desarrollo de una plataforma cbm de material rodante

1

DESARROLLO DE UNA PLATAFORMA CBM DE MATERIAL RODANTE

Si desea más información contacte con: Brais Vila Araico [email protected]

[email protected] https://es.linkedin.com/in/brais-vila-araico-7a697824

mailto:[email protected]


https://es.linkedin.com/in/brais-vila-araico-7a697824


DESARROLLO DE UNA PLATAFORMA CBM DE MATERIAL RODANTE

1. Mantenimiento Predictivo y CBM1.1 Retos1.2 Alcance1.3 Beneficios

2. Enfoque de trabajo3. Metodología de Trabajo

3

ALCANCE

RETOS

BENEFICIOS

RETOS• Alto coste de mantenimiento;

• Elevada dedicación horas/hombre;• Elevada frecuencia de las tareas;• Mantenimiento del Fabricante.

• Problemas de disponibilidad de los activos.

• Fallos repetitivos.

• Desconocimiento de la Vida Útil de los equipos.

• Falta de Información sobre el estado de los mismos.• Gestión ineficiente de recursos al realizar preventivos antes de

lo necesario.

ALCANCE

MANTENIMIENTO PREDICTIVO•Tareas de mantenimiento ejecutadas en “batch” con una frecuencia marcada por secuencia de tiempo, cantidad producida, horas de funcionamiento…

•Finalidad:•Evitar averías durante el funcionamiento.

•Alcanzar, del modo más eficiente, la vida útil teórica.

•Detectar desgastes críticos o posibilidad de rupturas.

CBM (Condition Based Monitoring/Maintenance)•Control continuo de parámetros de los equipos/sistemas supervisados.

•Supone la necesidad de herramientas tecnológicas e informáticas específicas, además de definición de una arquitectura de sensores.

• Identificación/Predicción de problemas.

BENEFICIOS• Monitorización de ciertas variables que informen sobre el estado de

los equipos, pudiéndose alargar los plazos de mantenimiento hasta estar muy próximos al Fallo Funcional.

• Detección/Predicción de desgastes críticos o posibilidad de rupturas.

• Reducción de costes de Mantenimiento hasta un 30%.

1. Mantenimiento Predictivo y CBM

MetodologíaEnfoque de trabajoMantenimiento Predictivo / CBM

Los fallos y averías de los activos críticos afectan directamente al rendimiento, al coste de operaciones y a la rentabilidad.

De media, el coste de mantenimiento de los equipos se reparte de la siguiente manera:

› 20% correctivo;› 75% preventivo;› 5% predictivo.

4

31%

25%

44%

Costes de capital

Costes de operaciones

Costes de mantenimiento

Desglose costes vida 40 años de material rodante1

1. http://orr.gov.uk/__data/assets/pdf_file/0011/2711/rvfm-arup-rolling-stock-mar2011.pdf2. http://www.observatorioferrocarril.es/archivos/documentos/Costes%20del%20transporte%20de%20mercancias.pdf

Costes de mantenimiento locomotora en España2 Coste km/año Coste anual

Locomotora eléctrica de 3000V 0,65 €/km 200.000 130.000 € Locomotora diésel-eléctrica 1,3 €/km 260.000 338.000 € Portavehículos 11 €/día 75.000 4.015 € Vagón 0,05 €/km 75.000 3.600 €

1. Mantenimiento Predictivo y CBM1.1 RETOS EN EL SECTOR FERROVIARIO


http://orr.gov.uk/__data/assets/pdf_file/0011/2711/rvfm-arup-rolling-stock-mar2011.pdf



http://www.observatorioferrocarril.es/archivos/documentos/Costes%20del%20transporte%20de%20mercancias.pdf

http://www.observatorioferrocarril.es/archivos/documentos/Costes%20del%20transporte%20de%20mercancias.pdf

5

Situación del Mantenimiento Ferroviaro:

1. Mantenimiento Predictivo y CBM1.1 RETOS EN EL SECTOR FERROVIARIO

› Las tareas de Mantenimiento Preventivo tienen lugar en el momento en que podemos detectar el fallo potencial (P). De esta forma, podrá ser siempre programable.

› Las tareas Predictivas sirven para monitorizar ciertas variables que informen sobre el estado de los equipos, pudiéndose alargar los plazos de mantenimiento hasta estar muy próximos al Fallo Funcional (F).


6

MANTENIMIENTO PREDICTIVO:

› Tareas ejecutadas en “batch” con una frecuencia marcada por secuencia de tiempo, cantidad producida, horas de funcionamiento…:

› Finalidad:› Alcanzar, del modo más eficiente, la vida útil teórica.› Detectar desgastes críticos o posibilidad de rupturas.

1.2 ALCANCE1. Mantenimiento Predictivo y CBM


7

CBM (Condition Based Monitoring/Maintenance):

› Control continuo de parámetros de los equipos/sistemas supervisados.› Tareas Predictivas pueden ser implementadas en el CBM.› Supone la necesidad de herramientas tecnológicas e informáticas

específicas, además de definición de una arquitectura de sensores.› Monitorización continua de la condición mecánica de los equipos críticos.› Identificación/Predicción de problemas.

› Tipo de Análisis que se realizan:› Análisis de Vibraciones;› Análisis Acústicos;› Análisis de Temperaturas y Presiones;› Termografías;› Tribología;› Inspecciones Visuales;› Análisis de la dinámica operacional;› Monitorización eléctrica;› Análisis de Fallos;› …

1. Mantenimiento Predictivo y CBM1.2 ALCANCE


http://images.google.es/imgres?imgurl=http://www.perpetuumsoft.com/sf/en/ims/iw/iw1.gif&imgrefurl=http://www.perpetuumsoft.com/Product.aspx?lang=es&pid=96&usg=__RUOhadRrLgGHWZux-BdMk4TRTA8=&h=429&w=400&sz=54&hl=es&start=9&tbnid=YEYe1LTs-fwygM:&tbnh=126&tbnw=117&prev=/images?q=visualizacion+datos+medida&gbv=2&hl=es

8

VENTAJAS DE LA IMPLEMENTACIÓN DE MANTENIMIENTO PREDICTIVO/CBM EN EL SECTOR FERROVIARIO:

› Alcanzar la “vida útil” de los activos;› Reducción de tareas de mantenimiento y aumento de la

disponibilidad de los activos;

› Notificaciones en tiempo real.› Monitorización del rendimiento de los activos;› Monitorización Predictiva:

› Sistemas de alerta temprana.› Reconocimiento de patrones de fallo – PRONÓSTICO.

1. Mantenimiento Predictivo y CBM1.3 BENEFICIOS

Beneficios Reducción de costes 20% a 25%

Eliminación de avería 70% a 75%

Reducción en el tiempo de inactividad 35%

Incremento de la producción 20% a 25%

Reducción gastos tiempos extras 20%


9

•Elevado expertise en desarrollo de Planes de Mantenimiento Optimizados y análisis de Mantenimiento Predictivo y Preventivo.•Elevada capacidad para discernir entre necesidades críticas o no.•Amplio conocimiento de las necesidades de mantenimiento de los diferentes sectores.

INGENIERÍA DE MANTENIMIENTO

•Experiencia Implementando e integrando tecnologías para conectar máquinas y dispositivos, detectar, recolectar y procesar localmente los datos.•Aportar las tecnologías de comunicaciones necesarias para transportar los datos.•Desarrollo de plataformas informáticas.

TECNOLOGÍA

•Experiencia en el ámbito de BUSINESS INTELLIGENCE y BUSINESS ANALYTICS.•Alto grado de implicación en proyectos de Estudios Estadísticos, Análisis Numérico e Inteligencia Artificial:•Organización de los datos•Preparación de los datos•Modelado de datos.

ANALÍTICA AVANZADA

•Soporte para la implantación de sistemas de monitorizado y análisis de fuentes de vibración.•Mediciones y/o diagnóstico predictivo remoto. Análisis y diagnóstico de vibraciones.•Evaluación dinámica de nuevos diseños.

ANÁLISIS PREDICTIVOS

El enfoque de trabajo combina cuatro competencias fuertemente vinculadas al Mantenimiento Predictivo – CBM

2. Enfoque de Trabajo


10

OBJETIVOS› Alcance de la Máxima

Fiabilidad/Disponibilidad de los Equipos con el Menor Coste.

› Mayor Eficacia y Eficiencia.

2.1 INGENIERÍA DE GESTIÓN DE MANTENIMIENTO

RETOS› Mantenimiento como “gasto”.› Elevado ratio de Correctivos.› Preventivo de Fabricante/Basado en la

Experiencia. Mala distribución de tareas.

› GMAO infrautilizado.› Mala gestión de repuestos, proveedores

y subcontratas.



11

OBJETIVOS› Integración de dispositivos/equipos,

detección, recopilación y procesado en local de los datos.

› Despliegue de comunicaciones para transporte de datos de dispositivos/equipos/sistemas.

› Pre-procesado de datos: Corrección y normalización de datos

› Desarrollo/integración plataformas informáticas

2.2 TECNOLOGÍA

RETOS› Complejidad

› Sistemas heterogéneos› Tecnologías› Ecosistemas

› Seguridad› Regulaciones y normas› Restricciones de seguridad› Cyber-seguridad

ExperienciaCon experiencia en proyectos industriales de tecnología para adquisición, transporte y procesado de datos.

TecnologíasDespliegue de tecnologías de comunicacionesProtocolos de comunicación IoTSensores industriales

AplicacionesAplicaciones industriales, herramientas informáticas y casos de uso transversales



12

OBJETIVOS› Extraer valor añadido de los datos

históricos o generados correspondientes a las variables a estudiar.

› Generación de conocimiento en base a la experiencia.

› Definición y puesta en marcha de acciones con impacto directo en el negocio.

RETOS› Acceso a la información.› Origen de datos de distintas fuentes. › Grado de madurez de la organización

en la adquisición y tratamiento de la información.

› Adecuación de los modelos matemático-computacionales de predicción con la información futura.

Actionable insight!

2.3 ANALÍTICA AVANZADA



13

BUSINESS INTELLIGENCE: Beneficios inmediatos

› Facilidad de acceso a la información.› Organización y centralización de la información.› Gestión eficiente de la información.› Normalización y comparación de datos.› Estadística descriptiva.› Generación de informes.› Permite manejar el negocio.› Eficiencia operativa del negocio a partir de datos en tiempo real.› Identificación de problemas en función del histórico de datos.

Generación de alarmas.

BUSINESS ANALYTICS: Anticiparse al futuro, ir un paso más allá

› Explotación exhaustiva del histórico y actuales de datos.› Permite abordar cambios en el negocio.› Análisis e inferencia estadística.› Identificación de tendencias y patrones de comportamiento.› Modelos de predicción.› Modelos de optimización.› Modelos de simulación.› Apoyo en la toma de decisiones y adopción de buenas prácticas.

Gra

do d

e in

telig

enci

a

Gra

do d

e co

mpe

titi

vad




14

ESTUDI

OS ESTADÍ

STICOS:

Obtener

información a partir de los

datos

Identificación y caracterización de la muestra.Modelo estadístico.Ajuste funcional de datos discretos: Regresión y Correlación.Inferencia estadística.Distribución de probabilidades.Cartas de Control.Análisis de series temporales.Análisis de tendencias.Interpolación, Extrapolación.Series de Fourier.Análisis de Componentes Principales (PCAs).

ANÁLISIS NUMÉRI

CO:

Aplicar

métodos

sobre los dato

s con un

objetivo

definido

Modelos de optimización.Modelos de predicción.Modelos de integración.Modelos de simulación.Reconciliación de datos: red de sensores de medición.Análisis de señales.

INTE

LIGENCIA

ARTIFIC

AL: Crea

r y diseñar

sistemas capa

ces de

resolver

problema

s por

sí mis

mos utilizando com

o paradigm

a la inteligenc

ia humana.

Data MiningModelos de Inteligencia Artificial.Aprendizaje automático (Machine Learning).Arboles de decisiónRedes NeuronalesRedes BayesianasClusteringKNNSimulación.Procesamiento de Lenguaje NaturalReconocimiento de patronesAlgoritmos genéticos

Aplicación de distintos modelos matemáticos en función del reto a resolver y su nivel de complejidad:




15

OBJETIVOS› Tras determinar qué variable VIBROACÚSTICA medir para

la detección del fallo.› Identificar:

› Dónde medirla› Con qué equipo y sensor› Cuáles son los parámetros de muestreo› Cómo procesar la señal.

RETOS› Medición de parámetros.› Procesado y análisis de señales.

Cuál elegir?

2.4 ANÁLISIS PREDICTIVOS: Vibroacústica



16

ALTRAN realiza los siguientes análisis predictivos de vibroacústica:› Soporte para la implantación de sistemas de monitorizado y análisis de

fuentes de vibración.› Auditorías de sistemas de mantenimiento predictivo por vibraciones.› Mediciones y/o diagnóstico predictivo remoto.› Análisis y diagnóstico puntual de vibraciones.› Diagnóstico de maquinaria. Diagnóstico de averías.› Determinación e Implantación de criterios de aceptación de equipos.› Evaluación dinámica de nuevos diseños.› Auditoría de los criterios de aceptación.› Determinación de los mejores puntos de instrumentación para determinación de los

distintos modos de fallo, así como tipo de procesado óptimo para detección temprana de fallos.

2.4 ANÁLISIS PREDICTIVOS: Vibroacústica



17

Para la implementación exitosa de un Sistema de Mantenimiento Predictivo robusto es necesario el:

› desarrollo de un PMO – Plan de Mantenimiento Optimizado› enfocado en la Fiabilidad/Disponibilidad de los Activos (RCM)

El CBM contempla:› el Plan de Mantenimiento Predictivo,› apoyado en una herramienta de software, › con una base de Modelado Matemático-computacional Avanzado.

› Informática Industrial

› Modelado Matemático-computacional

› Sensorización

CBM› Supervisión› Control› Pronóstico

RCM› Correctivo› Preventivo› Predictivo› Autónomo› Rediseño› Análisis de Fallos› ILS› Publicaciones Técnicas

3. Metodología de Trabajo


18

1.

2.

4.

5.

7.

6.

3.

FASES:1. Estudio Inicial e Identificación de Activos Críticos (FMECA).2. Desarrollo de un PMO (vía RCM) e identificación de tareas de CBM.3. Instrumentación/ Definición arquitectura de sensores/Comunicaciones.4. Modelado Matemático – Computacional.5. Desarrollo Plataforma.6. Funcionamiento continuo del CBM.7. Corrección de Fallos antes de “breakdown”.



19

FMEA (Failure Modes and Effects Analysis)

Análisis de Criticidad› Factores ponderados› Risk Priority Number (RPN)› Matriz de criticidad

Predicciones de Fiabilidad (MTBF) y

Mantenibilidad (MTTR).

Determinación de Actividades de mitigación.

Búsqueda de Fallos ocultos.

Identificación de los activos críticos dentro de la estructura de análisis y su frecuencia y causas de fallo.OBJETIVO

FASE 1 – FMECAs

Estudio de los modos de fallo.Catálogo de fallos.Entregable



20

Implementación del árbol de decisiones RCM II (John Moubray)› Mediante un equipo multidisciplinar de trabajo› Para establecer las actividades de mantenimiento más efectivas› Planificándolas en función de la criticidad de los modos de fallo› Teniendo en cuenta, principalmente, los efectos de los fallos sobre

› La seguridad de los operadores o del Medio-Ambiente› La operación del sistema (producción o calidad)

Evaluación/Selección de las actividades de mantenimiento y su frecuencia.

› Actividades de predictivo/CBM.› Actividades de preventivo de restauración› Actividades de preventivo de sustitución› Actividades de búsqueda de fallos ocultos› Actividades de correctivo (si se deja funcionar

hasta el fallo)› Actividades de rediseño

Decisión de las Tareas de Mantenimiento, para la optimización de recursos, coste y fiabilidad.OBJETIVO

FASE 2 – Desarrollo PMO (RCM)

Listado de variables predictivas y rangos de tolerancia.Entregable



21

Tras identificación (RCM) de las variables a monitorizar. Comparación de la instrumentación existente y la necesaria para el CBM. A

considerar:› El tipo de medición que se requiere, por ejemplo, la variable que se va a medir,

su valor nominal, el rango de valores, la exactitud y precisión, la sensibilidad, la velocidad de medición y fiabilidad requeridas, las condicio nes ambientales en las que se realizará la medición.

› El tipo de salida que se requiere del sensor, lo cual determinará las condiciones de acondicionamiento de la señal, a fin de contar con señales de salida idóneas para la medición.

› La fiabilidad, facilidad de mantenimiento, duración, requisitos de alimentación eléctrica, robustez, disponi bilidad y coste.

En caso de no disponer de instrumentación, se realizará un benchmarking sobre la instrumentación comercial más adecuada.

FASE 3 – Instrumentación/Arquitectura de sensoresAnálisis de las necesidades de instrumentación para la

implementación de los predictivos.OBJETIVO

Estudio funcional y técnico de sensores industriales



22

Definición y soporte a la implementación de redes de comunicaciones en el ámbito industrial basadas sobre Ethernet, protocolos industriales estándar o desarrollos a medida

Análisis y Soporte a la utilización de Buses de campo y protocolos estándar Análisis y Soporte a la utilización de Radio Frecuencias, RTUs y tecnologías

inalámbricas Soporte a la instalación y acopio de infraestructuras de comunicaciones

industriales. Soporte a la conectividad con Sistemas de Control, Supervisión y

Monitorización . Desarrollo de drivers y protocolos de comunicación a medida. Desarrollo de OPCs. Extracciones datos de sistemas externos (ERPs, CRMs,etc) basados en

WebServices.

FASE 3 –Arquitectura de ComunicacionesAnálisis de las necesidades de comunicaciones para la

adquisición y transporte de datos.OBJETIVO

Estudio con las opciones analizadas, recomendaciones, requerimientos adicionales, estimación de costes y

tiempos de implantación.Entregable



23

Análisis del problema› Determinación de los objetivos empresariales.› Evaluación de la situación.› Determinación de los objetivos técnicos.› Elaboración de la estrategia.

Extracción y organización de la información› Acceso a diferentes sistemas de información.› Importación de datos procedente de distintos formatos de ficheros de texto y

herramientas ofimáticas.› Acceso a sistemas/equipos en tiempo real: PI OSIsoft, WinCC, PLC´s, sensores...› Intercambio de datos con SAP y entornos corporativos.› Información estructurada (SQL). Diseño de una base de datos relacional.› Información no estructurada (NO SQL). Protocolos M2M, MQTT, AMQP.Análisis

del Problema

Extracción

y Organización

de la Información

Preparación de los Datos

Modelado

Validación del Modelo

FASE 4 – Modelado Matemático - ComputacionalExtracción, organización de la información y modelado de

los algoritmos de predicción.OBJETIVO



24

Preparación de los datos› Verificación de la calidad de los datos:

› Depuración de la muestra inicial: detección y tratamiento de outliers o datos atípicos, elementos que presentan un comportamiento muy diferente respecto de la media poblacional.

› Rellenar huecos de información, erróneos o no medibles, mediante datos teóricos obtenidos a partir de técnicas numéricas de interpolación.

› Identificación de datos redundantes.› Estudiar la posibilidad de reducir la dimensionalidad del sistema en conjunto,

identificando las variables potencialmente significativas.› Transformación de datos:

› Transformaciones sobre las variables cuantitativas con objeto de encontrar mayor linealidad entre éstas.

› Transformaciones de los datos, para el tratamiento de datos con distribuciones asimétricas.

› Normalización o escalamiento de las variables objetos de estudio para permitir relacionar la información de forma coherente y optimizar la convergencia de los algoritmos.

FASE 4 – Modelado Matemático - Computacional

Análisis

del Problema

Extracción

y Organización

de la Información


Modelado




25

Modelado› Selección de técnicas de modelado:

› Análisis descriptivo de los datos, asimetría y correlaciones de las variables cuantitativas, frecuencias de las variables cualitativas.

› Algoritmos de selección de la muestra training y de la muestra test, como un porcentaje de la muestra total. La primera de ellas sirve para ensayar el modelo, y la segunda para validar.

› Definición de los algoritmos de aprendizaje automático a ensayar.› Diseño de métodos de evaluación:

› Validación del modelo con la muestra test.› Análisis de los parámetros a evaluar en la medición del error cometido.

› Generación del modelo: Ensayo de los algoritmos de aprendizaje automático.› Evaluación del modelo con la muestra test y estudio de la bondad del ajuste

establecido.› Reajuste de los parámetros del modelo tras la evaluación.

Validación del modelo› Evaluación de los resultados.› Revisión del proceso.› Determinación de las siguientes acciones.

FASE 4 – Modelado Matemático - Computacional

Análisis

del Problema

Extracción

y Organización

de la Información


Modelado


Estudio del modelo matemático.Herramienta piloto de testing algoritmos matemáticos.Entregable



26

Aceleradores Altran I+D+i DESARROLLO A MEDIDA

Análisis de RequisitosDiseño y

Arquitectura del Sistema

Implementación

Pruebas de SistemaElaboración

DocumentaciónMantenimiento

DESARROLLO SOBRE SISTEMA DEL CLIENTE

Análisis viabilidad integración

Integración motor de cálculo

Pruebas de SistemaIntegración con

GMAO.Sistemas MES.

FASE 5 –Desarrollo PlataformaDefinición, Programación e Implementación de la

Herramienta CBM.OBJETIVO

Con la finalidad de obtener una plataforma

CBM los más customizable posible, hay

tres alternativas de desarrollo:

› Desarrollo a Medida.› Desarrollo sobre Sistema

del Cliente.› Integración de otras

soluciones.



27

•Recogerá la funcionalidad necesaria para incorporar en el sistema la información que proporcionarán los posibles sistemas o equipos externos, así como los datos de entrada relativos a los diferentes ficheros a tener en cuenta.

Módulo de lectura y tratamiento de datos de entrada y sistemas externos:

• Incorporará en el sistema los algoritmos procedentes del estudio de los modelos matemático-computacionales, así como la implementación de las diferentes alarmas registradas en el sistema. El módulo tendrá por objetivo implementar la lógica necesaria que establezca el motor de cálculo del sistema. El módulo recogerá además un histórico con las predicciones realizadas y las alarmas generadas, que servirán de punto de partida para el módulo de estadísticas.

Módulo de predicción de fallos , fiabilidad y generación de alarmas:

•Desarrollará todas las funcionalidades relativas a la generación de los resultados de las predicciones realizadas o alarmas generadas en un formato establecido previamente, mediante informes diseñados en plantillas asociadas a herramientas ofimáticas (Excel, Word, PDF).

Módulo de generación de informes:

•Tiene por objetivo explotar tanto la información resultante de las predicciones realizadas, como las alarmas o modos de fallo registrados u otros elementos a tener en consideración, permitiendo así extraer conclusiones y presentar resultados con una visión temporal y delimitada, en términos de promedios, tendencias y balances que aporten conocimiento del negocio al usuario experto.

Módulo de estadísticas:

•Este módulo proporcionará la presentación visual de toda la información del sistema.

Módulo de gráficos:

PLATAFORMA CBM – Funcionalidades Mínimas FASE 5 –Desarrollo Plataforma

Instalador de la herramienta software.Documentación técnica y manuales de usuario.

.Entregable



28

PLATAFORMA CBM – Arquitectura de la soluciónFASE 5 –Desarrollo Plataforma

Seguridad

Errores y Gestión de Excepciones

Operaciones Transversales ( Logging, Conversiones, Trazas, …

)

Cliente Servidor ServidorWEB

Acceso a BBDD estructuradas

Interfaces Externas (Sensores, equipos, ERP´s, PI, SCADA

etc)

Lógica de negocioVISTA

NEGOCIODATOS

INFRAESTRUCTURA

Lectura y tratamiento de

datos

Predicción Fallos, Fiabilidad

y alarmasEstadísticas e

Informes

Protocolos de comunicación industrialesEthernet, Buses de campo



29

1. Toma de Datos según determinado por RCM – Continuo/Batch.2. Almacenamiento de Datos.3. Análisis automático de Tendencias y Valores Límite.4. Determinación de la Condición.5. Generación de Avisos.

› Alarmas.› Causa Raíz.› Tareas de O&M a realizar.

6. Autoaprendizaje de la herramienta CBM.

Tras los Avisos, planificación de las tareas de Mantenimiento. › Generación de OT.› Reacondicionamiento/Sustitución.

› Mantenimiento/Evolutivos de la Plataforma.

› Validación del “autoaprendizaje”.› Reajuste de los rangos de

tolerancia.› Integración de nuevos equipos a

plataforma.


FASE 6 – Funcionamiento Continuo CBM

FASE 7 – Corrección de FALLOS


altran.es

Si desea más información contacte con: Brais Vila Araico [email protected]

[email protected] https://es.linkedin.com/in/brais-vila-araico-7a697824





desarrollo de una plataforma cbm de material rodante

Engineering