Las variables de monitoreo de condición

Estas son preguntas realistas. Intentemos enmarcarlas en términos del análisis de confiabilidad. Una muestra es una recopilación de ciclos de vida y observaciones coincidentes de CBM que creemos representan el comportamiento de falla de la población. Nos preguntamos si una muestra que incluye ciclos de vida de componentes con diversos modelos de equipos, configuraciones y contextos operacionales es una “buena” muestra sobre la cual construir un modelo predictivo.

Dependería de las variables de monitoreo de condición que están disponibles para el modelado y la predicción. Esas variables pueden incorporar las variaciones (por ejemplo, entre un contexto operacional y otro) en la muestra. Si es así, entonces la muestra contendría el contenido predictivo requerido sin importar su falta de homogeneidad. Considere una flota de bombas idénticas operando en lugares donde están sujetas a diferentes ambientes. Además, pueden tener requerimientos, tiempos de utilización y parámetros de funcionamiento distintos. Por lo tanto sufrirían probablemente de diversos mecanismos de falla. Es decir, modos de falla específicos dominarían cada grupo de bombas dependiendo de su contexto operacional respectivo.

Es importante tener en cuenta que un modelo predictivo está asociado a un modo de falla y a unas variables de monitoreo que influencian la probabilidad de ese modo de falla. El modelo va a tender a predecir su objetivo modo de falla más frecuente entre algunas bombas en la muestra, y no tan frecuente en bombas cuyo contexto es menos orientado a la ocurrencia de ese modo de falla en particular. Asuma que un modelo predictivo apunta al modo de falla “desgaste excesivo del impulsor debido a cavitación.” Luego sus variables influyentes de monitoreo pueden incluir la presión lateral de succión, tasa del volumen, etc. Un segundo modelo dirigido a predecir fallas de tarjeta de circuitos puede estar encaminado más frecuentemente a bombas sujetas a variaciones amplias de la presión y del volumen, stops y starts, oleadas de amperaje, polvo, calor, humedad, etc. Todos estos o algunos pueden actuar como indicadores de condición significativa.

Ahora, una flota de camiones mineros puede tener unidades asignadas a diferentes pits cuyas condiciones varían. Algunos pits tendrán pendientes más inclinados y terrenos más agrestes mientras que otros pueden tener pendientes menores y pequeños sobresaltos. Considerando el modo de falla “falla caja del mando final debido a grieta por fatiga” las variables de monitoreo significativas pueden incluir desequilibrio según lo registrado por las galgas de esfuerzo, choques según lo registrado por los acelerómetros, consumo de combustible, altibajos de las RPM, deslizamiento del clutch, y así sucesivamente. Tal modelo aplicado en toda la flota debe incluir variables que reflejen las variaciones del contexto para poder predecir las fallas adecuadamente

...