Mantenimiento científico en las cyber instalaciones

Javier Borda Elejabarrieta 22 de marzo de 2024

729

9

0

0

5 min. de lectura

Prof. Dr. Ing. Ind Javier Borda Elejabarrieta
Msc Math Models, MBA
Presidente de Sisteplant, S.L

“Science has no limits as incertitude lays”

A. EL FOCO

¿En qué se diferencian para el Mantenimiento las instalaciones cibernéticas [1] de las tradicionales?

• Al tener sentido con casi un 100% de automatización inteligente y de respuesta ágil, más de 6 sigmas en calidad del proceso, necesitan UNA ALTA FIABILIDAD en cada componente.
• La alta integración entre sistemas conduce a que si “falla una cosa, falla todo”.
• La fiabilidad, entonces, se reduce exponencialmente: con n sistemas conectados,
  R(t) = e^−(𝜆t)nK   por Weibull.

• La extensa e imprevisible electrónica-informática con sus fallos incomprensibles, y cada vez más sofisticados.

En este contexto el Mantenimiento no tiene otro remedio que sofisticarse también con la NECESIDAD DE COMPRENDER BIEN LAS LEYES que están detrás del envejecimiento, por lo que dominar la naturaleza de la “curva de bañera” (LCC o BTC) de las partes críticas de la instalación y su resultado agregado en ella, es básico.

• Esa comprensión de cada subsistema crítico es, finalmente, física (no meramente estadística), y si esto se logra,
• Su agregación en la instalación global es una combinación de comprender las interacciones, y algo de estadística.

Para ello hay que manejar con causas raíz la relación entre el MTBF =1/𝜆 (𝜆 es el parámetro de Weibull que indica los fallos p.e. de tiempo, y por tanto es asimilable a una probabilidad), el MTTR, y la eficiencia OEE de cada subsistema, facilitando la predicción de averías y anticipándonos con mucha mayor precisión que con sólo estadística de hechos anteriores.

Yo diría que:

La progresión del fallo en un equipo es, en general, un modelo físico bien definible (ciclos de fatiga, cambios en la frecuencia natural, corrosión, etc,) pero que se ve alterado por las interacciones entre ellos

La parte informática de la cyber es en si misma muy sensible a cualquier alteración de tensión, temperatura o vibraciones por ser una maraña de microsistemas interactuantes.

Aquí, en la práctica, el conocimiento científico de las leyes es más difícil de articularse, la mejor solución pasa por la estadística y la redundancia hot-standby en lo más esencial.

B. AVANCE EN LA COMPRENSIÓN DEL ENVEJECIMIENTO Y DEL FALLO

Hay dos frentes simultáneos:

• El físico matemático con el que refrescar en profundidad a ingenieros y técnicos de Mantenimiento que pueden establecer así modelos previos y lineales de fallo.
• El de Machine Learning con técnicas de Regresión Simbólica que, partiendo de la estadística y de esos modelos previos, refinen estos últimos parámetros y no linealidades hasta dar con ecuaciones suficientemente precisas

Un indicador clave en ello va a ser la entropía S de la instalación, que se define, por paralelismo con la termodinámica que mide desorden, como:

Con valores entre “0” (lo mejor) y “1” (lo peor). Observad que “1” es un límite porque significaría que “estamos reparando todo el tiempo”, y entonces podemos definir un OEE tecnológico del equipo como:

Adicionalmente, y como aproximadamente a lo largo de la vida,

La entropía es básica porque,

• Ligeras desviaciones sobre las proyectadas de interacción entre sistemas conducen a alteraciones, imprevisibilidad y caos.
• La alteración de esas relaciones preferentes, además, produce variaciones en las frecuencias naturales, lo que está en el origen del envejecimiento y la rotura.
• Eso es Entropía S.

Todo el foco de los Modelos debe llevarse hacia explicación de esta relación, lo que es posible porque:

La dificultad y duración de una reparación (MTTR) es función del estado de la máquina (MTBF), lo que es analizable en términos físicos

Con esto, hay que evitar a toda costa llegar al círculo vicioso que acaba en poco tiempo con la máquina, lo que ocurre pronto cuando se repara sin conocimiento de fondo (una “chapuza”).

En definitiva

• La Entropía representa una tendencia predictiva de envejecimiento W
• El envejecimiento W implica mayor complejidad de reparación (MTTR↑) y mayor deterioro de las interacciones entre las partes (MTBF↓) , y finalmente rotura

Lo estaré haciendo bien si soy capaz de responder a porqué el MTBF y MTTR han evolucionado de una forma, la probabilidad y fecha de la próxima avería importante, el óptimo para un MRO, y cómo éste alteraría la tendencia al deterioro

La siguiente figura 1 resume todo esto

Figura 1: Damage & Aging acceleration Mechanism

Figura 2, OEE evolution (the proportions are magnified to understand the concept)

C. AVANCE EN LA COMPRENSIÓN DEL ENVEJECIMIENTO Y DEL FALLO

Con  el  conocimiento anterior, tengo fácil  ordenar  los tantos de fallo de los subsistemas críticos, representando la distribución Gaussiana de sus máximos en el tiempo, en verde, y a la vez ordenándolos desde los que fallan en tiempos precoces, hasta los que lo hacen en la fase terminal.

Notad que sus desviaciones típicas σ van de poco a mucho y a poco de nuevo, lo que es lógico porque la concentración de fallos se da más en la infancia y en la vejez.

La equivalente de todas ellas (en rojo) representa la curva de bañera aproximada de la planta o instalación. Esta manera de dibujarla obliga a comprenderla a fondo.

1. Find the math law for s evaluation until P,

2. Then outcast the second part of the curve with symmetry,
3. And progressively update whit more info about the subsystems that are more robust and last

Fig. 3. LCC (BTC) build-up from its roots

D. ¿QUÉ BASES NECESITO?

Tienen que cumplir dos condiciones; que permitan un aprendizaje práctico sistemáticos, y que permitan una información relevante filtrada en tiempo real, tanto predictiva como de status actual. Básicamente:

• Mecanismos para aprender del correctivo y sistematizar ese conocimiento enriqueciendo los modelos: tema clave.
• Capacidad técnica de interpretar el predictivo y esos modelos.
• CBM en tiempo real en consonancia con una Cyber que es ágil por definición
• Robotizar parte del Mantenimiento, pero más para ayudar en el filtrado e interacción de la información en tiempo real, que sólo para ayudar en tareas repetitivas o peligrosas.

Robot Mantenimiento = “Pepito Grillo"

• GMAO avanzado con SDCA y gestión de la BTC-LCC.
• Iniciar algo de machine Learning y Regresión Simbólica con el GMAO.
• Equipo humano con buen nivel tecnológico, ganas de aprender y curiosidad por el fondo de las cosas.

No es: “si hago esto se arregla y listo”
Sí es: “si hago esto, no vuelve a fallar en mucho tiempo porque ocurría esto"

• Montar Aulas-Lab para un funcionamiento sincronizado ente Mantenimiento, Procesos y Calidad

E. CONCLUSIÓN

Cyber implica Ciencia
Ciencia implica curiosidad
Ciencia y Curiosidad necesitan bases sólidas organizativas y de TIC’s

Con ello, la aspiración es llegar a la fase 4ª de la figura 4 en la evolución del Mantenimiento.

Fig. 4 Maintenance stages to the cyber