Ejemplo numérico
Un programa CBM en una flota de compresores de nitrógeno monitorea el modo de falla “falla de anillo de pistón de segunda etapa”. Información de tiempo real de los sensores y computadoras de proceso mes recogida en un “historian” de PI. Las ordenes de trabajo registran la condición “en que se encontró” de los anillos en mantenimiento. En el siguiente ejemplo se generan cuatro decisiones por parte del software EXAKT, dependiendo de cuál de los siguientes se ha establecido como el objetivo optimizador: solamente probabilidad, costos, disponibilidad o utilidad (costos y disponibilidad). La información para esta muestra está disponible contactando al autor. Información de antecedentes respecto a este ejemplo y al modo de falla se puede encontrar en (ref. 9).
Reporte CBM
Decisión basada en probabilidad
RUL = 106.99616, StdDev = 67.173893
Decisiones basadas en economía y probabilidad
Minimización de costos
 |
|||||
| Costo | Costo Anterior | Costo de Falla | Preventivo % | MTBF Esperado(PF o F) | |
| Optimol | 29.5473 | 16.0089 (54.2 % ) | 13.5384 (45.8 % ) | 87.6 | 54.7487 |
| RTF | 48.3946 | 0 (0.0 % ) | 48.3946 (100 % 0 | 0.0 | 123.981 |
| Ahorros | 18.8473 (38.9 % ) | -16.0089 | 34.8562 | -83.5 | -69.232 |
Cualquier valor de costos en el gráfico de Cost Function está compuesto por una sección en rojo, atribuible a fallas no-planeadas, y una sección en verde, que representa los costos promedio asociados con mantenimiento preventivo. La curva verde determina que el riesgo óptimo está en su punto mas bajo (96.7893). La tabla debajo del gráfico Cost Function resume la información. Compara el costo óptimo ($30) y el tiempo medio óptimo entre renovaciones de activo (55 h)) de la política óptima, con los valores ($48 and 124 h) de la política “operar – hasta – la – falla”. Cuantifica los costos esperados de preventivo y de falla ($16 and $14 respectivamente) y el porcentaje de incidencias (87.6% serán acciones preventivas mientras que 12.4% serán fallas) alcanzados al adherir a la política óptima. El contenido de la tabla ilustra que la política óptima nos hará intervenir mas frecuentemente en promedio (cada 124 versus 55 h), con el fin de alcanzar un ahorro neto por unidad (de $19 o 39%).
 |
|||||
| Parámetros de Entrada | |||||
| Tipo de Política de Reemplazo | Costo Básico | ||||
| Costo de Reemplazo Preventivo C $ | 1000 | ||||
| Costo de Reemplazo por Falla C+K $ | 6000 | ||||
| Intervalo de Inspección h | 30 | ||||
| Parámetros de Decisión | |||||
| Recomendación | No hacer mantenimiento | ||||
| Se espera reemplazar en | 39.794 | ||||
Conclusiones
La cuarta opción en el ejemplo numérico, optimizando tanto el costo bajo y alta disponibilidad, resuelve el difícil problema de decidirse respecto a una política CBM (interpretación de datos) o un modelo de decisión, a la luz de factores reales de mantenimiento y del negocio. Esta característica anima a los administradores de mantenimiento y a los ingenieros a obtener buena información sobre costos y disponibilidad en razón a que ahora ellos pueden usar esta, de manera efectiva, en su proceso de decisiones. Los ingenieros de mantenimiento y de confiabilidad aplicarán el método propuesto, basado en el software EXAKT a situaciones en las cuales la abundante información sobre monitoreo de condiciones coincide con la experiencia de fallas y fallas potenciales registrada en el CMMS.
En el presente artículo hemos propuesto una alternativa para la dificultosa, subjetiva y frecuentemente imposible tarea de escoger un intervalo P y P-F para su utilización como un procedimiento de toma de decisiones en CBM. Describimos una metodología general en la cual Referencia 1 describe solamente dos casos especiales (totalmente aleatorios y totalmente dependientes de edad) para la aplicación del intervalo P-F. En la experiencia de los autores, una mezcla de comportamiento aleatorio y comportamiento basado en tiempo caracteriza la mayoría de los modos de falla en los cuales CBM será útil.
Finalmente, es necesario señalar que los ingenieros de mantenimiento frecuentemente encuentran un problema práctico cuando construyen modelos de decisión CBM (o cuando efectúan cualquier tipo de análisis de confiabilidad). A pesar del prolongado tiempo de uso de elaborados sistemas de base de datos relacionados con información de mantenimiento, los analistas de confiabilidad encuentran que carecen de la información de vida requerida para estudios y modelaje. Para resolver este problema, los autores han desarrollado un novedoso proceso para el cierre de órdenes de trabajo que vincula la orden de trabajo con el depósito de conocimiento. Se ha construido tal sistema de administración de conocimiento en la nueva versión del producto EXAKT.
Reconocimiento
Nuestro agradecimiento para el Dr. Dragan Banjevic del Centro de Optimización de Mantenimiento y Excelencia de Confiabilidad por su asistencia y sus sugerencias.
Referencias
1. John Moubray, RCM II 2nd ed. Butterworth-Heinnemann, 2001 pp 164-5 “How to determine the P-F Interval … A rational approach”.
2. A.K.S. Jardine, D. Banjevic, N. Montgomery, A. Pak., Repairable system reliability: recent developments in CBM optimization, CORS / Optimization Days 2006 Joint Conference, Montreal, May 8-10, 2006
3. Makis V., Jardine A.K.S., Optimal replacement in the proportional hazards model, INFOR, Vol. 30, pp. 172–183, 1991.
4. Aven T., Bergman B., Optimal replacement times – a general set-up, Journal of Applied Probability, Vol. 23, pp. 432–442, 1986.
5. Jardine A.K.S., Banjevic D., Wiseman M., Buck S., Joseph T., Optimizing a mine haul truck wheel motors’ condition monitoring program, JQME, Vol. 7, pp. 286–301, 2001.
6. Lin D., Wiseman M., Banjevic D., Jardine A.K.S., An approach to signal processing and condition-based maintenance for gearboxes subject to tooth failure, Mechanical Systems and Signal Processing, Vol. 18, pp. 993–1007, 2004.
7. Banjevic D., Jardine A.K.S., Makis V., Ennis M., A control-limit policy and software for condition-based maintenance optimization, INFOR, Vol. 39, pp. 32–50, 2001.
8. Banjevic D., Jardine A.K.S., Calculation of reliability function and remaining useful life for a Markov failure time process, IMA Journal of Management Mathematics, [Online] doi:10.1093/imaman/dpi029, 2005.
9. Optimization of Bellis & Morcom 3rd-stage piston ring CBM model, OMDEC case study, Optimization of Bellis & Morcom 3rd-stage piston ring CBM model, http://www.omdec.com/articles/p_recipN2Compressors.html
© 2011 – 2012, Luis Hoyos Vásquez. All rights reserved.