El mantenimiento preventivo es una filosofía para la administración de activos que persigue el fin de maximizar la operación mediante rutinas de inspección, las cuales aumentan su frecuencia a medida que no se presenta un estado anormal, conllevando a que se incremente la probabilidad de falla debido a la mayor cantidad de intervenciones y por el error humano inherente. Recientemente la investigación de pronóstico ha sido utilizada con el objetivo de alcanzar estrategias efectivas de mantenimiento y con el fin de evaluar y administrar el riesgo residual en equipos que sufren degradación. El pronóstico se relaciona con la estimación de vida útil restante (RUL) de un activo al predecir su estado de salud durante la progresión de la degradación. Este artículo presenta el desarrollo de un sistema automático para identificar tipos de fallos en rodamientos, empleando Coeficientes Cepstrales en la escala de Mel (MFCC) como conjunto de características y Cadenas Ocultas de Markov (HMC) con observaciones discretas como clasificador. Se hace hincapié en la selección óptima de estados del clasificador HMM mediante el criterio de curvas ROC (Receiver Operating Characteristic). Las características son discretizadas empleando agrupamiento por k-medias. Las señales de estudio son datos de vibración provenientes de rodamientos. Se emplean dos bases de datos que presentan cuatro escenarios diferentes de operación, a saber: normal, falla en pista interna, falla en pista externa y falla en bola. Una de las bases permite diferenciar niveles de severidad para cada escenario de operación.
INTRODUCCIÓN
Los fabricantes estadounidenses invirtieron a principios de los años ochenta unos 600 bimillones de dólares en el mantenimiento de sistemas críticos. Estos gastos se duplicaron en tan sólo 20 años, y una alarmante mitad del dinero se destinó al mantenimiento no efectivo [1]. Sin embargo, la presión constante por mejorar la fiabilidad de los activos sigue intacta [2]. Tanto es así que las inversiones en acciones preventivas y predictivas se convirtieron globalmente en el 65,9% de los recursos de mantenimiento en 2008 y en el 72,4% para el mundo industrializado [3]. Lo preocupante es que el consumo de energía industrial crece en participación global, con un 42,6% en 2013 [4].
Con el propósito de desarrollar estrategias de mantenimiento eficientes, se han enfrentado retos relacionados con la investigación predictiva para gestionar el riesgo residual de los equipos que fallan [2].
La investigación predictiva en este contexto debe entenderse como la estimación de la vida útil restante (RUL) de un activo mediante la predicción de la progresión de una anomalía diagnosticada [5].
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Una antena de ranura cónica de banda ancha y alta ganancia para aplicaciones de matriz de imágenes en la banda W
Artículo:
Desarrollo de sistema de visión artificial para control de calidad de botellas en la empresa cartavio rum company
Artículo:
Smart Lumini: Sistema de luminosidad inteligente basado en IoT para ambientes académicos usando hardware libre
Artículo:
Prototipo de silla de ruedas comandada por voz empleando hmm en un ambiente controlado
Artículo:
Antena de píxeles de banda ancha y pequeño tamaño: Comparación de los resultados teóricos y experimentales en la banda L
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Software:
Simulación del proceso de extracción sólido-líquido EXTSL