Diseño de Metodología de análisis de Mantenimiento a Equipo Industrial a través del uso de Filtro de Kalman y Redes Bayesianas Dinámicas
Resumen
Debido al alto nivel de competencia industrial, las compañías buscan hacer cada vez más eficientes sus operaciones mediante la reducción de costos, sin afectar la calidad de sus productos. Una de las formas más comúnmente utilizadas para lograr este objetivo es optimizar el funcionamiento de los equipos productivos, por lo que en este trabajo de investigación se desarrolló una metodología para realizar el análisis de fallas, con el objetivo de identificar su causa raíz y mejorar el desempeño del equipo y maquinaria. La metodología emplea una red bayesiana dinámica para el análisis. Esta herramienta proporciona información sobre la probabilidad de ocurrencia de las fallas, lo que resulta sumamente útil, ya que permite establecer prioridades en las acciones correctivas para eliminarlas o reducir su incidencia, además, para los equipos que requieren monitoreo continuo, se emplea el filtro de Kalman y el filtro de Kalman extendido cuando corresponda, su propósito es eliminar el ruido en el proceso de adquisición de datos para obtener información confiable para el análisis, además, permite estimar con precisión el estado de ciertas variables en lugares donde es difícil o imposible colocar dispositivos de medición directa. La implementación de esta metodología permite una mejora sustancial en el proceso de análisis de fallas y, en consecuencia, hace más efectivas las acciones correctivas para su eliminación.
Descargas
Citas
Ai, Ai, X., Gray, H. M., Salzburger, A. y Styles, N. (2023). A non-linear Kalman filter for track parameters estimation in high energy physics. Nuclear Inst. and Methods in Physics Research, 168041.
Altoé Mendes, M., Riva Tonini, L. G., Rodrigues Muniz, P. y Bravin Donadel, C. (2016). Thermographic analysis of parallelly cables: A method to avoid misdiagnosis. Applied Thermal Engineering, 231-236. doi:https://doi.org/10.1016/j.applthermaleng.2016.05.072
Auger, F., Hilairet, M., Guerrero, J. M., Monmason, E., Orlowska-Kowalska, T. y Katsura, S. (2013). Industrial Applications of the Kalman Filter: A Review. IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS. doi:https://doi.org/10.1109/TIE.2012.2236994
Babu, P. y Parthasarathy, E. (2022). FPGA implementation of multi-dimensional Kalman filter for object tracking and motion detection. En Elsevier (Ed.), Engineering Science and Technology, an International Journal, (pág. 101084). doi:https://doi.org/10.1016/j.jestch.2021.101084
Conrady, S. y Joufee, L. (2015). Bayesian Networks & BayesiaLab-A practical Introduction for Researchers. Franklin TN: Bayesia USA.
Faragher, R. (2012). Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation. IEE signal Processing Magazine. doi:10.1109/msp2012.2203621
Gaouti, Y. E. Colin, G., Thiam, B., y Mazellier, N. (2021). Online vehicle aerodynamic drag observer with Kalman filters. International Federation of Automation Control, (págs. 51-56). Orleans, France. doi:https://doi.org/10.1016/j.ifacol.2021.06.008
González-Cagigal, M., Rosendo-Macías, J. A. y Gómez-Expósito, A. (2019). Parameter estimation of fully regulated synchronous generators using Unscented Kalman filters. Electric Power Systems Research, 210-217. doi:https://doi.org/10.1016/j.epsr.2018.11.018
Grzegorczyk, M. (2024). Being Bayesian about learning Bayesian networks from ordinal data. International Journal of Approximate Reasoning, 109205. doi:https://doi.org/10.1016/j.ijar.2024.109205
Huang , M., Li, W. y Yan, W. (2010). Estimating parameters of synchronous generators using square-root unscented Kalman filter. Electric power System Research, 1137-1144. doi:https://doi.org/10.1016/j.epsr.2010.03.007
Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems, Transactions of the ASME - Journal of Basic Engineering, 82(1) 35-45 doi: https://doi.org/10.1115/1.3662552
Khan, B., Khan, F. y Veitch, B. (2020). A Dynamic Bayesian Network model for ship-ice collision risk in the Arctic waters. Safety Science, 104858. doi:https://doi.org/10.1016/j.ssci.2020.104858
Kim, S., Petrunin, I. y Shin, H.-S. (2022). A Review of Kalman Filter With Artificial Intelligence Techniques. Integrated Communication, Navigation and Surveillance Conference. Dulles, USA. doi:https://doi.org/10.1109/ICNS54818.2022.9771520
Kraisangka, J. y Druzdzel, M. J. (2018). A Bayesian network interpretation of the Cox’s proportional hazard model. International Journal of Approximate Reasoning, 195-211. doi:https://doi.org/10.6000/1929-6029.2014.03.01.5
Leão, T., Madeira, S. C., Gromicho, M., de Carvalho, M. y Carvalho, A. M. (2021). Learning dynamic Bayesian networks from time-dependent and time-independent data: Unraveling disease progression in Amyotrophic Lateral Sclerosis. Journal of Biomedical Informatics, 103730. doi:https://doi.org/10.1016/j.jbi.2021.103730
Mao, H., Xu, N., Li, X., Li, B., Xiao, P., Li, Y. y Li, P. (2023). Analysis of rockburst mechanism and warning based on microseismic moment tensors and dynamic Bayesian networks. Journal of Rock Mechanics and Geotechnical Engineering. doi:https://doi.org/10.1016/j.jrmge.2022.12.005
Masnadi-Shirazi, H., Masnadi-Shirazi, A., & Dastgheib, M. A. (2019). A Step-by-Step Mathematical Derivation and Tutorial on Kalman Filters. arXiv preprint arXiv:1910.03558. https://doi.org/10.48550/arXiv.1910.03558
Moleda, M., Małysiak-Mrozek, B., Ding, W., Sunderam, V., & Mrozek, D. (2023). From Corrective to Predictive Maintenance—A Review of Maintenance Approaches for the Power Industry. Sensors, 23(13). doi:https://doi.org/10.3390/s23135970
Mourtzis, D., Siatras, V., & Angelopoulos, J. (2020). Real-Time Remote Maintenance Support Based on Augmented Reality (AR). applied sciences, 10(5), 1855. https://doi:https://doi.org/10.3390/app10051855
Ramos Lozano, S., Rodríguez Medina, M. A., Herrera Ríos, E. B. y Poblano Ojinaga, E. R. (2024). Reducción de Riesgo de Fallos en Impresora 3D Mediante el uso Secuencial De DFMEA, Árbol De Fallos y Redes Bayesianas. DYNA ingeniería, 99, 78-84. doi:https://doi.org/10.6036/10794
Reguero Alvarez, J. (2011). Aplicación de las redes bayesianas dinámicas a la predicción de series de datos y a la detección de anomalías. Madrid, España.
Saada, M., Kouppas, C., Li, B. y Meng, Q. (2022). A multi-object tracker using dynamic Bayesian networks and a residual neural network based similarity estimator. Computer Vision and Image Understanding, 10369. doi:https://doi.org/10.1016/j.cviu.2022.103569
Saeidi, M., Soufian, M., Elkurdi , A., & Nefti-Meziani, S. (2019). A Jet Engine Prognostic and Diagnostic System Based on Bayesian Classifier. 2019 12th International Conference on Developments in eSystems Engineering (DeSE), (págs. 975-977). Kazan, Rusia. doi:https://doi.org/10.1109/DeSE.2019.00181
Sánchez-Herguedas, A. Mena-Nieto, A., Crespo-Marquez, A., y Rodrigo-Muñoz, F. (2024). Finite time preventive maintenance optimization by using a Semi-Markov process with degraded state. A case of study for Diesel engines in mining. Computer & Industrial Engineering, 110083. doi:https://doi.org/10.1016/j.cie.2024.110083
Shabbouei Hagh, Y., Mohammadi, M., Mikkola, A. y Handroos, H. (2023). An experimental comparative study of adaptive sigma-point Kalman filters: Case study of a rigid–flexible four-bar linkage mechanism and a servo-hydraulic actuator. Mechanical Systems and Signal Processing (pág. 110148).
Elsevier Ltd. doi:https://doi.org/10.1016/j.ymssp.2023.110148
Wei, L., Yu, H., & Li, B. (2023). Energy financial risk early warning model based on Bayesian network. (Elsevier, Ed.) Energy Reports (ISSN 2352-4847), 2300-2309. doi:https://doi.org/10.1016/j.egyr.2022.12.151
Welch, G. y Bishop, G. (1997). An Introduction to the Kalman Filter. Department of Computer Science, University of North Carolina at Chapel Hill, North Carolina, USA. https://www.cs.unc.edu/~welch/media/pdf/kalman_intro.pdf
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Con el propósito de promover el desarrollo y divulgación de la investigación en educación en América Latina, en La Revista Iberoamericana para la Investigación y el Desarrollo Educativo (RIDE) se adhirió a la Iniciativa de Acceso Abierto de Budapest, por lo que se identifica como una publicación de acceso abierto. Esto significa que cualquier usuario puede leer el texto completo de los artículos, imprimirlos, descargarlos, copiarlos, enlazarlos, distribuirlos y usar los contenidos para otros fines. Las licencias Creative Cummons, permiten especificar los derechos de uso de una revista de acceso abierto disponible en Internet de tal manera que los usuarios conocen las reglas de publicación.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
