Articulo plataforma para mantenimiento predictivo

[pic 1]

1. Introducción

Durante los últimos años, el costo y el tiempo han sido controladores de los sistemas de fabricación, garantizando fiabilidad, seguridad e integridad no se ven comprometidos [1].

El mantenimiento de los sistemas de manufactura cada vez más importante, ya que en muchas plantas industriales, Los costos de mantenimiento a menudo exceden el 30% de los costos operativos y en el contexto del ciclo de vida de los sistemas de fabricación, mantenimiento y soporte, representan hasta 60 a 75% de los costes totales del ciclo de vida [2]. Los sistemas actuales no proporcionan una forma sistemática y estructurada de modelar e integrar los fallos tempranos en las actividades de mantenimiento asociadas. Aunque se construyen sistemas o subsistemas avanzados, con capacidades de monitoreo en tiempo real, los datos Cuando se recogen no se organizan y analizan y en Las acciones correctas de mantenimiento predictivo no pueden Ser aplicadas. La visualización de los datos de operación que Podría conducir a un mejor análisis de las Mantenimiento es bastante simplista con el uso de 2D Imágenes y gráficos típicos, carentes de un Interfaz que facilita la comprensión del ingeniero.

2. Prácticas industriales y enfoques académicos

Las tecnologías avanzadas de mantenimiento que aumentan la sostenibilidad de los sistemas de producción no han sido bien implementadas en la industria [3]. Dentro de la sección actual, se presentan los enfoques, herramientas y modelos existentes en las siguientes áreas:

 I) Mantenimiento basado en la condición,

Ii) Evaluación Ambiental de Sistemas de Producción,

Iii) Visualización de resultados y

Iv) Plataformas de Mantenimiento Integradas.

Condition Based Maintenance.

La ocurrencia de manteni miento no programado puede introducir retrasos costosos y cancelaciones si el problema no puede ser rectificado de manera oportuna. El mantenimiento basado en condiciones (CBM) es un programa que recomienda acciones de mantenimiento, basadas en el estado del sistema de producción. El CBM utiliza métodos de pronóstico y se considera que es más eficiente sin perder su fiabilidad en comparación con el mantenimiento planificado en relación con el costo [4]. Un programa de CBM consta de tres pasos clave: 1) Paso de adquisición de datos (recolección de información), para obtener datos relevantes para la salud del sistema, 2) Paso de procesamiento de datos (manejo de información), para manejar y analizar los datos o señales recogidos en el paso 1 para Mejor comprensión e interpretación de los datos, 3) paso de toma de decisiones de mantenimiento (toma de decisiones), para recomendar políticas de mantenimiento eficientes [4].

La etapa de toma de decisiones de mantenimiento se puede analizar más a fondo en dos subetapas, en particular, los diagnósticos y los pronósticos. Los diagnósticos se ocupan de la identificación y la cuantificación del daño que ha ocurrido, mientras que los pronósticos implican la predicción del daño que todavía está por ocurrir [5] [8].

Los diagnósticos incluyen: i) detección de fallos, ii) aislamiento de fallas y iii) identificación de fallos, mientras que los pronósticos comprenden i) predicción de vida útil remanente (RUL) y ii) estimación de intervalo de confianza. La detección de fallos es responsable de la detección y notificación de una condición de funcionamiento anómalo, el aislamiento de falla se refiere a la determinación del componente que está fallando o ha fallado y la identificación de falla se refiere a la estimación de la naturaleza y la magnitud del fallo. La predicción de vida útil restante intenta identificar el tiempo de avance antes de que se alcance un criterio de fallo, mientras que la estimación del intervalo de confianza intenta cuantificar el intervalo de confianza de la predicción RUL.

 La adquisición de datos es el proceso de recolección y almacenamiento de datos de los activos objetivo con fines de mantenimiento. Los datos recopilados se pueden clasificar en dos categorías principales: i: datos de eventos y ii) datos de monitoreo de condiciones. La primera categoría incluye datos relativos a la información sobre lo que sucedió (por ejemplo, ruptura y cuáles son las causas) y qué se hizo (por ejemplo, la reparación) al activo físico objetivo. Los datos de monitoreo de la condición son las mediciones (por ejemplo presión, temperatura) de los parámetros relacionados con la condición de salud del activo físico. El procesamiento de datos incluye dos pasos principales: limpieza de datos y análisis de datos. La limpieza de datos es responsable de eliminar los errores y el ruido de los datos recuperados. El análisis de datos implica métodos, tales como análisis de dominio de tiempo, análisis de dominio de frecuencia y análisis de datos de eventos. Los modelos de media móvil autorregresiva (ARIMA) Extensivamente como una técnica de análisis de dominio del tiempo [6]. En [7], un modelo de AR se utiliza para el modelo de señales de vibración, recogidos de un motor de inducción. Análisis de componentes principales utilizados en el diagnóstico de fallas de engranajes o retrato en pseudo-fases [9] y la técnica de la dimensión de correlación [10]. El modelo de riesgos proporcionales (PHM), perteneciente al análisis de datos de eventos, tiene como objetivo relacionar la probabilidad de fallo con las variables edad y condición, de modo que se puede evaluar la probabilidad de fracaso con la condición de la máquina dada en cualquier edad especificada. En [11], se ha desarrollado un modelo PHM para el análisis de datos de medición de fallos y diagnósticos desde rodamientos.

El diagnóstico de avería de máquina es un procedimiento de mapeo de la información obtenida en el espacio de medición y / o características en el espacio de características para mecanizar fallas en el espacio de falla [4]. La prueba de hipótesis es un método utilizado con bastante frecuencia en el diagnóstico [12] [13] [14]. El análisis de clúster es otro enfoque estadístico que clasifica las señales de grupo en diferentes categorías de fallas, basándose en la similitud de sus características. Los enfoques de AI se han aplicado cada vez más al diagnóstico de máquinas y parece que el enfoque de AI supera a los convencionales. Las redes neuronales (NNs), en particular, la alimentación NN (FFNN) estructura es ampliamente diagnóstico de falla de máquina [14]. Las aplicaciones de ES para el diagnóstico de fallas se analizan más a fondo en los sistemas de razonamiento basado en reglas [15], razonamiento basado en cased y sistemas de razonamiento basado en modelos. Los NNs almacenan el conocimiento mediante el entrenamiento en los datos observados con las entradas y salidas conocidas, mientras que las ES utilizan conocimiento de dominio de expertos en un programa de computadora con un motor de inferencia automatizado [16] [17]. Los enfoques basados ​​en modelos son descripciones matemáticas de sistemas basados ​​en la física específica. Tales métodos han sido implementados para sistemas tales como cajas de cambio, cojinetes, rotores y herramientas de corte [18].

...