Thesis PROPUESTA DE METODOLOGIA DE PREDICCION DE EVENTOS PARA LA MEJORA EN LA GESTION DE PROCESOS DE MANTENIMIENTO APLICANDO MODELOS DE REGRESION Y MACHINE LEARNING A EQUIPO CRITICO EN PLANTA DE CELULOSA
Date
2022
Authors
GALLARDO ALMONACID, RENZO ARIEL
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Para la obtención de productos derivados de la madera en una planta de celulosa, previamente se requiere que ésta sea tratada en diferentes procesos. El sistema Power Feed de una planta celulosa, es el primero dentro de la producción y cumple la función de alimentar a todo el proceso con troncos de madera cortada en bruto mediante un transportador de tambor, hacia el proceso de descortezado. Las detenciones no programadas debido a fallas imprevistas en el transportador de tambor generaron costos de ineficiencia cercanos a los 7.694,4 [USD/h], durante el periodo de producción en el año 2018. Sin embargo, para controlar esta situación, los procesos de gestión de mantenimiento dentro de la planta utilizaron registros delos tiempos de funcionamiento diarios del transportador de tambor, considerado comoequipo crítico,para así,aplicarel modelo de Uso de vida de Weibull a estos datos e intentar predecir el próximo evento de falla, yposteriormentepoderrealizar acciones de mantenimiento preventivo de forma anticipada. Sin embargo, la gran desventaja del modelo de uso de vida de Weibulles que sus resultados se basan en la probabilidad de que un equipo se encuentre operativo a intervalos de tiemposfijos, sin considerar el comportamiento variable de los procesos, lo que puede resultar en algunos casos en un exceso de intervenciones y, por lo tanto, de recursos. A raíz de esto, distintos estudios actuales han comprobado que es posible mejorar la precisión con la que se realizan estas predicciones mediante el uso de modelos de regresión y de Machine Learning, ya que, estos últimos tienen la capacidad de manejar datos multivariados de gran dimensión, y de extraer relaciones ocultas dentro de los datos en entornos complejos y dinámicos, como lo son los entornos industriales. Por tal motivo, el principal objetivo del presente proyecto de títuloesproponer la implementación de una nueva metodología de predicción, la cual se basa en un modelo de regresión SARIMA, junto con un modelo basado en datos(o de ML), llamado: Support Vector Regression (SVR),para la mejora en el desempeño de losprocesos de gestión del mantenimiento industrial. En el estudio realizado, se logra determinar que el modelo de regresión SARIMA de parámetros:(𝑝,𝑑,𝑞)(𝑃,𝐷,𝑄,𝑠)=(4,1,0)(2,0,0,5), junto con un modelo basado en datos SVR,de hiperparámetros:(𝑘𝑒𝑟𝑛𝑒𝑙=𝑟𝑏𝑓,𝐶=10000,epsilon=0.05,𝑔𝑎𝑚𝑚𝑎=0.1),supera al modelo de Uso de vida de Weibull de parámetros: (𝛼=24,66;𝛽=5,308;𝛾=0),en cuanto alas métricas de rendimientoutilizadaspara
evaluar errores de bias, exactitud y precisión, logrando aumentar el MTBF estimado, pasando de 22,72 a 23,56 [h] entre intervenciones de mantenimiento, con una mínima desviación estándar.Por lo tanto, debido a su capacidad de superar al modelo de Weibull aldisminuir los errores de predicción, aumentar en un 3,7% la cantidad de horas de funcionamiento medio (MTBF), con una mínima desviación, se selecciona y propone este modelo predictivo como el mejor candidato para predecir fallas enel equipo en estudio, ya queasí, es posible proyectar y programar de manera óptima las intervenciones de mantenimiento. De esta manera, se comprueba que, al aplicar un modelo de regresión junto con un modelo de ML,es posible superaren rendimiento al modelo clásico de predicción utilizado actualmente por la industria
Description
Keywords
MACHINE LEARNING , MANTENIMIENTO PREDICTIVO , GESTION DE ACTIVOS
