Mantenimiento inteligente en buques de guerra.
Homelowertripezone500x180px.png)
Jose Antonio Pagán Rubio
NAVANTIA, Negocio Motores, Centro de Diagnosis y Desarrollo de Producto. Cartagena, España.
Jorge García-Monedero Higuero
NAVANTIA, Negocio Apoyo al Ciclo de Vida. Director. Madrid, España.
Laura Correa Mendioroz
NAVANTIA, Negocio Apoyo al Ciclo de Vida. Jefe de Area. Madrid, España.
RESUMEN
El mantenimiento es una pieza esencial del servicio de “Apoyo al Ciclo de Vida” (ACV) que se realiza a buques de guerra para garantizar el sostenimiento y mejora de sus capacidades durante todo su ciclo de vida al menor coste.
Como en el resto de sectores, el concepto de mantenimiento ha evolucionado desde la reparación correctiva hasta las técnicas predictivas basadas en la condición. No obstante, aunque el concepto de mantenimiento basado en la condición llevado a su máxima expresión en “Condition Based Monitoring Plus” (CBM+) e “Integrated Vehicle Health Management” (IVHM) se viene utilizando desde hace años en algunos programas navales militares y aeroespaciales, la introducción de forma generalizada se está comenzando a producir en la actualidad gracias a la disponibilidad de las nuevas tecnologías 4.0.
En este trabajo se expone el concepto de mantenimiento inteligente para vehículos, en concreto para buques militares, que actualiza los conceptos anteriores teniendo en cuenta el potencial de las nuevas tecnologías que están iniciando la cuarta revolución industrial.
Palabras clave: ACV, sostenibilidad, fiabilidad, mantenimiento inteligente, FMECA, RCM, CBM, diagnosis.
1. INTRODUCCIÓN.
Los conceptos clave para proporcionar el mejor servicio de sostenimiento del buque durante todo su ciclo de vida son la fiabilidad y la relación coste-eficacia. Optimizar la fiabilidad permite garantizar los mejores índices de disponibilidad y minimizar las averías inesperadas que suelen producir altos costes de reparación. No obstante, diseñar y gestionar un servicio de ACV que permita obtener un alto nivel de fiabilidad debe también tener en cuenta el concepto de coste-eficacia. De esta forma, según las consecuencias de un fallo será óptimo diseñar una tarea de mantenimiento predictiva, preventiva o correctiva.
La fiabilidad se tiene en cuenta desde la evaluación y selección de equipos industriales. Un buen diseño es esencial para conseguir un equipo de alta fiabilidad. Sin embargo, no importa lo bueno que sea el diseño, los equipos se deterioran con el tiempo, ya que funcionan bajo cierta carga o estrés en un entorno real, a menudo teniendo esta cierta aleatoriedad. De este modo, se utiliza el mantenimiento como una forma eficaz de asegurar un nivel satisfactorio de fiabilidad durante la vida útil de un equipo.
El origen del mantenimiento fue básicamente reaccionar después de que se produjera una avería, es decir reparar tras el fallo (llamado mantenimiento correctivo o no planificado). Una técnica de mantenimiento posterior fue el mantenimiento preventivo basado en el tiempo (también llamado mantenimiento planificado), que establece un intervalo periódico para realizar la tarea de mantenimiento, independientemente del estado de salud del equipo. Con el desarrollo de la tecnología, los equipos se han vuelto más y más complejos, exigidos además de una mayor calidad y fiabilidad. Esto ha provocado que el coste del mantenimiento preventivo sea cada vez mayor y se haya convertido en un gasto importante de las instalaciones. Por esta razón, han surgido enfoques de mantenimiento más eficientes [1], todos ellos variaciones del “Condition Based Monitoring” (CBM).
El método más utilizado para maximizar la fiabilidad de equipos, instalaciones y plataformas en su conjunto es el “Reliability Centered Maintenance” (RCM) [2] y [3]. El RCM fue creado para el sector aeronáutico en los años 60 [4] y debido a su eficacia se extendió y normalizó en los años 90 para el sector de la defensa [5, 6] y, finalmente, se estandarizó a la industria en general en su versión RCM2 [7] y RCM3 [8]. El RCM se analiza detalladamente por Rausand [9], donde el autor demuestra su utilidad para la mejora de la fiabilidad. Un ejemplo de aplicación de la misma para turbinas eólicas se puede ver en [10], mientras que en [11] se utiliza para planificar overhauls de motores diesel marinos. Una de las características más importantes del RCM es que prioriza el CBM respecto al mantenimiento preventivo y correctivo cuando se diseña la estrategia de mantenimiento.
El CBM es una técnica de mantenimiento que recomienda acciones de reparación o sustitución basadas en la información recogida a través de la monitorización de la condición del equipo. Su objetivo es aumentar la fiabilidad del activo así como intentar evitar tareas de mantenimiento innecesarias realizando acciones sólo cuando hay evidencia de comportamientos anormales de un equipo. La arquitectura y funcionalidades que debe tener un buen sistema CBM están definidos por estándares internacionales [12].
En equipos y sistemas complejos, una instalación de CBM tradicional, basada en señales de vibración, es útil, pero insuficiente para detectar todos los modos de fallo que se pueden presentar. Esto es debido a que las vibraciones son un indicador robusto de problemas mecánicos pero no son capaces de detectar otros muchos tipos de fallo. Por lo tanto, los sistemas CBM han ido evolucionando hasta realizar en la actualidad fusión de datos de diferentes tipos de señales, utilizar modelos de comportamiento y disponer de bases de datos de fallos. Una denominación que utiliza recientemente para nombrar el concepto actual de sistema de monitorización de la condición es CBM+ [13]. CBM+ combina la integración de múltiples sensores con técnicas de
Inteligencia Artificial” (IA) y análisis de fiabilidad. Este concepto fue creado por el Departamento de Defensa de los Estados Unidos para mejorar la fiabilidad y disponibilidad de su flota durante el ciclo de vida. Otra denominación aún más completa son los sistemas llamados IVHM. Un sistema IVHM es un concepto de sistema integral que proporciona soporte automático para la toma de decisiones sobre el mantenimiento y operación del vehículo. Para ello, se incluye la política de mantenimiento, teniendo en cuenta la gestión de repuestos, mano de obra instalaciones de reparación, etc. El concepto IVHM fue creado hace más de dos décadas por la industria aeroespacial [14], sector donde este concepto integrador de la gestión de la salud del vehículo está a la vanguardia.
En la actualidad el concepto de sistema de mantenimiento inteligente se está utilizando para todo tipo de vehículos, incluido los buques, sobre todo en el sector militar. Este concepto rescata el creado hace años como IVHM y le añade otras funcionalidades que hoy día son posibles gracias a las nuevas tecnologías 4.0.
2. MANTENIMIENTOINTELIGENTEDEVEHÍCULOS(IVHM).
Un sistema IVHM utiliza datos históricos relevantes para el comportamiento presente y futuro del vehículo y los transforma en información para facilitar las decisiones operativas y de mantenimiento. Este concepto se compone de la integración de sensores, tecnologías de comunicaciones, conocimiento de los equipos e inteligencia artificial para proporcionar la capacidad de diagnosticar problemas de todos los sistemas y equipos del vehículo y recomendar soluciones.
El concepto de IVHM es en realidad una evolución de sistemas de diagnosis y prognosis aplicados a un sistema CBM tradicional [15, 16, 17]. El objetivo es implementar una estrategia avanzada de diagnosis, prognosis y gestión de la salud que permita la monitorización continua y la evaluación en tiempo real de la salud funcional del vehículo, predecir la vida útil remanente de los componentes que fallan o están a punto de fallar y usar esta información para mejorar las decisiones sobre operación y mantenimiento. Este sistema realiza una identificación temprana de los fallos, lo que produce una reducción de operaciones de mantenimiento debido a un menor número de casos de fallo inesperados. Además, cuando se trata de aplicaciones destinadas a operaciones militares, las funciones de mando y control pueden tener un mayor conocimiento de la condición del vehículo y de sus capacidades en cada momento y situación, lo que aumenta la seguridad y las posibilidades de éxito de la misión. También es posible conocer a priori si es necesario el cambio de vehículo antes de comenzar la misión o incluso una retirada a tiempo para no perderlo junto con la tripulación si fuera un vehículo tripulado [18, 19].
Para algunos autores, el alcance de un sistema IVHM también incluye la gestión logística. Esto quiere decir que la disponibilidad de información sobre salud del vehículo de forma actualizada y detallada se puede utilizar para activar automáticamente acciones logísticas. En este caso el sistema IVHM también transmite datos del estado del vehículo a un sistema de información distribuido que procesa cálculos del IVHM junto con otra información sobre el vehículo y el ciclo logístico y, si se requiere mantenimiento, informa a la infraestructura de la cadena de suministro y las instalaciones de apoyo de la necesidad de piezas, herramientas y mano de obra. Un ejemplo de un sistema IVHM ampliado que comprende tanto el vehículo como su infraestructura de soporte logístico es el programa del “Joint Strike Fighter” (JSF) [20, 21] del Departamento de Defensa de Estados Unidos. El programa JSF lidera el desarrollo de sistemas de armas de ataque para la Armada, la Fuerza Aérea y el Cuerpo de Marines de los Estados Unidos. Aquí, el sistema de monitorización de la condición del vehículo se diseña con un sistema IVHM completamente funcional que realiza la detección de fallos, aislamiento y reconfiguración a través de numerosos componentes y subsistemas (por ejemplo estructuras, motores, electrónica, hidráulica, combustible y sistemas de energía eléctrica). La detección de una anomalía que requiere una acción de mantenimiento activa la cadena logística para programar la reparación/sustitución, adquisición de repuestos, etc. Actualmente no hay muchos ejemplos de aplicaciones IVHM, aunque en los últimos tiempos están apareciendo iniciativas en todo tipo de vehículos aéreos, marinos o terrestres.
Baroth et al. [22] dan una visión general de las principales aplicaciones en los sectores automoción, espacial, defensa y de aeronáutica comercial. Janasak y Beshears [17] discuten los sistemas de monitorización de la salud actualmente ofrecidos a diferentes tipos de plataformas, incluyendo vehículos y plantas industriales. De manera similar, Reichard et al. [23] proporcionan una lista de proyectos militares en los que la información generada por el sistema de monitorización de la salud del vehículo se está incorporando dentro de los sistemas automatizados de gestión logística y estratégica de flotas. Algunas de las aplicaciones más relevantes de IVHM destacadas en la literatura, además del JSF [20, 21] citado anteriormente, son el Boeing's “Airplane Health Management” (AHM) y el General Motors OnStar. Mientras que Boeing y General Motors son vistos como referentes de IVHM comerciales, en la industria naval militar es de destacar el “Integrated Condition Assesment System” (ICAS) de la US Navy [24] aplicado exitosamente en más de 100 buques de su flota.
La visión actual es que los vehículos nuevos y antiguos deben contar con funciones de inteligencia basadas en tecnología avanzada que permitan tomar decisiones que se basen en disponer de más información sobre el diseño, uso, mantenimiento y soporte logístico [22, 25, 26]. Esto es totalmente coherente con la adopción de una filosofía IVHM que utiliza la fusión y el fuerte acoplamiento de las tendencias interdisciplinarias de las ciencias de la ingeniería, computación y comunicaciones para lograr la utilización más barata y eficaz de los sistemas y equipos de los vehículos. Un sistema IVHM se compone de tres partes fundamentales [27]:
- Adquisición de datos. Recolección de información para obtener datos relevantes para la salud del sistema.
- Procesamiento de datos. Manejo y análisis de los datos o señales recogidos en el paso anterior para una mejor comprensión e interpretación de los datos.
- Soporte a toma de decisiones de operación y mantenimiento. Que incluye las tareas de diagnosticar y conocer el estado del vehículo, pronosticar posibles fallos o evolución del vehículo y, por último, recomendar acciones de operación y/o mantenimiento eficientes en base a un soporte técnico y de análisis.
Diagnosis y prognosis son dos elementos fundamentales en un sistema IVHM. Las herramientas de diagnosis se ocupan de la detección, aislamiento e identificación de fallos cuando se producen. La detección de fallos es la tarea que indica si algo va mal en el sistema que se está supervisando, el aislamiento de fallos la que localiza el componente defectuoso, y la identificación de fallos la que determina la naturaleza del fallo detectado. Por otro lado, las herramientas de prognosis se ocupan de la predicción de fallos antes de que se produzcan. Esta tarea determina si un fallo es inminente y estima cuándo y cómo de probable es que se produzca. Un sistema IVHM puede utilizar diagnosis, prognosis o ambos. Sin embargo, sea cual sea el objetivo, siempre contiene los tres elementos clave de la Fig. 1.
La literatura sobre diagnosis y prognosis de fallos es enorme y diversa, principalmente debido a la amplia variedad de sistemas, equipos y componentes existentes en la industria. Cientos de artículos en esta área, incluyendo teorías y aplicaciones prácticas, aparecen cada año en revistas académicas, actas de conferencias e informes técnicos.
3. MANTENIMIENTO INTELIGENTE DE BUQUES DE GUERRA.
La era digital está revolucionando el mantenimiento en el sector naval militar debido a la disponibilidad de gran cantidad de datos “big data” y herramientas de inteligencia artificial capaces de analizarlos y transformarlos en información útil para conocer el estado de salud de equipos embarcados. Esto está permitiendo no solo aplicar el concepto IVHM a los nuevos programas navales militares sino ampliarlo con nuevas posibilidades.
Entre las nuevas tecnologías emergentes 4.0 [28], la Fig. 2 identifica las que aplican a mantenimiento inteligente: IoT, plataforma digital, realidad virtual y aumentada, nube, análisis de datos, modelización y simulación, ciberseguridad e inteligencia artificial.
Básicamente, un sistema de mantenimiento inteligente está formado por un sistema de adquisición de datos, una infraestructura software y hardware preparada para monitorizar y analizar gran cantidad de datos en tiempo real y una aplicación software de predicción de la salud de sistemas y equipos embarcados. La plataforma debe tener un diseño que permita la interoperatividad y escalabilidad total para permitir el crecimiento del sistema así como de los sistemas de seguridad adecuados que impidan intrusiones no deseadas. Además, el concepto de mantenimiento inteligente es de sistema integrador. Por lo tanto, la interoperatividad y flexibilidad son factores muy importantes para permitir la integración de señales de sistemas específicos de fabricantes de equipos. Ésto permite tener en una misma plataforma indicadores de fallo de diversa naturaleza y tecnología (parámetros operacionales, fluidos, vibraciones, termografías, ultrasonidos,..etc).
Por otro lado, además de las capacidades de la infraestructura big data, un sistema de mantenimiento inteligente debe integrar en su diseño tres pilares fundamentales: RCM, CBM e IA. Esta combinación armonizada de conocimientos implantada sobre una infraestructura big data escalable, abierta, flexible y segura, garantizará que la solución proporcione la integración de todas las señales disponibles que puedan transformarse en indicadores de salud de los equipos y por lo tanto permitan predecir y diagnosticar fallos, aportando la información adecuada que ayude al usuario la toma de decisiones respecto a mantenimiento e incluso operatividad.
La Fig. 3 muestra una actualización del concepto IVHM, dividido en tres bloques, adquisición de datos, predicción y apoyo toma de decisiones y gestión del mantenimiento. El último bloque corresponde a la integración de un “Centralized Computerized Maintenance Management System” CMMS que permita la gestión de las acciones de mantenimiento identificadas por el sistema de predicción y toma de decisiones.
Un ejemplo de sistema de mantenimiento inteligente es ARGOS 21, desarrollado por Navantia. El sistema está instalado en buque y en tierra, y además se dispone de una versión de laboratorio que permite introducir los resultados de los análisis de fluidos y enviarlos al sistema centralizado en tierra. La versión de buque y tierra es la misma, solo que está configurada con perfiles de usuario distintos, en el buque usuario estándar y en tierra usuario analista de mantenimiento. La herramienta debe ser configurada al principio por especialistas, creando modelos de comportamiento “a medida” de cada equipo y sistema.
Según criticidad del sistema o equipo y de las señales disponibles se utiliza una u otra estrategia para la detección. Si el equipo no es crítico o no hay señales para realizar un modelo, se establecen valores límites a medida. En el caso de que el equipo sea crítico y se disponga de las señales necesarias, se realiza un modelo de comportamiento. En este último caso, si se conoce modelo físico, se utiliza, y se ajusta con datos reales [29]. Éste es el modelo óptimo, del que se obtiene la máxima eficacia. Si no se conoce modelo físico, se realiza modelo basado en datos [30]. En este caso se necesita mayor número de datos históricos y es posible que se produzcan falsas alarmas cuando el buque navegue en un entorno distinto al utilizado para entrenar el modelo.
Una vez configurado, el sistema es automático. Avisa de las anomalías, diagnostica el problema, predice cuando la anomalía se convertirá en un fallo y ayuda a la toma de decisiones para que el usuario del CMMS pueda lanzar una acción o retrasar una previamente programada. La versión buque avisa en tiempo real de las anomalías a la dotación, la de tierra, permite analizar desviaciones entre equipos y sistemas de varios buques y controlar el estado de salud de la flota. En tierra es donde están activas las herramientas más complejas para uso de expertos.
Este tipo de sistemas puede incorporar indicadores de salud y prestaciones automáticos a todos los niveles, desde un equipo hasta la flota, calculados a partir de los indicadores que proporcionan las señales y de forma agregada hacia arriba. Ver Fig. 6.
Un sistema de mantenimiento inteligente funciona de la siguiente forma: los datos reales del buque se reciben en tiempo real o periódicamente en el sistema. A continuación, estos datos son comparados con valores o modelos de referencia “límites” ó “modelos”. Posteriormente, el sistema detecta y diagnostica de forma automática las anomalías al comparar los síntomas activos con los proporcionados por una base de datos de fallos. A partir de aquí, se puede realizar predicción de fallos si se dispone de un algoritmo “Remaining Useful Life” (RUL) y se pueden realizar recomendaciones si se dispone de información contextual del entorno, misión y estrategia de mantenimiento. En este sentido, ARGOS21 avisa de dos formas al usuario cuando detecta anomalías para facilitar la toma de decisiones:
- Panel avisos activos: Aparecen automáticamente con información de interés (parámetros que producen anomalía y modos de fallo).
- Envío aviso e informe resumen automático a cualquier usuario de un sistema externo. En este aviso se incluye un resumen de la información importante para que el destinatario conozca el problema. El usuario puede utilizar herramientas gráficas que complementan la información disponible en el aviso. Ver Fig 7.
Otras funcionalidades adicionales que se están incorporando en este tipo de sistemas son proporcionadas por tecnologías IoT como comunicaciones inalámbricas, pantallas táctiles y aplicaciones en tabletas industriales para realizar tareas de inspección y de mantenimiento, con volcado de datos en el sistema. Si se utilizan modelos 3D del buque se puede utilizar la realidad virtual como plataforma de entrenamiento de mantenedores en una inmersión totalmente simulada y la realidad aumentada como soporte para la realización de dichas tareas sobre el equipo real con indicaciones que faciliten la tarea para realizarla de forma más fiable, rápida y segura.
4. CONCLUSIONES
En este trabajo se contextualiza el papel del mantenimiento dentro del servicio de ACV de buques militares. También se indica la evolución del mantenimiento hasta llegar a los conceptos integrales de CBM+ e IVHM utilizados en la industria militar y aeroespacial. Finalmente, se actualizan los conceptos anteriores en el denominado mantenimiento inteligente “Smart Maintenance”, que utiliza las nuevas tecnologías 4.0.
Las conclusiones más importantes serían fundamentalmente dos. En primer lugar, un sistema de mantenimiento inteligente eficaz necesita disponer tanto de una infraestructura software /hardware “big data” adecuada como una aplicación de mantenimiento que fusione adecuadamente RCM, CBM e IA. En segundo lugar, se puede afirmar que disponer de un sistema de mantenimiento inteligente es una herramienta clave que habilita la posibilidad de llevar a cabo un servicio de ACV integral de gran valor añadido donde se pueda maximizar la fiabilidad y disponibilidad así como minimizar los costes por averías incidentales de los buques.
No es fácil suministrar un servicio ACV en el sector naval militar por sus restricciones de seguridad. Esto hace que a día de hoy no se permita que los datos salgan de sus instalaciones, lo que impide aprovechar las ventajas del servicio de la nube. Además, el servicio de ACV demandado por las armadas es cada vez más exigente y en todos los casos están solicitando disponer de herramientas de este tipo que permitan poner en valor sus datos para conocer el estado real de su flota en cada momento que a la postre les permita planificar las misiones y gestionar sus activos de la forma más eficiente.
5. REFERENCIAS.
[1] K.F. Martin, (1994) “A review by discussion of condition monitoring and fault-diagnosis in machine-tools”, International Journal of Machine Tools and Manufacture 34527–551.
[2] JA1011_200908, (2009) “Evaluation Criteria for Reliability-Centered Maintenance (RCM) Processes”, SAE International, DOI: https://doi.org/10.4271/JA1011_200908.
[3] JA1012_200201, (2011) “A Guide to the Reliability-Centered Maintenance (RCM) Standard”, SAE International, DOI: https://doi.org/10.4271/JA1012_200201.
[4] “El camino hacia el RCM”, Reliability Web, http://reliabilityweb.com/sp/articles/entry/el-camino-hacia-el-rcm/.
[5] NAVAIR 00-25-403, (2016). “The naval aviation. Reliability-Centered Maintenance”, Management manual process, Direction of commander, naval air systems command.
[6] NES45, (2000) “Requirements for the application of Reliability-Centred Maintenance Techniques to HM Ships, Submarines, Royal Fleet Auxiliaries and other Naval Auxiliary Vessels”, Defence Standard 02-45 Issue 2.
[7] John Moubray, (1999) “RCM2 Reliability-centred Maintenance”, ISBN-13: 978-0750633581.
[8] RCM3, (2015) “RCM3 Reliability-centred Maintenance”, The Aladon Network, http://www.thealadonnetwork.com/wp- content/uploads/2015/12/IntroductiontoAladonRCM3Brochure.pdf.
[9] Marvin Rausand, (1998) “Reliability centered maintenance”, Reliability Engineering & System Safety, Volume 60, Issue 2, May 1998, Pages 121-132, https://doi.org/10.1016/S0951-8320(98)83005-6.
[10] Joel Igba, Kazem Alemzadeha, Ike Anyanwu-Ebob, Paul Gibbonsa, John Friis, (2013) “A Systems Approach Towards Reliability-Centred Maintenance (RCM) of Wind Turbines”, Conference on Systems Engineering Research (CSER’13), Procedia Computer Science 16 ( 2013 ) 814 – 8232013, doi: 10.1016/j.procs.2013.01.085.
[11] Milkie, C. M. and Perakis, A. N., (2004) “Statistical Methods for Planning Diesel Engine Overhauls in the U. S. Coast Guard”, Naval Engineers Journal, 116: 31–42, 2004. doi:10.1111/j.1559-3584.2004.tb00266.x.
[12] ISO 13374-1:2003, (2003) “Condition monitoring and diagnostics of machines -- Data processing, communication and presentation -- Part 1: General guidelines”.
[13] David Pack, (2014) “Fleet management with CBM+”, Army Sustainment magazine. USA, , https://www.army.mil/article/120896.
[14] National Aeronautics and Space Administration (NASA). (1992) “Research and technology goals and objectives for integrated vehicle health management (IVHM)”. Report NASA-CR-192656.
[15] D. E. Barber, (2011) “Shipboard condition based maintenance and integrated power system initiatives”, Ph.D. thesis, Massachusetts Institute of Technology.
[16] Williams, Z., (2006) “Benefits of IVHM: an analytical approach”. In Proceedings of the 2006 IEEE Aerospace Conference, Big Sky, Montana, USA, 4–, paper no. 1507.
[17] Janasak, K. M. and Beshears, R. R. (2007) “Diagnostics to prognostics – a product availability technology evolution”. In Proceedings of the 2007 Reliability and Maintainability Symposium – RAMS’07, Orlando, Florida, USA, 22–25, pp. 113–118.
[18] Aaseng, G. B. (2001) “Blueprint for an integrated vehicle health management system”. In Proceedings of the 20th Digital Avionics Systems Conference, Daytona Beach, Florida, USA, 14–18, vol. 1, pp. 3.C.1-1–3.C.1-11.
[19] Reichard, K., Crow, E., and Bair, T. (2007) “Integrated management of system health in space applications”. In Proceedings of the 2007 Reliability and Maintainability Symposium – RAMS’07, Orlando, Florida, USA, 22–25, pp. 107–112.
[20] Hess, A., Calvello, G., and Dabney, T. (2004) “PHM a key enabler for the JSF autonomic logistics support concept”. In Proceedings of the 2004 IEEE Aerospace Conference, Big Sky, Montana, USA, 6–13, vol. 6, pp. 3543–3550.
[21] Hess, A. and Fila, L. (2002) “The joint strike fighter PHMconcept: potential impact on aging aircraft problems”. In Proceedings of the 2002 IEEE Aerospace Conference, Big Sky, Montana, USA, 9–16, vol. 6, pp. 3021–3026.
[22] Baroth, E., Powers, W. T., Fox J., Prosser, B., Pallix, J., Schweikard, K., and Zakrajsek, J. “IVHM (Integrated Vehicle Health Management) techniques for future space vehicles”. In Proceedings of the 37th AIAA/ASME/SAE/ASEE Joint Propulsion Conference.
[23] Reichard, K., Crow, E., and Bair, T. (2007) “Integrated management of system health in space applications”. In Proceedings of the 2007 Reliability and Maintainability Symposium – RAMS’07, Orlando, Florida, USA, 22–25, pp. 107–112.
[24] Finley, B. and Schneider, E. (2001) “ICAS: the center of diagnostics and prognostics for the United States navy”. Proc. SPIE – Int. Soc. Opt. Eng., , 4389, 186–193.
[25] Asiedu,Y. and Gu,P. (1998) “Product life cycle cost analysis: state of the art review”. Int. J. Prod. Res., , 36(N4), 883–908.
[26] Vachtsevanos, G., Lewis, F. L., Roemer, M., Hess, A., and Wu, B. (2006) “Intelligent fault diagnosis and prognosis for engineering systems”, John Wiley & Sons, New Jersey, USA.
[27] J. Lee, R. Abujamra, A.K.S. Jardine, D. Lin, D. Banjevic, (2004) “An integrated platform for diagnostics, prognostics and maintenance optimization”, in: The IMS ’2004 International Conference on Advances in Maintenance and in Modeling, Simulation and Intelligent Monitoring of Degradations, Arles, France.
[28] “Industry 4.0 - Digitalisation for productivity and growth”. Briefing September 2015. European Parliament. http://www.europarl.europa.eu/RegData/etudes/BRIE/2015/568337/EPR S_BRI(2015)568337_EN.pdf.
[29] J.A. Pagan, (2017) “Sistema de diagnosis de motor diesel marino basado en modelo termodinámico e inteligencia artificial”, Tesis doctoral, Universidad Politécnica de Cartagena, https://www.researchgate.net/profile/F_Vera- Garcia/publication/318674337_Sistema_de_diagnostico_de_motor_dies el_marino_basado_en_modelo_termodinamico_y_de_inteligencia_artifici al/links/59772ed2458515e26d2cde9f/Sistema-de-diagnostico-de-motor- diesel-marino-basado-en-modelo-termodinamico-y-de-inteligencia- artificial.pdf.
[30] A. Diez-Olivan, Jose A. Pagan, Ricardo Sanz, Basilio Sierra, (2017) “Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF-based score”, Neurocomputing (2017), http://dx.doi.org/10.1016/j.neucom.2017.02.024.
[31] ARGOS21, “Sistema de Mantenimiento Inteligente para buques de Navantia”. Desarrollo I+D+i interno de Navantia. Trabajo no publicado.
[32] “Aplicación Realidad Virtual USS Geral R. Ford US Navy”. http://internetofthingsagenda.techtarget.com/feature/Pioneers-set-sail- with-cutting-edge-augmented-reality-applications.
[33] “Aplicación Realidad Aumentada DAQRI”. https://medium.com/@DAQRI/improving-bim-through-augmented-reality- f2fa27228b81.
