MASTER EN MANTENIMIENTO INDUSTRIAL Y TÉCNICAS DE

DIAGNÓSTICO
UNIVERSIDAD DE SEVILLA

TÉCNICAS AVANZADAS DE MANTENIMIENTO INDUSTRIAL E

IMPLANTACIÓN DE SISTEMAS MAO.

ALUMNOS:

JESÚS MARÍA LÓPEZ LÓPEZ

EXPERTO UNIVERSITARIO EN MANTENIMIENTO DE MEDIOS E INSTALACIONES
INDUSTRIALES

ANDRÉS GARCÍA PELAYO

EXPERTO UNIVERSITARIO EN MANTENIMIENTO PREDICTIVO Y DIAGNOSIS DE
FALLOS
“Vive como si fueras a morir mañana.
Aprende como si fueras a vivir para siempre”

Mahatma Gandhi.

En memoria de mi amigo Andrés García Pelayo.

 1- INTRODUCCIÓN.

La finalidad de este trabajo es exponer de forma resumida, determinadas

técnicas y su posible sentido de utilización en la gestión de mantenimiento.

Los temas a considerar son:

a- Mantenimiento predictivo.
b- Fiabilidad.
c- Diagnóstico asistido.
d- Simulación de planificación.
e- Análisis causa-efecto (integración con el SPC*).

* Control estadístico del proceso.

2- MANTENIMIENTO PREDICTIVO.

El sentido de aplicación del mantenimiento predictivo o condicional se

puede resumir como sigue:

Orientar las políticas de mantenimiento de intervenciones desde las

basadas en la disfuncionalidad de los dispositivos (averías) o en la
repetitividad fruto de la actividad (ciclos o contadores) a intervenciones
basadas en el estado del dispositivo.

Ajustar la incertidumbre del mantenimiento programado (preventivo),

permitiendo una intensificación de la labor planificada y de la seguridad.

Fomentar la integración de las funciones de ingeniería

Evitar desmontajes innecesarios.

Disminuir tiempos de paradas (se pueden obtener ahorros estadísticos

próximos al 50% sobre una situación de aplicación normal de preventivo).

Recepcionar e instalar adecuadamente nuevas máquinas, instalaciones o

procesos.

Ayuda en el diseño o modificación de equipos, sobre todo integrando el

análisis de espectros con el método FEM (elementos finitos).

Facilitar información a los sistemas de diagnóstico asistido por ordenador.

La utilización del ordenador en el área de mantenimiento predictivo es

para:

- Análisis de espectros si no son realizados por un sistema FFT

(transformación rápida de Fourier) específico.
 - Cálculo de tendencias por regresión en síntomas significativos de
futuras averías y ajuste automático de órdenes de mantenimiento
preventivo relacionadas.

- Presentación de gráficos, alarmas (monitorización) e información por

excepción en general de forma ágil e interactiva.

La tabla 8.1 es un resumen de las técnicas empleadas en mantenimiento

condicional, especificando el modo de tratamiento de la información obtenida
de la planta (en línea o fuera de línea), y el grado de especialización
requerido por los operarios que las manejen.

Para el proceso genérico de análisis de vibraciones, una estrategia a

veces utilizada es detectar la evolución del valor RMS en el tiempo por ajuste
lineal o exponencial, y cuando sobrepasa un límite acudir al análisis espectral.

Esta actuación puede ser válida en determinados contextos, pero no en

general. Es preferible en cambio:

- Primero realizar espectro por Fourier.

- Segundo escoger los armónicos representativos de los puntos críticos
que condicionan el estado de la maquinaria (con la colaboración del
suministrador)
- Tercero, llevar los gráficos de tendencias de esos armónicos de forma
individual.

Hemos dicho que se empleaba un ajuste lineal o exponencial por regresión.

En general la utilización de la correlación estadística en mantenimiento tiene
el sentido siguiente:

Fiabilidad de las tendencias ajustadas por líneas de regresión en

mantenimiento predictivo.
Descubrir relaciones causa-efecto a partir de la base de datos de
histórico de averías e intervenciones.
Afinar, en consecuencia, en las políticas de mantenimiento,
particularmente en el preventivo.

El método de análisis se basará en el diagrama que a continuación

detallamos.

3- SÍNTOMAS Y ORÍGENES DE PROBLEMAS DE VIBRACIÓN.

Nos referimos aquí a vibraciones mecánicas, aunque buena parte de la

teoría de vibraciones puede ser extensible a sistemas de redes eléctricas.
Para dispositivos electrónicos es más práctico hablar de diagnóstico de estado
a nivel de tarjeta y sustitución bajo stock, o en un sistema más avanzado del
by-pass hacia un circuito redundante (tolerancia a fallos).
 La razón es la rápida y sorpresiva degeneración de los sistemas
electrónicos en el caso en que ocurre el fallo.

Los orígenes de la vibración mecánica suelen ser desequilibrios (estáticos

con masas en un plano del eje o dinámicos con masas en más de un plano del
eje). La desalineación es otro motivo importante a tener en cuenta
(longitudinal, angular ó compuesta). Podemos englobar otro grupo debido a
desajustes mecánicos como son ejes deformados, excentricidades, desgastes
de rodamientos, rozamientos atípicos, holguras, dientes defectuosos de
engranajes, etc...

4- CAPTADORES DE DATOS EN PREDICTIVO.

Quizás el elemento más condicionante de los resultados obtenidos en

mantenimiento condicional sea la elección de la ubicación de los sensores
(captadores) en la máquina o instalación a estudiar. En la tabla adjunta se
clasifican los tipos de sensores empleados y un ejemplo de ubicación de
captadores en una máquina rotativa.

5- NORMAS DE MANTENIMIENTO CONDICIONAL.

En la técnica de análisis de vibraciones son de aplicación dos normas

principales: ISO 2631 e ISO 2372. Se detallan a continuación algunos de los
aspectos contemplados en la segunda de ellas.

Norma ISO 2372: “Vibraciones mecánicas de máquinas con una velocidad de

funcionamiento comprendida entre 600 y 12.000 r.p.m.”. Esta norma clasifica
las máquinas en función del tamaño o potencial total y del tipo de apoyo si es
rígido o elástico, definiendo así los siguientes grupos:
 Grupo I: Máquinas pequeñas con apoyo rígido. Ejemplo motores
eléctricos de hasta 15 kW de potencia.

Grupo II: Máquinas con apoyo elástico o rígido. Ejemplo motores de

potencia entre 15 y 300 kW.

Grupo III: Máquinas grandes con apoyo relativamente rígido. Ejemplo

ventiladores de tiro inducido sobre bancada de hormigón.

Grupo IV: Máquinas grandes con apoyos relativamente elásticos.

Ejemplo bombas centrífugas de alimentación de calderas de 400 CV.

Grupo V: Máquinas y dispositivos de arrastre mecánico dotados total o

parcialmente de movimiento de vaivén, montados en apoyos
relativamente elásticos.
Ejemplo: Grandes tamices vibrantes, trituradoras de mineral, grandes
motores diesel con cruceta.

Las máquinas de los grupos V y VI difieren mucho entre si, y los valores
admisibles de vibración varían entre amplios limites. Las de los grupos I, II, III
y IV son fácilmente encuadrables en ellas, de forma que los valores admisibles
de vibración se mantienen dentro de los mismos limites.

FIABILIDAD

El sentido de utilización de esta técnica, basada en la distribución de

Weibull, se puede concretar en lo siguiente:

- determinación de en qué fase de la curva de bañera se

encuentra el equipo;
- aplicación consecuente de políticas mas adecuadas de
mantenimiento;
 - cálculo de periodos mas adecuados de sustitución de elementos;
- facilitar información para la planificación y el ajuste de
mantenimiento preventivo así como para los sistemas de
diagnostico asistido por ordenador;
- cálculo de fiabilidad de sistemas complejos partiendo de la
fiabilidad de sus elementos constituyentes;
- información objetiva sobre la eficacia tecnológica de la función
de mantenimiento;
- relación con técnicas de Pareto y <<análisis modal de fallos>>.

El auxilio del ordenador se concreta en el mantenimiento al día de la

base de datos del histórico de efectos y averías, cuyo tratamiento apropiado
mediante un programa permitirá calcular los parámetros K y MTBF de la
distribución de Weibull y el MTTR de la averías de forma dinámica y
prácticamente en tiempo real.
USO DEL HISTORICO DE DEFECTOS Y EL MTBF: DIAGNOSTICO DE FIABILIDAD Y
GAMAS IMPLICITAS

La distribución del tiempo medio entre fallos (MTBF) es una

herramienta útil para la predicción complementaria de averías junto con los
diagnósticos de espectros y las regresiones (ajustes exponenciales y lineales)
de valores de determinados armónicos An o funciones F(t) a nivel de vibración
total.
La distribución a utilizar en general es la Weibull restringida, formulada
a continuación, y en la que se particulariza el nivel de sus parámetros K y
MTBF.
La probabilidad de que un equipo no se averíe en un tiempo t se puede
obtener:
K
⎛ t ⎞
−⎜ ⎟
PS (t ) + e ⎝ MTBF ⎠

1
y la fiabilidad en el mismo periodo como F(t) = 1 – PS(t), siendo λ = el
MTBF
tanto unitario de fallo.
K puede obtenerse del papel probabilístico de la distribución de
Fiabilidad de Weibull y está directamente relacionado con las fases de la
curva de bañera.
La forma asociada de la distribución de Weibull en función del valor de
K se ve en la siguiente fórmula, que mantiene una relación directa con el
anterior de la curva de bañera.
Es evidente la utilidad del conocimiento de los parámetros de Weibull
en el propio diagnostico de averías.

dPs(t )
K
⎛ t ⎞
k ⋅ t k −1 −⎜ ⎟
f (t ) = = ⋅ e ⎝ MTBF ⎠
dt MTBF K

K < 1 Fallos precoces, mala instalación, mala operación.

K ≈ 1 Estabilidad, independencia del tiempo, zona central de la curva de
bañera.
Estos fallos son originados por falta de dominio del proceso o por someterlo a
condiciones extremos que adelantaran el envejecimiento.
K > 2 Envejecimiento.
PERIODOS ÓPTIMOS DE SUSTITUCIÓN DE ELEMENTOS

Otra aplicación interesante del análisis de fiabilidad es la política de

reemplazamiento de elementos de maquinas.

Sean:
N = numero de elementos.
Cr = coste de reemplazamiento unitario previo al fallo.
t = intervalo de sustitución.
Cf = coste de remplazamiento unitario posterior al fallo, incluyendo
coste asociado de parada de proceso.
E(t) = número esperado de fallo en el periodo t, que se obtendría de
la distribución de Weibull.

Se trata de hallar el valor de t que minimiza la siguiente expresión de

costes:
N ⋅ C r + E (t ) ⋅ C f
C=
t

E(t) puede calcularse como sigue:

⎡ ⎤
K
⎛ t ⎞
−⎜ ⎟
E (t ) = N ⋅ ⎢1 − e ⎝ MTBF ⎠ ⎥
⎢ ⎥
⎣ ⎦

dC
Por lo que, sustituyendo esta expresión en C y haciendo = 0 se
dt
calcula el valor de t óptimo por tanteo de la siguiente ecuación:

Cr −⎜
⎛ t
⎟
⎞
⎡ ⎛ 1 ⎞ ⎤
K

+ 1 = e ⎝ MTBF ⎠ ⎢1 + K ⎜ ⎟ ⎥
Cf ⎢⎣ ⎝ MTBF ⎠ ⎥⎦
( A) = (B )
Gráficamente se obtiene representando A-B por puntos, y trazando la
línea que los une.
De los valores que anulan la diferencia A-B, debe de escogerse el
primero, que es el que corresponde a un mínimo. Es obvio que la solución
t = ∞ que hace C = 0 no tiene un sentido real en este caso.

OTRAS APORTACIONES DEL CALCULO DE FIABILIDAD A LA GESTION DEL

MANTENIMIENTO

- Grado de eficacia técnica del mantenimiento en un ítem o elemento

de planta.
 MTBF
GE = × 100
MTBF + MTTR

Siendo: MTBF = tiempo medio entre fallos,

MTTR = tiempo medio de reparación.
K
⎟ ⎡
⎛ t ⎞ ⎤
⎛ t ⎞ K
Cr −⎜
+1− e ⎝ MTBF ⎠
⎢1 + K ⎜ ⎟ ⎥ = A− B
Cf ⎣⎢ ⎝ MTBF ⎠ ⎦⎥

El grado de eficacia queda, por tanto, representado por un porcentaje.

- Planificación: numero de trabajos probables en lista de espera para

reparación.

Sean:
MTBF = media de MTBF de los ítems a mantener por un grupo operativo
de mantenimiento.
MTTR = media de MTTR de los mismos.
t =tiempo medio de espera de un trabajo en lista.
n =número medio de trabajos en lista.
p(n) =probabilidad de que existan n trabajos en la lista.

1 1
λ= ρ=
MTBF MTTR
n
λ2 λ ⎛λ⎞ ⎛ λ⎞
n= t= p (n) = ⎜⎜ ⎟⎟ ⎜⎜1 − ⎟⎟
ρ (ρ − λ ) ρ (ρ − λ ) ⎝ρ⎠ ⎝ ρ⎠

- Establecimiento de políticas de mantenimiento.

- Gestión de stocks.

Lo más conveniente es establecer un análisis ABC asignando a cada

grupo de repuestos una gestión de stocks diferenciada.
Una asignación puede ser la siguiente (observase que solo en el caso D
se admite ruptura de stock):

A repuestos específicos de alto valor.

B repuestos específicos de bajo valor o comunes de valor alto.
C elementos diversos, generalmente de bajo valor económico.
D elementos de tipo C sin influencia apreciable por admitir ruptura de
stock y con rápido reaprovisionamiento.

La gestión del grupo A se establece generalmente manteniendo un

elemento permanentemente en stock.
 En el caso del grupo B (típico de rodamientos en general) podría
seguirse el procedimiento del lote EOQ de Wilson, tomando como consumo
anual previsto el dado por la siguiente formula:

T
C=N⋅
MTBF

donde:

N = numero de elementos iguales

T = tiempo anual de funcionamiento en horas
MTBF = tiempo medio entre fallo en horas

Bajo este supuesto, el lote económico (EOQ) según la formula de

Wilson seria:
2 ⋅ N ⋅T ⋅ a
EOQ =
MTBF ⋅ p ⋅ r
donde:

a = coste de lanzamiento de un pedido (portes, gastos administrativos,

etc.).
p = precio del elemento.
r = coste medio de dinero en tanto por uno.

Diagnóstico asistido

Esta técnica se basa en la utilización de un sistema experto de

inteligencia artificial como ayuda al diagnostico de averías.
Las ventajas que aporta son:
- sistemática y rapidez en los diagnósticos de averías, reduciendo
el MTTR;
- si se utiliza un sistema experto, permitir la transmisión de
conocimientos que quedan como <<activo>> de la empresa y no
de las personas;
- relación con el análisis causa-efecto, Pareto y procesos de
mejora continuada.

Evidentemente, la función del ordenador es necesaria para:

- soportar la base de datos y la base de conocimientos del sistema

experto;
- integrar en tiempo real información provinente de las áreas de
fiabilidad y predictivo;
- generar el proceso de inferencia del sistema experto, que es la
forma más natural y conveniente de realizar el diagnostico
asistido.

A continuación analizamos un modelo posible de sistema experto para

ayuda al diagnostico de averías.
 Sus aspectos más representativos son:

- ayuda al diagnóstico:
• primera modalidad (<<black box>>),
• segunda modalidad (<<modelo propagador>>),
• estructura de la información de entrada;
- gestión de procedimientos (<<gamas>>) de mantenimiento.

AYUDA AL DIAGNOSTICO

Se trata de un sistema de un propósito general cuya particularización a

la problemática de diferentes instalaciones (ítems) estará implícita dentro de
la propia parametrización del modelo.
El sistema es de naturaleza off line, y se aplicaría a los ítems de planta
que no integren el diagnóstico en tiempo real por razones tecnológicas o de
coste.
Puede emplearse particularmente en la relación entre el estado del
ítem y la calidad o apariencia del proceso de fabricación que ejecuta.
Dos casos deben ser considerados:

1. El nivel de conocimiento funcional del ítem es escaso o inexistente

debido probablemente a su complejidad (primera modalidad, que
hemos llamado black box).
2. Se conoce un esquema lógico de comportamiento formalizable a
través de funciones lógicas (segunda modalidad o de <<modelo
propagador>>).
Estudiaremos ambos casos por separado.

Primera modalidad (<<black box>>)

El pattern matching (comparación de patrones) parece en este caso el
método mas apropiado para enfocar el problema.
Se define un vector de características propio por cada naturaleza de
ítem.
(xi ) = x1 , x 2 ...x n
(1)

generando dicho conjunto de características otro conjunto asociado r y

patrones r(x).
Comoquiera que r puede ser elevado, es necesario buscar de una forma
heurística el patrón mas ajustado a los <<síntomas>> que representan los
valores (xi). Para contemplar el caso en que por falta de aproximación al
banco de datos existente sea necesario crear un nuevo patrón, se calcula un
umbral de <<distancia>> (dm) que superado da origen a dicha creación.
La búsqueda heurística para asignación de un patrón r al conjunto (xi)
que se presenta, pasa por una fase previa en la que dicho (xi) se asocia
primeramente a una <<clase>> R, siendo R un conjunto de r.

(R ) = r1 , r2 ...rp
(2)
 Para dicha asociación se comparan, con datos propios cada clase, los
valores lógicos (0/1) o determinadas funciones lógicas correspondientes a
conjuntos variables anexas a (xi) que llamaremos (xi):

(x ) = x
j n +1 , x n + 2 ...x m
(3)

donde xj = 0/1

Esta comparación supone, de hecho, una primera criba que orienta una
seria de síntomas (xi) a una <<clase>> de patrones con relativa rapidez.
Determinada la clase, es preciso asignar al set de <<lecturas>> o
<<síntomas>> externos, que ahora llamaremos (x´i), un patrón en concreto
dentro de la <<clase>>, o en caso contrario crear un patrón adicional.
El procedimiento es el siguiente:

a) La comparación comienza por el patrón más <<favorable>>y

continua la exploración a través de los patrones con <<índices de
favorabilidad>> (IF) mayores.
Dicho IF se calcula:
fa × fr
IF =
∑ δ ij × Pj i
(4)
donde:

fa = Frecuencia histórica de asignación del patrón por el modelo

heurístico (calculo por el sistema).
fr = Frecuencia de aciertos reales en el diagnostico (en base a
realimentación del usuario).
δij = Penalización-coste por error en diagnostico habiéndose
indicado <<i>> donde era <<j>>.
Pj/i = probabilidad de que diagnosticando <<i>> ocurra <<j>>
(calculado por el sistema).

b) En cada patrón se compara el índice de correlación ponderado

(ICP) entre (xi) y (x´i) con un umbral propio de cada uno de
aquellos que representa la <<distancia mínima admisible>> dm
de asignación del diagnostico.

ICP = ∑ αi ( xi − x´i )
2

(5)

donde αi representa un conjunto de constantes de ponderación.

Cuando ICP es mayor que dm, se escoge para volver a realizar el
proceso el patrón de IF siguiente en valor. Si al final del recorrido por los
patrones de la <<clase>> se ha cumplido siempre ICP > dm, se crea el nuevo
patrón con los datos (x´i) originales, y en este caso no aparece un diagnostico.

c) El diagnostico sugerido se complementa con información

aportada por el sistema desde la base de datos de gestión. Esta
información es:

- pendientes de las rectas de regresión de valores de medición de

mantenimiento predictivo (que representaran cierta parte de las
xi);

- fechas de ultima revisión y medición;

- datos históricos de análisis causa-efecto en el ítem en un

determinado <<dominio>> que es seleccionado en función del
patrón r escogido.

d) Como consecuencia de la información obtenida, el usuario podrá

explorar de forma interactiva los siguientes patrones al escogido,
si lo estimase oportuno.

Obsérvese que el modelo <<aprende>> desde una doble variante:

-explicita, a través de la realimentación de fr por el usuario;

-implícitamente, a través de la autogeneración de fa.

También hay que señalar que para la actualización de fr es importante

el manejo del <<query>> por el usuario, facilitando la búsqueda del patrón,
mas cercano a la realidad del diagnostico en planta, o creando uno de forma
externa si la aproximación no se considera suficiente.

El sistema mostraría órdenes de preventivo pendientes y cercanas al

IPF, siguiendo su retraso/adelanto, todo ello de forma interactiva para el
usuario.

SEGUNDA MODALIDAD (<<MODELO PROPAGADOR>>)

El modelo propagador puede establecerse como sigue:

En la figura 8.12 F, G y H son funciones de naturaleza lógica, de escala
o combinadas, y representan el conocimiento de la estructura funcional del
ítem desde el punto de vista del <<dominio>> en el que el diagnostico va
actuar.
 x G

H
Z

y F

Figura 8.12

La representación <<formal>> del modelo propagador aporta de por si

una primera ventaja, que es la supresión de gran cantidad de <<reglas>> que
harían mas compleja la gestión del sistema.
Cada función F, G, H tiene asignadas unas probabilidades que
relacionan la salida o resultado de la función (‘’síntoma) con la entrada
(‘’diagnóstico).
Dichas probabilidades se asignan de forma externa.
La estructura funcional generada puede asimilarse a un árbol al que son
aplicables las técnicas conocidas en I.A. como <<poda α – β>>.
La parametrización del sistema permitirá definir modalidad definir
modalidad-exploración del árbol en profundidad o en anchura a través del
arrastre de una función heurística h(n), relacionada directamente con las
probabilidades acumuladas en el recorrido de los nodos del árbol. El
mecanismo heurístico <<podrá>> las ramas del árbol en función de los límites
establecidos para una <<probabilidad aceptable>>, sin seguir en un momento
dado explorando en profundidad en profundidad. También se representará en
pantalla el razonamiento seguido a través de la memorización de valores que
también será de utilidad para poder reemprender búsquedas en profundidad
que se habían abandonado transitoriamente.

ESTRUCTURA DE LA INFORMACIÓN DE ENTRADA

Recordaremos que la información de entrada se compone de los

conjuntos (xi) y (xj), actuando el segundo como elemento discriminador para
la <<clases>> de patrones (R).
La naturaleza de (xi) provendrá fundamentalmente de medidas o
indicaciones de tipo analógico que en parte podrían ser procesadas por un
analizador de Fourier, o que tendrán un sentido de <<estado>> o de tendencia
de evolución en el momento del análisis.
Se presentan, pues, dos situaciones:

a) Para los casos de consideración de nivel absoluto de señal

(velocidad de vibración en mantenimiento predictivo), los
valores de (xi) serían:
 -Autocorrelación de señal:
V ( p ) = lim y (t ) xy (t + p ) × dt
1 T2
T −T0 T ∫−T 2
(6)
• T0 es un valor suficientemente significativo para la señal.
• p es un tiempo arbitrario, fijado de forma conjunta con T0 y en
función de la frecuencia básica esperada de la señal.

- Nivel de pico positivo máximo en T0.

- Nivel pico a pico medio en T0.
- Frecuencia media pico a pico en T0.

1
⎛1 T0 ⎞ 2
RMS = ⎜⎜
⎝ T0
∫0
y 2 × dt ⎟⎟
⎠
(7)
tomándose de la base de datos las pendientes de las rectas de regresión tgα y
tgβ de la evolución histórica de los valores de pico máximo y RMS a través de
distintas lecturas realizadas en el pasado.

b) Cuando las lecturas puntuales de señal en el ítem se pueden ver

afectadas por la vibración total de conjunto de la instalación es
preciso partir de un análisis en frecuencia de la señal a través de
la transformación en Fourier.

Y (t ) = ∫ y (t ) × e − jπft × dt
T0

0
(8)
Los valores de (xi) que se consideran en este caso son:

- Los datos Y(f) de espectro de frecuencia centrados en torno a la

frecuencia natural o a valores característicos (fig.8.13). Estos
datos se tratan con iguales principios que los definidos en el
párrafo a).
La <<densidad espectral de potencias>> V(f) que es la transformada de
Fourier de V(p) ya descrita en (6), y que la sustituye en esta caso.

V ( f ) = ∫ V ( p ) × e − jπft × dt
T0

0
(9)

- Pendientes de las rectas de regresión tgα y tgβ para los Y(f)

considerados.
GESTION DE PROCEDIMIENTOS (<<GAMAS>>) DE MANTENIMIENTO

Se trata de que el modelo responda a dos categorías de preguntas del

usuario:
a) ¿Existe algún procedimiento para realizar in tipo de operación
<<0>> en un ítem de la familia <<F>>?
b) ¿Es posible aplicar un determinado procedimientos a un nuevo
caso que se presenta o se pretende tipificar?

En cualquier caso es necesario estructurar la información de forma

extensiva en la base de datos. Bajo este supuesto la primera de las preguntas
puede ser gestionada por el <<query>> integrado en el sistema operativo,
basado en la aplicación a un lenguaje cuasi-natural de reglas lógicas del tipo
y/o.
La interfaz hombre-maquina, fundamentada en este caso en la sencillez
de interrogación del SGBD relación, puede facilitarse por la creación de
<<macrodiccionarios>> en la propia base de datos, y por la generación de un
<<macroquery>> de propósito especial en relación con el problema que
amplíe las posibilidades de sintaxis del <<query>> original, tanto por la
inclusión de nuevas opciones de interrogación como por la agrupación o
combinación de comandos-verbos.
La segunda pregunta debe gestionarse de forma distinta (ver fig.8.14).
Cuando el usuario realiza la pregunta, el sistema hace concurrir de
forma interna el conjunto de procedimientos estructurados para la familia (F)
de ítems a la que el caso presentado pertenezca, así como para el objetivo
codificado del procedimiento en cuestión (0), y mediante <<helps>> basados
en diccionarios internos, orienta al usuario para introducción del
procedimiento que se pretende probar quede estructurada dentro del sistema
y pueda comprarse.
A continuación, y mediante la técnica de <<pattern matching>>,
basado en el cumplimiento previo de condiciones lógicas en alguno de los
campos (<<privilegiados>>), y la aplicación posterior de correlación a otros
valores puntuales (<<secundarios>>), identifica la gama interna <<mas
aproxima>>.
Finalmente, en base a la correlación obtenida (concepto de
<<distancia>> ya explicado en el apartado <<black box>> y a la existencia en
la base de datos de <<gama mas próxima >>) el modelo comunica al usuario la
decisión.
AJUSTES DE PLANIFICACION Y MARCO OPT

El cálculo de tendencias (tgα y tgβ) de mediciones predictivas se usa

como base para ajustar el plan preventivo y disminuir los costes totales de
mantenimiento asociados a su incertidumbre intrínseca.
El sistema sugeriría ajustes de gamas de preventivo en torno al IPF
(instante de predicción de fallo). A continuación, el usuario aplicaría técnicas
de simulación en el marco de las instalaciones <<cuello de botella>>, ya que
el interfaz del sistema MAO con el MPS (plan maestro de producción)
proporcionara la secuencia de trabajo en las mencionadas instalaciones y la
duración prevista de las gamas de mantenimiento afectadas.
Otro resultado importante es el que aparece en fig.17 y que se refiere
a la asociación predictivo-correctivo. La información previa de tendencias
permite analizar asignación o reasignaciones de recursos, tanto en producción
como en mantenimiento, con la suficiente antelación para reducir de forma
importante el <<down time>>.

Simulación de planificación

Mediante esta técnica, se incorporan al proceso de programación de

mantenimiento los siguientes efectos positivos:

- sistemática de procedimientos:
- capacidad de planificar dinámicamente, en función de la
realidad instantánea de la planta;
- integración de múltiples aspectos de estado, de fiabilidad, etc. a
tener en cuenta en el proceso de planificación;
- consideración del plan de producción vigente.

El ordenador aporta aquí:

- el mantenimiento de la base datos integrada necesaria para considerar

la gran variedad de situaciones que pueden afectar a la planificación en
un momento dado.

rapidez de presentación de resultados que permitan propiamente poder

simular alternativas de propagación de los trabajos y sus efectos.

Análisis causa-efecto, Pareto e integración con el SPC (control estadístico

del proceso)

El análisis causa-efecto y la utilización de la técnica ABC de Pareto (en

la influencia relativa de causas, y en el grado de influencia real del efecto en
problemas en fabricación) permiten centrarse en los problemas básicos y de
importancia en primer termino, pero sin renunciar a un proceso de mejora
continua que explore la cadena lógica causa-efecto buscando el origen ultimo
del problema.
 La exploración del histórico de averías de la base de datos del
ordenador, y su análisis automático por un sistema de regresión multivariable
proporcionan la información necesaria como primer paso para profundizar en
la secuencia causa-efecto, aportando un análisis de Pareto previo.
Esta información tiene dos vías de uso:

- el propio análisis causa-efecto en profundidad;

- realimentar la base de conocimiento del sistema experto de diagnostico
asistido.
Como elemento importante a considerar tenemos la salida fuera de
límite de control de determinadas fases del proceso de fabricación detectados
por el SPC (control estadístico del proceso). Esta información debe de poder
integrarse de alguna forma como un <<efecto>> dentro del proceso descrito.
Es decir, que no se trata solo de contemplar averías, sino también
intervenciones realizadas de ajuste por haberse salido el proceso de las
condiciones de tolerancia de trabajo.

BIBLIOGRAFIA

Borda J. “ La Evolución hacia el mantenimiento condicional”, Jornada en

el programa IMI, Bilbao 1987.

Rao, J.S.; Kupta, K: “ Theory and Practice of Mechanical Vibrations”,

Wiley-Eastern, Nueva Delhi 1984.

Borda J. “ Técnicas de Mantenimiento avanzado”, Deusto, Bilbao 1991.