la única referencia
son unos datos aislados en un momento determinado.

Esto nos da una evidencia de donde empieza la transformación digital, en la cantidad de datos disponibles.

Con una medición en campo, supongamos que se realiza una vez al mes, se obtendrán 12 mediciones en un año.
Por el contrario, con una medición mediante sensores, por ejemplo, cada 30 minutos, nos ofrece más de 18000
oportunidades de encontrar variaciones y si hablamos de mediciones en tiempo real el número crece a más de un
millón de oportunidades en un año.

Es obvio cómo una instrumentación adecuada puede incrementar exponencialmente los datos que obtenemos de
los equipos.

Estos datos se pueden almacenar en sistemas de gestión de activos (AMS) y eventualmente hacer una búsqueda o
un análisis pormenorizado, aunque por desgracia es una actividad que requiere muchísimas horas de trabajo, o
prácticamente es imposible ya que los equipos humanos que gestionan estos datos suelen ser pequeños o no tienen
el conocimiento necesario para hacer un análisis profundo.

En general, queda claro que la tecnología facilita enormemente la toma de datos, aunque no exactamente su
gestión; ¿así que dónde está la revolución IoT?

La revolución en este campo es directamente la gestión de estos datos.

Un planteamiento sencillo para equipos no críticos: un análisis de tendencia de los datos obtenidos, a través de una
gestión implementada en una plataforma web donde se detallan de una manera muy simple y eficaz esos datos en
gráficas, permite de una manera visual e intuitiva ver si alguno de los parámetros monitorizados tiene una tendencia
hacia valores de riesgo o por el contrario se mantienen en una zona segura de acuerdo con los parámetros de la
máquina donde se están haciendo mediciones.

En el caso de moverse a zonas de riesgo el sistema automáticamente notificará al usuario de esta situación, lo que
permitiría centrarse y dedicar el recurso necesario en campo para verificar esa situación.

Si comparamos esto con un modelo de almacenaje de datos (AMS) son obvias la diferencias. Con un AMS nos
sumergimos en un volumen de datos ingentes sin ningún formato. Darle significado es complicado y cuando llegas a
una conclusión es una situación que ya pasó y muy probablemente haya empeorado.

Por el contrario, con un servicio automático de alertas, los responsables de la confiabilidad de una planta pueden
notificar en el mismo momento a operaciones que un activo determinado está mostrando síntomas que pueden
derivar en una falla mayor, por lo que conviene empezar a tomar medidas preventivas y pensar que en la siguiente
parada ese equipo necesitará una revisión más profunda o incluso se puede prever si se necesitarán recambios o
algún equipo auxiliar necesario para completar los trabajos.

Otra ventaja, podría ser hacer un estudio pormenorizado de las condiciones de proceso y determinar si han sido
éstas las detonantes de esa desviación en el funcionamiento de la máquina en vez de pensar en el equipo en sí
mismo como el problema. Podríamos mejorar la operación y ampliar el MTBF (tiempo medio entre fallos) del
equipo. Se aumenta la disponibilidad del equipo y se reduce su mantenimiento.

De no contar con esta información de antemano, cualquier acción de cara a paliar el problema es reactiva lo que
conlleva un nivel de riesgo muy alto para la operación. La optimización y gestión de los equipos humanos y
materiales se ve enormemente beneficiada y esto tiene una traducción económica muy positiva en la gestión de las
plantas.

Sistemas como Red Raven™ de Flowserve y tecnología LoRaWAN y sus sensores Node ER, permiten con una
infraestructura mínima tomar datos de multitud de equipos de una manera muy segura. Un solo Gateway podría
recibir información de cientos de sensores distribuidos en un radio de has 1.6Km y de éste enviarse a la nube para
su gestión automática y análisis en el portal web.

Una aplicación para esta tecnología podrían ser las bombas en red de distribución de agua donde multitud de
equipos están repartidos en diferentes plantas y en la mayoría de los casos con un mantenimiento mínimo. Con Red
Raven™ todos estos activos podrían estar perfectamente monitoreados y en caso de alguna variación en su
funcionamiento ser notificada a los responsables y estos decidir qué acción preventiva sería la mejor para evitar un
problema mayor.

Fig. 5 - Ejemplo de activo monitorizado con sensores Wireless (Cortesía de RedRaven™ Flowserve)

Otro planteamiento para el uso de esta tecnología, podría ser la gestión de equipos críticos para la operación donde
no es suficiente saber la tendencia de su estado de condición, sino que se requiere saber detalladamente cómo se
encuentran cada uno de sus componentes o si el rendimiento del equipo ha cambiado respecto a su diseño.

Esta aproximación requiere una toma de datos mucho mayor que en el primer caso. Para estos casos estamos
hablando de mediciones en tiempo real.

Esto permite implementar un análisis muchísimo más detallado con una base algorítmica e incluso empezar a hablar
de prever condiciones futuras antes de que se manifiesten.

Sin embargo, hay que destacar que tipo de algoritmos son los idóneos para cada situación.

Se escucha mucho hablar de modelos basados inteligencia artificial, sin embargo, en muchas situaciones no es el
mejor aliado, en particular en la gestión de esos equipos.

Es importante entender este concepto puesto en muchos casos se presume que la “inteligencia artificial” va a
solucionar todos los problemas y no es el caso.

Este tipo de algoritmos trabajan a partir de la condición existente de los equipos donde se toman los datos. Esto trae
aparejado un problema serio y es que, si los datos iniciales tomados en la máquina no son los ideales, esa línea
base de la que partir será errónea por lo que la gestión y el monitoreo futuro de esos equipos ya estará
condicionada. Estará vinculado a condiciones preexistentes, y esto no es lo que se quiere.

Este tipo de algoritmos suelen estar disponibles a través de multitud de empresas y en la gran mayoría, las
empresas que los ofrecen no tienen conocimiento de los equipos donde se están implementando por lo que el cliente
que utilice esta tecnología se verá en una situación desfavorable puesto que no recibirá ningún detalle sobre sus
equipos.

Esto puede ser un gran problema a la hora utilizar correctamente esta tecnología de inteligencia artificial además
que la manipulación continua del algoritmo para adaptarse a los cambios de la máquina necesitará de especialistas
para su mantenimiento y esto tendrá un coste considerable.

En vista de esta situación, ciertos proveedores de servicios de monitoreo IoT se plantearon un análisis diferente.
Desarrollaron algoritmos basados en parámetros físicos de la máquina en su condición óptima a la salida de
fábrica. Esto trae una gran ventaja muy importante respecto a la implementación de algoritmos de inteligencia
artificial.

La línea base donde hacer el análisis es la idónea y la implementación es inmediata. No se requiere un tiempo de
adaptación y el continuo afinado del algoritmo a las condiciones de proceso de la máquina.

¿Por qué hay más empresas ofreciendo modelos de inteligencia artificial para el monitoreo de equipos? El desarrollo
de estos modelos es simple y barato que desarrollar algoritmos con base física.

Para desarrollar algoritmos físicos, se requiere tener una experiencia previa muy extensa y el know-how de esos
equipos que se quieren monitorizar. Los datos necesarios para desarrollar algoritmos físicos son el resultado
de la experiencia de muchos años de investigación y desarrollo del diseño de la máquina y ensayos en
banco de pruebas.

Muy pocas empresas son capaces de ofrecer estos modelos y por consiguiente ofrecer la capacidad de prever y
anticiparse a una alteración en el funcionamiento y rendimiento de los equipos.

Soluciones como el “Predictive Analytics” de Red Raven™ de Flowserve ofrece una solución a través de su portal
donde se muestra toda la información de los equipos monitoreados y permiten trabajar en torno a 15 modelos de
falla diferente, desde fallos mecánicos, tribología hasta fallas hidráulicas, como por ejemplo cavitación, recirculación
interna o circulación en vacío.
Fig. 6 - Ejemplo de Red Raven™ con análisis predictivos (Cortesía de Flowserve)

Con los sensores adecuados se podría obtener la curva de una bomba en tiempo real y obtener el gemelo digital de
equipo, siendo capaces de gestionar el rendimiento de este equipo, mejorando su disponibilidad y la operabilidad por
mucho más tiempo. Se podrían obtener recomendaciones para mejorar su uso o incluso mejorar las condiciones de
proceso mejorando su productividad y su gasto energético.

Un ejemplo claro, como mencionado anteriormente, es una planta desaladora donde las bombas de alta presión son
equipos tremendamente energéticos, el funcionamiento óptimo es primordial para mantener el coste por litro dentro
de los parámetros en los que fue diseñada la planta. Cualquier desviación en este sentido puede suponer un lastre
muy importante para la rentabilidad de la planta.

Red Raven™ ofrece soluciones para el análisis predictivo en bombas, sellos mecánicos, así como instrumentación,
válvulas de control y actuadores eléctricos.

Conclusiones
Hemos visto como es fundamental la optimización de los recursos hídricos a través de las tecnologías digitales.
Convertirse en una empresa digital de agua es una necesidad para abordar el envejecimiento de las infraestructuras
y el aumento de la escasez de agua, el estrés en los sistemas de agua, la urbanización y los fenómenos
meteorológicos extremos.

Evitar desperdiciar un bien tan preciado como el agua está en nuestra mano. Las soluciones digitales representan
las mejores medidas que podemos tomar para mejorar el uso del agua porque permiten:

 Reducir las emisiones de CO2

 Eliminar o reducir el uso de pesticidas y otros tipos de productos químicos que suponen una amenaza para
nuestra naturaleza
 Mejorar la depuración las aguas residuales
  Reducir el NRW

Todavía estamos a tiempo de mejorar la gestión del agua a través de la tecnología digital, respaldada por
instituciones sólidas que garanticen el derecho de todos al preciado líquido.

Francesco Giuseppe Ladisa

Global Product Leader – Digital Water Flowserve

Carlos Ortiz
Business Development Manager – Red Raven™ IoT Flowserve

[1] https://www.bbc.com/mundo/noticias-internacional-62718599

[2] https://www.fundacionaquae.org/agua-y-contaminacion/

[3] https://news.un.org/es/story/2020/11/1484732

[4] https://www.istat.it/it/files/2021/03/Report-Giornata-mondiale-acqua.pdf

[5] https://www.unicef.org/turkiye/en/press-releases/one-five-children-globally-does-not-have-enough-
water-meet-their-everyday-needs