Perspectivas de MathWorks

3 formas de estimar la vida útil restante para mantenimiento predictivo

Autores:

Aditya Baru, MathWorks
Rachel Johnson, MathWorks

5 minutos de lectura

Resumen

La estimación de vida útil restante (RUL) predice cuánto tiempo funcionará un equipo antes de fallar, lo que permite planificar mejor el mantenimiento y reducir el tiempo de inactividad.
Los modelos de supervivencia utilizan datos históricos de fallos para estimar la RUL de forma probabilística cuando solo se dispone de estadísticas de vida útil.
Los modelos de similitud estiman la RUL comparando datos de sensores actuales con patrones históricos de degradación hasta el fallo.
Los modelos de degradación proyectan cuándo un indicador de condición alcanzará un umbral de fallo, lo que permite estimar la RUL cuando se conocen los umbrales pero se dispone de datos limitados.

La vida útil restante (RUL) es el tiempo que una máquina funcionará antes de necesitar reparación o sustitución. Estimar la RUL permite a los equipos de ingeniería planificar el mantenimiento, optimizar la eficiencia operativa y evitar tiempos de inactividad no planificados. Por este motivo, estimar la RUL es una prioridad en los programas de mantenimiento predictivo.

Un modelo de estimación de RUL proporciona una predicción de RUL con límites de confianza. Las entradas del modelo son indicadores de condición (características) extraídos de datos de sensores cuyo comportamiento cambia de manera predecible a medida que el sistema se degrada.

Estimación de vida útil restante (RUL)

Aprenda sobre los modelos de estimación de RUL más comunes: similitud, supervivencia y degradación.

El método utilizado para calcular la RUL depende del tipo de datos disponibles:

Datos de vida útil que indican cuánto tardó maquinaria similar en fallar
Historiales de funcionamiento hasta el fallo de maquinaria similar
Valor umbral conocido de un indicador de condición que señala un fallo

Predictive Maintenance Toolbox™ proporciona modelos para estimar la RUL a partir de cada tipo de datos.

Datos de vida útil

Para estimar la RUL a partir de datos de vida útil se utilizan modelos de riesgos proporcionales y distribuciones de probabilidad de los tiempos de fallo de componentes. Un ejemplo sencillo consiste en estimar el tiempo de descarga de una batería a partir de tiempos de descarga anteriores y covariantes, como temperatura ambiental y carga.

La gráfica de la función de supervivencia de la Figura 1 muestra la probabilidad de que una batería falle basándose en el tiempo que lleva en funcionamiento. La gráfica muestra, por ejemplo, que si la batería lleva 75 ciclos de funcionamiento, tiene un 90% de probabilidad de haber llegado al final de su vida útil.

Gráfica de función de supervivencia con ciclos en el eje x y probabilidad en el eje y que muestra que, a medida que aumentan los ciclos, disminuye la probabilidad de que una batería siga funcionando. Después de 75 ciclos de uso, una batería tiene un 10% de probabilidad de seguir funcionando. — Figura 1. Gráfica de función de supervivencia. Después de 75 ciclos, la probabilidad de que una batería continúe funcionando es 0,1, es decir, un 10%. (Vea el ejemplo.)

Datos de funcionamiento hasta el fallo

Si dispone de una base de datos de funcionamiento hasta el fallo de componentes similares, o bien de distintos componentes con un comportamiento similar, puede estimar la RUL sirviéndose de métodos de similitud. Estos métodos capturan perfiles de degradación y los comparan con datos nuevos procedentes de la maquinaria para determinar el perfil que mejor coincide con los datos.

En la Figura 2, los perfiles de degradación de conjuntos de datos históricos de funcionamiento hasta el fallo de un motor aparecen en azul, mientras que los datos actuales del motor se muestran en rojo. A partir de una distribución de los perfiles históricos más cercanos, se estima una RUL de aproximadamente 65 ciclos.

Gráfica de perfiles de degradación basados en datos de funcionamiento hasta el fallo de un conjunto de motores de aeronaves. Los ciclos se muestran en el eje x, mientras que el valor del indicador de condición aparece en el eje y. Tanto en los datos de entrenamiento como en los actuales, el valor del indicador de condición disminuye a medida que aumenta el número de ciclos. El perfil del motor actual está resaltado, y la distribución de los puntos finales de los perfiles más cercanos arroja una RUL de 65 ciclos como promedio. — Figura 2. Perfiles de degradación (azul) basados en datos de funcionamiento hasta el fallo. La distribución de las estrellas (puntos finales) de las curvas azules más cercanas arroja una RUL de 65 ciclos. (Vea el ejemplo.)

Datos de umbral

En muchos casos, un cronograma de mantenimiento conservador se traduce en que la maquinaria rara vez falla. En consecuencia, es posible que no existan datos de funcionamiento hasta el fallo ni datos de vida útil. No obstante, probablemente disponga de información sobre valores umbral establecidos; por ejemplo, la temperatura de un líquido en una bomba no puede superar los 71 °C (160 °F) y la presión debe ser inferior a 2200 psi (155 bar). Con esta información sobre umbrales, puede ajustar modelos de degradación a indicadores de condición extraídos de datos de sensores, que cambian de manera lineal o exponencial con el tiempo.

Estos modelos de degradación estiman la RUL prediciendo cuándo el indicador de condición superará el umbral. También se pueden utilizar con un indicador de condición fusionado que incorpora información de varios sensores aplicando técnicas como análisis de componentes principales.

La Figura 3 muestra un modelo de degradación exponencial que realiza el seguimiento del fallo de un rodamiento de alta velocidad utilizado en una turbina eólica. El indicador de condición se muestra en azul. El modelo de degradación predice que el rodamiento superará el valor umbral en aproximadamente 9,5 días. La región sombreada en rojo representa los límites de confianza de esta predicción.

Modelo de degradación de un rodamiento de alta velocidad, con días en el eje x y valor del indicador de condición en el eje y. Muestra un indicador de condición que aumenta hacia un umbral de fallo dentro de un intervalo de confianza. La RUL estimada del rodamiento es de 9,5 días, si se ajusta su estado actual al modelo. — Figura 3. Modelo de degradación de un rodamiento de alta velocidad. La RUL estimada del rodamiento es de 9,5 días a partir de los datos de condición actuales (azul) y el modelo de degradación exponencial (rojo) ajustado a estos datos. (Vea el ejemplo.)

Una vez diseñado un modelo de RUL a partir de los datos disponibles, puede integrarlo en paneles utilizados por personal operador o en sistemas de alarma supervisados por personal de mantenimiento. De este modo, el personal puede actuar en caso de cambios en el estado de los equipos de forma rápida y eficiente, sin que ello afecte a las operaciones.

Publicado en 2023

Productos utilizados: Predictive Maintenance Toolbox

Perfil profesional

Rachel Johnson

Rachel Johnson è la product manager per Predictive Maintenance Toolbox di MathWorks e utilizza MATLAB da oltre 20 anni. In precedenza, ha lavorato come application engineer presso MathWorks, supportando l'industria aerospaziale. Prima di MathWorks, Rachel lavorava presso l'Office of Naval Intelligence, dove utilizzava MATLAB e Simulink per l'analisi e la simulazione di missili. Ha anche trascorso diversi anni insegnando matematica, fisica e ingegneria alle scuole superiori. Rachel ha conseguito una laurea in ingegneria aerospaziale alla Princeton University, un master in ingegneria aerospaziale all’University of Maryland e un master in didattica della matematica alla Tufts University.