Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Technology Center
Mantenimiento Predictivo en
Equipos Mineros
Universidad de Chile
Facultad de Ciencias Físicas y Matemáticas
Contenidos
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.
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).
• Mantenimiento Predictivo:
• Supervisión periódica de variables físicas relevantes en cada equipo, con el
fin de establecer el “estado de salud” del mismo.
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
Mapping
System
Diagnosis
Loading Profile
Fault
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
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
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”
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).
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
Mapping
System
Diagnosis
Loading Profile
Fault
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
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
HUMS
www.amtc.cl
Pronóstico de Eventos Críticos:
Modelos para la Supervisión
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
Parameter Identification
Long-term
Prediction
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
95%
Failure Threshold
www.amtc.cl
Caracterización de
Fuentes de Incertidumbre
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 ⎦ ⎪⎭
www.amtc.cl
Caracterización de
Fuentes de Incertidumbre
• Análisis de Riesgo:
FVaR ( t ,t prognosis )
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
2” crack
@ GAG #36
www.amtc.cl
Pronóstico Basado en Modelos
10
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
0.2
0
0 50 100 150 200 250 300 350 400
Number of GAG cycles
www.amtc.cl
Conclusiones
www.amtc.cl
¿Preguntas?"
¡Muchas Gracias!
www.amtc.cl