dad . La mayoría de las fallas son causadas por eventos o condiciones que ocurren durante la manufactura del componente causante de la falla o en la operación del equipo . Es por esto que cuando se sigue un enfoque tradicional de mantenimiento aún se presentan paros por falla inesperados . Para lograr un mantenimiento efectivo es necesario tener un monitoreo de indicadores de salud de los equipos .
El mantenimiento basado en condiciones y el predictivo necesitan de la disponibilidad en tiempo real de los indicadores de salud del equipo para la planificación adecuada de los mantenimientos .
El primer enfoque consiste en la configuración de valores límites de los indicadores en estado saludable , los mantenimientos programados a partir de las alarmas por indicadores fuera de rango ayudan a que el mantenimiento se realice únicamente cuando la probabilidad de falla es alta .
Involucrar modelos de inteligencia artificial para el reconocimiento de patrones de falla ayuda a tener un control más fino de la planeación de los mantenimientos , permitiendo tener un estimado de tiempo de vida útil del equipo e incluso un pronóstico del tipo de falla que lo afectará .
Selección de equipos y variables
Para iniciar un programa de mantenimiento predictivo es necesario identificar equipos a ser controlados ya que no es posible realizarlo con todos los equipos instalados por diferentes motivos tales como :
• Cantidad de personal disponible
• Equipos de medición requeridos
• Personal debidamente capacitado
Se recomienda priorizar los equipos de acuerdo a costos del mantenimiento , costo en producción asociado a su falla y frecuencia de paros imprevistos que tenga el equipo .
La selección de las variables a medir depende de los procesos y / o sistema a ser evaluado , en general las variables seleccionadas para control son las siguientes :
• Vibración
• Temperatura
• Condición de aceite
• Velocidad
• Cantidad de arranques
• Distancia recorrida con carga
• Consumo de energía
• Corriente
• Voltaje
• Potencia
• Horas de uso
Selección de modelos
Para el presente trabajo categorizamos tres grupos de modelos y su orden de aplicación para llevar a una planta con un plan de mantenimiento tradicional a una estrategia de mantenimiento predictivo . Las estrategias de mantenimiento predictivo requieren de contar con información histórica de la salud del equipo y los mantenimientos realizados , esta información se utilizará para la preparación de modelos especialmente ajustados para cada uno de los equipos seleccionados . Las categorías de modelos seleccionados son las siguientes :
Mantenimiento y seguridad industrial
• Estadísticos multivariados
Las estrategias estadísticas son la primera aproximación para conocer de forma cuantitativa el estado de un equipo . El análisis y monitoreo continuo de estadísticos multivariados sobre las variables relacionadas al funcionamiento del equipo son un buen indicador de la salud general del mismo .
• Aprendizaje no supervisado
Uno de los principales de los algoritmos de aprendizaje no supervisado es la detección de valores atípicos . Aplicado a mantenimiento predictivo , el aprendizaje no supervisado se adaptará a reconocer los patrones de funcionamiento normal del equipo e identificar con mayor precisión patrones de comportamiento extraños .
Figura 1
Var 1
Comparación de zonas de comportamiento normal de alarmas tradicionales contra modelo de aprendizaje no supervisado .
• Aprendizaje supervisado
Los modelos de aprendizaje supervisado son aquellos que requieren que la información histórica en la que están basados se encuentre identificada con el valor de la variable objetivo correspondiente . Para su aplicación a mantenimiento predictivo , este modelo resulta de gran utilidad para la estimación de tiempo de vida útil . Para su entrenamiento se requiere contar con información histórica de las variables y registros de las fallas presentadas . A partir de estos datos se puede identificar el tiempo restante antes de la falla para cada registro de información de las variables .
Resultados
Var 2
Zonas de comportamiento normal detectadas por el algoritmo
Límite de alarma tradicional
Cuando las variables a considerar para el mantenimiento predictivo son de tipo numérico , se hace uso de reducción de dimensionalidad mediante el análisis de componentes principales . Este es un procedimiento estadístico que busca representar la información en una menor cantidad de variables mediante una transformación a variables no correlacionadas que capturen la mayor cantidad posible de varianza . Estas componentes o variables transformadas
se obtienen de acuerdo a la siguiente ecuación :
k-1 Xk ˆ = X – ∑Xw
T
( s ) w ( s ) s = 1
13
OCT-DIC 2022 l ASOCIACIÓN TECNOLÓGICA DEL HIERRO Y EL ACERO l AISTMEXICO . COM