Resumen

El mantenimiento preventivo es una filosofía para la administración de activos que persigue el fin de maximizar la operación mediante rutinas de inspección, las cuales aumentan su frecuencia a medida que no se presenta un estado anormal, conllevando a que se incremente la probabilidad de falla debido a la mayor cantidad de intervenciones y por el error humano inherente. Recientemente la investigación de pronóstico ha sido utilizada con el objetivo de alcanzar estrategias efectivas de mantenimiento y con el fin de evaluar y administrar el riesgo residual en equipos que sufren degradación. El pronóstico se relaciona con la estimación de vida útil restante (RUL) de un activo al predecir su estado de salud durante la progresión de la degradación. Este artículo presenta el desarrollo de un sistema automático para identificar tipos de fallos en rodamientos, empleando Coeficientes Cepstrales en la escala de Mel (MFCC) como conjunto de características y Cadenas Ocultas de Markov (HMC) con observaciones discretas como clasificador. Se hace hincapié en la selección óptima de estados del clasificador HMM mediante el criterio de curvas ROC (Receiver Operating Characteristic). Las características son discretizadas empleando agrupamiento por k-medias. Las señales de estudio son datos de vibración provenientes de rodamientos. Se emplean dos bases de datos que presentan cuatro escenarios diferentes de operación, a saber: normal, falla en pista interna, falla en pista externa y falla en bola. Una de las bases permite diferenciar niveles de severidad para cada escenario de operación.

INTRODUCCIÓN

Los fabricantes estadounidenses invirtieron a principios de los años ochenta unos 600 bimillones de dólares en el mantenimiento de sistemas críticos. Estos gastos se duplicaron en tan sólo 20 años, y una alarmante mitad del dinero se destinó al mantenimiento no efectivo [1]. Sin embargo, la presión constante por mejorar la fiabilidad de los activos sigue intacta [2]. Tanto es así que las inversiones en acciones preventivas y predictivas se convirtieron globalmente en el 65,9% de los recursos de mantenimiento en 2008 y en el 72,4% para el mundo industrializado [3]. Lo preocupante es que el consumo de energía industrial crece en participación global, con un 42,6% en 2013 [4].

Con el propósito de desarrollar estrategias de mantenimiento eficientes, se han enfrentado retos relacionados con la investigación predictiva para gestionar el riesgo residual de los equipos que fallan [2].

La investigación predictiva en este contexto debe entenderse como la estimación de la vida útil restante (RUL) de un activo mediante la predicción de la progresión de una anomalía diagnosticada [5].

• Materias:Mantenimiento - Equipo y accesorios Mantenimiento Localización de fallas (Ingeniería) Control automático
• Subjects:Maintenance - Equipment and supplies Maintenance Troubleshooting (Engineering) Automatic control
• Palabras claves:Agrupamiento por K-medias; Cadenas ocultas de Markov; Coeficientes cepstrales en la escala de Mel; Extracción de características; Identificación de fallos; Vida útil restante
• Keywords:Fault identification; feature extraction; Hidden Markov Chains; k-means clustering; Mel-Frequency Cepstral Coefficients; remaining useful life