Articulo plataforma para mantenimiento predictivo

...

El principal objetivo del pronóstico es la predicción del tiempo restante antes de que ocurra un fallo (o, una o más fallas) dada la condición actual del sistema y el perfil de operación pasada. El enfoque principal ampliamente utilizado en los pronósticos se refiere a la estimación de la vida útil restante (RUL). RUL enfoques se clasifican por [4] [5] en cuatro categorías principales: a. Basada en el conocimiento, b. Modelos físicos, c. Redes neurales artificiales y d. esperanza de vida. Los modelos basados ​​en el conocimiento almacenan los fallos definidos en una base de datos. En caso de un nuevo evento, recuperan del pasado, la observación más similar, relacionada con un fracaso, y se deduce la esperanza de vida del activo. Los modelos basados ​​en el conocimiento se clasifican además en sistemas expertos y difusos. Las redes neuronales artificiales calculan la vida útil restante de un motor directa o indirectamente, mediante el entrenamiento de una ANN [16] [17] [19] [20] con datos de observación pasados ​​de eventos de falla. Los modelos físicos proporcionan una evaluación de la RUL, basada en una representación matemática del comportamiento físico del proceso de degradación. Finalmente, los modelos de esperanza de vida [19] determinan el tiempo restante de un activo o componente de un activo con referencia al riesgo esperado de deterioro, bajo condiciones de operación conocidas.

Impacto Ambiental y Costos de Energía

Evaluación. La energía es hoy la clave del crecimiento económico y, a su vez, los combustibles fósiles siguen siendo la clave para la producción de energía en todo el mundo. Las actividades de fabricación pueden implicar un consumo de energía significativo. Además, la transformación de materias primas en productos de consumo puede ser también una fuente de contaminación ambiental. Los residuos que salen de las actividades de fabricación son una amenaza ambiental, varias regiones del mundo. En general, los residuos de fabricación implican un grupo muy diverso De las sustancias, debido a la amplia gama de productos producidos y procesos involucrados. Los residuos generados dependen de la tecnología utilizada, de la naturaleza de la materia prima procesada y de la cantidad que se descarta al final de la cadena. Dado que la producción de bienes sigue aumentando constantemente en todo el mundo, las emisiones de gases de efecto invernadero de todos los principales combustibles también están en aumento [21].

[pic 2]

Visualización de Resultados de Mantenimiento y Ocupaciones.

La Realidad Aumentada se refiere a un entorno predominantemente real mejorado por la adición de contenido virtual. La tecnología AR proporciona los medios de combinar una rica capa, multi-modal, experiencia virtual en 3D en un entorno real [22]. En cuanto al mantenimiento, se han realizado investigaciones sobre la inserción de AR en los procesos de producción y fabricación [22] [23] [24] A Collaborative Virtual Reality Environment, se desarrolló mediante la combinación de varios grados de intercambio de información, visualización 3D y metáforas de la interacción del usuario en el mundo real. En [24], un el entorno de fabricación colaborativa se conceptualizó y se diseñó sobre la base de una arquitectura abierta, mientras que una tecnología de servidor de navegador tenía tres capas que eran datos, negocios y capa de presentación. En [25], los autores describen un método de planificación de procesos mediante el uso de una herramienta que asigna AR datos de acuerdo con los procesos de ensamblaje. Es importante señalar que en el último caso, los enlaces que el planificador crea entre el recurso del producto y la operación son Automáticamente identificados por la información de seguimiento.

Plataformas Integradas.

Durante los últimos años, se han realizado varios intentos para el desarrollo de plataformas que aborden todos los pasos del mantenimiento basado en condiciones, para una serie de equipos, desde los sensores y la recopilación de datos hasta la toma de decisiones de mantenimiento. CASIP (Seguridad Asistida por Ordenador y Productividad Industrial) es una plataforma de mantenimiento industrial para la fabricación, que permite el acceso remoto y las tecnologías móviles, desarrollado por PREDICT [26]. La plataforma de TELMA se basa en el producto CASIP industrial y encapsula el desarrollo de un proceso de pronóstico dentro de e-mantenimiento [27] y se basa en una combinación de un enfoque probabilístico para un modelo de mecanismo de degradación del sistema junto con un método uniforme de dinámica Degradación. Otra plataforma [28] sigue la base de un modelo de referencia para sistemas de gestión de fallas, capaz de realizar prevención de planes de mantenimiento, detección de fallas y tareas de aislamiento y diagnóstico. Este enfoque utiliza un sistema de agentes múltiples, en particular, MASCommonKADS [29] y como marco de referencia se utilizó el AIDCS (agente basado en Intelligent Distributed Control System). Se encuentra que pocos investigadores utilizan dispositivos móviles, especialmente PDAs con tecnología incorporada y aún menos con tecnología Web [29] [30]. Por otra parte, muy pocas plataformas que permanecen en el nivel de investigación pueden abordar todas las capas de mantenimiento basado en condiciones, mientras que los Sistemas de Gestión de Mantenimiento Computarizado no proporcionan pronósticos de alta precisión mediante la utilización de avanzados enfoques de Inteligencia Artificial.

Adquisición y Análisis de Datos.

Los sistemas sensoriales existentes son bastante simples, sin ofrecer funcionalidades inteligentes y compartir datos en línea. Existe la necesidad de avanzadas técnicas de multi sensores, capaces de una robusta adquisición de datos en línea. Además, la calidad de las mediciones se ve afectada significativamente por el ruido del sensor, las perturbaciones y la degradación del instrumento. Los modelos físicos de degradación del equipo proporcionan una alta precisión, mientras que por otro lado, son caros y su campo de aplicación es bastante estrecho. Modelos estocásticos como ARMA no son capaces de capturar procesos no estacionarios, mientras que los modelos de regresión no acomodan choques aleatorios.

Gestión del Conocimiento.

La detección de averías requiere personal altamente capacitado y capacitado, por lo que se requiere una detección automática de fallas. El conocimiento derivado de fallas del pasado no se almacena sistemáticamente, por lo tanto, en términos