Advanced Mining

Technology Center

Sexto Seminario de Acercamiento

Tecnológico
Calama, Chile
04 de Julio 2012

Mantenimiento Predictivo en
Equipos Mineros

Dr. Marcos Orchard

Investigador Asociado

Universidad de Chile
Facultad de Ciencias Físicas y Matemáticas
 Contenidos

1.  Definiciones y conceptos básicos

•  Anomalía / Falla / Evento Crítico (Anomaly / Fault / Failure)
•  Mantenimiento Correctivo / Preventivo / Predictivo

2.  Mantenimiento Predictivo, “Fault Diagnosis” y

“Failure Prognosis”

3.  Pronóstico de Eventos Críticos

•  Modelos para la Supervisión
•  Enfoque Predictivo Bayesiano
•  “Zonas de Riesgo” y “Ventanas de Predicción”
•  Caracterización de fuentes de incertidumbre
•  Pronóstico basado en modelos
•  Casos de estudio

4.  Conclusiones

www.amtc.cl
 Definiciones y Conceptos Básicos

•  Anomalía:
•  Son patrones en los datos medidos en un proceso que no se ajustan a un
concepto bien definido de comportamiento normal.

•  Falla (fault):
•  Desviación no permitida, con respecto a lo aceptable, usual o condición
nominal, de a los menos una propiedad característica o parámetro de un
sistema.

•  Evento Crítico (failure):

•  Interrupción permanente de la capacidad de un sistema para realizar una
función requerida, bajo condiciones de operación específicas.

www.amtc.cl
 Definiciones y Conceptos Básicos

•  Mantenimiento Correctivo:
•  Conjunto de acciones que apuntan a la solución de problemas en equipos,
realizadas sólo una vez que la falla o condición es crítica y evidente.

•  Mantenimiento Preventivo:
•  Revisión periódica de los equipos y componentes, con reemplazo de los
mismo en estimaciones estadísticas (y/o criterios del fabricante).

•  Implica un aumento en la confiabilidad y disminución de fallas imprevistas

•  Mantenimiento Predictivo:
•  Supervisión periódica de variables físicas relevantes en cada equipo, con el
fin de establecer el “estado de salud” del mismo.

•  Evaluación continua de la confiabilidad y disponibilidad.

•  “El mantenimiento es una inversión, no un gasto”

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
•  Prognostics and Health Management (PHM)

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
0.8

0.6
Online Modules 0.8

0.6

0.4
1.6

1.4

1.2
1.6
1.6
1.4
1.4
1.2
8 7 6
crack length
4 5 3 2 1
0.2
0

0.4

0.6
0.4 0.2
1.2
1 1
0.8
0
1
0.2

Feature
0.8 0.8
1
-0.2 0.8

0 0.6 0.6
1.2
-0.4 0.6

De-Noising
0.4 0.4
1.4
-0.6 0.4

Preprocessed
-0.2 0 0.5 1 1. 5 2 2.5
0.2
4 1.6
x 10 0.2 0.20
0 1 2 3 4 5 6 7 8 1 22 33 44 55 6 6 7 7 8

Features &
0 1 8

Extraction
crack length cracklength
crack length
-0.4

-0.6
0 0.5 1 1. 5 2 2.5

Sensor Data Data

4
x 10

Mapping
System
Diagnosis
Loading Profile Fault

De-Noising Feature Growth

Techniques Extraction &

Mapping Flight Regime Data & Particle
Particle
Techniques Model Parameter Tuning Filter
Filter
0.8

0.6

0.4
Noise Models
0.2

-0.2

-0.4

-0.6
0 0.5 1 1. 5 2 2.5
4
x 10

Experimental Data Prognosis

Stress Table
Crack Kmin Kmax
Length

1.5 30.29 27.92
2 27.25 25.68
2.5 21.52 21.23

McFadden
Simulated Data Data Driven 3 19.47 17.82

Methods System Model for

System Model for
Prognosis
Diagnosis RUL
Offline Modules

HUMS

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
• Probabilidad de Detección / Falsas Alarmas
Loading Profile Diagnosis Block PF Detection Routine
4.5

3.5

3
50 100 150 200 250
Diagnosis Results:

Feature – Crack Length Mapping
Probability of Failure

0.5

0
50 100 150 200 250
-3 Type I Error = 1%. Type II Error =30.5786%. GAG =135
x 10
Structure for Crack 5
Progression Model
(FASTRAN / Paris’ Equation /
ANSYS / Mc Fadden)
dL
dN

= f (L,N,θ )
0
2.5 3 3.5 4 4.5
Fisher Discriminant Ratio =3.5529

Baseline Data

Specifications
Type I error = 5% (designed)
Type II Error = 5% (desired)

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
Detection Results: Type I Error = 5%
PF
PF
PFDetection
Detection
DetectionRoutine:
Routine:
Routine:GAG
GAG
GAG=245
=110
=115
=145
=170
=205
=220
=25
=90
=1
Noisy Crack

4.5
Length Estimate
4

3.5

Filtered" 3
Crack Length 50 100 150 200 250
Estimate Probability of Failure

1
Threshold
0.5
Probability of
Fault
0
50 100 150 200 250

-3 Type
Type
Type
IIError
Error
I Error
== 5%.
=5%.
5%.Type
Type
Type
IIIIError
IIError
Error=97.1409%
=90.9326%
=51.9281%
=26.6632%
=10.4032%
=99.411%
=3.4506%
=1.6284%
=100%
x 10
5
4
Crack Length
3
Baseline pdf pdf
2
1
0
2.5 3 3.5 4 4.5
Fisher
Fisher
Fisher
Fisher
Fisher
Discriminant
Discriminant
Discriminant
Discriminant
Discriminant
Ratio
Ratio
Ratio
Ratio
Ratio
=4.1877e-005
=0.00051884
=0.004204
=0.31265
=11.4857
=13.9463
=0.6798
=4.3926
=5.1617
=8.8349

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
• El concepto de “pronóstico” asume una tendencia

Pr{Failure / X ≤ x}
{
w ttf(i) ≡ Pr X = xttf(i) }

N
( )
pˆ TTF (ttf ) = ∑ Pr Failure | X = xˆttf(i ) , H lb , H up ⋅ wttf(i )
i =1

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”

•  Mantenimiento Predictivo: Metodología

–  Análisis “fuera de línea” del sistema o equipo de interés

–  Identificación de variables/parámetros relevantes

•  FMECA: Fault Modes, Effects and Criticality Analysis

–  Adquisición y análisis de datos de operación

•  Funcionamiento normal del equipo, considerando distintos rangos y puntos de operación.

•  Operación anómala, bajo distintos modos de falla.

–  Generación de indicadores de condición (IC/KPI)

–  Caracterización del estado de salud en base a KPI

–  Estudio de degradación en base a KPI y generación de modelos predictivos

–  Diseño de sistema de alarma y toma de decisiones

•  Generación y seguimiento de órdenes de trabajo (OT)

•  Verificación de condición del equipo/sistema post-intervención

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
•  Mantenimiento Preventivo vs. Mantenimiento Predictivo:

PDF Estimate of Crack Length: Fleet-wide Data at 30%, 40% and 50% Torque Values
PDF Estimate of Crack Length: PAX River Test at 40% Torque Values

0.9

0.8

0.7
Normalized Probability

0.6

0.5

0.4

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Crack Length [inches]

www.amtc.cl
 Mantenimiento Predictivo,
“Diagnosis” y “Failure Prognosis”
• Algunos de los métodos comúnmente utilizados para efecto de
capturar información relevante de la operación de un sistema:
–  Caracterización estadística (data mining, statistical process control).

–  Análisis de Vibraciones (desalineamientos/desequilibrios; problemas en

cojinetes/rodamientos, engranajes, correas transportadoras).

–  Análisis de Lubricantes (desgaste en maquinarias y componentes, desperfectos

mecánicos varios).

–  Análisis por Ultrasonido (fricción en maquinas rotativas, fallas y/o fugas en

válvulas, pérdidas de vacío, arco eléctricos).

–  Análisis por Termografía (Instalaciones en AT y BT; motores eléctricos,

generadores; hornos, calderas e intercambiadores de calor).

–  Análisis Eléctrico (motores, alternadores, variadores de frecuencia).

www.amtc.cl
 Pronóstico de Eventos Críticos

0.8

0.6
Online Modules 0.8

0.6

0.4
1.6

1.4

1.2
1.6
1.6
1.4
1.4
1.2
8 7 6
crack length
4 5 3 2 1
0.2
0

0.4

0.6
0.4 0.2
1.2
1 1
0.8
0
1
0.2

Feature
0.8 0.8
1
-0.2 0.8

0 0.6 0.6
1.2
-0.4 0.6

De-Noising
0.4 0.4
1.4
-0.6 0.4

Preprocessed
-0.2 0 0.5 1 1. 5 2 2.5
0.2
4 1.6
x 10 0.2 0.20
0 1 2 3 4 5 6 7 8 1 22 33 44 55 6 6 7 7 8

Features &
0 1 8

Extraction
crack length cracklength
crack length
-0.4

-0.6
0 0.5 1 1. 5 2 2.5

Sensor Data Data

4
x 10

Mapping
System
Diagnosis
Loading Profile Fault

De-Noising Feature Growth

Techniques Extraction &

Mapping Flight Regime Data & Particle
Particle
Techniques Model Parameter Tuning Filter
Filter
0.8

0.6

0.4
Noise Models
0.2

-0.2

-0.4

-0.6
0 0.5 1 1. 5 2 2.5
4
x 10

Experimental Data Prognosis

Stress Table
Crack Kmin Kmax
Length

1.5 30.29 27.92
2 27.25 25.68
2.5 21.52 21.23

McFadden
Simulated Data Data Driven 3 19.47 17.82

Methods System Model for

System Model for
Prognosis
Diagnosis RUL
Offline Modules

HUMS

www.amtc.cl
 Pronóstico de Eventos Críticos:
Modelos para la Supervisión

Availability of Comparative Data

(useful for classifier training)
Much data
Both methods
from many Data-driven
appropriate and
similar techniques are
may reinforce
situations appropriate
mutually

Unreliable Physics-based
Few health modeling is
Data assessments appropriate

Low High
Reliability Reliability
Reliability of Physics-based model
(typically tied to system simplicity)
Source: Adapted from Inman et al. (2005), p.6

www.amtc.cl
 Pronóstico de Eventos Críticos:
Enfoque Predictivo Bayesiano

System
Sensors

Raw Data

Feature Extraction/ Failure

Direct Measurement Threshold

Parameter Identification
Long-term
Prediction

System Prior Particle Posterior Tuned

Model p(xk|xk-1) Filter p(xk|xk-1zk) System Model

Measurement
zk Identified Model
State Tracking Loop Prediction Loop

www.amtc.cl
 “Zonas de Riesgo” y
“Ventanas de Predicción”

www.amtc.cl
 Caracterización de
Fuentes de Incertidumbre
•  Just-in-Time Point vs. Valor Esperado de Vida Útil

Just-in-Time Point
(JITP)

tmin tmax
Failure pdf
Current
Fault Dimension

time 95% area shaded red

95%
Failure Threshold

tpred Time [cycles]

t0

www.amtc.cl
 Caracterización de
Fuentes de Incertidumbre

•  Diversos elementos alteran significativamente la vida útil

remanente (RUL) de sistemas y equipos.

•  Considérese, por ejemplo, fuentes de incertidumbre asociadas a

perfiles de uso, errores de modelo, ruidos de medición.

•  Es decir, la incertidumbre en RUL (ΔRUL) queda:

2 1/ 2
⎧⎪⎡ ∂RUL 2
⎤ ⎡ ∂RUL ⎤ ⎡ ∂RUL
2
⎤ ⎫⎪
•  Nivel 1: ΔRUL = ⎨⎢ Δmodel ⎥ + ⎢ Δload ⎥ + ⎢ Δmeas.⎥ ⎬
⎪⎩⎣ ∂model ⎦ ⎣ ∂load ⎦ ⎣ ∂meas. ⎦ ⎪⎭
1/2
⎧⎪ ⎡ ∂load 2
⎤ ⎡ ∂load
2
⎤ ⎡ ∂load ⎤
2
⎫⎪
•  Nivel 2: Δload = ⎨ ⎢ Δmission ⎥ + ⎢ Δregime data ⎥ + ⎢ Δsensors ⎥ ⎬
⎪⎩ ⎣ ∂mission ⎦ ⎣ ∂regime data ⎦ ⎣ ∂sensors ⎦ ⎪⎭

•  Nivel 3: Se puede extender el razonamiento en forma análoga.

www.amtc.cl
 Caracterización de
Fuentes de Incertidumbre
•  Análisis de Riesgo:
FVaR ( t ,t prognosis )

FVaR(t , t prognosis ) ⇔ α = 0.95 = ∫

−∞
pˆ ( x1t | yt
prognosis
)dxt1

Risk FVaR (t , t prognosis ) = ( E {Hazard Zone} − FVaR(t , t prognosis ) )

−1

www.amtc.cl
 Pronóstico Basado en Modelos

⎪ {
⎧ L(t + 1) = L(t ) + C ⋅ α (t ) ⋅ ( ΔK
inboard (t ) )
m
+ ( ΔK outboard (t ) ) }
m
+ ω1 (t )
⎪⎪α (t + 1) = α (t ) + ω (t )
⎨ 2

⎪ΔK inboard (t ) = finboard ( Load(t ), L(t ) )

⎪
⎪⎩ΔK outboard (t ) = f outboard ( Load(t ), L(t ) )
Feature(t ) = h( L(t )) + v(t )
Loading Profile

Pretest mapping of "

Featureà Crack Length

2” crack
@ GAG #36

Updated mapping of Featureà

Crack Length

www.amtc.cl
Pronóstico Basado en Modelos

SBR 40% Torque

12

10

Crack length [inches]

6 4.50”

2 0.25”

0
0.5 1 1.5 2 2.5
Denoised Feature Value (SBR)

www.amtc.cl
Pronóstico Basado en Modelos

Threshold

www.amtc.cl
 Pronóstico Basado en Modelos

Loading Profile
Diagnosis Results:
Feature – Crack Length Mapping Diagnosis Results:
Vibration-based Feature
energy ratio

1.6

Outer
1.4

Mission Profile
1.2

Loop 1

0.8

0.6

0.4

0.2
0 200 400 600 800 1000 1200

Inner
Loop 1.4
Evolution in Time of Model Parameter

Outer Feedback Loop

Model
PROGNOSIS MODULE
1.2
Parameter
Structure for Crack
Progression Model
Update
(FASTRAN / Paris’ Equation / Prognosis Block 1
ANSYS / Mc Fadden)
⎪ {
⎧ L(t + 1) = L(t ) + C ⋅ α (t ) ⋅ ( ΔK
inboard (t ) ) + ( ΔK outboard (t ) )
m m
}
+ ω1 (t )
dL ⎪
⎪α (t + 1) = α (t ) + ω2 (t )
0.8
= f (L,N,θ ) ⎨
dN ⎪ ΔK inboard (t ) = finboard ( Load(t ), L(t ) )
⎪ 0.6
⎩ ΔK outboard (t ) = f outboard ( Load(t ), L(t ) )
⎪
Feature(t ) = h( L(t )) + v(t )
0.4

0.2

0
0 50 100 150 200 250 300 350 400
Number of GAG cycles

www.amtc.cl
 Conclusiones

1.  Importancia de una correcta definición de alcances y objetivos de

programa de Mantenimiento Predictivo
•  Estudio FMECA (Fault Modes, Effects and Criticality Analysis)

•  Adecuada instrumentación y sensorización de sistemas.

2.  Generación de indicadores de condición: Amplia variedad de

técnicas y herramientas.

3.  El problema de pronóstico de eventos críticos: definición de

horizonte de predicción, zonas de riesgo, JITP vs. valor esperado.

4.  Adecuada caracterización de fuentes de incertidumbre: modelos de

procesos, perfiles de utilización, sensores.

www.amtc.cl
 ¿Preguntas?"
¡Muchas Gracias!

www.amtc.cl