Documente Academic
Documente Profesional
Documente Cultură
TESIS DOCTORAL
Madrid 2008
(D-15)
Presidente:..
Vocal: ..
Vocal: ..
Vocal: ..
Secretario: ..
Suplente: ..
Suplente: ..
LOS VOCALES
EL SECRETARIO
NDICE GENERAL
Resumen
Introduccin
Captulo 1
Marco terico
11
Captulo 3
12
14
17
25
29
31
35
38
42
Metodologa
45
46
48
57
68
70
72
74
78
79
90
90
104
106
Resultados: Modelos
108
109
111
113
115
117
121
122
123
129
131
133
138
ii
139
143
148
149
153
154
156
160
162
163
164
164
170
Captulo 5
178
Conclusin
195
196
198
198
Bibliografa
182
184
184
186
191
200
Anexo 1
203
Anexo 2
Anexo matemtico
223
Anexo 3
Datos
230
Anexo 4
Esquemas de simulacin
240
NDICE DE FIGURAS
Figura 1.1
Figura 1.2
Figura 1.3
Figura 1.9
Figura 2.1 a)
Figura 2.1 b)
Figura 2.2
Figura 2.3
Figura 1.4
Figura 1.5
Figura 1.6
Figura 1.7
Figura 1.8
iii
13
14
20
24
30
34
37
41
44
51
51
53
64
Figura 2.4
Figura 2.5
Figura 2.6
Figura 2.7
Figura 3.1
Figura 3.2
Figura 3.3
Figura 3.4
Figura 3.5
Figura 3.6
Figura 3.7
Figura 3.8
Figura 3.9
Figura 3.10
Figura 3.11
Figura 3.12
Figura 3.13
Figura 3.14
Figura 3.15
Figura 3.16
Figura 3.17
Figura 3.18
Figura 3.19
Figura 3.20
Figura 3.21
Figura 3.22
Figura 4.1
Figura 4.2
Figura 4.3
Figura 4.4
Figura 4.5
iv
66
69
71
75
79
84
84
87
89
92
97
97
101
102
105
109
113
116
117
120
121
124
125
126
130
132
142
143
145
146
150
Figura 4.6
Figura 4.7
Figura 4.8
Figura 4.9
Figura 4.10 a)
Figura 4.10 b)
Figura 4.11
Figura 4.12
Figura 4.13
Figura 4.14
Figura 4.15
Figura 4.16
Figura 4.17
Figura 4.18
Figura 4.19
Figura 4.20
150
152
154
155
161
161
166
168
171
173
179
181
184
190
192
194
NDICE DE TABLAS
Tabla 3.1
Tabla 3.2
Tabla 3.3
Tabla 3.4
Tabla 3.5
Tabla 3.6*
Tabla 3.7
Tabla 3.8
Tabla 3.9*
Tabla 3.10*
83
83
86
87
89
134
98
102
135
136
vi
128
128
128
129
144
145
146
155
167
167
167
169
169
169
189
189
RESUMEN
El objetivo fundamental de la tesis es la optimizacin de las tareas de
mantenimiento de sistemas de transporte y secado de sustancias mineral; en
definitiva, un sistema complejo. El mantenimiento y la produccin se integran
dentro de un mismo sistema, en el que las variables de control son las polticas
de mantenimiento.
Como aportacin general se puede destacar que en este trabajo se combina de
una forma eficaz una metodologa de gestin de mantenimiento, como es RCM,
con la modelizacin matemtica, con el objetivo final de optimizar la
disponibilidad de un sistema complejo. Los datos para la elaboracin de la tesis
han sido recogidos en un sistema de transporte y secado de concentrado de
cobre; formado por cintas transportadoras, arrastradores de cadena y un
sistema de secado.
Cada uno de los modelos matemticos contemplados en la tesis se ha
elaborado de forma que la variable de salida sea la disponibilidad. Como
variable de entrada, y de control, se contempla cada una de las polticas de
mantenimiento. Para elaborar los modelos se ha utilizado la teora de sistemas,
de esta forma es posible observar de forma dinmica la evolucin de la
disponibilidad para las diferentes polticas de mantenimiento.
Los resultados de la tesis se pueden clasificar en dos grupos: en primer lugar,
el estudio descriptivo del sistema real ha puesto de manifiesto los fallos
significativos para la fiabilidad y disponibilidad. En segundo lugar, los
resultados de la modelizacin han permitido establecer polticas ptimas de
mantenimiento para cada uno de los sistemas. En el sistema de cintas
transportadoras se ha ensayado un modelo para optimizar el mantenimiento de
tareas rutinarias. Por su parte, en el sistema de arrastradores de cadena se
plantea un modelo de mantenimiento basado en condicin, que utiliza como
variable bsica de control, el desgaste de la cadena. Finalmente, en el sistema
-1-
-2-
ABSTRACT
The main objective of this thesis is the optimization of the maintenance of a
transport and drying system. The maintenance variables have been treated as a
control variable in a dynamic model. This model integrates operational and
reliability parameters and allows for the optimization of the maintenance
policies.
Stochastic modelling has been used to elaborate dynamic models to perform
the optimization of control variables. The data to fit the model has been
collected in the transport system of a copper smelter, formed by conveyors
belts, redlers and drying units.
As a general contribution, this thesis carries out a combination of RCM
methodology and mathematical modelling in order to improve the availability of
complex manufacturing systems.
The results of the work can be classified in two groups. The first one covers
descriptive results of a real system, identifying the main failure modes for
reliability and availability. The second one takes into account the results of the
stochastic models. At the conveyor belt system has been fitted a model to
optimize the routine maintenance activities. This model contributes to deal with
failure modes whose traditional maintenance policy has been run to failure. In
the case of redlers, a condition based maintenance model, that uses the
wearing of the chain as a control variable, has been used. This model covers
several maintenance policies; hence it is possible that the same equipment in
different operational situation results in different maintenance policy.
Finally, it has been analyzed the main failure models and their availability
consequences at the drying system, besides a specific study has been carried
out for the replacement policy of the multi-coil. I want to highlight that the results
has been directly applied, and it has been proof the versatility and applicability
of the models fitted for conveyors and redlers.
-3-
-4-
Introduccin
Introduccin
-6-
-7-
Introduccin
-8-
-9-
Introduccin
su eficacia, para un sistema complejo formado por fallos rutinarios, en los que
de forma preliminar cabra pensar que la nica poltica posible es el
mantenimiento correctivo. El modelo no slo demuestra que hay una poltica
preventiva ms eficaz, sino que tambin evala las variables de dicha poltica.
Por su parte en los arrastradores de cadena se ha utilizado un modelo que
destaca por su versatilidad, ya que evala tres polticas de mantenimiento a la
vez.
- 10 -
- 12 -
ECONOMA
SECADORES
FIABILIDAD
CINTAS Y
ARRASTRADORES
DISPONIBILIDAD
- 13 -
1 ETAPA
CANTIDAD
2 ETAPA
CALIDAD
3 ETAPA
DISPONIBILIDAD
1 ETAPA
MANTENIMIENTO
1 ETAPA
MANTENIMIENTO
1 ETAPA
MANTENIMIENTO
CORRECTIVO
PLANIFICADO
PRODUCTIVO
OBJETIVO: CANTIDAD
CONTROL: MANO DE OBRA
OBJETIVO: CALIDAD
CONTROL: DISPONIBILIDAD
OBJETIVO: COMPETITIVIDAD
CONTROL: CALIDAD Y
DISPONIBILIDAD
- 14 -
- 15 -
- 16 -
Fallo
Modo de fallo
Cada una de las diferentes formas en las que puede fallar un equipo. La
fiabilidad que se exponen a continuacin, es diferente para cada modo de fallo.
Fiabilidad
- 17 -
80% de ellos han superado las 100 horas de funcionamiento. En este caso,
habra que concluir que la fiabilidad es de un 80% para un tiempo de operacin
de 100 horas. Ahora bien, si a continuacin se realizan otros diez ensayos, y la
fiabilidad es diferente al 80%, sta debe de adaptarse a los nuevos datos.
La fiabilidad se puede representar como una funcin del tiempo R(t). Para ello
es necesario conocer cual es la distribucin de probabilidad que se ajusta al
tiempo entre fallos. El tiempo entre fallo, en ingls TTF (Time To Failure), es
una variable aleatoria intrnseca de la fiabilidad.
El tiempo entre fallos puede ser una variable aleatoria continua o discreta; por
ejemplo, el nmero de veces que se acciona un interruptor constituye una
variable discreta, mientras que el tiempo entre fallos de una bomba de
impulsin, es una variable aleatoria continua.
La funcin de distribucin del tiempo entre fallos se define como:
t
f (t ) =
d
F (t + t ) F (t )
P ( t < T t + t )
(1.2)
F (t ) = lim
= lim
t 0
t 0
dt
t
t
P (t < T t + t ) f (t ) t (1.3)
La funcin de fiabilidad R (t ) se deriva directamente de la funcin de distribucin
del tiempo entre fallos, sin ms que tener en cuenta que la fiabilidad es la
probabilidad de que no se produzca un fallo en un tiempo T; es decir:
R(t ) = 1 F (t ) = P (T > t ) para t > 0 (1.4)
- 18 -
F (t + t ) F (t )
(1.5)
R (t )
t 0
F (t + t ) F (t ) 1
f (t )
=
(1.6)
t
R (t ) R (t )
- 19 -
z(i ) =
n( i )
(1.8)
m(i )t
Z(t)
ZONA
INICIAL
ZONA DE
DESGASTE
ZONA
ESTACIONARIA
Tiempo
Operacin
Figura 1.3 La curva de baera: evolucin de la tasa de fallo
- 20 -
En este trabajo para evitar la confusin se utilizar la terminologa tasa de fallo y tasa de
proceso. En terminologa inglesa rate of failures y rate of ocuurence of failures.
- 21 -
Mantenibilidad
mantenibilidad
tambin
se
puede
expresar
mediante
modelos
Disponibilidad:
To
To + Tp
MIL-STD-721B,DoD,1966
- 22 -
(1.9)
kMTBF
k
=
=
k (MTBF + MTTR ) k + k +
k:
: tasa de fallo
: tasa de reparacin
Se puede alcanzar el mismo resultado por distintos procedimientos. Consultar Creus Sol A.
Fiabilidad y seguridad. Marcombo 2005
5
Las ecuaciones de estado tambin son denominadas ecuaciones de Chapman-Kolmogorov
- 23 -
[P0 (t ), P1(t )] =
donde
d
dt
P
(
t
),
P
0
1( t )
(1.11)
P0 (t ) + P1(t ) = P (t ) (1.12)
e ( + )t
+ +
(1.13)
( + )t
P0 (t ) =
+
e
+ +
La disponibilidad viene dada por P1(t ) tomando lmite cuando t se alcanza
la expresin (1.10) para la disponibilidad estacionaria en un sistema falloreparacin.
En este caso es posible derivar las ecuaciones de estado por la gran sencillez
del modelo exponencial. A pesar de esta sencillez, este modelo se ajusta muy
- 24 -
1.4.
- 25 -
basado
en
inspeccin,
mantenimiento
oportunista
mantenimiento modificativo.
- 26 -
el mantenimiento
- 27 -
- 28 -
Mantenimiento oportunista
Mantenimiento modificativo
en
funcionamiento
que
plantean
problemas
de
fiabilidad
- 29 -
La zona 1 recoge los fallos poco frecuentes (alta fiabilidad) y reparacin rpida
(alta mantenibilidad. Por su parte la zona 2 recoge los fallos de alta frecuencia
(baja fiabilidad) y reparacin rpida (alta mantenibilidad). En la zona 3 se
encuentran fallos de frecuencia baja pero de difcil reparacin. Finalmente en la
zona 4 estn los fallos muy frecuentes y de difcil reparacin.
ALTA
FIABILIDAD
ZONA 1
fallos poco frecuentes
reparaciones rpidas y
baratas
MANTENIMIENTO BASADO
FIABILDIAD (RCM)
ZONA 2
fallos frecuentes
reparaciones rpidas y
baratas
BAJA
BUENA
ZONA 3
fallos poco frecuentes
reparaciones difciles y
costosas
ZONA 4
fallos frecuentes
reparaciones difciles y
costosas
CAMBIO DE DISEO
MANTENIMIENTO BASADO
FIABILIDAD (RCM)
MANTENIBILIDAD
MALA
- 30 -
Cules son los fallos que hace que el equipo no alcance los
estndares operativos?
- 31 -
Cada una de estas categoras, a su vez, deben clasificarse en: Alta, Media y
Baja
Por su parte la frecuencia tambin puede clasificarse de forma muy grosera de
la siguiente forma6:
-
MIL-STD-1629 a. Procedures for performing a failure mode, effects and criticality analysis.
- 32 -
- 33 -
(1.14)
Consecuencia segura: 1
Mantenimiento basado en
condicin
NO
Reparacin in situ
NO
Se trata de un fallo
oculto?
NO
No hay labor de
mantenimiento preventivo
- 34 -
de
forma
incompleta
como
herramientas
de
gestin
del
mantenimiento.
Lo que se pretende con la modelizacin es obtener una representacin
simplificada de la realidad, que pueda interactuar con las variables propuestas
por las polticas de mantenimiento, para a travs de su simulacin, obtener un
resultado que infiera el comportamiento real del sistema.
La figura 1.7 representa como acta el mantenimiento sobre la disponibilidad
de un sistema. El mantenimiento se plantea como una variable de control con
- 35 -
- 36 -
Salida Y
Intensidad MP
Variable de control--Mantenimiento
Figura 1.7 Modelo de sistema produccin- mantenimiento
Ante este inconveniente Scarf (1997) recomienda utilizar modelos simples. Por
modelo simple se entiende aquel que tiene pocos parmetros; as, mediante el
uso de estos modelos se minimiza la necesidad de informacin, y adems,
estos modelos son ms comprensibles para los ingenieros de mantenimiento.
Tambin, Scarf (1997), recomienda que como labor previa a la elaboracin del
modelo, se realice un ejercicio de reconocimiento del problema y de captura de
datos, para elaborar y validar e modelo; es decir, la elaboracin de un modelo
debe ser ms que un ejercicio de regresin, y durante la elaboracin del
mismo, se debe interactuar lo ms posible con los ingenieros de mantenimiento
y con la realidad del da a da.
Por los motivos citados anteriormente, en muchas ocasiones no es posible
utilizar informacin objetiva del sistema, en estos casos es necesario utilizar
informacin subjetiva procedente de los ingenieros de mantenimiento. El
enfoque subjetivo ha sido utilizado por Christer et al. (1984) y tambin puede
encontrase en Christer (1999). Siempre es necesario recurrir a la informacin
subjetiva como fuente de datos, ya que aporta un conocimiento del sistema
muy importante, que debe ser utilizado por el modelista en el ajuste y
validacin del modelo. El problema se plantea, como comenta Scarf (1997), en
el caso de que esta informacin refleje ms la costumbre de las prcticas de
- 37 -
de cambio, el
- 38 -
Cunto tiempo puede estar este defecto presente sin ser reparada sin
que se produzca el fallo?
- 39 -
Por otro lado, el umbral de preventivo se fija en funcin del riesgo que
se quiera correr con el modelo. Si se fija un umbral muy conservador,
se aporta un intervalo temporal muy grande entre el tiempo en el que se
detecta una situacin de defecto, y el posible fallo. La contrapartida
supone realizar un mayor nmero de reparaciones o sustituciones de
componentes.
- 40 -
- 41 -
mantenimiento;
saber,
mantenimiento
correctivo,
mantenimiento
- 42 -
t0
t
=
MTBR(t0 )
t
t0
(1.16)
(1 F (t ))dt
0
- 43 -
Cu =
p + cF (t0 )
t0
(1.18)
(1 F (t ))dt
0
La figura 1.9 muestra la evolucin del coste unitario en funcin del tiempo t0 de
cambio cclico, para diferentes ratios de c/p.
La figura 1.9 pone de manifiesto que la poltica ptima para realizar la
sustitucin de un equipo depende del coste relativo entre una intervencin de
correctivo y una de preventivo. Si el periodo entre mantenimientos preventivos
t0 tiende a infinito, el coste de mantenimiento alcanza asindticamente el coste
de correctivo. Por el contrario, si las reparaciones preventivas se realizan con
una
frecuencia
muy
alta,
el
coste
de
mantenimiento
se
- 44 -
eleva
Captulo 2. Metodologa
2.1. Metodologa general
2.2. Sistemas discretos estocsticos basados en eventos
2.3. Simulacin Monte Carlo
2.4. Modelizacin de sistemas discretos con
Simevents/Simulink de Matlab
Captulo 2. Metodologa
equipos de
- 46 -
Se ha interrumpido la produccin?
Tiempo de reparacin
- 47 -
Captulo 2. Metodologa
- 48 -
- 49 -
Captulo 2. Metodologa
X es el conjunto de estados
E es el espacio de eventos
f : ( X E ) X es la funcin de transicin
- 50 -
X=0
Fallo
X : (0,1)
E : (reparacin, fallo)
f : (1 fallo) X = 0
: X fallo
X0 : X =1
X m : (1)
Reparacin
X=1
X=0
Fallo
- 51 -
Captulo 2. Metodologa
- 52 -
t1
t2
ek=
tk
tk-1
zk
yk
- 53 -
Captulo 2. Metodologa
( X , E, f , , x0 ,V )
Donde V = {Vi : i E} es una entrada del modelo; y constituye las diferentes
vidas de cada uno de los eventos.
La secuencia de estados se genera a travs de la funcin f ( x, e ') que est
controlado por la secuencia de eventos (e1, e2 ,...ek ) . (La notacin
se utiliza
Por el contrario si e e ' el reloj del evento tiene que avanzar una
cantidad equivalente a la vida residual del evento e ' .
- 54 -
En el apartado anterior la vida fijada para cada evento era una constante. En
este caso la vida de cada evento se determina a partir de una distribucin de
probabilidad, esta distribucin de probabilidad es un parmetro ms del
autmata. Por lo tanto un autmata estocstico es una sxtupla:
( X , E, , p, p0 ,G )
Donde X , E , y tienen un significado equivalente al visto en el apartado
anterior y P ( X ', X , e ') es la probabilidad de cambio de estado; dado el estado
actual X y el siguiente evento en ocurrir e ' . Si e ' no pertenece al conjunto de
estados permitidos en el estado actual, la probabilidad de transicin es 0.
- 55 -
Captulo 2. Metodologa
Actualiza el estado
Para un estudio ms profundo sobre los procesos estocsticos y sus caractersticas se puede
consultar:
- Para profundizar en el estudio se recomienda consultar a Cassandras C.G.;
Lafortune S.(1999) Introduction to discrete event systems. Cp.5. Springer
- 56 -
N (t ) 0
N (t ) es un nmero natural
- 57 -
Captulo 2. Metodologa
X (, t )
estn
idnticamente
distribuidas.
Esto
implica
que
el
de
estacionariedad
as
enunciada
se
denomina
- 58 -
Procesos de Markov
t0 < t1 < ... < t k 1 < t k . Los valores observados son ( X1, X 2 ,... X k 1, X k ) . Se denota
por X k +1 al estado en el futuro del sistema.
En una cadena independiente, las observaciones futuras son totalmente
independientes del pasado. Sin embargo en una cadena de Markov est
propiedad es parcialmente relajada: el futuro est parcialmente condicionado al
pasado, dado el estado presente. Es decir la evolucin pasada del proceso
est resumida en el estado actual.
Formalmente:
P [ X (t k +1 ) xk +1 : X (t k ) = xk ..... X (t0 ) = x0 ] = P [ X (t k +1 ) xk +1 : X (t k ) = xk ]
- 59 -
Captulo 2. Metodologa
Proceso de Poisson
- 60 -
0 . 0 0
0 0 . 0
0 0 0
( t )
P (N = n ) =
n!
e t (2.1)
- 61 -
Captulo 2. Metodologa
Hay
que
recordar
que
un
autmata
estocstico
es
una
sxtupla
. Por su lado el espacio de estados est constituido por una cadena (0,1, 2,
3). Para todo x X el conjunto de eventos factibles ( X ) = . El proceso
comienza en el estado X = 0 por lo que Po (0) = 1 . La funcin de transicin
P [Y * t ] = 1 e i t (2.5)
i =1
- 62 -
(2.5) se tendr:
G(t , x ) = P [Y * ( x ) t ] = 1 e t (2.6)
Procesos de renovacin
- 63 -
Captulo 2. Metodologa
- 64 -
N (0) = 0
{N (t ), t 0}
al mismo tiempo
-
P [N (t + t ) N (t ) = 1] = (t )t + t
W (t ) = (u )du (2.7)
0
- 65 -
Captulo 2. Metodologa
0< <1 La tasa del proceso disminuye con el tiempo. Esto significa que
el sistema tiene tendencia a fallar al principio de su vida til.
>1 La tasa de fallo del proceso aumenta con el tiempo. De tal forma
que si es igual a 2 la tasa se incrementa linealmente.
- 66 -
- 67 -
Captulo 2. Metodologa
2.3.
- 68 -
- 69 -
Captulo 2. Metodologa
Mtodo de la convolucin
Mtodo de aceptacin-rechazo
F ( x ) . Se supondr que
F(x)
es continua y
estrictamente creciente.
Ntese que la funcin de distribucin est definida sobre los posibles valores
de la variable aleatoria X , dando como resultado probabilidades acumuladas;
es decir, nmeros reales comprendidos en [0,1] .
7
- 70 -
Y por lo tanto:
P [U F ( x )] = F ( x )
F ( x ) = P( X x )
F(x)
X = F 1(U )
- 71 -
Captulo 2. Metodologa
- 72 -
- 73 -
Captulo 2. Metodologa
2.4.
Simulink/Simevents de Matlab
Simulink es un lenguaje grfico de programacin que se integra dentro de
Matlab, se utiliza para modelizar y simular sistemas dinmicos, tanto continuos
como discretos. Dentro de Simulink existe un mdulo especial para sistemas
discretos, Simevents; y un modelo para simular mquinas de estados
Stateflow.
El uso de estas herramientas permite implementar la lgica de un modelo de
forma grfica, lo que simplifica mucho la programacin del modelo. Adems la
perfecta integracin con Matlab hace que se pueda completar la
programacin, siempre que sea necesario, con cdigo manual. El post-proceso
a su vez se realiza sobre los resultados de la simulacin que son almacenados
en matrices, o ficheros temporales.
Por otro lado, Stateflow es otro mdulo que permite modelizar mquinas de
estados que interacten con Simulink. El procedimiento de modelado ha sido el
siguiente:
-
- 74 -
Simevents
Almacenes
Servidores
Bloques de enrutamiento
SIMEVENTS/SIMULINK
Generador de eventos
STATEFLOW
Autmata de estados
SIMULINK/MATLAB
Control de la simulacin
Postproceso
Figura 2.7 Implementacin del modelo en Matlab
- 75 -
Captulo 2. Metodologa
en
los
bloques
generadores,
almacenes
servidores
Stateflow
- 76 -
Control de la simulacin
- 77 -
Secador vapor
Arrastrador
Cintas
Transportadoras
Secador vapor
Arrastrador
Secador rotativo
Figura 3.1 Esquema general del sistema estudiado
- 79 -
Secadores de vapor
Circuito de concentrado
Circuito de vapor
Circuito de gases
- 80 -
Secador rotativo
Estrategia de mantenimiento
- 81 -
En los aos 2005-2006 el mximo diario tiene una media de 152,53 t/h. El
mximo diario despus de la parada general del 2007 hasta enero del 2008
tiene una media de 161,34 t/h. El ritmo mximo diario es la cifra ms
representativa para comparar la capacidad de los secadores; es decir, el ritmo
de fusin siempre va a ser el mximo posible, por lo que el sistema de secado
debe tener capacidad para admitir ese ritmo de secado.
En esta situacin si se quiere tener capacidad suficiente de secado para
responder a ritmos de fusin e torno a 160 t/h son necesarios ms de dos
secadores, ya que slo con dos secadores, no se puede atender la demanda
mxima de secado.
Ante esta situacin, el sistema demanda que se utilicen los tres secadores,
aunque uno de ellos trabaje a carga parcial.
El porcentaje de tiempo que la fundicin opera a un ritmo superior a 150 t/h ha
sido del 8% en los aos 2005-2006, y del 43% en el ao 2007 despus de la
parada. De hecho el uso que se est haciendo del sistema de secado pone de
manifiesto que la utilizacin de los tres secadores es habitual.
Con estos datos, la estrategia de mantenimiento debe orientarse hacia la
mxima disponibilidad de cada uno de los secadores. Sin embargo, hay que
tener en cuenta que la fundicin no siempre est operando a ritmos de 160 t/h.
A ritmos inferiores
- 82 -
mnimo
100,42 t/h
mnimo
106,53 t/h
mximo
169,87 t/h
mximo
170 t/h
media
152,53 t/h
media
160,21 t/h
mediana
153,03
mediana
127,26 t/h
desv.tpica
10 t/h
desv.tpica
10 t/h
mnimo
61,01 t/h
mnimo
61,01 t/h
mximo
150,34 t/h
mximo
160 t/h
media
123,36 t/h
media
126,7 t/h
mediana
127,26 t/h
mediana
129,77 t/h
desv.tpica
15,65 t/h
desv.tpica
16,39 t/h
- 83 -
ECONOMA
SECADORES
FIABILIDAD
CINTAS Y
ARRASTRADORES
DISPONIBILIDAD
- 84 -
- 85 -
Tabla 3.3 Estadstica resumen del tiempo entra fallos de secadores hasta PGC-2007
MTTF
[ LCI
LCS ]95%
0.0534 das
p-value
18.73 das
[14.77
24.55
KSSTAT
CV
mnimo
mximo
105
media
18.73
mediana
10.5
Desv. Tpc
20.9
0.34
0.12
0.17
- 86 -
MTTF
[ LCI
LCS ]95%
0.082 das
12.19 das
[ 8.29
19.69 ]
p-value
KSSTAT
CV
mnimo
mximo
72
media
12.19
mediana
Desv. Tpc
17.47
0.3517
0.197
0.287
- 87 -
e ( + )t
(1.13)
- 88 -
0.056 horas
MTTF
[ LCI
17.6 horas
LCS ]95%
[14.13
22.54 ]
p-value
KSSTAT
CV
mnimo
mximo
105
media
17.6
mediana
Desv. Tpc
20.21
0.182
0.127
0.025
- 89 -
En todos los casos los valores aportados por la frmula (1.13) muestran una
disponibilidad ligeramente inferior al valor calculado oficialmente; lo cual es
normal, ya que el uso de distribuciones exponenciales facilita valores
conservadores de la disponibilidad. De todas formas, lo que pone de manifiesto
la figura 3.5 a) es que el sistema de secado es, despus de la parada, un
sistema ms crtico; lo que se ha manifestado en que, proporcionalmente, un
mayor nmero de fallos afectan a la produccin. Esto se ve corroborado,
adems, con el hecho de que el uso de tres secadores al mismo tiempo se
haya hecho ms habitual.
- 90 -
Coil: transmitir calor del fluido vapor que circula por su interior hacia el
concentrado.
filtrarlos
para
eliminar
las
partculas
de
concentrado
Modos de fallo:
- 91 -
- 92 -
El alveolar de salida
- 93 -
es decisivo para corregir este modo de fallo tener una buena poltica de
cambio de rascadores en el interior del secador (los rascadores son
unas piezas metlicas que van soldadas al exterior de cada uno de los
serpentines); as como un cribado eficaz en el circuito de cintas
transportadoras.
-
- 94 -
Cambio de rascadores
Los rascadores son piezas de desgaste que se sueldan al coil con el objetivo
de evitar la adherencia del concentrado a ste, y facilitar el arrastre del
concentrado hacia el extremo final del secador.
Es importante que ningn serpentn del coil se quede sin ningn rascador. Para
evitar esto, cada cierto tiempo se realiza una parada del secador. Las figuras
3.7 y 3.8 resumen las estadsticas de cambio de rascadores.
El mecanismo de fallo de cada rascador es, obviamente, el desgaste. Por lo
tanto el comportamiento debera ser similar entre los dos secadores y en los
- 95 -
diferentes aos. Las figuras 3.7 y 3.8 ponen de manifiesto que hay una zona
que sufre un desgaste ms importante. Esta zona se corresponde con los
serpentines 20 al 40, de hecho los serpentines en los que ms rascadores se
han cambiado han sido:
-
SV1:
SV2:
- 96 -
- 97 -
SV1
SV2
MTTF
Desviacin Estndar
MTTF
Desviacin Estndar
86.480 t
110.040 t
42.154 t
29.605 t
60.210 t
29.710 t
46.927 t
33.877 t
61.790 t
81.170 t
62.569 t
43.265 t
41.510 t
23.180 t
43.317 t
31.613 t
21.771 t
25.384 t
49.070 t
24.974 t
53.872 t
43.720 t
46.161 t
23.258 t
66.688 t
31.436 t
75.264 t
40.320 t
Cada una de las filas de la tabla 3.7 representa la vida media de un rascador
crtico. Se han encontrado vidas medias que oscilan entre 86.000 toneladas
secadas hasta 20.000 toneladas.
Por otro lado, la desviacin tpica es del mismo orden de magnitud que la vida
media de cada rascador, lo que implica una gran dispersin de los resultados.
Para determinar el nmero de revisiones que deben realizarse; o lo que es lo
mismo, el tiempo entre cada una de las revisiones, se van a analizar los
resultados de la tabla 3.7 y de las figuras 3.8 y 3.7.
La revisin puede considerarse como una intervencin cclica en un equipo
para sustituir o repararlo. Esta revisin estar condicionada por los rascadores
crticos, cuyos datos se exponen en la tabla 3.7.
- 98 -
(3.1)
- 99 -
y considerando un periodo de
1 E (N (t )
2
2
Irregularidades en la alimentacin
- 100 -
Cada de
alimentacin
- 101 -
10
duracin
0,28
0,82
0,007
0,28
0,19
0,25
0,73
0,24
0,64
0,02
Tiempo entre
0,83
0,77
0,56
0,47
0,89
0,97
0,83
0,40
0,74
0,59
interrupciones
- 102 -
- 103 -
Por otro lado, las consecuencias de un fallo pueden ser relevantes para la
seguridad, medio ambiente, disponibilidad o prdidas de produccin. Podra
calcularse un valor de criticidad para cada una de las categoras, o bien una
criticidad ponderada que tenga en cuenta los cuatro aspectos. Sin embargo,
esta tesis se centra sobre todo en optimizar la disponibilidad, por lo tanto el
anlisis de criticidad slo ha tenido en cuenta las consecuencias del fallo para
con ella.
- 104 -
- 105 -
ritmo de fusin, puede que slo haya causado una reduccin del ritmo
de fusin del 10%, que es claramente diferente al 100%, o que ni
siquiera le afecte, si el nivel del silo es suficiente; a la hora de comparar
los fallos del secador entre s es indiferente este hecho.
Por su parte, el margen que aporta el silo tampoco ha sido considerado,
ya que en principio el nivel del silo es variable, y puede aportar un
margen de tiempo desde una o dos horas, hasta nada de tiempo.
-
- 106 -
- 107 -
Las fugas del coil son un modo de fallo directamente relacionado con el
desgaste del multi-coil. En el apartado 4.3 se estudian diferentes
periodos de cambio cclico para este elemento.
- 108 -
- 109 -
Modos de fallo
- 110 -
- 111 -
- 112 -
- 113 -
- 114 -
- 115 -
Disposicin horizontal
La estrategia de mantenimiento
- 116 -
SECADORES
CINTAS Y
ARRASTRADORES
FIABILIDAD
DISPONIBILIDAD
- 117 -
Modos de fallo
- 118 -
- 119 -
Existe una relacin de 2,20 a favor del redler FST-103, lo cual es lgico si se
tiene en cuenta que ste es 2,4 veces ms largo.
El tensado de la cadena aporta una idea del comportamiento del desgaste. A
pesar de que las curvas no muestran un comportamiento totalmente lineal, no
existen puntos de inflexin (a excepcin de los artificialmente introducidos para
mostrar el cambio de bulones o cadena)
acelerado, salvo en la ltima etapa de vida de la cadena, donde por otra parte,
la curva se vuelve muy irregular por las repetidas intervenciones de
mantenimiento.
Las curvas del FST-103 muestran un comportamiento bastante lineal, al igual
que la otra curva hasta el milln de toneladas, esto junto con la comparacin
entre los dos equipos permite presuponer la hiptesis de que el desgaste
evoluciona de forma estacionaria en el tiempo, y en ambos equipos.
Por otro parte, suponer que los fenmenos de desgaste evolucionan de forma
estacionaria es algo habitualmente utilizado en la literatura, Grall (2002).
- 120 -
La figura 3.17 muestra la criticidad de los diferentes modos de fallo del redler.
El modo de fallo que presenta mayor criticidad son los equipos de control e
instrumentacin. Esto se debe al elevado nmero de fallos que se deben a
este modo de fallo. Si bien hay que decir que su mantenibilidad es muy alta.
Estos fallos son provocados por disparos de las protecciones del motor ante
una eventual sobrecarga, o fallos en el detector de giro.
Los atranques tienen un efecto muy negativo, tanto para la produccin como
para la vida del sistema de arrastre. Los atranques suelen ser los detonantes
de las roturas de cadena, estos incidentes tienen una reparacin laboriosa y
- 121 -
- 122 -
- 123 -
Estrategia de mantenimiento
SECADORES
FIABILIDAD
CINTAS Y
ARRASTRADORES
DISPONIBILIDAD
- 124 -
El tiempo medio entre fallos en la primera parte es 29,3 das, y despus pasa a
6,51 das. El cambio es muy pronunciado. Se puede hacer la precisin de que
se tiene menos seguridad sobre la calidad de los datos antiguos (2004), por lo
que es posible que la parte de la grfica que contiene esos datos, tenga menos
fallos registrados. An as, la diferencia es significativa.
Esto hecho se puede deber a un doble efecto, un incremento en la capacidad
productiva desde el 2005 hasta la actualidad, y un empeoramiento de la
fiabilidad de las cintas.
Respecto al incremento de la produccin la figura 3.20 muestra el histograma
de ritmos para tres semestres: primer semestre del 2005, primer semestre del
2006 y segundo semestre del 2007 (despus de la parada).
- 125 -
- 126 -
- 127 -
Tabla 3.11 a) Estadstica resumen del tiempo entra fallos en las cintas
Antes de Agosto 2005
MTTF
[ LCI
LCS ]95%
0.034 das
p-value
29,31 das
[ 20, 09
KSSTAT
46, 78
CV
mnimo
mximo
150
media
29,31
mediana
22
Desv. Tpc
35,96
0.14
0.23
0.28
Tabla 3.11 b) Estadstica resumen del tiempo entra fallos en las cintas
Despus de Agosto 2005-hasta PGC2007
MTTF
[ LCI
LCS ]95%
0.153 das
6,51 das
[ 5, 53
7, 8
p-value
KSSTAT
CV
mnimo
mximo
46
media
6,51
mediana
Desv. Tpc
8,28
0.45
0.0,117
Tabla 3.11 c) Estadstica resumen del tiempo entra fallos en las cintas
Despus de PGC2007-2008
MTTF
[ LCI
LCS ]95%
0,12 das
8,18 das
[ 6, 31
p-value
KSSTAT
11, 21
CV
- 128 -
mnimo
mximo
46
media
8,18
mediana
Desv. Tpc
2,98
0.27
0.18
MTTF
[ LCI
LCS ]95%
0.37 h
p-value
2,65 h
[ 2,13
KSSTAT
3, 41]
CV
mnimo
mximo
10
media
2,47
mediana
Desv. Tpc
2,3
0,07
0.15
0,17
algunas
presentan
tambores
de
contrapeso,
- 129 -
10
4
11
12
8
13
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Rodillos
Reductor
Acoplamiento
Tambor motriz
Tambor de retorno
Tambor de inflexin
Tambor de contrapeso
Rodillo de quiebra
Motor
Tolva transferencia
Guardera
Cinta
Rascadores
- 130 -
Modos de fallo
guarderas, rodillos y rascadores, que por otro lado son fallos que tienen una
manteniblidad muy alta.
Los tambores tienen una vida media muy alta, en el periodo de estudio 20042008 se detect un solo fallo debidos a un tambor en mal estado.
Por el contrario, s se han registrado varios fallos relacionados con los
tambores de inflexin y de contrapeso, pero que
criticidad.
En cuanto a la mantenibilidad el modo de fallo ms costoso es la rotura de
banda. La rotura de banda siempre conlleva una reparacin de varias horas,
en algunas ocasiones la banda puede repararse de forma parcial, utilizando
grapas o empalmes; pero en otras, la rotura provoca la sustitucin total de la
misma. La rotura est causada por la entrada de cuerpos extraos con el
concentrado de cobre.
- 131 -
- 132 -
- 133 -
Funcin
Accionamiento
Periodo de estudio:
2004-2008
Fallo funcional
Gases
MA
PP
MTTF t
180.000
276.465
316.000
Reductor:
No transmite par y rotacin al eje del
coil.
>3.000.000
390.000
2.400.000
>2.400.000
>2.400.000
Atasco alveolar:
No transmite concentrado
120.000 t
Fugas
130.000
40.000
Filtro de mangas:
Mangas colmatadas
160.000
3000.000
Incendio de mangas
Fallo inyeccin nitrgeno
600.000
Purgador
214.000
1.200.000
218.000
Motor:
No transmite movimiento
Coil
Consecuencias
S
L
Bomba de lubricacin
Baja presin aceite reductor
Motor:
Potencia insuficiente
Operacin
Pg.
1- 1
Sistema de lubricacin:
Aceite sucio/Filtro sucio
Correas:
No transmite movimiento motorreductor
Fluid Drive:
No trasmite par del motor a las correas
de transmisin
Instrumentacin:
Fallo en mandos de control o
protecciones motor
Alveolar
Desgaste de rascadores
Condensado
Vlvula Rotativa
Vlvula regulacin presin vapor:
No regula, no pasa vapor
Lnea de vapor
Fugas de vapor
Vlvula clapeta
(Entrada conc.)
Lneas de
alimentacin de
400.000
Atasco
130.000
Irregularidades alimentacin
100
- 134 -
Periodo de estudio:
2004-2008
Funcin
Fallo funcional
Accionamiento
Trmel
Sistema de
combustin
Pg.
1- 1
MA
PP
MTTF t
No transmite movimiento al
trmel
134.000 t
173.000 t
Soplante primaria
348.000 t
Soplante secundaria
278.000 t
Quemador
464.000 t
Soplante
267.000 t
Filtro de mangas
Instrumentacin y control
45.000 t
Colmatacin de mangas
160.000 t
Atasco en bajante
134.000 t
Fallo de mecanismo de
apertura
464.000 t
Operativo
Extraccin de
gases
Salida de
concentrado
Vlvula de
entrada de
concentrado
- 135 -
Periodo de estudio:
2004-2008
Funcin
Fallo funcional
Accionamiento
Sistema de arrastre
Pg.
1- 1
MA
PP
MTTF t
Fallo en Motor-reductor
No transmite movimiento a la
cadena
>2*10 t
No transmite movimiento
Rotura de cadena
2,2*10 t
No transmite movimiento
Rotura/Cambio de guas
1 *10
Cadena destensada
30.000 t
>2,5*10 t
Corona
Desgaste de acorona
Desgaste de fondos
10 t
Equipos e instrumentacin
0,6*10 t
Atranque
0,6*10 t
FST-103
Operativo
- 136 -
Funcin
Transportar
concentrado de
cobre a un ritmo
mximo de 180
t/h
Regular ritmo
entre 100 y 180
t/h
Operacin
Evitar prdidas
de material
Mantener la
banda centrada
Deslizar la
banda
Detener la cinta
si se detecta
atasco
en cualquier
punto del circuito
Parar si hay
sobrecarga
Iluminacin de la
zona de las
cintas
Evitar contacto
con partes
mviles
Parar en caso de
emergencia
Periodo de estudio
2004-2008
Pag. 1-1
Consecuencias
S
MA
PP
Frecuencia
MTTF
No transporta
Acoplamiento roto
>1 year
No transporta
Rotura Fluid-Drive
> 1year
No transporta:
Rotura reductor
> 1 year
No transporta
Rotura motor
>2 year
Atasco en tolvas
No Transporta:
Rotura de banda
No transporta:
Rodamientos gripados
No transporta:
Desgaste de tambores
30 days
365 days
Fallo en el variador
> 2 year
Guarderas desgastadas
20 days
45 days
40 days
Rodillos gripados
15 days
No para
Fallo en el
enclavamiento
>1 year
No para
Fallo en detector de nivel
de tolva
>1 year
No para
Fallo en protecciones
Protecciones de
seguridad rotas
Modo de fallo
Rascadores
desgastados
Tambor de cabeza o
cola desgastados
Iluminacin insuficiente
- 137 -
- 139 -
- 140 -
Para reparar el defecto hay que esperar a que se alcance una de las
revisiones rutinarias prefijadas.
- 141 -
Parmetros de la simulacin
Variables
START
Generador de aleatorio de
defectos
Introduce la secuencia de
defectos en la simulacin
Generador de revisiones
Genera el calendario de
revisiones disponibles
Compara
Tiempo hasta la siguiente revisin
Vs Delay Time
DT < Tiempo
hasta revisin
Hay equipos
de
mantenimiento
suficientes?
DT > Tiempo
hasta revisin
Si
No
Incrementa el
contador de
fallo i
Incrementa el
contador de
fallo i
Incrementa el
contador de
revisin
Reinicia
Reinicia
Reinicia
Operativo
Del sistema operativo se pasa al estado operativo con defecto cuando en una
inspeccin se detecta un defecto; una vez en este estado, se pueden realizar
- 142 -
- 143 -
Tabla 4.1 Estadstica resumen del tiempo entre deteccin de defectos para guarderas
MTTF
[ LCI
LCS ]95%
0.044
das
22.27 das
[16, 91
30, 65 ]
p-value
KSSTAT
CV
mnimo
mximo
97
media
22.27
mediana
14
Desv. Tpc
22.21
0.9
0.082
0.20
Los datos indican claramente que el tiempo entre deteccin de defectos est
exponencialmente distribuido.
Por otro lado, las guarderas tienen un tiempo medio de reparacin de 2 horas,
desafortunadamente no se disponen de suficientes datos como para ajustar un
modelo probabilstico para este parmetro.
- 144 -
Tabla 4.2 Estadstica resumen del tiempo entre deteccin de defectos para rascadores
MTTF
[ LCI
LCS ]95%
0.02 das
p-value
47.8 das
[ 35, 5
77, 23
KSSTAT
- 145 -
CV
mnimo
mximo
122
media
22.27
mediana
42
Desv. Tpc
31,9
0,12
0.25
0.28
Tabla 4.3 Estadstica resumen del tiempo entre deteccin de defectos para rodillos
MTTF
[ LCI
LCS ]95%
0,052 das
19 das
[14, 46
25, 86 ]
p-value
KSSTAT
CV
mnimo
mximo
55
media
19
mediana
14
Desv. Tpc
13.8
0,34
0.13
0.19
- 146 -
El tiempo medio es inferior a 15 das, pero hay que tener en cuenta que en
ninguna de las rdenes de trabajo, la reparacin fue causada por un fallo. Es
decir esos datos estn censurados por la derecha.
Por otro lado, el DT tiene que tener en cuenta la capacidad de prediccin del
mtodo de inspeccin. Como se trata de un modelo para inspecciones visuales,
se ha considerado junto con los ingenieros de mantenimiento, que ms de 15
- 147 -
- 148 -
- 149 -
- 150 -
MTTR: 2 horas
Por otro lado, se comprueba que estos fallos, en la mayora de los casos, se
comportan estadsticamente como un proceso estocstico de Poisson, y por lo
tanto, el tiempo entre fallos est exponencialmente distribuido. Ya se ha
comentado en multitud de ocasiones en esta tesis, que en estos casos las
polticas preventivas son de nula utilidad. Por eso hay que plantear modelos
alternativos, que generalmente tienen algn componente predictivo.
El modelo planteado responde muy bien a las necesidades industriales del
mantenimiento rutinario. Utiliza inspecciones visuales, que son muy habituales
en la industria, y que por otro lado, no implican indisponibilidad ya que pueden
realizarse en marcha.
Lo que consigue el modelo es calcular la frecuencia ptima de revisiones, de tal
forma que el mayor nmero posible de defectos se repare en una revisin
programada, evitando que el sistema se detenga de forma no programada.
Para que esto sea posible se ha utilizado el concepto: fallo diferido en el tiempo
(delay time); a travs de este parmetro se soslaya la dificultad de tener un
- 151 -
- 152 -
- 153 -
VARIABLES
MODELO
DE
DESGASTE
Ciclo de reparacin
N Inspecciones
N Incidentes Correctivo
N reparaciones preventivas
Umbral Preventivo
Umbral Correctivo
Intervalo
PTIMO
Figura 4.8 Modelo conceptual de mantenimiento basado en
condicin
- 154 -
FST-103 (3*10 t)
6
FSC-400 (10 t)
0,6
0,7
1,1
0,8
1,1
0,9
0,7
0,6
1,1
2,2
1,8
2,1
1,8
1,9
2,1
2,2
1,8
1,9
- 155 -
Valoracin de la indisponibilidad:
- 156 -
ninsp
Yp
+ 1(4.1)
- 157 -
MTBR( ) = (
Yp
+ 1) (4.2)
(4.5)
= 0,28 mm
Desgaste medio:
105 t
- 158 -
= 0,20 mm
Tasa de desgaste:
105 t
de reparacin)
-
- 159 -
- 160 -
mnimo coste
Por lo tanto, la poltica ptima para este equipo ser mantenimiento correctivo.
Esto se debe a que el coste de correctivo es la tercera parte del coste de
preventivo, ya que el equipo se puede reparar sin detener totalmente la
produccin.
- 161 -
- 162 -
- 163 -
- 164 -
acumulada emprica para el tiempo entre fallos. Existe cierta divergencia, pero
a pesar de ser pocos datos las curvas son similares.
Finalmente se ha realizado el test de Kolmogorov para verificar la bondad de
un ajuste exponencial. Los resultados y las estadsticas fundamentales de cada
una de las muestras de datos se exponen en la tabla (4.5).
El resultado del test ha sido claro, con un nivel de significacin alto, y se puede
concluir que el tiempo entre fallos est exponencialmente distribuido.
Las estadsticas entre ambos secadores son bastante similares, lo que permite
pensar que el fenmeno tiene las mismas causas en ambos, y que el
comportamiento de las vlvulas alveolares es similar
Por otro lado, el tiempo de reparacin tiene una media de 4,3 horas, con una
desviacin tpica de 2,54 horas. ste se ajusta tambin a una distribucin
- 165 -
rotura.
La
frecuencia
medida
cada
120.000
(4
meses
- 166 -
6, 83 10 t
MTTF
[ LCI
p-value
146.323 t
LCS ]95%
[ 81.163
KSSTAT
338.924 ]
CV
mnimo
20.821 t
mximo
396.228 t
media
146323
mediana
94.486
Desv. Tpc
145.826
0.85
0.20
0.45
8, 43 10 t
MTTF
[ LCI
LCS ]95%
p-value
118.497 t
[ 72.247
KSSTAT
229.329 ]
CV
mnimo
690 t
mximo
420.802 t
media
118.497 t
mediana
59.619 t
Desv. Tpc
145.782 t
0,90
0,158
0,37
MTTF
[ LCI
LCS ]95%
0, 23h
4,31 h
[ 2, 88
7, 16 ]
p-value
KSSTAT
CV
mnimo
1h
mximo
9h
media
4,3 h
mediana
4h
Desv. Tpc
2,54 h
0.20
0.23
0.30
- 167 -
anterior, los fallos no son suficientes para concluir sobre la estacionariedad del
proceso. Pero s se puede concluir que el tiempo ente fallos est
exponencialmente distribuido. Los resultados de las tablas 4.7 y las grficas
4.12 b) y d) permiten afirmar est posibilidad. Por lo que se desaconseja utilizar
polticas preventivas.
El tiempo reparacin puede considerarse tambin como exponencialmente
distribuido, ver tabla 4.8.
- 168 -
6, 08 10 t
MTTF
[ LCI
164523 t
LCS ]95%
[ 88.196
p-value
KSSTAT
409.209 ]
CV
mnimo
38.418 t
mximo
359.243 t
media
164.523 t
mediana
81.403 t
Desv. Tpc
136918 t
0.72
0.24
0.48
7, 29 10 t
MTTF
[ LCI
137.042 t
LCS ]95%
[ 80.213
285.779 ]
p-value
KSSTAT
CV
mnimo
5.261 t
mximo
622.013 t
media
137.042 t
mediana
67.229 t
Desv. Tpc
182.417 t
0,63
0,22
0,41
MTTF
[ LCI
LCS ]95%
0, 23h
4,36 h
[ 2, 74
7, 97 ]
p-value
KSSTAT
CV
- 169 -
mnimo
1h
mximo
11 h
media
4,35 h
mediana
3,5 h
Desv. Tpc
2,85 h
0.42
0.22
0.35
- 170 -
- 171 -
- 172 -
- 173 -
e = f t
Donde
es constante
(4.7)
e f
=
t
e = t
La expresin anterior para el desgaste se pude transformar en:
e = t
Donde
En este caso, y tomado como referencia los datos del secador 2, cada
serpentn pierde por termino medio un 57% del espesor por cada milln de
toneladas secados en el estado de degradacin. Es necesario destacar: que
esta cifra es una tasa media; y por lo tanto, y dado que el modelo escogido es
exponencial, un 37% de los valores de desgaste superan este trmino medio.
Si se tiene en cuenta, que en un ao, un secador puede secar por termino
medio 300.000 t; un milln de toneladas es aproximadamente 3,33 aos; y si
adems se considera que el 57% de espesor, es un nivel de desgaste lmite; la
vida del coil puede situarse en torno a los 6 aos, aadiendo el margen
aportado por las tejas, que es otro milln de toneladas segn se ha
considerado.
Las fugas suelen producirse despus de una revisin o una parada larga del
secador. Cuando esto ocurre, el multi-coil sufre un estrs trmico importante,
ya que en un corto espacio de tiempo se enfra y calienta. A parte de esto,
cuando se produce una fuga, la situacin de la planta y de los otros secadores
puede determinar si se afectar a la produccin o no; es decir:
- 174 -
un 10% de la produccin.
-
- 175 -
La media para el tiempo medio entre fallos ha sido para los seis meses
estudiados de: 62 horas para el secador nmero 1, y 58,8 horas para el
secador nmero 2. Por su parte el secador rotativo tiene un tiempo
medio entre fallos de 70 h, lo que implica una tasa de 0.014 h-1.
- 176 -
Pfallo = 1 e t (4.8)
Que es la funcin de distribucin de una variable exponencial. Se ha
considerado en cada uno de los secadores su propia tasa de fallo.
Si sucede cualquiera de estas circunstancias; por ejemplo, que falla un secador
de vapor, el tiempo que dura este fallo se ha considerado constante e igual a 2
h. Como ya se ha indicado, durante esas dos horas el impacto en la produccin
depende del estado de la planta: si la planta slo necesita 2 secadores, se ha
asumido que el ritmo nominal es de 140 t/h. En estas circunstancias, si falla un
secador de vapor, estaran fuera de servicio dos secadores, uno por la fuga y el
- 177 -
otro por el fallo. La prdida de produccin debe de dividirse entre los dos
secadores, as se le asigna a la fuga una disminucin del ritmo de 20 t/h: esto
supone que el secador restante durante ese periodo est operando a un ritmo
de 100 t/h, lo que por otra parte, es posible para cortos periodos de tiempo.
De forma anloga se ha razonado cuando el ritmo nominal de la planta es 150
t/h. En este caso, se contempla tambin la posibilidad de que cuando slo est
fuera de servicio el secador con fuga, la prdida de produccin es 10 t/h.
en estado
- 178 -
Figura 4.15 Resultado comparativo para las polticas de recambio del multi-coil
A pesar de que los resultados, son coherentes, y coinciden con las opiniones
de los ingenieros de mantenimiento hay que resaltar ciertas limitaciones.
- 179 -
- 180 -
Probabilidad de r
fugas
G (r , )
Indisponibilidad por
fuga probable
Indisponibilidad
Toneladas
FV-FR: 0,03
-181-
Consecuencias:
33% de la produccin: 50 t/h
1 Fuga: 0.95
Prdida
potencial: 18 h
18,4 t
FV-NFR: 0,16
17.1 h
12.3 h
Consecuencias:
16,5% de la produccin: 25 t/h
49,2 t
NFV-FR: 0,13
Consecuencias:
16,5% de la produccin: 25 t/h
39,9 t
NFV-NFR: 0,68
Consecuencias:
6% de la produccin: 10 t/h
83,6 t
FV-FR: 0,07
Consecuencias:
28% de la produccin: 45 t/h
58,3 t
FV-NFR: 0,22
Consecuencias:
14,2% de la produccin: 20 t/h
4,07 t
NFV-FR : 0,17
Consecuencias:
14,2% de la produccin: 20 t/h
62.9 t
NFV-NFR: 0,54
Consecuencias:
0% de la produccin: 0 t/h
0t
2 Fuga: 0.80
Prdida
potencial: 36 h
28.8 h
40%
Necesidad produccin
3 secadores
Ritmo terico 150 t/h
3 Fuga: 0.57
Prdida
potencial: 54 h
30.8 h
60%
Necesidad produccin
2 secadores
Ritmo terico 140 t/h
4 Fuga: 0.35
Prdida
potencial: 72 h
25.2 h
3 Fuga: 0.18
Prdida
potencial: 90 h
16.2 h
18.5 h
- 181 -
interrupciones, como ya se
Alfa: 95 minutos
Beta: 0.6
- 182 -
- 183 -
4.4.
- 184 -
dx
=
(4.9)
dt (t ) (t ) en otro caso
Donde t1 es el lmite inferior del silo. Las entradas y son estocsticas y se
corresponden con el tonelaje secado, y con el tonelaje demandado por el resto
de la planta.
La forma general de una ecuacin de estado implica que la variacin de esta
variable depende de las entradas al sistema. En este caso, la entrada del
sistema es el flujo neto, y la variable de estado como ya se ha dicho es el nivel
del silo. A su vez, la salida del sistema depende de la propia variable de estado
y de las entradas. En este caso, la salida del sistema es equivalente a la
variable de estado: el nivel del silo.
Como puede verse las ecuaciones de estado son muy sencillas; sin embargo,
para resolverlas, es necesario recurrir a la simulacin porque la entrada del
sistema es estocstica, ya que los flujos de entrada y salida dependen de la
fiabilidad del sistema de alimentacin y fundicin respectivamente.
- 185 -
Media:123 t/h
Por su parte los ritmos mximos diarios toman los siguientes valores:
-
La media y la mediana son muy parecidas, esto implica que los datos
estn centrados, y por lo tanto, que los respectivos medidas centrales,
media o mediana pueden ser representativos de la muestra.
- 186 -
- 187 -
Los parmetros para el tiempo entre fallos y tiempo de reparacin de las cintas
y de cada uno de los secadores son, ver anexo 3:
-
Nmero de inspecciones: 19
Tiempo de simulacin: un ao
- 188 -
P
valor
1/
P
valor
1/
P
valor
1/
P
valor
1/
P
valor
1/
P
valor
SV1
2549
0,39
1495
0,32
2626
0.019
10014
0,52
3218
0,24
2382
0,02
SV2
6582
0,88
2571
0,84
3422
0,81
2715
0,99
2360
0,84
SR
8174
0,7
2921
0,88
3845
0,67
3903
0,99
2112
0,88
Tan slo dos p-valores en los datos del secador nmero 1 no permiten afirmar
que el modelo de fallo es exponencial, sin embargo, en los otros dos casos los
p-valores asociados son significativamente altos.
P
valor
1/
P
valor
1/
P
valor
1/
P
valor
1/
P
valor
1/
P
valor
SV1
149
0,28
150,75
0,12
128
0,2
73,2
0,18
95
0,1
73,25
0,01
SV2
69,85
0,24
141,75
0,41
129,91
0,52
174,42
0,55
113,93
0,12
SR
239,2
0,967
137
0,36
99
0,17
247,12
0,8
82,68
0,05
- 189 -
INFLOW
OUTFLOW
- 190 -
- 191 -
- 192 -
Revisiones de 12 h en lugar de 24 h
Se puede concluir al igual que en caso de las cintas, que no se puede evaluar
la poltica utilizando la produccin total anual. Ya que los posibles incrementos
se miden de dcimas de porcentaje sobre el tonelaje total.
Este problema hizo que la optimizacin del modelo de cintas se planteara de
forma aislada, en el apartado 4.1. En cuanto a la duracin de las revisiones de
los secadores se entiende que el efecto que pudiera tener es, en todo caso,
inferior al 0,3% de la produccin (2.300 t), que es lmite de sensibilidad del
modelo.
- 193 -
- 194 -
Captulo 5. Conclusin
1.1. Resultados y aportaciones
1.2. Limitaciones de alcance
1.3. Futuras lneas de investigacin
Captulo 5. Conclusiones
- 196 -
- 197 -
Captulo 5. Conclusiones
- 198 -
- 199 -
Bibliografa
Artculos
1. Abdel-Hamed,
Mohamed
S.
(2004).
Optimal
predictive
cost
and
the
long-run
average
cost
cases.
A.H.;
Wang
W.;
Baker
R.D.
(1995).
Modelling
predictive
maintenance
scheduling
for
201
Anexo 3. Datos
N.
(1997).
Gamma
process
and
their
202
1. Modelos de fallo
1.1. Modelo binomial y geomtrico
La distribucin binomial es una de las distribuciones discretas ms utilizadas en
ingeniera. Esta distribucin se utiliza en las siguientes situaciones:
-
X bin(n, p ) .
La esperanza y varianza de esta distribucin son:
E ( X ) = np (A1.2)
- 204 -
P (Z = z ) = (1 p )z 1 p (A1.4)
La expresin (A1.4) implica que los primeros (z-1) ensayos el resultado fue A ,
y en el ensayo nmero z se obtuvo el primer xito. Esta expresin es la funcin
de densidad de probabilidad de una variable aleatoria geomtrica.
La esperanza y varianza de esta distribucin son:
E( X ) =
1
(A1.5)
p
var( X ) =
1.2.
1 p
(6)
p2
El modelo exponencial
- 205 -
(A1.9)
La varianza es:
var(T ) =
(A1.10)
- 206 -
( t )n t
e (A1.13)
n!
- 207 -
PRIMER PASO: P [N (t ) = 0]
(A1.18)
En este paso, hay que encontrar una funcin dependiente del tiempo que
determine cual es la probabilidad de que no ocurra ningn suceso en un
intervalo (0, t ) . Esta funcin g (t ) , tiene que cumplir (A1.18), ser diferenciable
para t 0 , y de tal forma que: g (0) = 1 y g (t ) 1 .
Es lgico pensar que la funcin debe ser continua y diferenciable con respecto
a t, pues de lo contrario, habra que explicar en alguna hiptesis previa la
presencia de las posibles singularidades; a este respecto es necesario recordar
que se ha supuesto que el proceso es estacionario en el tiempo, lo que implica
regularidad.
Para que se cumpla la expresin (A1.18)
g (t + s ) = g (t ) g (s ) (A1.19)
La funcin g (t ) tiene que ser:
- 208 -
g '(s ) =
dg (s )
y se fija s = 0 , la ecuacin (A1.21) queda:
ds
d
g (t ) = g (t ) g '(0) (A1.22)
ds
e (0 +s ) = e s (A1.24)
Que es al probabilidad de que en un intervalo (0,s) no ocurra ningn suceso. La
probabilidad de que en un intervalo de tiempo no suceda ningn fallo se
denomina fiabilidad. La expresin (A1.24) es la fiabilidad de un sistema que
sigue una distribucin exponencial para el tiempo entre fallos. Esta distribucin
se caracteriza porque la tasa de fallo es constante.
- 209 -
SEGUNDO PASO:
( t )2
( t )3
3
+ ... (A1.25)
2!
3!
t
(A1.26)
t
TERCER PASO:
Determinar la probabilidad P [N ( t ) = 1]
Dada la primera hiptesis: dos sucesos no pueden ocurrir al mismo tiempo en
pequeos intervalos de tiempo. Es decir, siempre se puede encontrar un
intervalo de tiempo lo suficientemente pequeo como para que slo exista un
suceso. La probabilidad de que un intervalo de tiempo sucedan 2,3,n
sucesos es despreciable.
P [N ( t ) = n ] = t
n2
(A1.27)
n =0
P [N ( t ) = n ] = 1 (A1.28)
- 210 -
CUARTO PASO:
( 0,t ]
( t , t + t ) ,
con t > 0 . Si [N (t + t ) = n ]
N (t ) = n y N (t + t ) = 0
N (t ) = n 1 y N (t + t ) = 1
N (t ) = 0 y N (t + t ) = n
De esta forma:
n
P [N (t + t ) = n ] = P [N (t + t ) = n j N (t ) = j ] (A1.30)
j =0
P [N (t + t ) = n ] = P [N ( t ) = n j ] P [N (t ) = j ] (A1.31)
j =0
- 211 -
P1(t ) = (t )e t
En general para n=n:
Pn (t ) =
(t )n t
e con t 0 (A1.35)
n!
El proceso es estacionario.
- 212 -
1.3.
Modelo Weibull
- 213 -
Y la tasa de fallo:
z(t ) =
f (t )
= t 1
R (t )
para
t > 0 (A1.38)
1 1
+ 1 (A1.39)
La varianza:
var(T ) =
1 2
1
( + 1) 2 ( + 1) (A1.40)
2
- 214 -
- 215 -
Cuando t (A1.40)
t
Esto significa que N (t ) es aproximadamente una funcin lineal cuando t .
N (t )
(A1.41)
Distribucin asocida a SN
Sn = t i 1,i (A1.42)
i =1
- 216 -
t1, t 2 ,...t n
Yn =
Sn E ( Sn )
(Sn )
Por lo que:
Yn =
Sn n
n
(A1.44)
Sn N (n , n )
Distribucin asociada a N (t )
- 217 -
Una vez vista una funcin de probabilidad aproximada para N (t ) hay que
introducir la funcin de renovacin E [N (t )] .
Al igual que en el apartado anterior se va a realizar una aproximacin heurstica
para encontrar un valor aproximado de la esperanza del nmero de
renovaciones.
Por lo tanto la funcin de renovacin es la esperanza del nmero de
renovaciones.
W (t ) = E (N (t )) (A1.47)
Supngase un intervalo temporal suficientemente alto. Como la media de cada
intervalo entre renovaciones es se puede admitir que:
lim
t
W (t ) 1
= (A1.48)
Y consecuentemente:
W (t )
Cuando t (A1.49)
- 218 -
Varios lmites han sido propuestos para la funcin de renovacin por ejemplo:
-
Lorden (1970)
t
1 W (t )
2
(A1.50)
2
0< <1 La tasa del proceso disminuye con el tiempo. Esto significa que
el sistema tiene tendencia a fallar al principio de su vida til.
>1 La tasa de fallo del proceso aumenta con el tiempo. De tal forma
que si es igual a 2 la tasa se incrementa linealmente.
Rausand M.; Hyland A. System reliability theory: models statistical methods and
applications. Wiley 2002. Cp 8.
- 219 -
- 220 -
1.6.
Modelo Gamma
- 221 -
f (x) =
r x r 1e x
(r 1)!
para
= E( x ) =
(A1.53)
Y la desviacin tpica:
r
2 =
(A1.54)
( x ) = x r 1e x dx (A1.55)
0
! x r 1e x
(r )
para
x>0 (A1.54)
- 222 -
- 223 -
Tabla A2.1 Datos del intervalo D-T para el modo de fallo: Guarderas
15
11
12
15
15
15
30
22
11
17
30
*Datos en das
- 225 -
x
x
.
La expresin para el estimador de mxima verosimilitud se obtiene derivando L
con respecto a :
Tomando logaritmos:
log(L( x1, x2 ,..., xn , ) = n log( ) xi
- 226 -
Derivando e igualando a 0:
log(L( x1,...xn , ))
1
= n xi = 0
n
(A2.2)
xi
= 10.19
inf 95% = 7.18
sup 95% = 15.6
Los intervalos de confianza tambin se pueden obtener a partir de la funcin de
mxima verosimilitud. Para exponer esto de forma grfica: en la figura A2.1 b)
el eje de ordenadas puede representar, en lugar del valor de L, el porcentaje
sobre el mximo de L. De esta forma los valores de cuya ordenada sea un
95% o mayor, constituyen los valores mximos verosmiles al 95%
Finalmente el comando de Matlab, kstest permite verificar la bondad del ajuste
utilizando el test de Kolmogorov Smirnov que se describe en el apartado
siguiente. El resultado del test ha sido: no se puede rechazar la hiptesis nula:
es exponencial con un p-valor=0.65
- 227 -
El estadstico de Kolmogorov-Smirrnov:
1 n
Ixi x
n i =1
F ( x ) como:
Dn = sup Femprico ( x ) F ( x )
x
Distribucin de Kolmogorov
- 228 -
2
x
(2 i 1)2 2 /(8 x 2 )
i =1
Si F ( x ) es continua,
- 229 -
Anexo 3. Datos
231
Anexo 3. Datos
232
233
Anexo 3. Datos
234
235
Anexo 3. Datos
236
237
Anexo 3. Datos
238
239