🛠️ Mantenimiento Predictivo — Estimador de Vida Útil Restante
Los flujos de sensores de vibración y temperatura de una máquina simulada alimentan un modelo de vida útil restante, con una curva de riesgo de fallo en vivo y una recomendación de ventana de mantenimiento.
Acerca del Mantenimiento Predictivo — Estimador de Vida Útil Restante
El tiempo de inactividad no planificado en maquinaria rotativa —un rodamiento averiado, una caja de cambios agarrotada— es uno de los sucesos más costosos en la fabricación, por lo que las plantas modernas sustituyen cada vez más el mantenimiento fijo basado en calendario por estrategias basadas en condición y predictivas. El mantenimiento predictivo observa flujos de sensores en vivo (vibración, temperatura, emisión acústica, residuos de aceite y más), modela cómo evoluciona el riesgo de fallo de un componente con el desgaste acumulado, y recomienda el mantenimiento solo cuando la evidencia realmente lo justifica. La columna vertebral estadística de este enfoque es el modelo de riesgo de Weibull de la ingeniería de fiabilidad, que —a diferencia de una tasa de fallo constante— permite que el riesgo instantáneo de fallo aumente a medida que envejece una máquina, coincidiendo exactamente con cómo se aceleran con el tiempo las grietas de fatiga, el desconchado y el desgaste de rodamientos.
Esta simulación ejecuta ese proceso de principio a fin. Un proceso oculto de desgaste real se degrada según un riesgo de Weibull cuya escala depende de la carga de operación que fijes y cuya forma (desgaste leve, moderado o agresivo) tú eliges. Ese proceso oculto impulsa las lecturas simuladas de los sensores de vibración y temperatura, corrompidas con ruido gaussiano ajustable: el modelo nunca ve directamente el nivel de desgaste real. Una combinación ponderada de las lecturas normalizadas de los sensores reconstruye un índice de salud en vivo, que luego se ajusta con una regresión de Weibull móvil (la clásica linealización log-log usada en la ingeniería de fiabilidad real) para proyectar una curva de riesgo de fallo hacia el futuro. El punto en el que esa curva proyectada cruza el umbral de mantenimiento elegido define una ventana de mantenimiento en vivo, recalculada continuamente: observa cómo cambia al aumentar la carga, añadir ruido al sensor, o cambiar el modo de fallo.
Preguntas Frecuentes
¿Qué es la vida útil restante (RUL) y en qué se diferencia de un calendario de mantenimiento fijo?
La vida útil restante es el número estimado de horas de operación que una máquina puede seguir funcionando antes de que su probabilidad de fallo cruce un umbral inaceptable, reestimada continuamente a partir de datos de condición en vivo en lugar de fijarse de antemano. Un calendario basado en el tiempo sustituye un rodamiento cada N meses sin importar cuán duramente se haya utilizado en realidad; el mantenimiento predictivo, en cambio, observa la vibración, la temperatura y otros indicadores de condición, y solo recomienda una acción cuando la evidencia indica que el desgaste realmente ha progresado. Esto evita tanto el reemplazo prematuro de piezas sanas como los fallos sorpresa de piezas que se desgastaron más rápido de lo que asumía el calendario.
¿Por qué usar un modelo de riesgo de Weibull en lugar de una tasa de fallo constante?
Una tasa de fallo constante (exponencial) supone que un componente tiene la misma probabilidad de fallar en la hora 10 que en la hora 10.000, lo cual es realista para fallos electrónicos aleatorios pero incorrecto para el desgaste mecánico. La tasa de riesgo de la distribución de Weibull h(t) = (β/η)(t/η)^(β–1) tiene un parámetro de forma β que permite que la tasa de fallo aumente con la edad cuando β > 1, exactamente el patrón observado en rodamientos, engranajes y juntas a medida que se acumulan grietas de fatiga y desconchado superficial. Esta simulación usa modos con β > 1 (desgaste) para que el riesgo instantáneo de fallo aumente a medida que se acumulan las horas de operación, coincidiendo con las estadísticas reales de fallo de maquinaria rotativa.
¿Cómo cambia la carga de operación la vida útil restante estimada?
La simulación reduce la vida característica de Weibull η como una potencia del multiplicador de carga, de modo que una carga sostenida más alta acorta la vida de forma superlineal, de forma similar a como la vida a fatiga en una curva S-N (tensión-vida) cae más rápido de lo que aumenta la tensión. Subir la carga de 1,0× a 1,5× no solo añade un 50% más de desgaste por hora; como la vida escala con la carga elevada a un exponente negativo de alrededor de 2 a 2,5, puede reducir la vida característica en un 40% o más. Esto refleja por qué reducir ligeramente la capacidad nominal de la maquinaria suele producir ganancias desproporcionadas en la vida útil de servicio.
¿Cómo estima la simulación el índice de salud a partir de sensores ruidosos en lugar de leer directamente el nivel de desgaste real?
El proceso de desgaste subyacente está oculto: exactamente igual que en una máquina real, ningún sensor informa directamente de la "fracción de desgaste". En cambio, las lecturas simuladas de vibración y temperatura se generan a partir del estado de desgaste real más un ruido gaussiano independiente del sensor, y el índice de salud se reconstruye normalizando cada sensor frente a su propio rango de referencia a fallo y combinándolos en una suma ponderada (con la vibración ponderada más alto, ya que el aumento de la vibración suele ser el precursor más temprano y sensible de la degradación de los rodamientos). Una media móvil exponencial suaviza entonces la estimación ruidosa por muestra en una tendencia estable del índice de salud, de la misma manera que los sistemas reales de monitorización de condición filtran los datos brutos de acelerómetros y termopares antes de analizar su tendencia.
¿Qué es la linealización log-log usada para ajustar la curva de riesgo de fallo?
Tomando la función de distribución acumulada de Weibull F(t) = 1 – exp(–(t/η)^β) y aplicando la transformación y = ln(–ln(1–F(t))) se obtiene y = β·ln(t) – β·ln(η), que es exactamente lineal en x = ln(t). Esta es la técnica clásica de trazado de probabilidad de Weibull usada en toda la ingeniería de fiabilidad: convertir las fracciones de fallo estimadas a partir de datos de condición en pares (x,y), ejecutar una regresión de mínimos cuadrados ordinarios para obtener la pendiente (β̂) y la ordenada al origen, y luego recuperar la escala como η̂ = exp(–ordenada / β̂). La simulación reajusta esta regresión continuamente sobre una ventana móvil de estimaciones de desgaste derivadas del índice de salud, de modo que la curva de riesgo ajustada se adapta a medida que se acumulan más horas de operación de evidencia.
¿Cómo se calcula la ventana de mantenimiento recomendada?
Una vez ajustados β̂ y η̂, la probabilidad de fallo del modelo en cualquier momento futuro es F(t) = 1 – exp(–(t/η̂)^β̂). La simulación invierte esta fórmula para resolver la hora de operación en la que F(t) es igual a un umbral "de planificación" inferior (la mitad del umbral de mantenimiento fijado por el usuario) y la hora de operación en la que es igual al umbral "urgente" completo. El intervalo entre esas dos horas es la ventana de mantenimiento recomendada: lo bastante temprana como para que el umbral de planificación dé tiempo de antelación para programar piezas y paradas, y lo bastante tardía como para que el umbral urgente refleje un riesgo de fallo genuinamente elevado. Ambos límites se mueven en vivo a medida que cambian el control deslizante del umbral, la carga o los datos del sensor.
¿Por qué el ruido del sensor hace menos estable la estimación de la vida útil restante?
La regresión que ajusta β̂ y η̂ depende de la fracción de desgaste estimada, derivada de lecturas de sensores ruidosas, y tanto la pendiente como la ordenada al origen de un ajuste de mínimos cuadrados son sensibles a la dispersión de los datos de entrada, especialmente al principio de la vida de una máquina, cuando solo se dispone de una ventana corta de horas. Subir el control deslizante de ruido del sensor aumenta la dispersión en las muestras del índice de salud, lo que amplía el rango de valores de β̂ y η̂ que el ajuste puede producir de una ejecución a la siguiente, y por lo tanto hace que la ventana de mantenimiento proyectada salte más entre reajustes, exactamente la inestabilidad de estimación que hace que los sistemas reales de monitorización de condición prefieran ventanas de promediado más largas y múltiples sensores redundantes antes que confiar en una sola lectura ruidosa.
¿Por qué dos máquinas con la misma lectura media de vibración pueden tener una vida útil restante muy diferente?
La vida útil restante depende de la tendencia y la forma de la degradación a lo largo del tiempo, no de una única lectura instantánea. Una máquina cuya vibración se ha mantenido plana durante cientos de horas y una máquina cuya vibración acaba de empezar a subir bruscamente pueden mostrar el mismo valor instantáneo mientras tienen un β̂ ajustado (tasa de aceleración) muy diferente y un tiempo proyectado muy diferente para cruzar el umbral de fallo. Por eso la simulación ajusta una curva a una ventana móvil de historial en lugar de aplicar un umbral directamente al valor actual del sensor: una única lectura alta y ruidosa no es evidencia de un fallo inminente, pero una tendencia ascendente sostenida coherente con una forma de desgaste sí lo es.
Un proceso oculto de riesgo de Weibull (forma β, escala η escalada por la carga) impulsa sensores ruidosos de vibración y temperatura; a partir de esos sensores se reconstruye un índice de salud ponderado que se ajusta en vivo con una regresión log-log de Weibull para proyectar una curva de riesgo de fallo y una recomendación móvil de ventana de mantenimiento.
3D · Motor Three.js / WebGL · Objetivo de 60 FPS · Funciona totalmente en el cliente, sin instalación