Mantenimiento

El principio general que guía el mantenimiento óptimo es realizar todas las acciones necesarias
que garanticen que un activo continúe desempeñando las funciones requeridas de la manera
adecuada. En otras palabras, el objetivo principal del mantenimiento es maximizar la vida útil
de un activo.

El mantenimiento se lo puede dividir en 3 categorías:

 Mantenimiento correctivo (CM)

 Mantenimiento preventivo (PM)
 Mantenimiento basado en la condición (CBM)

En CM cada vez que se encuentra una falla durante la vida útil de un activo, se realiza una
operación correctiva para solucionar el problema, generalmente restaurando el estado del
activo a las condiciones normales, o incluso sustituyendo una parte rota por una nueva (a
veces todo el activo). Obviamente, se ha demostrado que este enfoque es muy costoso, ya que
los costos relacionados con un desglose similar podrían superar fácilmente el valor del activo.

En este caso, la combinación de costos directos (por ejemplo, fallas de partes conectadas del
sistema) y costos indirectos (por ejemplo, interrupciones del servicio) da como resultado una
situación inaccesible, lo que confirma que CM está lejos de ser óptimo.

En PM, en cambio, se consideran medidas de confiabilidad, como el tiempo medio antes de la

falla (MTBF), para realizar actividades de mantenimiento programadas a lo largo del tiempo y
reducir la probabilidad de fallas. PM presenta la posibilidad de planificar acciones de
mantenimiento (reemplazos, inspecciones, etc.), de modo que el tiempo en que el activo se
considere no disponible no sea más aleatorio, sino que esté predeterminado, excepto en
eventos excepcionales.

PM también muestra algunos inconvenientes, de hecho, partes de los activos podrían

reemplazarse sin evaluar con precisión su estado de salud real, ya que se acercan
estadísticamente más y más a un posible fracaso.

Mantenimiento basado en condición

El mantenimiento basado en condición va mucho más allá del mantenimiento predictivo, ya

que se aplican varias técnicas utilizando equipos de edición ya sea online u offline. Este
mantenimiento es una estrategia basada en el diagnóstico.

El CBM, sugiere una actitud pronóstica hacia el mantenimiento, que se puede realizar
mediante el monitoreo constante de las condiciones de un activo, lo que permite
desencadenar actividades de mantenimiento solo si se detecta una posible degradación del
activo. Un paso más hacia este tipo de enfoque de mantenimiento es la posibilidad de predecir
posibles problemas futuros en el activo mediante la construcción de un modelo de
degradación en el servicio del activo.

Este mantenimiento se enfoca en el estado de componentes o equipos, y a partir del análisis

se determinan las tareas de mantenimiento a realizar, que tienen como objetivo compensar la
degradación que el tiempo de uso provoca en los componentes.
El mantenimiento basado en condición es una técnica que se emplea en varios campos, entre
ellos los aerogeneradores y ferrocarriles, estos últimos son en los que nos vamos a enfocar en
esta investigación.

En el caso de los ferrocarriles, basan su mantenimiento en la implementación del diagnóstico

previo, es decir, que en los ferrocarriles, para el mantenimiento de varios componentes se
trata de no hacer nada si previamente no se ha diagnosticado, no se hace nada de forma
rutinaria exceptuando las propias inspecciones. Hay que tener en cuenta que las inspecciones
si son rutinarias pero no implican el realizar una tarea.

Se han publicado diversos artículos acerca del mantenimiento basado en condición, entre los
cuales tenemos:

MANTENIMIENTO BASADO EN LA CONDICIÓN DE LOS RODAMIENTOS DEL EJE DEL TREN

Los cojinetes del eje son elementos giratorios fundamentales que tienen como objetivo
restringir el movimiento relativo y reducir la fricción entre las piezas giratorias en una
máquina.

En los trenes, cada par de eje de rueda está equipado con un cojinete de eje. Dado que se
aplican altos esfuerzos y cargas a estos componentes, están sujetos a deterioro, daños y fallas,
que tienen implicaciones económicas y de seguridad, lo que causó un creciente interés
científico e industrial sobre la detección y predicción de RUL (Remaining Useful Life) con
cojinetes de eje.

Este problema también es un ejemplo de un desafiante problema de SDA (Streaming Data

Analysis – Análisis de datos de Transmisión) de BDS (Big Data Streams) en el mundo real: en
Italia, por ejemplo, las estadísticas del Ministerio de Transporte [27] muestran que, en 2012,
cada día aproximadamente 8000 trenes han viajado a lo largo de las líneas ferroviarias
italianas. Cada tren tiene en promedio 10 vagones, lo que da como resultado
aproximadamente 80 rodamientos, un dato que conduce a un número total de rodamientos
de eje que se deben monitorear en Italia todos los días, aproximadamente igual a 600000.

Esto potencialmente da como resultado una gran cantidad de recolección datos porque, el
orden promedio de magnitud de la frecuencia de la tasa de recolección adecuada para el
monitoreo de la condición del rodamiento del eje está en kHz, ya que las frecuencias de
vibración características relacionadas con los daños y defectos del rodamiento pueden ser
expresado en función de las dimensiones del rodamiento del eje y de la velocidad de rotación
del sistema considerado eje-rueda.

El conjunto de información necesaria para calcular el tamaño de los datos generados

diariamente por todo el sistema de monitoreo debe completarse con el tiempo promedio en
servicio para un tren italiano igual a 8 horas, que se puede combinar con la información
presentada anteriormente para obtener un total de aproximadamente 10 TB de datos por día.

Se debe manejar la enorme cantidad de datos generados por este sistema y surgen muchos
problemas, el primero de los cuales es monitorear en tiempo real todos estos rodamientos. En
segundo lugar, no es factible almacenar este tipo de datos y mantener años de historia; en
cambio, la solución es comprimir esta información en un modelo que extraiga solo el útil para
predecir el RUL (Remaining Useful Life) de manera efectiva.
Por último, es importante actualizar estos modelos tan pronto como estén disponibles nuevos
datos aumentando la precisión de los modelos y al mismo tiempo disminuyendo el esfuerzo
computacional de realizar esta tarea.

Figura 1: Modelo de lectura de los sensores de rodamientos, los bloques negros son el tiempo de lectura
activo de estos sensores.

Soporte en línea de regresión de vectores

Se adapta un sistema de vectores resolviendo la siguiente expresión:

Se utiliza una programación cuadrática restringida convexa (CCQP) para calcular la mínima
desviación, controlando la capacidad de la misma, obteniendo:

El algoritmo en línea actualiza la función, cada vez que se agrega (o se elimina) una nueva
muestra de datos al conjunto. La idea básica es cambiar los coeficientes α + i y α − i
correspondientes a la nueva muestra en un número finito de pasos discretos hasta que cumpla
con las condiciones de KKT, mientras se garantiza que las muestras existentes continúen
satisfaciendo las condiciones en cada paso. Se tiene en cuenta que, incluso si no entramos en
detalles con el método para actualizar el modelo, cuanto mayor sea, más rápida será la
actualización del modelo.

Selección de modelo en línea

Figura 2: Adición y sustracción de datos útiles en los vectores

Los conjuntos de datos incluyen datos de sensores recopilados durante un experimento de
rodamiento a falla de un solo rodamiento de bolas utilizando la plataforma PRONOSTIA,
desarrollada por el Instituto FEMTO-ST para estudiar los daños y fallas de los rodamientos de
bolas. Los experimentos se han llevado a cabo bajo diferentes configuraciones de carga y
velocidad de rotación para obtener un comportamiento diferente para cada rodamiento. Los
datos de los sensores se componen de vibraciones (tanto en dirección vertical como
horizontal) y mediciones de temperatura, extraídas de tres señales. El objetivo de las pruebas
es evaluar el rendimiento del regresor OL-SV.

Cada conjunto de datos de rodamiento de eje se trata como el dato completo de vida útil del
rodamiento de eje que proviene del sistema de monitoreo de condición conectado a ese
rodamiento en particular.

En resumen, este método propone explotar la regresión de vectores de soporte en línea para
actualizar el modelo tan pronto como haya nuevos datos disponibles. La propuesta también
consiste en una estrategia de selección de modelo que es capaz de optimizar el equilibrio entre
la precisión del modelo final y los recursos necesarios para realizar la fase de selección del
modelo en sí, una característica deseable adicional que en su mayoría no se tiene en cuenta
debido a sus requisitos computacionales. Los resultados en el conjunto de datos del mundo
real muestran las ventajas de esta solución y demuestran la generalidad del método, que
podría utilizarse con éxito en otras aplicaciones.

MANTENIMIENTO BASADO EN LA CONDICIÓN DE MATERIAL RODANTE

Este estudio estudia y analiza equipos de monitoreo de condición en el camino de vehículos

ferroviarios, con el fin de apoyar la implementación de una estrategia de mantenimiento
basada en la condición.

Para lograr el objetivo de llevar a la industria ferroviaria del mantenimiento basado en el

tiempo / millaje a un mantenimiento más basado en la condición, tiene que haber formas de
monitorear la condición y de eso poder predecir la vida útil restante del artículo. Por lo tanto,
la estrategia de mantenimiento basada en la condición necesita formas de medir la condición
del sistema para que el usuario pueda tomar decisiones de mantenimiento correctas.

Además, para poder realizar un mantenimiento basado en la condición, se deben realizar

análisis y tendencias de las mediciones recolectadas. Por lo tanto, es importante contar con un
sistema y una buena organización para manejar los datos recopilados, de modo que se realicen
las actividades de mantenimiento adecuadas, creando así una mejora continua en la
operación.

Con los avances en las tecnologías de monitoreo de condición, la estrategia de mantenimiento

basada en la condición se ha convertido en un poderoso medio para reducir el costo de
operación y mantenimiento del sistema. Esta tendencia es claramente visible también en el
sector ferroviario. Los propietarios de las vías están implementando tecnología y sistemas
avanzados para monitorear la condición de la pista, que a menudo consume la mayor parte del
presupuesto de mantenimiento de la infraestructura.

Para la compañía ferroviaria, el mantenimiento de las ruedas es una gran parte del
presupuesto de mantenimiento del material rodante. En muchos casos (como en Suecia) la
pista y los vehículos son propiedad de diferentes compañías, lo que resulta en una posible
suboptimización de la operación de mantenimiento de la rueda o el riel. Por lo tanto, un
enfoque de mantenimiento combinado puede ser un enfoque efectivo en la optimización de
los esfuerzos de mantenimiento de ruedas y rieles para encontrar la mejor solución económica
para ambas partes.

Para permitir el uso de este enfoque, existe una demanda de métodos o tecnología que se
puedan utilizar para obtener información sobre la condición real. Las posibilidades pueden ser
programadas, previa solicitud o continua. Con herramientas para monitorear la condición, es
posible predecir más fácilmente las tasas de desgaste y degradación para tomar decisiones
proactivas sobre las actividades de mantenimiento. Esto hace posible tener una estrategia de
mantenimiento predictivo ya que las actividades de mantenimiento se basan en la condición
del componente o pieza.

El desarrollo tanto del monitoreo de la condición como del mantenimiento basado en la

condición requerirá que se tengan en cuenta algunos problemas durante el desarrollo, por
ejemplo:

1. Parámetros específicos de la máquina y de la falla a ser monitoreados

2. Elementos dentro y fuera de línea
3. Ajustes del sensor
4. Requisitos de adquisición de datos y procesamiento de señales.
5. Gestión de datos e informes.
6. Interfaz del operador.
7. Comunicación de datos externos

Definiciones del sistema de monitoreo

La mayoría de los sistemas de monitoreo de condición para vehículos ferroviarios están

enfocados en la rueda y bogies ya que estas son las partes que tienen el mayor impacto en el
rendimiento y también son los principales impulsores de costos en mantenimiento.

Muchos de los productos para el monitoreo del estado de los vehículos ferroviarios son
sistemas de monitoreo en el camino y no se montan directamente en los vehículos. En muchos
casos, no sería económico tener sensores en cada vehículo para monitorear la condición
completa del vehículo porque el costo de la supervisión sería más costoso que manejar las
fallas si ocurren.

La gran cantidad de vehículos que se usan en el ferrocarril hace que sea muy costoso
equiparlos a todos y también es un desafío organizar y mantener la tecnología de detección en
cada vehículo.

Sin embargo, existen posibilidades en el sector ferroviario debido al hecho de que los vehículos
están sujetos a la vía y que los vehículos se usan con mayor frecuencia en rutas específicas,
aunque pueden usarse a distancias muy largas. Pero esto hace posible monitorear los
vehículos con equipos parados adyacentes a la pista. La cantidad de sistemas de monitoreo y
detectores puede ser limitada, pero aun así monitorear y medir una gran cantidad de
vehículos.

Información general de la investigación

En la investigación, para encontrar métodos que implementen el mantenimiento basado en la
condición para los vehículos ferroviarios, un tema clave es la posibilidad de monitorear el
comportamiento real y la condición de los vehículos mientras están en uso.

En el proceso de aumentar el conocimiento de la tecnología disponible y las posibilidades de

medición que tienen, se han probado tres sistemas diferentes para monitorear el rendimiento
de los vehículos. En los tres estudios de caso realizados por el Centro de Investigación
Ferroviaria de Luleå durante 2014, tres sistemas diferentes de monitoreo de condición para
monitorear una serie de parámetros críticos:

 ángulo de ataque
 error de seguimiento
 perfil de la rueda
 fuerzas laterales y verticales en el riel

Uno de los sistemas también se estudió durante 2016 durante un cuarto estudio de caso para
obtener más información sobre las mediciones. Los resultados se evaluaron para conocer las
posibilidades de obtener la información necesaria sobre el rendimiento y el estado de los
vehículos para tomar decisiones sobre las actividades de mantenimiento. Los tres sistemas de
monitoreo de condición miden los parámetros en la rueda y los bogies.

El área de enfoque elegida de los sistemas tiene su origen en el hecho de que el costo de
mantenimiento de las ruedas para los vehículos es de alrededor del 50% del costo total de
mantenimiento para toda la flota. Además, otros componentes a menudo tienen un intervalo
de desgaste más predictivo. Una mejora en el material rodante tendrá un impacto positivo en
el desgaste del riel y otros componentes de la infraestructura.

Implementación del sistema en los ferrocarriles

Dos de los sistemas para detectar el rendimiento de las ruedas en el bogie fueron probados en
el campo durante una semana, midiendo el paso de vagones de mineral.

Esta medición fue conectada a un sistema de identificación (ATI) para que las lecturas sean
enviadas y conectadas entre todos los vagones de todos los ferrocarriles que hayan sido
equipados con la tecnología ID-Tag.

Figura 3: Etqueta de ID-Tag en un ferrocarril

Los dos primeros sistemas se analizaron de forma cruzada para ver si los sistemas están
midiendo la misma desviación en el comportamiento dinámico de los vehículos. Las
mediciones de los dos primeros sistemas se conectaron a los datos de identificación del
sistema en uso, en una red de sensores ubicados a lo largo de la vía, tal como se muestra en la
siguiente figura.

Figura 4: Esquema de lectores en la vía férrea

Al pasar el tren por dichos puntos, se proporciona una hoja de datos con información del tren
de paso, hay importante información tal como: tiempo de grabación, dirección, cantidad total
de ejes y ejes locos, numero de vagones, y en la parte de columnas enumera el número de
trenes, numero de ejes, el número de identificación individual del tren, y los códigos de tiempo
para la lectura del vehículo. La última columna indica la dirección de desplazamiento del
vehículo, la cual es una información necesaria para identificar el juego de ruedas individual de
cada vehículo.
 Figura 5: Tabla de datos con información del tren.

Caso 1: inspección de geometría óptica de camión / bogie

Este sistema de monitoreo es un producto comercial que se ha utilizado durante algunos años.
El sistema utiliza tecnología láser y de cámara para medir ángulo de ataque y posición lateral
de los juegos de ruedas que pasan

El objetivo era aumentar el conocimiento y evaluar un sistema que mide el ángulo de ataque y
el desplazamiento lateral de los juegos de ruedas, para decidir si la tecnología estaba
cumpliendo los requisitos para monitorear el rendimiento de las ruedas y bogies en los
vagones de mineral de hierro.
 Figura 6: Imagen de puesto de medición

Figura 7: Esquema de medición

El sistema consta de una unidad de medición óptica que se instala en el camino cerca del riel.
El sistema utiliza un láser y una cámara para medir las desviaciones en el rendimiento de la
pista del vehículo. Un rango cercano a la unidad óptica se instala una unidad de computadora
conectada. El láser genera una línea de puntos en el lado de la rueda que se captura con la
cámara.

La imagen de la rueda se analiza en la unidad de computadora en el sitio cuando el tren está

pasando. Los valores medidos se registran en un archivo de datos que puede enviarse por
módem, radio o internet. Los puntos marcan el perfil exterior de la rueda y se ajusta una línea
a los puntos.
 Figura 8: Fotografía del sistema

El análisis automático de la imagen proporciona el ángulo de ataque y la posición de

seguimiento. El ángulo de ataque de un juego de ruedas se define como el ángulo entre la
línea radial de la pista y la línea central del eje del juego de ruedas.

Los parámetros medidos también se combinan para dar una descripción más detallada de todo
el bogie. Esto da una definición del comportamiento dinámico del bogie. El ángulo de ataque,
la posición de seguimiento (TP) y otros dos parámetros se utilizan en el sistema para evaluar el
comportamiento dinámico del bogie. Los otros dos parámetros se definen como desalineación
entre ejes (IAM) y error de seguimiento (TE).

El ángulo de ataque (AOA) para un juego de ruedas se define como el ángulo entre la línea
radial de la pista y la línea central del eje en el juego de ruedas. La posición de seguimiento
(TP) se define como la línea central del juego de ruedas en comparación con la línea central de
la pista.

Figura 9: Ángulo de ataque y posición de seguimiento

Desalineación entre ejes

La desalineación interna entre los dos juegos de ruedas en un bogie, desalineación entre ejes
(IAM), se define como el ángulo de ataque del juego de ruedas delantero (AOAL), menos el
ángulo de ataque del juego de ruedas de arrastre (AOAT)

Figura 10: Desalineación entre ejes

Error de seguimiento (TE pero también TrE)

El error de seguimiento (TE) de un bogie es la distancia lateral entre el líneas centrales de los
ejes en el bogie y se define como la posición de seguimiento del juego de ruedas delantero
(TPL)) menos la posición de seguimiento del juego de ruedas trasera (TPT)).

Figura 11: Error de seguimiento

Análisis de datos
Durante la prueba de campo se monitorearon varios pasajes de trenes de mineral. Para ilustrar
mejor los resultados, se han utilizado dos pasajes. Esto se debe a que la configuración del
conjunto de trenes era la misma en ambos pasajes. Los datos se extrajeron de las tablas de
datos que presentó WID.

Figura 12: Ángulo en los 40 primeros ejes en el mismo tren que pasa

La posición, también conocida como error de seguimiento (TrE), se mide en mm.

Figura 13: Posición en los 40 primeros ejes en el mismo tren que pasa

El sistema T / BOGI que mide el ángulo de ataque y la posición, mostró una buena repetibilidad
en la medición entre los dos pasos del tren con la misma configuración en ambos momentos.
El sistema parece tener una buena repetibilidad en las mediciones. Los dos pasajes del mismo
tren en la misma configuración dan una buena indicación de esto.
Pero la cantidad total de medición hace que sea peligroso hacer afirmaciones exactas sobre la
confiabilidad y validez, ya que la cantidad de datos es bastante pequeña. La validez de las
mediciones parece ser bastante buena en el caso de las inspecciones realizadas en las
mediciones. Dos autos fueron inspeccionados temprano durante la prueba de campo con base
en valores altos en la posición.

La inspección confirmó el desgaste esperado que estaría relacionado con ese tipo de
desviación en el rendimiento de la dirección. El bogie también fue inspeccionado por un
representante de fabricación de bogies que estaba en el taller. Dio un breve informe sobre los
bogies a LKAB / MTAB. El informe indica que el desgaste de las ruedas se correlaciona con las
lecturas del sistema detector. También da sugerencias de problemas de bogies que pueden ser
la causa del mal desempeño de los bogies. Pero con la pequeña cantidad de datos también hay
un problema para hacer una declaración exacta sobre la validez real de las mediciones.

Uno de los objetivos de las mediciones era ver si tenían alguna correlación con los datos del
historial de mantenimiento de los vehículos. Este trabajo reveló un problema con el uso del
sistema de gestión de mantenimiento que el investigador no conocía antes de las mediciones.
El sistema es capaz de realizar un seguimiento de los ejes individuales en los vehículos y la
percepción general era que esto se hizo. Sin embargo, una vez que se inició la extracción de
datos, se hizo evidente que había datos corruptos en el sistema de mantenimiento. Esto hizo
imposible dar un análisis correcto de la correlación de la medición y los datos históricos de
mantenimiento.

Datos de medición

Una limitación en el estudio es la pequeña cantidad de datos de medición, lo que hace difícil
hacer una declaración concluyente sobre la confiabilidad y validez del sistema de medición.
Por lo tanto, para lograr un mejor resultado, se deben realizar más mediciones.

Valor del estudio

Del estudio se ha demostrado que el sistema es utilizable en los ferrocarriles. Esto hace que el
sistema sea una de las formas más prometedoras de monitorear la condición y el rendimiento
de los vehículos ferroviarios en los ferrocarriles.

Otra idea importante del estudio es el problema con la conexión entre los datos de monitoreo
de condición y los datos históricos de actividades de mantenimiento en LKAB / MTAB. Existe la
necesidad de una actualización en el uso del sistema de gestión de mantenimiento para poder
utilizar los sistemas de monitoreo de condición en toda su capacidad.

Caso 2: Mediciones de fuerza de rueda / riel

El sistema es un producto que se encuentra en continuo desarrollo, pero se basa en tecnología

que se ha utilizado en varios países. El sistema utiliza galgas extensométricas desplegadas en el
riel para medir las fuerzas de los juegos de ruedas que pasan.

La intención era recopilar datos de medición sobre las fuerzas verticales y laterales y
conectarlos a conjuntos de ruedas individuales para su correlación con los datos del historial
de mantenimiento. Este estudio de caso se realizó en paralelo con el Estudio de caso 1. Las
mediciones se tomaron durante 5 días. La ubicación geográfica estaba a lo largo de la pista en
el tramo de transporte.

Figura 14: Imágenes de la ubicación de medición.

El sistema de medición de galgas extensométricas fue instalado directamente en el riel. El

equipo se instaló a ambos lados del riel.

Figura 15: Instalación del sistema de galgas extensométricas con las direcciones definidas para los
parámetros medidos y la dirección geográfica de la pista.

Análisis de datos

Durante la prueba de campo se monitorearon varios pasajes de trenes de mineral. Para ilustrar
mejor los resultados, se han utilizado dos pasajes. Esto se debe a que la configuración del
conjunto de trenes era la misma en ambos pasajes. Las mediciones de las fuerzas laterales
mostraron una buena repetición de lecturas entre los dos pasajes.
 Figura 16: Las fuerzas laterales en el riel desde los 40 primeros ejes en el mismo tren

Las fuerzas verticales también mostraron una buena repetición de lecturas entre los pasajes.

Figura 17: Fuerzas verticales en el riel izquierdo de los 40 primeros ejes en el mismo conjunto de trenes
que pasan

Resultados de la investigación

La tecnología es aplicable en la mayoría de los tipos de ferrocarriles que utilizan ruedas sobre
riel. Esto permite desplegar la tecnología en el ferrocarril sueco para medir las fuerzas de todo
tipo de vehículos ferroviarios que pasan.

Los parámetros medidos serían un aporte valioso para detectar y evaluar el rendimiento de los
vehículos ferroviarios en los ferrocarriles suecos, brindando beneficios tanto a los operadores
de trenes como a los propietarios de infraestructura.

Para poder utilizar el sistema de medición en todo su potencial, es necesario conectar las
mediciones a la base de datos de gestión de mantenimiento. Esto significa que el historial de
elementos individuales (por ejemplo, juegos de ruedas)
Del estudio se ha demostrado que el sistema se puede utilizar en los ferrocarriles suecos. Esto
hace posible que el sistema sea una de las formas posibles de controlar la condición y el
rendimiento de los vehículos ferroviarios en los ferrocarriles suecos. Otra idea importante del
estudio es el problema con la conexión entre los datos de monitoreo de condición y los datos
históricos de actividades de mantenimiento en LKAB / MTAB. Existe la necesidad de una
actualización en el uso del sistema de gestión de mantenimiento para poder utilizar los
sistemas de monitoreo de condición en toda su capacidad.