Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Primera, Ernesto Pap
Primera, Ernesto Pap
RESUMEN
Un Proceso de Diagnóstico y Pronóstico de Fallas es un conjunto de análisis que se inician desde los
Datos, hasta llegar a conclusiones relacionadas con la Condición o Estado de Salud de una Maquina.
Estos análisis pueden ser de naturaleza muy diferente, que van desde una simple operación determinística
o estocástica a un complicado modelado mediante modelos físicos. Como ejemplo práctico mostraremos
el diseño de un Sistema de Diagnóstico y Pronóstico aplicado a un Sistemas de Bombeo. Se trata de un
servicio web en el que los usuarios envían vía internet paquetes de datos que son sometidos a diversos
procesos de análisis para obtener un Diagnóstico y Pronóstico de la condición actual y futura de la
maquinaria. El proyecto tiene implementados modelos basados en las normas ISO de Diagnóstico y
Pronostico, esencialmente procesos basados en Reglas, en la curva P-F (Falla Potencial – Falla Funcional)
y basados en Análisis de Tendencia. Una interfaz amigable permite construir diferentes modelos, que se
ensamblan automáticamente, lo cual disminuye drásticamente el tiempo de ejecución de los análisis. Los
usuarios disponen de áreas privadas para almacenar sus datos. Las fallas que son objeto de diagnóstico
y pronóstico se obtuvieron mediante la aplicación de Análisis de Modos y Efectos de Fallas y Experiencias
de Expertos en la Materia. La definición de estos modos de fallas y mecanismos de falla, son la clave del
éxito del proceso de Diagnóstico y Pronóstico, ya que a medida que se identificaron, se tuvo en cuenta la
posibilidad de visualizar síntomas adecuados en tiempo y forma, así como la disponibilidad de ciencia y
tecnología disponible para afrontar con garantías los diagnósticos y pronósticos de los Sistemas de
Bombeo.
1. INTRODUCCIÓN
Uno de los elementos más importantes de la economía global es la capacidad productiva de las empresas,
la cual se ha tornado cada año más competitiva dejando fuera del mercado a aquellas empresas con bajos
niveles de eficiencia, esta eficiencia medida en términos de productividad involucrando todos los elementos
de la gestión de activos; activos de información, activos financieros, activos humanos, activos intangibles
y activos físicos, este último relacionado a la maquinas que hacen posible que los procesos productivos
industriales funcionen.
Esta funcionalidad de las maquinarias es el elemento que estamos tratando de cuidar para obtener con
ella una elevada disponibilidad mecánica, donde la monitorización de la condición con fines de
pronósticos que permitan planificación efectivamente y los diagnósticos asertivos que permita corregir
las desviaciones con precisión y de forma costo-.efectivas, son dos de los elementos más importantes para
asegurar la disponibilidad operacional de las máquinas y a través de ella la productividad y eficiencia que
la industria necesita para ser competitiva a nivel global.
Los sistemas de bombeo sin duda son uno de los principales equipos que forman parte de la industria
global, los ingresos de ventas globales del despliegue de bombas representaron US $ 34.39 Billones a
Página 1 de 12
fines de 2016 y se proyecta que alcancen un valor de mercado de US $ 49.40 Billones para 2024 según
“Global Market Study on Pumps: Sales of Centrifugal Pumps to Remain Disproportionately High Through
2024” (https://www.persistencemarketresearch.com/market-research/pumps-market.asp). Es por esto la
importancia de alinear los avances tecnológicos, los recursos y esfuerzos de la ciencia hacia los equipos
con mayor presencia global en los sistemas industriales productivos.
Los equipos de bombeo como otros equipos rotativos y estáticos necesitan de sistemas complementarios
para monitorización de su estado o condición operativa, estos sistemas complementarios, llamados
también auxiliares se les conocen como Sistemas de Monitoreo y Protección y están compuestos por
sensores, cables, conectores, cajas de conexión, entre otros dispositivos electrónicos que permiten
monitorear las variables que representan la salud de la máquina. Estos sistemas han evolucionado a lo
largo del tiempo hasta encontrar actualmente los que describimos en la imagen N°1: monitoreo continuo
en línea (On-line) con comunicación vía cable, Monitoreo periódico inalámbrico (In-Line) con comunicación
vía internet y GSM, muy versátil con una significante escala de captura de datos de hasta 10 KHz en
vibraciones, y frecuencia de captura de hasta 2 capturas por minuto, monitoreo periódico con colectores
portátiles (Off-Line).
Página 2 de 12
para aportar una “capa de entendimiento” entre las diferentes fuentes de información citada y los
tomadores de decisiones; en otras palabras que los tomadores de decisiones y los sistemas
computerizados “hablen un mismo lenguaje” que les permita entenderse con rapidez. Del presente cabe
mencionar que el desarrollo de Bots, entre ellos los denominados bots conversacionales [3], que son
sistemas de inteligencia artificial que simulan una conversación con una persona utilizando el
lenguaje natural, van a ser de gran ayuda, en algunos casos ya lo están siendo, en áreas de
Mantenimiento industrial. También el uso creciente de la Inteligencia Artificial en general (Redes
Neuronales, Lógica Difusa, etc.) y del Análisis Cognitivo [4] están permitiendo avances sorprendentes,
como es el caso de la posibilidad real de incorporar automáticamente la información contenida en
reportes escritos en fechas anteriores (meses o años atras) a los procesos de toma de decisiones. El
Proyecto DP+, del que algunos de sus resultados se muestran en este docmento, se está
desarrollando teniendo en cuenta todos los aspectos descritos para maximizar las posibilidades de
éxito en la Detección, Diagnóstico y Pronóstico de averías en equipamiento industrial.
El resto de este documento está organizado como se comenta a continuación. En el apartado 2 se analizan
los sistemas de bombeo y su importancia en la industria, sus modos de falla y la curva C-P-F como
evolución de la curva P-F clásica para estos equipos. En el apartado 3 se aborda el Diagnóstico y
Pronóstico de averías, con énfasis en las nuevas posibilidades que se hacen viables gracias al avance del
conocimiento científico-técnico. Se analizan las normas internacionales que orientan la aplicación industrial
y se hace especial énfasis en los desarrollos de software necesarios, tanto en lo que atañe a su arquitectura
como a los lenguajes de programación a usar. En el apartado 4 se describe globalmente el nuevo Sistema
de Diagnóstico y Pronóstico (denominado DP+) que en este trabajo se presenta con una aplicación a
sistemas de bombeo, pero que puede ser aplicado a muchos otros tipos de sistemas técnicos. En el
apartado 5 se describen los primeros resultados obtenidos con el nuevo software en su aplicación a un
sistema de bombeo clásico, en el que se consideran 29 variables monitoreadas y diversos modos de fallo,
con especial énfasis en el diagnóstico de la Falla de Sellos Mecánicos como ejemplo práctico. Se finalizan
con un apartado de resumen y conclusiones, unas palabras clave y una bibliografía.
2. SISTEMAS DE BOMBEO
Es importante mencionarlos a cada uno de ellos, los cuales están compuestos por subcomponentes y cada
uno de estos componentes puede afectar directamente la función principal del sistema de bombeo. Es por
lo antes descrito la importancia en términos de contabilidad de conocer el termino Falla Funcional, como
el primer eslabón directamente observable durante las fallas de un sistema de bombeo, y como sabemos,
estas fallas pueden ser clasificadas como primarias o secundarias, según la función afectada.
Seguidamente a la falla funcional le está el Modo de Falla, que es la forma aparente como se manifiesta
la falla a través de un ítem mantenible, esto para propósitos de análisis de confiabilidad, luego para
propósitos de análisis de fallas están el Mecanismo de Falla que es el fenómeno físico, químico u otro que
llevo a la degradación o daño del componente o ítem mantenible, y luego están los efectos y consecuencias
Página 3 de 12
que son la razón por la cual desarrollamos estrategias e iniciativas que involucran la aplicación de
tecnologías que nos ayuden a prevenir esta cadena de eventos.
Uno de los objetivos de este trabajo es tener una base de datos con los descriptores de fallas de una
bomba centrifuga modelo voladizo de apoyo en pie de una sola etapa, la cual se encuentra instalada en
un banco de prueba. Los descriptores son los siguientes:
- Falla Funcional
- Modo de Falla
- Mecanismo de Falla
- Efectos de Fallas
- Consecuencias de Fallas
Así mismo partiendo de las variables observables mediante sistemas de monitorización, se identificarán
los Síntomas que resultarían como manifestación temprana de la aparición de los descriptores iniciales.
Mas allá del incremento en las magnitudes de las variables observables, también se desarrollan
correlaciones que indiquen el potencial cambio en la condición que pueda activar un Mecanismo de Falla
o deterioro, en aquí donde se impulsa la evolución de la curva conocida como intervalo P-F (falla Potencial
y Falla Funcional) y la transformamos en la curva o intervalo C-P-F como se observa en la figura 2
anteponiendo a la “P” una “C” como indicador de condición que mediante metodologías de Machine
Learning e Inteligencia Artificial podemos detectar de forma temprana la potencial aparición de una falla.
Un “Proceso de Diagnóstico y/o Pronóstico” (PDP) es un conjunto de “actuaciones” que conducen desde
una información (Datos, Conocimientos, etc.) hasta unas conclusiones relacionadas con el Diagnóstico y/o
Pronóstico de averías. Estas actuaciones pueden ser de naturaleza muy diferente, que van desde una
simple operación estadística a un complicado modelado mediante modelos físicos y/o basados en Datos.
Los modernos sistemas de Diagnóstico y Pronóstico deben contar con garantías de eficacia, eficiencia y
calidad. En este sentido las normas internacionales son esenciales y, aunque su cumplimiento no es
obligatorio salvo que una ley específica de un país así lo exija, es de gran importancia su cumplimiento.
Existe una gran cantidad de normas, algunas de las cuales se detallan en la figura siguiente, así como en
Página 4 de 12
las referencias [5] a [17] de la Bibliografía mencionada al final de este documento. Como documento
maestro es de mencionar la ISO 17359:2011(E) y en la referencia [18] se realiza un estudio amplio de la
normativa en vigor.
Norma Título
El avance del conocimiento, así como de la tecnología, tanto en hardware como en software, permite
desarrollar procesos en base a módulos flexibles en cuanto a sus posibilidades de funcionamiento tanto
individual como en colaboración y/o competición con otros módulos. Ello implica que una tarea importante
para el desarrollo de sistemas modernos de diagnóstico y pronóstico es el desarrollo de estructuras
informáticas capaces de ensamblar módulos bajo demanda de los expertos de la industria, en entornos
amigables para garantizar su aplicabilidad en la práctica. El nombre genérico de estas estructuras es
“Constructores para Diagnóstico y Pronóstico (CDP)”, mientras que el de “Desarrollo de CDP” describe el
nuevo paradigma de investigación, desarrollo y programación actual. En la figura siguiente se puede ver
el aspecto parcial de un ensamblaje de Diagnóstico de averías obtenido con un CDP desarrollado para el
proyecto europeo Leanwind (http://www.leanwind.eu/) , en el cual un paquete de trabajo específico (Task
4.4) estuvo encargado de desarrollar un Sistema online de Diagnóstico y Pronóstico de Averías para
aerogeneradores.
Página 5 de 12
Figura #4: Aspecto parcial de un proceso de Diagnóstico del proyecto Leasnwind
Por otra parte, el impacto del Internet de las Cosas (Internet of Things, IoT) está cambiando radicalmente
la concepción del entorno global en el que se han de desarrollar las tareas de Detección, Diagnóstico y
Pronóstico. El IoT hace posible que se instalen gran cantidad de sensores en todo tipo de equipos en muy
diferentes localizaciones. Además, el avance tecnológico hace que sea posible obtener información de
cada sensor cada pocos instantes de tiempo, con lo que un solo equipo puede producir ingentes cantidades
de información de cada uno de los muchos sensores instalados en el mismo. Se plantea pues la necesidad
de gestionar de forma eficiente las grandes cantidades de datos que se generan, pues tener muchos datos
no implica necesariamente que estos deban de ser enviados para su proceso, dado que pueden existir
datos poco relevantes, inconsistentes o repetitivos cuya necesidad puede ser puesta en cuestión.
Transmitir, almacenar y analizar grandes masas de datos puede ser muy costoso y los resultados a obtener
no necesariamente van a justificar asumir los costos que ello conlleva. Así pues, se han generado nuevos
paradigmas entre los que cabe mencionar tres grandes opciones:
Opción IN SITU (On Edge). Esta opción implica que los datos son almacenados en el equipo, ya
sea en el mismo sensor o en una CPU instalada al efecto. Dado el grado de miniaturización y
potencia de los actuales sistemas computacionales y de almacenamiento, esta opción es en
muchos casos viable y de bajo costo, pudiendo aliviar mucho de tráfico las redes de comunicación
y proporcionar análisis previos muy precisos directamente en el equipo. Estos análisis y los datos
relevantes pueden ser transmitidos por la red e incluso mediante WiFi a otras CPUs o dispositivos
que manejen los operarios (Tablets por ejemplo).
Opción EN CASA (In House). Esta opción contempla el envío de toda la información hacia
sistemas de almacenamiento centralizados en la empresa o planta, donde son previamente
tratados. Ordenadores centrales potentes se encargan del proceso de los datos y de la extracción
de información relevante. Suele implicar inversiones importantes en sistemas de comunicación
(Redes cableadas o WiFi de alta velocidad), Ordenadores de proceso y personal especializado.
Opción EN LA NUBE (Cloud). El uso de esta opción implica generalmente la firma de acuerdo
con proveedores externos de servicios especializados de Detección, Diagnóstico y Pronóstico,
existiendo una gran variedad de opciones. Entre ellas cabe destacar que muchos fabricantes de
equipos ya disponen, o están cerca de disponer, de servicios en la nube de Detección, Diagnóstico
y Pronóstico de averías especializados en los equipos que producen y/o venden. En el otro
extremo están las grandes corporaciones que ofrecen servicios en la nube con uso masivo de
Página 6 de 12
Inteligencia Artificial y Análisis Cognitivo, capaces de impactar de forma notable en la reducción
de costos de mantenimiento debido a su capacidad de anticipación.
Serán más frecuentes con el tiempo las soluciones mixtas que combinan las tres opciones, pues cada una
de ellas aporta importantes oportunidades de reducción de costos globales para implementar el monitoreo
de condición, el diagnóstico y el pronóstico. Queda mucho por hacer, especialmente en la mediana
empresa, pues las soluciones de trabajo en la nube que ofrecen las grandes corporaciones suelen ser
demasiado costosas para este tipo de empresas. En este terreno las empresas emprendedoras locales
tienen un mercado natural, que va a demandar soluciones costo-efectivas que las grandes corporaciones
no van a poder ofertar.
El esquema global de ensamblaje de todos los módulos del Sistema DP+ se muestra en la figura siguiente.
En el se pueden apreciar las características y requisitos iniciales de diseño, cuyo eje fundamental es que
los equipos son el centro del proceso:
El sistema contempla la co-existencia de 5 Bases de Datos: BD1 (Consejos de Expertos), BD2 (Modelos
de Detección, Diagnóstico y Pronóstico), BD3 (Experiencias anteriores, Datos, Conclusiones y Decisiones
propias), BD4 (Datos, condiciones y decisiones externas) y BD5 (Métodos de Autoaprendizaje y manejo
de Incertidumbre). También varios “Constructores para Diagnóstico y Pronóstico (CDP)” para
Página 7 de 12
producir resultados basados en diferentes experiencias y conocimientos, así como métodos de
Fusión de información para aunar las conclusiones de los diferentes módulos y Sistemas
expertos para vigilar que las conclusiones “tienen sentido” desde el punto de vista del negocio y
el sistema técnico que se atiende. Finalmente, varios módulos se dedican a la ayuda a la toma
de decisiones óptimas en ambiente de incertidumbre, con un sistema de aprendizaje progresivo
para que los ordenadores vayan aprendiendo como los humanos gestionan el sistema.
Cómo lenguaje de programación base se ha elegido R, tanto por su compatibilidad con otros a diferentes
niveles como por la gran cantidad de librerías preprogramadas que contiene (paquetes de R). Asimismo,
ha influido en esta decisión las posibilidades que R ofrece para el manejo de paquetes de datos y su
análisis en la nube. R se usará como Constructor (CDP) basado en la creación de paquetes específicos
de R.
Página 8 de 12
5. CASOS TEST: Sistema de Bombeo
A las 29 variables (ver figura 9) se les definieron límites de Alarma, Alerta y Precaución basados en
estándares internacionales, análisis de la curva de desempeño de la bomba y análisis de los datos técnicos
de la bomba y el motor. El modo de falla que se utilizó para la primera simulación fue la fuga de líquido por
el sello mecánico de la bomba, que estadísticamente es la falla más repetitiva en la industria.
Se identificaron los síntomas y correlaciones que podrían ocasionar la fuga por el sello mecánico. Con los
dispositivos disponibles en el banco de prueba para forzar la aparición de estos síntomas, se generó la
desviación para poner a prueba el software. Con objeto de forzar comportamientos erráticos de difícil
interpretación en cada variable, un simulador especialmente creado al efecto generó comportamientos
normales y desviaciones más extremos (menos predecibles) que los convencionales para las variables.
Con ellos el software fue sometido a pruebas reiteradas hasta que su capacidad de autoadaptación,
detección y Diagnóstico fue considerada óptima porque tenía éxito en la mayoría de los casos.
Página 9 de 12
# Variable Unidad
Limites Bajos Limites Altos
Alarma Baja Alerta Baja Precaucion Baja Precaucion Alta Alerta Alta Alarma Alta
1 Presion de Succion PSI 0 1 2 NA NA NA
2 Presion de Descarga PSI 1 2 3 6 7 8
3 Flujo de Descarga GPM 8 10 11 15 16 17
4 Temperatura del proceso °F NA NA NA 160 180 200
5 Velocidad (Cosntante) Rpm NA NA NA NA NA NA
6 Corriente Amp 0.54 NA NA 0.75 0.85 0.9
7 Diferencial de Presion Filtro PSI NA NA NA 1 2 3
8 Vibracion Bomba 4-H IPS NA NA NA 0.05 0.1 0.2
9 Vibracion Bomba 4-V IPS NA NA NA 0.05 0.1 0.2
10 Vibracion Bomba 4-A IPS NA NA NA 0.05 0.1 0.2
11 Vibracion Bomba 4-Acc G's NA NA NA 1 2 4
12 Vibracion Bomba 4-Ultra dB NA NA NA 28 32 36
13 Temperatura Bomba 4 °F NA NA NA 140 155 175
14 Vibracion Bomba 3-H IPS NA NA NA 0.05 0.1 0.2
15 Vibracion Bomba 3-V IPS NA NA NA 0.05 0.1 0.2
16 Vibracion Bomba 3-A IPS NA NA NA 0.05 0.1 0.2
17 Vibracion Bomba 3-Ace G's NA NA NA 1 2 4
18 Vibracion Bomba 3-Ultra dB NA NA NA 28 32 36
19 Temperatura Bomba 3 °F NA NA NA 140 155 175
20 Vibracion Motor 2-H IPS NA NA NA 0.05 0.1 0.2
21 Vibracion Motor 2-V IPS NA NA NA 0.05 0.1 0.2
22 Vibracion Motor 2-A IPS NA NA NA 0.05 0.1 0.2
23 Vibracion Motor 2-Ace G's NA NA NA 1 2 4
24 Temperatura Motor 2 °F NA NA NA 140 155 175
25 Vibracion Motor 1-H IPS NA NA NA 0.05 0.1 0.2
26 Vibracion Motor 1-V IPS NA NA NA 0.05 0.1 0.2
27 Vibracion Motor 1-A IPS NA NA NA 0.05 0.1 0.2
28 Vibracion Motor 1-Ace G's NA NA NA 1 2 4
29 Temperatura Motor 1 °F NA NA NA 140 155 175
Usando muestras de las 9 variables que pueden influenciar en la aparición de “Fuga en el Sello Mecánico
(FSM)” se han obtenido entre otros resultados, diagnósticos sobre la Verosimilitud (medida en %) de que
se produzca un fallo funcional. La figura siguiente muestra un resumen de los resultados obtenidos. Entre
otros cabe mencionar que se aprecia la presencia de pocos “falsos positivos” y que las anomalías en las
señales se detectan incluso dentro de su periodo de normalidad.
Figura #10: Algunos datos y resultados de DP+ para “Fuga por el Sello Mecánico”
Uno de los aspectos mas importantes es la capacidad del sistema de integrar las 29 variables en una línea
de tendencia que representa el estado de salud de la máquina y que con el funcionamiento de los
algoritmos hacen que un potencial problema como la fuga de un sello mecánico pueda ser alertado sin
llegar a manifestarse en las magnitudes de las variables típicas que son monitoreadas en la industria.
Página 10 de 12
Figura #11: Tendencia del Estado de Salud de la Maquinaria
RESUMEN Y CONCLUSIONES
El desarrollo de DP+ representa un avance considerable para el éxito de la industria en lo que a procesos
de Detección, Diagnóstico y Pronóstico se refiere. La capacidad de detectar potenciales problemas futuros
que DP+ aporta, permite generar acciones de ajuste para reducir la probabilidad de activación de
Mecanismos de Falla (Daño, Deterioro, Degradación). Todo ello como resultado de la capacidad de
integración de los sistemas de Monitorización de la Condición con herramientas, metodologías y software
de inteligencia artificial en una concepción global y abierta del problema a resolver.
DP+ está desarrollado de forma tal que es posible instalarlo y ejecutarlo tanto en los equipos (In SITU),
como en ordenadores centrales (In HOUSE) y en la nube (Cloud), así como en combinaciones de todos
ellos. Incorpora en su diseño las lecciones aprendidas durante años en el desarrollo de Sistemas de
Diagnóstico y Pronóstico de averías en muy diversos tipos de instalaciones industriales, por lo que es
compatible bidireccionalmente con otros lenguajes de programación, lo que permite concretar sinergias
con trabajos de otros equipos de desarrollo en la temática. Por todo ello, DP+ se constituye una
herramienta útil para mejorar la confiabilidad de las maquinarias, además de la ampliación de los tiempos
para planificación de actividades de mantenimiento debido a la detección temprana.
Página 11 de 12
BIBLIOGRAFÍA
[1] "From NASA to EU: the evolution of the TRL scale in Public Sector Innovation" (PDF). The Innovation
Journal. 22: 1–23. Archived from the original (PDF) on October 11, 2017.
[2] Jackson, Peter (1998), Introduction To Expert Systems (3 edición), Addison Wesley, p. 2, ISBN 978-0-
201-87686-4
[3] https://en.wikipedia.org/wiki/Chatbot
[4] https://www.ibm.com/watson/
[5] ISO 13374-1 Condition monitoring and diagnostics of machines-data processing, communication and
presentation-Part 1: General guidelines
[6] ISO 13374-2 Condition monitoring and diagnostics of machines-data processing, communication and
presentation-Part 2: Data processing
[7] ISO 13374-3b Condition monitoring and diagnostics of machines-data processing, communication and
presentation-Part 3 Communication
[8] ISO 18436-1 Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel-Part 1: Requirements form assessment bodies and the assessment process
[9] ISO 18436-2 Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel -Part 2: Vibration condition monitoring
[10] ISO 18436-3 Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel-Part 3: Requirements for training bodies and the training process
[11] ISO 18436-4 Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel-Part 4 Field lubricant analysis
[12] ISO 18436-5b Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel-Part 5: Lubricant laboratory technician/analyst
[13] ISO 18436-6 Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel-Part 6: Acoustic emission.
[14] ISO 18436-7 Condition monitoring and diagnostics of machines-Requirements for qualification and
assessment of personnel-Part 7: Thermography
[15] ISO 16587 Mechanical vibration and shock-Performance parameters for condition monitoring of
structures
[17] ISO 19860 Gas turbines-data acquisition and trend monitoring system requirements for gas turbine
installations
[18] Kuemmle, H., Gross, T. & Koleus, J. “Machine Vibrations and Diagnostics, The World of ISO”. IEEE,
2018.
PALABRAS CLAVE
Diagnóstico, Pronostico, Fallas, Análisis, Datos, Machine Learning, Bombas, Nube, Inteligente, IoT
Página 12 de 12
Diagnóstico y Pronóstico de Fallas
mediante Sistemas de Monitorización y
Análisis de Datos en la Nube
Blas J. Galván
SIANI - Instituto Universitario de Sistemas Inteligentes y
Aplicaciones Numéricas en Ingeniería
España
Ernesto Primera
MRI - Machinery & Reliability Institute
U.S.A.
• Antecedentes
• Resultados y Conclusiones
Intervalo C - P - F
• Bombas Centrifugas
• Bombas de Desplazamiento Positivo
• Compresores Centrífugos
• Compresores de Desplazamiento Positivo
• Turbinas a Gas
• Turbinas a Vapor
• Turbinas de Viento
• Cajas de Engranajes
• Motores Eléctricos
• Ventiladores y Sopladores
• Sistemas auxiliares: Lubricación, Sellado, Enfriamiento.
• Operacional
• Mantenimiento
# Variable Unidad
Limites Bajos Limites Altos
Alarma Baja Alerta Baja Precaucion Baja Precaucion Alta Alerta Alta Alarma Alta
1 Presion de Succion PSI 0 1 2 NA NA NA
2 Presion de Descarga PSI 1 2 3 6 7 8
3 Flujo de Descarga GPM 8 10 11 15 16 17
4 Temperatura del proceso °F NA NA NA 160 180 200
5 Velocidad (Cosntante) Rpm NA NA NA NA NA NA
6 Corriente Amp 0.54 NA NA 0.75 0.85 0.9
7 Diferencial de Presion Filtro PSI NA NA NA 1 2 3
8 Vibracion Bomba 4-H IPS NA NA NA 0.05 0.1 0.2
9 Vibracion Bomba 4-V IPS NA NA NA 0.05 0.1 0.2
10 Vibracion Bomba 4-A IPS NA NA NA 0.05 0.1 0.2
11 Vibracion Bomba 4-Acc G's NA NA NA 1 2 4
12 Vibracion Bomba 4-Ultra dB NA NA NA 28 32 36
13 Temperatura Bomba 4 °F NA NA NA 140 155 175
14 Vibracion Bomba 3-H IPS NA NA NA 0.05 0.1 0.2
15 Vibracion Bomba 3-V IPS NA NA NA 0.05 0.1 0.2
16 Vibracion Bomba 3-A IPS NA NA NA 0.05 0.1 0.2
17 Vibracion Bomba 3-Ace G's NA NA NA 1 2 4
18 Vibracion Bomba 3-Ultra dB NA NA NA 28 32 36
19 Temperatura Bomba 3 °F NA NA NA 140 155 175
20 Vibracion Motor 2-H IPS NA NA NA 0.05 0.1 0.2
21 Vibracion Motor 2-V IPS NA NA NA 0.05 0.1 0.2
22 Vibracion Motor 2-A IPS NA NA NA 0.05 0.1 0.2
23 Vibracion Motor 2-Ace G's NA NA NA 1 2 4
24 Temperatura Motor 2 °F NA NA NA 140 155 175
25 Vibracion Motor 1-H IPS NA NA NA 0.05 0.1 0.2
26 Vibracion Motor 1-V IPS NA NA NA 0.05 0.1 0.2
27 Vibracion Motor 1-A IPS NA NA NA 0.05 0.1 0.2
28 Vibracion Motor 1-Ace G's NA NA NA 1 2 4
29 Temperatura Motor 1 °F NA NA NA 140 155 175
www.r-project.org
www.rstudio.com
www.rstudio.com/products/shiny
LIMA, PERÚ 6-7 Marzo 2019 20
Paso 9: Gestión del Modelo
www.leanwind.eu
Ejemplo de resultados:
Diagnóstico sobre Potencial Fuga
por el Sello Mecánico (FSM).
Tiempo de CPU < 1 min.
• Las claves para que esta nueva generación de software supere a las anteriores son
múltiples, pero se pueden destacar algunas:
• Mejor capacidad de detección de anomalías en las variables.
• Cooperación/Competición entre diferentes métodos en lugar de usarlos de forma
individual.
• Desarrollo de métodos de fusión de conclusiones obtenidas por diferentes métodos
• Incorporación del conocimiento humano experto y del contenido de reportes de
eventos pasados.
• Uso de Sistemas de Aprendizaje basados en Inteligencia Artificial
• Posibilidad de distribución de las tareas de computación: En equipo (In situ), en la
empresa (CPDs), en la nube.
• Uso masivo de comunicaciones automáticas M2M (Máquina con Máquina)
• Uso masivo de internet de alta velocidad.
Preguntas