Advanced Mining Technology Center

Transcripción

1 Advanced Mining Technology Center Sexto Seminario de Acercamiento Tecnológico Calama, Chile de Julio Mantenimiento Predictivo en Equipos Mineros Dr. Marcos Orchard Investigador Asociado Universidad de Chile Facultad de Ciencias Físicas y Matemáticas

2 Contenidos. Definiciones y conceptos básicos Anomalía / Falla / Evento Crítico (Anomaly / Fault / Failure) Mantenimiento Correctivo / Preventivo / Predictivo. Mantenimiento Predictivo, Fault Diagnosis y Failure Prognosis 3. Pronóstico de Eventos Críticos Modelos para la Supervisión Enfoque Predictivo Bayesiano Zonas de Riesgo y Ventanas de Predicción Caracterización de fuentes de incertidumbre Pronóstico basado en modelos Casos de estudio. Conclusiones

3 Definiciones y Conceptos Básicos Anomalía: Son patrones en los datos medidos en un proceso que no se ajustan a un concepto bien definido de comportamiento normal. Falla (fault): Desviación no permitida, con respecto a lo aceptable, usual o condición nominal, de a los menos una propiedad característica o parámetro de un sistema. Evento Crítico (failure): Interrupción permanente de la capacidad de un sistema para realizar una función requerida, bajo condiciones de operación específicas.

4 Definiciones y Conceptos Básicos Mantenimiento Correctivo: Conjunto de acciones que apuntan a la solución de problemas en equipos, realizadas sólo una vez que la falla o condición es crítica y evidente. Mantenimiento Preventivo: Revisión periódica de los equipos y componentes, con reemplazo de los mismo en estimaciones estadísticas (y/o criterios del fabricante). Implica un aumento en la confiabilidad y disminución de fallas imprevistas Mantenimiento Predictivo: Supervisión periódica de variables físicas relevantes en cada equipo, con el fin de establecer el estado de salud del mismo. Evaluación continua de la confiabilidad y disponibilidad. El mantenimiento es una inversión, no un gasto

5 Mantenimiento Predictivo, Diagnosis y Failure Prognosis Prognostics and Health Management (PHM)

6 Mantenimiento Predictivo, Diagnosis y Failure Prognosis crack length Online Modules Sensor Data System -.6 Preprocessed Data x.5 x crack length cracklength length crack Features & Mapping Diagnosis Loading Profile De-Noising Techniques Noise Models.8.6 Feature Extraction & Mapping Techniques Fault Growth Flight Regime Data & Model Parameter Tuning Particle Particle Filter Filter x Experimental Data Prognosis Stress Table McFadden System Model for Diagnosis Simulated Data Data Driven Methods Offline Modules HUMS Crack Length Kmin Kmax System Model for Prognosis RUL.6 -. De-Noising Feature Extraction

7 Mantenimiento Predictivo, Diagnosis y Failure Prognosis Probabilidad de Detección / Falsas Alarmas Loading Profile Diagnosis Block.5 PF Detection Routine 3.5 Diagnosis Results: Feature Crack Length Mapping Probability of Failure.5 Structure for Crack Progression Model (FASTRAN / Paris Equation / ANSYS / Mc Fadden) dl = f (L,N,θ) dn Baseline Data x -3 Type I Error = %. Type II Error =3.5786%. GAG = Fisher Discriminant Ratio =3.559 Specifications Type I error = 5% (designed) Type II Error = 5% (desired)

8 Mantenimiento Predictivo, Diagnosis y Failure Prognosis Noisy Crack Length Estimate.5 Detection Results: Type I Error = 5% PF PF Detection Routine: GAG = =5 =5 =7 =5 = =5 =5 =9 3.5 Filtered" Crack Length Estimate Threshold Probability of Fault Probability of Failure I = II =% =99.% =97.9% =9.936% =5.98% =6.663% I II =.3% =3.56% 5 x -3 Type I Error = 5%. Type II Error =.68% 3 Baseline pdf Crack Length pdf Fisher Discriminant Ratio =.877e-5 =.588 =. =.365 =.857 =3.963 =.6798 =.396 =5.67 =8.839

9 Mantenimiento Predictivo, Diagnosis y Failure Prognosis El concepto de pronóstico asume una tendencia w ttf Pr { Failure / X x} { (i)} (i) Pr X = x ttf N ( () i ) () i ( ) Pr ˆ TTF = = ttf, lb, up ttf i= pˆ ttf Failure X x H H w

10 Mantenimiento Predictivo, Diagnosis y Failure Prognosis Mantenimiento Predictivo: Metodología Análisis fuera de línea del sistema o equipo de interés Identificación de variables/parámetros relevantes FMECA: Fault Modes, Effects and Criticality Analysis Adquisición y análisis de datos de operación Funcionamiento normal del equipo, considerando distintos rangos y puntos de operación. Operación anómala, bajo distintos modos de falla. Generación de indicadores de condición (IC/KPI) Caracterización del estado de salud en base a KPI Estudio de degradación en base a KPI y generación de modelos predictivos Diseño de sistema de alarma y toma de decisiones Generación y seguimiento de órdenes de trabajo (OT) Verificación de condición del equipo/sistema post-intervención

11 Mantenimiento Predictivo, Diagnosis y Failure Prognosis Mantenimiento Preventivo vs. Mantenimiento Predictivo: PDF Estimate of Crack Length: Fleet-wide Data at 3%, % and 5% Torque Values PDF Estimate of Crack Length: PAX River Test at % Torque Values.9.8 Normalized Probability Crack Length [inches]

12 Mantenimiento Predictivo, Diagnosis y Failure Prognosis Algunos de los métodos comúnmente utilizados para efecto de capturar información relevante de la operación de un sistema: Caracterización estadística (data mining, statistical process control). Análisis de Vibraciones (desalineamientos/desequilibrios; problemas en cojinetes/rodamientos, engranajes, correas transportadoras). Análisis de Lubricantes (desgaste en maquinarias y componentes, desperfectos mecánicos varios). Análisis por Ultrasonido (fricción en maquinas rotativas, fallas y/o fugas en válvulas, pérdidas de vacío, arco eléctricos). Análisis por Termografía (Instalaciones en AT y BT; motores eléctricos, generadores; hornos, calderas e intercambiadores de calor). Análisis Eléctrico (motores, alternadores, variadores de frecuencia).

13 Pronóstico de Eventos Críticos crack length Online Modules Sensor Data System -.6 Preprocessed Data x.5 x crack length cracklength length crack Features & Mapping Diagnosis Loading Profile De-Noising Techniques Noise Models.8.6 Feature Extraction & Mapping Techniques Fault Growth Flight Regime Data & Model Parameter Tuning Particle Particle Filter Filter x Experimental Data Prognosis Stress Table McFadden System Model for Diagnosis Simulated Data Data Driven Methods Offline Modules HUMS Crack Length Kmin Kmax System Model for Prognosis RUL.6 -. De-Noising Feature Extraction

14 Pronóstico de Eventos Críticos: Modelos para la Supervisión Availability of Comparative Data (useful for classifier training) Much data from many similar situations Few Data Data-driven techniques are appropriate Unreliable health assessments Low Reliability Both methods appropriate and may reinforce mutually Physics-based modeling is appropriate High Reliability Reliability of Physics-based model (typically tied to system simplicity) Source: Adapted from Inman et al. (5), p.6

15 Pronóstico de Eventos Críticos: Enfoque Predictivo Bayesiano System Sensors Raw Data Feature Extraction/ Direct Measurement Failure Threshold Parameter Identification Long-term Prediction System Model Prior p(x k x k- ) Particle Filter Posterior p(x k x k- z k ) Tuned System Model Measurement z k Identified Model State Tracking Loop Prediction Loop

16 Zonas de Riesgo y Ventanas de Predicción

17 Caracterización de Fuentes de Incertidumbre Just-in-Time Point vs. Valor Esperado de Vida Útil Just-in-Time Point (JITP) Fault Dimension Current time t min t max 95% Failure pdf 95% area shaded red Failure Threshold t t pred Time [cycles]

18 Caracterización de Fuentes de Incertidumbre Diversos elementos alteran significativamente la vida útil remanente (RUL) de sistemas y equipos. Considérese, por ejemplo, fuentes de incertidumbre asociadas a perfiles de uso, errores de modelo, ruidos de medición. Es decir, la incertidumbre en RUL (ΔRUL) queda: Nivel : ΔRUL = RUL model Δmodel + RUL load Δload + RUL Δmeas. meas. / Nivel : load load load Δ load = Δ mission + regime data sensors mission Δ + Δ regime data sensors / Nivel 3: Se puede extender el razonamiento en forma análoga.

19 Caracterización de Fuentes de Incertidumbre Análisis de Riesgo: FVaR(, t t ) prognosis FVaR(, t t ).95 ˆ prognosis α = = p( x y ) dx t t t prognosis ( { } ) Risk (, t t ) = E Hazard Zone FVaR(, t t ) FVaR prognosis prognosis

20 Pronóstico Basado en Modelos { m m ( ) ( ) } inboard outboard Lt ( + ) = Lt ( ) + C α( t) Δ K ( t) + Δ K ( t) + ω( t) α( t+ ) = α( t) + ω( t) Δ Kinboard ( t) = finboard ( Load( t), L( t) ) Δ Koutboard ( t) = foutboard ( Load( t), L( t) ) Feature( t) = h( L( t)) + v( t) Loading Profile Pretest mapping of " Featureà Crack Length GAG #36 Updated mapping of Featureà Crack Length

21 Pronóstico Basado en Modelos SBR % Torque Crack length [inches] Denoised Feature Value (SBR)

22 Pronóstico Basado en Modelos Threshold

23 Pronóstico Basado en Modelos Loading Profile Diagnosis Results: Feature Crack Length Mapping.6 Diagnosis Results: Vibration-based Feature energy ratio Mission Profile Outer Loop Model Parameter Structure for Crack Update Progression Model (FASTRAN / Paris Equation / ANSYS / Mc Fadden) dl = dn f (L,N,θ) PROGNOSIS MODULE Inner Loop Prognosis Block m m Lt ( + ) = Lt ( ) + C α( t) { ( Δ Kinboard ( t) ) + ( Δ Koutboard ( t) ) } + ω( t) α( t+ ) = α( t) + ω( t) Δ Kinboard ( t) = finboard ( Load( t), L( t) ) Δ Koutboard ( t) = foutboard ( Load( t), L( t) ) Feature( t) = h( L( t)) + v( t) Outer Feedback Loop Evolution in Time of Model Parameter Number of GAG cycles

24 Conclusiones. Importancia de una correcta definición de alcances y objetivos de programa de Mantenimiento Predictivo Estudio FMECA (Fault Modes, Effects and Criticality Analysis) Adecuada instrumentación y sensorización de sistemas.. Generación de indicadores de condición: Amplia variedad de técnicas y herramientas. 3. El problema de pronóstico de eventos críticos: definición de horizonte de predicción, zonas de riesgo, JITP vs. valor esperado.. Adecuada caracterización de fuentes de incertidumbre: modelos de procesos, perfiles de utilización, sensores.

25 Preguntas?" Muchas Gracias!