Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
12º CONGRESO IBEROAMERICANO DE INGENIERÍA MECANICA Guayaquil, 10 a 13 de Noviembre de 2015 INDICADORES CLAVE DE DESEMPEÑO KPI: APLICACIÓN EN BOMBAS Zúñiga A., Rodríguez M., Sosa A., Galván B. División de Computación Evolutiva y Aplicaciones CEANI Instituto SIANI, Universidad de Las Palmas de Gran Canaria Edificio Polivalente I, Parque Científico y Tecnológico, 2ª planta, Campus de Tafira Baja 35017, Las Palmas de Gran Canaria, Islas Canarias, España azuniga@siani.es, m.r.rodriguez.camacho@gmail.com, asosa@siani.es, bjgalvan@siani.es RESUMEN En la actualidad, las empresas se manejan en un medio altamente competitivo, lo que les obliga a explorar nuevas técnicas para aumentar su productividad y reducir costos; una de las estrategias más comunes es la reducción de costos en actividades de mantenimiento. Tradicionalmente el mantenimiento de equipos sensibles como las bombas se ha venido realizando mediante políticas correctivas y por actuaciones preventivas en base a las especificaciones del fabricante. La criticidad a niveles operacionales, económicos, e incluso de seguridad de los fallos ocurridos en este tipo de equipos ha motivado un cambio en busca de estrategias que contemplen el estado de salud real de los activos, esto es, el mantenimiento predictivo. En este trabajo se presenta una aproximación a la identificación de los niveles de salud mediante la definición de indicadores KPIs, donde se incorpora de forma natural la política de explotación seleccionada durante la vida útil del equipo. La optimización de los indicadores se realizó mediante un algoritmo evolutivo multiobjetivo en el que se persigue, simultáneamente, la minimización del Coste del Ciclo de Vida de la bomba y la maximización del ajuste del indicador KPI a la política de explotación previamente seleccionada. PALABRAS CLAVE: Confiabilidad; Mantenimiento; Indicadores KPI; Bombas; Edad virtual. INTRODUCCIÓN Uno de los puntos fundamentales para poder ejercer un eficiente Mantenimiento Preventivo Basado en la Condición es la determinación del estado actual (estado de salud o condición de operatividad) de cada componente, subsistema o sistema técnico que se considere. El análisis de Modos de Falla, sus Efectos y Criticidad (AMFEC) [1] es el primer paso y permite establecer los modos de fallo, los mecanismos de fallo y sus síntomas así como el nivel de criticidad. El segundo paso consiste en determinar la existencia de patrones de degradación en los datos recibidos desde el monitoreo de los equipos o sistemas instalados. Para ello existen metodologías específicas capaces de discriminar y clasificar en clusters las señales [2,3], así como metodologías más genéricas aplicables en todas las etapas como las derivadas de la Inteligencia Artificial, Sistemas Expertos, Redes Neuronales [4] y Lógica Difusa [5]. Estas metodologías y otras existentes son susceptibles de ser aplicadas concurrentemente y como consecuencia suele ser necesario unificar los diferentes resultados de las mismas usando metodologías de “fusión/ensamblaje” [6] El tercer paso consiste en relacionar los síntomas del AMFEC (resultado del primer paso) con los patrones de degradación fusionados identificados en los datos de monitoreo (resultado del segundo paso). Esta tarea es compleja y normalmente requiere del conocimiento experto del ingeniero especializado en los equipos o sistemas tratados. En general, esta relación no es evidente ni inmediata y por ello suele ser necesario realizar varias iteraciones acompañadas de un re-análisis histórico orientado a poder establecer dicha relación con un grado mínimo de representatividad del estado real del equipo o sistema. Disponer de metodologías flexibles para crear indicadores apropiados para cada caso es indispensable en este paso. En la actualidad es de uso común un conjunto de Indicadores denominados “Indicadores Clave de Desempeño” (KPIs) [7] que aportan información clara, medible y comparable para el operario, y que además permiten realizar una gestión óptima de los activos industriales. Existen muchos indicadores reconocidos de interés para la industria pero no es fácil encontrar indicadores realmente expresivos que contengan la información integrada de varios indicadores clave de uso común. Como método sustitutivo a este volumen de información generado, se pueden buscar indicadores alternativos que reflejen toda la información deseada en un solo elemento. Bajo esta premisa, nacen los indicadores RMI (Repair and Maintenance Indicator) [8,9] con el fin de valorar mediante pesos la información generada, adaptar la edad real del sistema a una edad virtual en base al mantenimiento y distintos factores, y poder definir un rendimiento de consumo de vida de la máquina. FORMULACIÓN DE INDICADORES RMI El primer Indicador RMI es el tipo “a”. Siendo k los componentes críticos (sus modos de fallo) de un equipo o sistema; el indicador se define como: 1 ( ) ( ) k a i i i RMI t w s t = = å (1) ( )( ) ( )ii i N t is t s t T e t= = - + (2) Donde wi es el peso asignable (o importancia) a cada modo de fallo, y si(t) es el tiempo acumulado de operación de un componente. Visto de otra manera, se está valorando el indicador bajo ponderación los modos de fallo. RMIa(t) representa la edad virtual del conjunto del equipo, sistema o componente analizado, teniendo en cuenta las reparaciones. La edad virtual, tal como se define este indicador, siempre será menor que la edad real, teniendo en cuenta que se ha rejuvenecido con los mantenimientos. Si su valor es 0, el sistema es nuevo o totalmente restaurado. El segundo indicador es el tipo “b”. Se define como: ( ) ( , ) ( ) 1 (1 ( , )) a b RMI t j t RMI t g t W = - + D (3) Donde Δ y Ω son vectores de posibles parámetros complementarios, j(t,Ω) es una función no creciente en el tiempo y g(t,Δ) es una función no decreciente en el tiempo a definir por el desarrollador del plan de mantenimiento. RMIb(t) representa el tanto por uno del consumo de vida del sistema analizado, donde 0 es que su vida no se ha consumido nada y 1 es se ha consumido entera y es susceptible de reemplazarse. CASOS DE ESTUDIO: ANÁLISIS DEL CICLO DE VIDA DE BOMBAS Descripción del sistema El estudio descrito en este trabajo se centra en aplicar el experimento sobre el caso de bombas. En la figura 1 se muestra un esquema genérico de los mismos, y sus subdivisiones son componentes del sistema (Este esquema fue diseñado basado en OREDA [10]). La bomba se conecta directamente con el sistema de arranque y el driver, elementos que no forman parte del sistema de bombeo considerado (se encuentran fuera de la frontera en la figura 1). Dentro del sistema de la bomba se incluyen la transmisión, sistemas de control y monitoreo, sistemas de refrigeración y sistemas de lubricación. Cualquier fallo producido en herramientas de control externo no será incluido en el sistema. Fig.1: Esquema general de una bomba según modelo OREDA [10]. Detalles sobre los componentes detectables del sistema se pueden ver en [10]. Descripción de experimentos Durante la fase de planeamiento de la explotación de un determinado sistema técnico es necesario determinar qué requerimientos funcionales, de confiabilidad e incluso de mantenibilidad debe satisfacer dicho sistema de tal forma que puedan alcanzarse los objetivos planificados. De forma general hay un periodo de explotación preestablecido durante el cual se espera que un activo se encuentre disponible para operar dentro de unos márgenes de seguridad y rentabilidad. No obstante hay diferentes estrategias posibles para la gestión de los activos que están estrechamente ligadas a los objetivos gerenciales de una determinada empresa. Por ejemplo, la compañía podría estar interesada en poner en práctica estrategias de producción intensiva que supongan que los activos trabajen por encima de las condiciones nominales de diseño;en este caso es de esperarse que se deba proceder al reemplazo de dicho activo en un corto plazo para proseguir la operación. Los responsables de la explotación deben decidir correctamente las especificaciones de los equipos y subsistemas incorporados a la red de producción y ser capaces de identificar, de forma preliminar, los requerimientos de mantenimiento que sus sistemas exigen. En este sentido, la Simulación del Ciclo de Vida (LCS) de un sistema técnico es fundamental en aras de explorar las diferentes situaciones operacionales en las que se puede encontrar un determinado activo. Así pues, el objetivo principal de este trabajo es determinar los requisitos de funcionamiento y reparación, en términos de las leyes de distribución de Tiempos entre Fallos (TBF) y la distribución de Tiempos de Reparación (TTR), relativos a una bomba genérica. Estos requisitos se identificarán para tres supuestos de explotación diferentes: en un primer caso se explora un escenario en el que las exigencias están dentro de las especificaciones nominales (explotación normal), el segundo caso considera unas condiciones de operación en las que la bomba opera por debajo de las condiciones nominales (subexplotación) y un tercer caso de explotación intensiva en que la bomba es sobreexplotada. El procedimiento de búsqueda de los requisitos de funcionamiento y reparación se realiza mediante un proceso de optimización multiobjetivo en el que se persigue, simultáneamente, la minimización del Coste del Ciclo de Vida (LCC) de la bomba y la maximización del ajuste del indicador KPI RMIb a la política de explotación previamente seleccionada. Se han limitado como leyes de probabilidad a distribuciones Weibull-2P (4) y Normal (5), para modelar la probabilidad de fallo y la de reparación, respectivamente. Las variables de decisión del problema son los parámetros que gobiernan dichas distribuciones y que, en última instancia, serán los que definan los requisitos de funcionamiento y reparación. 11 ( / )2 : ( ) ( / ) tWeibull P f t t e bb hb h h -- -- = (4) 20,5(( )/ )1: ( ) 2 tNormal f t e m s s p - -= (5) El optimizador empleado en los casos de estudio ejecutados consiste en una variación de las estrategias evolutivas, las cuales han demostrado su capacidad para manejar problemas complejos, altamente no lineales y con fuertes restricciones. El empleo de un esquema de optimización multiobjetivo implica que no habrá una única solución al problema, sino un conjunto de ellas, constituyendo el conjunto de Pareto. La evaluación del coste del ciclo de vida y de la evolución del indicador RMIb se ha obtenido mediante un proceso de simulación de eventos discretos a partir del método Monte Carlo. Diseño experimental Los escenarios de explotación se han modelado mediante tres rectas que representan la evolución del tiempo de operación respecto del consumo esperado de vida. En la tabla I se muestran los parámetros que se corresponden con el modelo general representado por la siguiente expresión (6): y a t= ⋅ (6) Tabla 1: Parámetros del modelo general Estrategia de explotación Parámetro “a” Normal 1 Subexplotación 0.80 Sobreexplotación 1.5 La simulación del Ciclo de Vida se ha planificado para considerar dos años de operación de la bomba (17520 horas). Los modelos de los indicadores KPI, tanto RMIa como RMIb, se muestran en la sección Formulación de Indicadores RMI de este documento. Para los experimentos el indicador RMIb queda definido de la siguiente forma: ( ) 1 ( ) 1 (1 ) a b RMI t RMI t t a = - + (7) Además, en base a la contribución de cada modo de fallo al total de fallos históricamente ocurridos que se recoge en la base de datos de OREDA [9], en la tabla II se muestran los pesos asociados al indicador RMIa relacionados a las contribuciones de los seis modos de fallo considerados en el estudio. Tabla 2: Pesos asignados al indicador RMIa MODO DE FALLO TASA DE FALLO (h-1) MTTR (h) PESO (ωi) 1. Parada Falsa 6.389x10-5 11 0.389 2. Ruido 1.61x10-6 16 0.019 3. Vibración 3.78x10-6 12 0.037 4. Deficiencia estructural 2.008x10-5 3.7 0.111 5. Fallo al comenzar el proceso 2.239x10-5 5.5 0.148 6. Fuga externa suministro 5.988x10-5 5.5 0.296 El optimizador evolutivo se ha configurado con diez individuos y un esquema de elitismo en el cual se preservan, tras cada generación, los cinco mejores individuos de la anterior. Se ha establecido un solo operador genético de mutación gaussiana. El criterio de parada se ha fijado en 35 generaciones. Los parámetros configurados para el optimizador evolutivo son referenciales pues este artículo se centra exclusivamente en su aplicación a los KPIs, la optimización de los parámetros del algoritmo evolutivo se ha dejado para trabajos posteriores. El optimizador maneja un espacio de decisión de 24 dimensiones en el que cada una de ellas representa los parámetros de las funciones de distribución de probabilidad de fallo y reparación para cada uno de los seis modos de fallo considerados. OPTIMIZACIÓN DEL INDICADOR Tras la realización de las simulaciones, se recoge gráficamente la evolución de la estimación del indicador RMIb en el tiempo. En las gráficas de resultados, se muestra en línea azul la tendencia deseada del indicador, que actúa como referencia comparativa de los resultados del indicador RMIb. Las líneas verdes muestran la evolución de RMIb con una confianza del 95%, mientras que las líneas rojas tienen una confianza del 99%. La figura 2 representa una tendencia de explotación normal, con un crecimiento lineal, que va desde 0 a 1 a lo largo de todo el periodo de simulación (dos años). Inicialmente los valores que comprende RMIb están por debajo de la línea de tendencia, y a medida que pasa el tiempo se adapta para poder seguir esa tendencia de crecimiento lineal. Al final del periodo de simulación, el indicador se suaviza, para tender a 1. Nótese que no llega a este valor nunca, pero se le aproxima bastante con una confianza del 99%; con una confianza del 95%, oscila entre 0.7 y 0.9. Fig.2: Resultados de RMIb para explotación normal. La tabla 3 presenta los resultados óptimos obtenidos para los tiempos entre fallos (TBF) y tiempos de reparación (TTR) para una política de explotación normal; estos valores significan que si la estrategia de mantenimiento adoptada por una empresa permite obtener distribuciones de probabilidad con parámetros similares a los óptimos, entonces el resultado del indicador RMIb estará dentro de la franja óptima (con un 99% o 95% de confianza) y su estrategia de mantenimiento se habrá ejecutado al menor costo. Tabla 3: Valores óptimos de parámetros de distribuciones de probabilidades de Tiempo entre Fallo (TBF) y Tiempo de Reparación (TTR) obtenidos para una estrategia de explotación normal Modo de fallo Ley de prob. de fallo Beta (β) Eta (η) Ley de prob. de reparación Media (μ) Desviación estándar (σ) 1 Weibull 1.20 157.23 Normal 11.42 23.13 2 Weibull 1.415 24434.89 Normal 15.40 0.86 3 Weibull 1.45 1067.43 Normal 6.44 3.39 4 Weibull 1.66 3655.272 Normal 3.61 1.32 5 Weibull 1.30 3152.07 Normal 11.58 0.70 6 Weibull 1.37 620.5115 Normal 4.94 3.96 En la figura 4.a se representa una tendencia de sobre-explotación, con un crecimiento lineal mayor que en la primera gráfica (mayor pendiente de la recta). Una vez que llega al valor máximo de tendencia lo mantiene en 1. El crecimiento más veloz hace que el indicador tienda a 1 más notablemente y esto se refleja en la diferencia de intervalos de confianza desde que la tendencia llega a 1 hasta el final de la simulación. Comparando los intervalos de confianza al 95%, al llegar la tendencia a 1, el valor de RMIb oscila entre 0.8 y 0.9, mientras que pasado el tiempo y llegado al final del período de 2 años, RMIb oscila entre 0.9 y 1. La figura 4.b representa una tendencia de sub-explotación, con un crecimientolineal menor que en la primera gráfica. El crecimiento del indicador RMIb se ajusta al crecimiento lineal hasta el final de la simulación. Viéndolo con un intervalo de confianza del 95%, RMIb varía entre 0.7 y poco más de 0.8 llegado a los dos años de simulación. a) b) Fig.4: Resultados de RMIb para: a) sobre-explotación, b) sub-explotación RESULTADOS CONSIDERANDO SIMULACIÓN DE DIFERENTES ESCENARIOS DE GESTIÓN DE MANTENIMIENTO Tras la realización de las simulaciones, se recoge gráficamente la evolución de la estimación del indicador RMIb en el tiempo obtenido mediante simulación Monte Carlo considerando tres escenarios de mantenimiento: a) Escenario 1: Buena gestión del mantenimiento b) Escenario2: Gestión regular del mantenimiento c) Escenario 3: Mala gestión del mantenimiento En la figura 6.a se puede apreciar la trayectoria del indicador RMIb (línea color naranja) considerando que se ha llevado a cabo un buen programa de mantenimiento de la misma; el indicador se encuentra el 100% del tiempo dentro de la franja correspondiente al 99% de confianza, por lo que se puede concluir que la estrategia de mantenimiento tomada en el escenario 1 será adecuada con un 99% de confianza. En la figura 6.b se puede apreciar la trayectoria del indicador RMIb (línea color naranja) considerando que se ha llevado a cabo una gestión del mantenimiento regular; el indicador se encuentra el 50% del tiempo dentro de la franja correspondiente al 99% de confianza y el restante 50% del tiempo dentro de la franja del 95% de confianza, por lo que se puede concluir que la estrategia de mantenimiento tomada en el escenario 2 será buena sin poder considerarse óptima durante todo el período de explotación. En la figura 6.c se puede apreciar la trayectoria del indicador RMIb (línea color naranja) considerando que se ha llevado a cabo una mala gestión del mantenimiento; el indicador se encuentra el 30% del tiempo dentro de la franja correspondiente al 99% y 95% de confianza, y el restante 70% del tiempo se encuentra fuera de ambos límites, por lo que se puede concluir que la estrategia de mantenimiento tomada en el escenario 3 es pésima para todo el período de explotación. Esto significa que los costos del mantenimiento en este escenario serán altos comparados con los escenarios anteriores, lo que demuestra la relación entre la gestión del mantenimiento y los costos de su ejecución. a) b) c) Fig.6: Resultados de RMIb para: a) explotación normal, buena gestión del mantenimiento, b) explotación normal, regular gestión del mantenimiento, c) explotación normal, mala gestión del mantenimiento CONCLUSIONES En este trabajo se ha mostrado la aplicación de indicadores de edad/condición para bombas caracterizados por diversos estados de operación y múltiples modos de fallo concurrentes. Estos indicadores permiten combinar diferentes modos de fallo en función de su importancia y contemplar diferentes políticas de explotación manteniendo una expresividad cercana a la forma de pensar de un ingeniero de producción o mantenimiento. Adicionalmente, los casos de estudio llevados a cabo muestran cómo, a partir de indicadores de consumo de vida (RMIb), es posible determinar los requerimientos mínimos de especificaciones de funcionamiento y reparación de los activos para conseguir los objetivos de explotación marcados; esto se puede identificar mediante los parámetros de las funciones de probabilidad que rigen cada uno de los modos de fallo. Esto se pudo evidenciar con las simulaciones del indicador para diferentes escenarios de gestión del mantenimiento. A partir de los resultados de este tipo de estudios, los responsables de la gestión de activos de la empresa deberán establecer una estrategia de acción de forma que se garanticen dichos requisitos (plan de mantenimiento, adquisición de equipos de mejores prestaciones de confiabilidad, etc.). REFERENCIAS 1. Andrews, J. D., & Moss, T. R., Reliability and risk assessment, 2nd Edition. New York: The American Society of Mechanical Engineers, 2002. 2. Adams, R. P., & Mackay, D. J. C., Bayesian Online Changepoint Detection, University of Cambridge, Cambridge, 2007. 3. Turner, R., “Bayesian change point detection for satellite fault prediction”, Interdisciplinary Graduate Conference (IGC) 2010, Cambridge, UK, 213-221, June 2010. 4. Heimes, F. O., & Systems, B. A. E., “Recurrent Neural Networks for Remaining Useful Life Estimation”, International Conference on Prognostics and Health Management PHM 2008, pp.1-6, 6-9 Oct. 2008. 5. Bowles, J. B., & Peldez, C. E., “Fuzzy logic prioritization of failures in a system failure mode, effects and criticality analysis”, Reliability Engineering & System Safety, Volume 50, Issue 2, 1995, Pages 203–213. 6. Zio, E., Baraldi, P., & Gola, G., “Ensemble feature selection for diagnosing multiple faults in rotating machinery”, Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 221(1), 29–41. 2007. 7. BJ. Galván, A. Sosa, P. Reyes, “Indicadores Clave de Desempeño en Base a Simulación”, XIV Congreso de Confiabilidad AEC, Asociación Española para la Calidad, 2012. 8. Lugtigheid et al. “Modelling repairable system reliability with explanatory variables and repair and maintenance actions”, IMA Journal of Management Mathematics, 15(2), pp. 89-110, 2004. 9. Blas J. Galván, Andrés A. Zúñiga, “Indicadores clave de desempeño KPI’S: aplicación en generadores eléctricos”, XXIX Seminario Nacional del Sector Eléctrico ECUACIER, Machala, 28 al 30 de mayo de 2014. 10. OREDA (Offshore Reliability Data). Volume 1 - Topside Equipment, 5th Edition, 2009. UNIDADES Y NOMENCLATURA RMIa indicador de reparación y mantenimiento tipo a (adimensional) RMIb indicador de reparación y mantenimiento tipo b (adimensional) k cantidad de partes críticas que componen el sistema analizado (adimensional) t índice del tiempo (h) i índice de parte sometida a reparación (adimensional) wi peso asignable a cada modo de fallo (adimensional) si(t) tiempo acumulado de operación de un componente (h) Ni(t) índice de intervención de reparación del componente i (adimensional) TNi(t) tiempo de la Ni(t)-ésima intervención a la parte i (h) ei(t) tiempo acumulado de operación del repuesto de la parte i (en caso que no sea nuevo) (h) j(t,Ω) función no creciente en el tiempo (adimensional) g(t,Δ) función no decreciente en el tiempo (adimensional) β parámetro de forma de función de densidad de probabilidad Weibull (adimensional) η parámetro de escala de función de densidad de probabilidad Weibull (adimensional) μ media de función de densidad de probabilidad Normal (h) σ desviación estándar de función de densidad de probabilidad Normal (h) π Valor pi = 3.141592 a coeficiente del modelo lineal para representar estrategia de explotación (adimensional)
Compartir