El equipo no saludable hace referencia a que presentará falla dentro de los siguientes 30 usos .
Con este último etiquetado , el modelo clasifica correctamente el 92.15 % de los registros , mejorando la exactitud en comparación al método estadístico .
La siguiente gráfica representa los resultados del modelo de aprendizaje supervisado , cuyo objetivo es predecir el tiempo de vida útil restante ( RUL ). Los periodos entre falla y falla más largos registran alrededor de 350 usos , siendo la media 237 . En vertical se muestra el valor predicho y en horizontal el real .
El ajuste de los
Figura 3 resultados muestra un R 2 de 0.73 . Para este modelo era de esperarse que se presentara dispersión a mayor tiempo de vida útil restante ya que no se espera que sea significativa la diferencia entre registros de estado saludable .
Tiempo de vida útil restante , predicción vs . real .
A menores valores de RUL la dispersión se reduce debido a que el comportamiento de las variables comienza a mostrar signos de deterioro . Se considera que para mantenimiento predictivo es prioritario que la estimación del tiempo de vida útil restante sea preciso especialmente cuando la falla está próxima a ocurrir .
Considerando las predicciones para registros con RUL menor a 150 , la dispersión disminuye para alcanzar un valor de R 2 de 0.86 , mostrando un buen nivel de desempeño .
Conclusiones
La metodología planteada permite identificar la inminencia de fallas dentro de los siguientes 30 usos con una precisión superior al 92 %, destaca entre los resultados que mediante el método estadístico se logra tener una ventana temporal más amplia para la planificación del mantenimiento de alrededor de 64 usos , sacrificando ligeramente la precisión del pronóstico . El modelo de inteligencia artificial que predice el tiempo de vida útil restante mostró su capacidad de dar buenos resultados , convirtiéndolo en una herramienta útil y confiable para la planificación de mantenimientos
Tabla 2
Pred .
Real Saludable
No Saludable
Normal 85.83 % 1.87 % Atípico 5.78 % 6.52 %
Tabla de contingencia de salud del equipo .
Mantenimiento y seguridad industrial
antes de que ocurra falla en el equipo . La combinación del monitoreo continuo del funcionamiento de equipos críticos junto a la implementación de modelos que generen alarmas oportunas y confiables cuando la salud de los equipos se deteriora disminuye la cantidad de paros imprevistos , mejora el aprovechamiento de los componentes y permite que el departamento de mantenimiento tenga una planeación efectiva de sus labores .
Referencias
S . V . Amari , L . Mclaughlin , H . Pham , “ Cost-effective condition based maintenance using Markov decision processes ”, Proc . Annu . Reliabil . Maintainability Symp ., pp . 464-469 , 2006-Jan .
F . I . Dehayem Nodem , J . P . Kenné , A . Gharbi , “ Simultaneous control of production repair / replacement and preventive maintenance of deteriorating manufacturing systems ”, Int . J . Prod . Econ ., vol . 134 , no . 1 , pp . 271-282 , Nov . 2011 .
Jun Zhong , Wenyuan Li , Caisheng Wang , Juan Yu , Ruilin Xu , “ Determining Optimal Inspection Intervals in Maintenance Considering Equipment Aging Failures ”, Power Systems IEEE Transactions on , vol . 32 , no . 2 , pp . 1474-1482 , 2017 .
Paresh Girhar , “ Practical Machinery Vibration Analysis and Predictive Maintenance ”, Cornelius Scheffer , 2004
J . Lee , H . Qiu , G . Yu , J . Lin , and Rexnord Technical Services ( 2007 ). IMS , University of Cincinnati . “ Bearing Data Set ”, NASA Ames Prognostics Data Repository ( http :// ti . arc . nasa . gov / project / prognostic-data-repository ), NASA Ames Research Center , Moffett Field , CA .
15
OCT-DIC 2022 l ASOCIACIÓN TECNOLÓGICA DEL HIERRO Y EL ACERO l AISTMEXICO . COM