Servicios personalizados
Español (pdf)
Articulo en XML
Referencias del artículo
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
En las centrales termoeléctricas, la evaluación del comportamiento mecánico dinámico funcional de turbinas a vapor de 100 MW presenta desafíos, particularmente en el análisis integrado de parámetros de proceso y tecnológicos. Este trabajo aborda la integración de parámetros síntomas de la condición de la turbina mediante el modelado MSPC de una muestra de datos, analizando conjuntamente variables síntomas y realizando el pre-procesamiento y procesamiento de la base de datos.
Los modelos aleatorios de regresión son entrenados para predecir la calidad de superficies en rodamientos, logrando una exactitud del 94 % con el estadístico T2 de Hotelling's [1, 2].
Por su parte la literatura refiere el desarrollo de un nuevo KPI para plantas hidroeléctricas, superando a los gráficos de control multivariables convencionales, demostrando que el KPI propuesto funciona mejor que las gráficas multivariables convencionales de control de proceso, como el índice Hotelling T2. [3, 4].
También se han publicado estudios de mantenimiento predictivo para un sistema de operación continua, donde se presenta un modelo de degradación para sistemas de operación continua [5].
Otra investigación sobre el desbalance del alojamiento del cojinete utiliza series temporales para investigar desbalances en cojinetes y predecir su vida útil remanente [6].
Así mismo, se han encontrado publicaciones para realizar pruebas de normalidade: Anderson-Darling, Ryan-Joiner, Shapiro-Wilk y Kolmogórov-Smirnov en datos de producción. Tales pruebas demuestran si la población de la cual se obtuvo la muestra sigue la distribución normal, esto resulta clave para la aplicación del procedimiento estadístico adecuado para el análisis de los datos en un determinado estudio [7].
Otra investigación se enfoca en la detección de fallos en turbinas a vapor mediante digitalización y seguimiento de valores de proceso [8].
Interesante resulta el análisis de las principales características del monitoreado de proceso usando una carta de control multivariable a partir de una carta de control chi-cuadrado con parámetros variables se puede ver en [9].
Otra publicación de mucho interés refiere la propuesta de un método para predecir la vida útil remanente de sistemas con fallos severos [10].
En la revisión bibliográfica también se ha encontrado información sobre el hecho de que, al usar métodos de control estadísticos de proceso, las gráficas de control Shewhart reportan muestras no correlacionadas entre sí por lo que, se proponen modificaciones que consisten en modelar la señal original en modelos estocásticos adecuados [11].
De especial importancia resulta la propuesta de aplicación de redes neuronales y reglas de asociación para predecir consumo de energía eléctrica. Los algoritmos usados fueron el perceptrón multicapa a nivel de redes neuronales y PART como regla de asociación, demostrando que las redes neuronales y reglas de asociación son alternativas viables para predecir los niveles de consumo y comprender los patrones de consumo de energía [12].
Por último, es necesario señalar que la bibliografía refiere también el desarrollo de modelos integrados para Mantenimiento Basado en Condición, Condition Based Maintenance, CBM y Control Estadístico de Processos, Statistical Process Control, SPC [13].
Toda esta revisión bibliográfica denota la ausencia del tratamiento de una muestra de datos para el análisis conjunto de variables síntomas de turbinas a vapor de 100 MW empleando un modelo MSCP, Multivariable Statistical Control Process, así como del preprocesamiento y procesamiento de la base de datos observada para este tipo de turbina.
En este artículo se establecieron condiciones y criterios para selecionar la muestra de datos de trabajo y la definición de la muestra patrón, así como su validación. Se emplearon técnicas de minería de datos para el pretratamiento de la muestra poblacional obtenida de sistemas de monitoreado en línea.
El objetivo principal fue obtener una muestra de datos patrón que represente la variabilidad normal del comportamiento mecánico dinámico funcional de la turbina. Se crea un modelo grupal de parámetros síntomas de la turbina utilizando datos del período de operación analizado.
Como resultado principal, se obtuvo una muestra de datos patrón representativa de la variabilidad normal del comportamiento mecánico dinámico funcional de la turbina y se realizó el preprocesamiento y procesamiento de la base de datos observada.
Esta investigación contribuyó al campo del monitoreo de condición de turbinas a vapor, proporcionando un enfoque integrado para el análisis de múltiples variables síntomas. El modelo desarrollado y la metodología de procesamiento de datos pueden mejorar las estrategias de mantenimiento predictivo y optimizar la operación de turbinas en centrales termoeléctricas.
Métodos y Materiales
Los materiales empleados en esta investigación fueron tomados de las bases de datos generadas por el sistema de monitoreado on-line instalado en las tres turbinas a vapor de 100 MW de una Central Termoeléctrica.
El método empleado fue el de crear un modelo MSPC a partir de condiciones y criterios para el establecimiento de la muestra de datos de trabajo y de la muestra de datos patrón que incluyen el preprocesamiento y limpieza de la muestra poblacional obtenida de las bases de datos generadas por los sistemas de monitoreado on-line, instalados en estas turbinas.
Muestra y población
Se generó un modelo grupal de la turbina analizada, en este caso la número 2 por ser la de comportamiento más estable, formado por los valores de 22 parámetros identificados como síntomas de comportamiento mecánico dinámico funcional de la turbina. Los parámetros síntomas analizados fueron:
Vibración relativa del rotor respecto a su alojamiento (representados por la dirección de medición X y Y
Expansión diferencial axial relativa del rotor respecto al cilindro, lado regulador D. Axial A y lado generador D. Axial B
Expansión axial absoluta del conjunto turbo grupo Exp.T.
expansión relativa del rotor respecto al cilindro de alta presión Exp.R CAP y el cilindro de media presión (Exp.R CMP)
Expansión relativa del rotor respecto al cilindro de baja presión, lado regulador Exp.R CBP 1 y lado generador Exp.R CBP 2
Revoluciones a las que rota el rotor de la turbina. El modelo grupal de los parámetros síntomas de la turbina se muestra en la figura 1.
Obtención de la muestra de datos de trabajo para el modelo MSCP
La forma genérica de actuación para obtener la muestra de datos de trabajo fue descargando la base de datos histórica en el período de operación analizado correspondiente en este caso al 23/06/20 hasta el 03/11/22 del sistema de monitoreado instalado en cada turbina. El acondicionamiento y limpieza de esta base de datos, permitió obtener una muestra de datos de trabajo semielaborada para el posterior procesamiento de tres turbinas de la misma denominación. En la muestra se tuvo en cuenta el cumplimiento de los requerimientos para la instalación, calibración, mantenimiento [2] y verificación de la instrumentación. Se plantea que el preprocesamiento y procesamiento de datos representa un 60 % del tiempo empleado en el desarrollo de proyectos basados en datos.
Acondicionamiento de la muestra de datos de trabajo para el modelo MSPC
Fue necesario acondicionar la muestra de forma organizada y estructurada convenientemente para las tres turbinas analizadas pertenecientes a los tres bloques de generación de esta central termoeléctrica, en cada una de las hojas de cálculo correspondientes a 22 variables vibratorias y tecnológicas, cuyo esquema de configuración tecnológica se muestra en la figura 1. Las lecturas de cada una de estas 22 variables están realizadas con un intervalo de 10 minutos entre cada medición. Debido a una serie de factores de orden tecnológico y de la automática, la secuencia de captura automática de los valores de algunas de estas variables se ve afectado, lo cual conduce a fallos en la captura de estas lecturas. Esto conlleva en algunos casos, a que falten valores de las lecturas de algunas variables en la misma instancia de medición o que se pierdan tramos completos de medición para una o varias variables. Por lo tanto, para acondicionar la muestra de datos de trabajo se requiere cotejar el tiempo de lectura de las instancias de medición de cada variable analizada y posteriormente realizar un cotejo de fechas de captura, para estas instancias.
En la tabla 1 se presenta un resumen de los resultados del acondicionamiento de la muestra de datos de trabajo para la turbina 2. Estos requerimientos fueron valorados con los especialistas en diagnóstico, en mantenimiento, en automática, en operación y en inspección de turbinas, los cuales emitieron sus criterios sobre la factibilidad y uso de los datos de las variables generadas por el sistema de monitoreado instalado.
Tabla 1 Acondicionamiento de la muestra de datos de trabajo observada de la población. Fuente: autores
| Parámetro | Turbina 2. 100 MW |
|---|---|
| Vibraciones relativas | 3039 instancias de los atributos X1, Y1, X2, Y2, X3, Y3, X4, Y4, X5, Y5, X6, Y6, X7, Y7. (14 atributos en total). |
| Tecnológicos | 2947 instancias de los atributos Exp Rel CAP, Exp Rel CMP, Exp Rel CBP 1, Exp Rel CBP 2, Axial A, Axial B, Exp Total. (7 atributos en total). Nota: fue desechado el atributo velocidad de rotación por su inconsistencia y poca cantidad de instancias de medición. |
| Proceso | n/d |
| Resumen cotejado | Cotejados: 2798 instancias de medición con 21 atributos en total Nota: excluidos 92 instancias de los atributos vibraciones relativas, por no existir lecturas de medición. Fueron sesgadas 149 instancias de medición correspondientes a las interrupciones de funcionamiento y estadías de girador. Se evidencian problemas en grupos de días de instancias de medición. Excluido el atributo Vel Rot por su inconsistencia en las mediciones. |
Todos los parámetros incluidos en la tabla 1 se pueden ver en la figura 1.
Del análisis de esta muestra de trabajo se pudo observar la poca regularidad en la cantidad de instancias por mes y la irregularidad en la cantidad de días con valores de medición por mes respectivamente, debido a interrupciones en la generación, fallos en la automática y de comunicación, entre otros factores. De haberse podido contar con la base de datos de otras turbinas, la muestra de datos de trabajo de una unidad experimental serian consideradas independientes de las otras, es decir, sin relación entre sí.
Basado en los resultados cotejados de la base de datos de cada turbina analizada, se tomó la decisión de trabajar con la base de datos de la turbina 2, por ser la que mejor consistencia presenta en cuanto a las instancias de medición de cada variable y la que mayor estabilidad en operación manifestó durante el período analizado, obteniéndose como resultado para esta turbina, una muestra de datos de trabajo de 2798 instancias de medición para 21 variables. La turbina 2 recibió un mantenimiento capital de sus conjuntos mecánicos principales y de gran parte de sus agregados, incluyendo los equipos auxiliares asociados a su funcionamiento, además se ejecutó la modernización de los sistemas automáticos de toda la unidad, este hecho favorece positivamente el tomar como caso de estudio a ésta turbina, ya que los trabajos de mantenimiento realizados presuponen la restauración del desempeño esperado de la turbina 2, además de estar asociado a un programa de mantenimiento predictivo.
Selección, limpieza y transformación de la muestra de datos de trabajo recopilada
El trabajo con la muestra de datos de trabajo observadas de la población no termina con su “limpieza”, es necesario que estos datos tengan calidad (es decir, que estén íntegros, completos y consistentes) para poder ser trabajados con cualquier propósito (por ejemplo, extraer conocimiento o encontrar patrones). Si bien es cierto que una parte del proceso de selección, limpieza y transformación fue realizado durante el acondicionamiento de la muestra de datos de trabajo mostrados en la tabla 1, cuyo resumen se muestra en la tabla 2, generalmente, debido a las características propias de estas muestras de datos, es necesario profundizar la limpieza para obtener una materia prima que sea adecuada para el propósito concreto requerido.
Tabla 2 Resumen de las características del acondicionamiento de la muestra de datos de trabajo, para la turbina 2. Fuente: autores
Leyenda: XYT: atributos vibratorios y tecnológicos. P: atributos de proceso. n/d: atributos no disponibles
Análisis de valores perdidos o campos faltantes (missing value)
El análisis de los valores perdidos en la muestra de datos de trabajo denominada Tur2_XYT_ 2798-21, referenciado en la tabla 2, se realizó a través de un software especializado en procesamiento estadístico. Esta base de datos tuvo la característica de no tener campos faltantes debido al proceso de acondicionamiento recibido. El análisis de los valores perdidos en la muestra de datos de trabajo denominada Tur2_P_45224-76 referenciada en la tabla 2, se realizó con la ayuda de un software estadístico especializado. En total fueron detectados 140 campos (celdas) con valores faltantes (0,3 % del total). El análisis se realizó por grupos de atributos debido a la falta de memoria de cómputo. Las causas de los valores faltantes, se deben a interrupciones en la comunicación de la señal, sensor dañado o desconectado y a errores en el proceso de captación almacenamiento del valor por parte del sistema de monitoreado instalado.
2.1.5. Análisis de valores erróneos, duplicados, inconsistentes e irrelevantes
En la muestra Tur2_XYT_2798-21 no se detectaron valores duplicados sin embargo, en la muestra Tur2_P_45224-76 se detectaron tres variables con un gran número de lecturas duplicadas agrupadas en conjuntos diferentes de instancias. No se ejecutó acción alguna para su transformación.
Las implicaciones de cantidades grandes de valores duplicados perjudican la detección de la variabilidad de la variable, influyendo en los estadísticos media, desviación estándar. En cuanto a los valores erróneos, es importante destacar que un valor erróneo y uno anómalo no es lo mismo. Un valor puede considerarse erróneo si no se ajusta al formato establecido para el campo o que el sistema de monitoreado automáticamente ubique en el campo el código ERR o *** para significar que ha ocurrido fallo en la lectura del atributo o que no se ha efectuado la captura de la misma. Los campos con código ERR o *** fueron detectados mediante opciones de búsqueda en un tabulador electrónico. Para la muestra Tur2_XYT_ 2798-21, no rebasó el 0,13 % y para la muestra Tur2_P_45224-76, no rebasó el 0,028 %. En ambos casos, se tomó la decisión de sustituirlos por el valor medio entre el valor precedente y postrero para los campos individuales y sustituirlos con el valor de la media para el caso de varios campos agrupados. En ningún caso los campos agrupados sobrepasaron las 12 instancias.
Análisis de valores nulos
Los campos con valores nulos para el caso de la muestra Tur2_XYT_ 2798-21, no rebasaron el 0,25 % y se tomó la decisión de sustituirlos por el valor medio entre el valor precedente y posterior para los campos individuales y sustituirlos con el valor de la media, para el caso de varios campos agrupados. Para el caso de la muestra Tur2_P_45224-76, no rebasó el 0,022 % y se tomó la decisión de sustituirlos por el valor que preserva la desviación estándar.
Análisis de valores anómalos, atípicos o extremos (outliers)
La detección de los valores anómalos no será realizada para las muestras de datos de trabajo Tur2_XYT_ 2798-21 y Tur2_P_45224-76, referenciadas en la tabla 2, ya que es conveniente conservar en éstas, aquellos valores que pueden causar estados de comportamiento anormal de la turbina o de incidencia en la variabilidad (dispersión) de la variable analizada respectivamente. Estos valores serán analizados y procesados durante la selección de las instancias de medición para la obtención de la muestra de datos patrón y la muestra de datos de referencia.
Definición de la muestra de datos patrón para el modelo MSPC. Fuente autores
Muestra de datos patrón representativa de la condición normal de la turbina: grupo de instancias de medición para todas las variables, medidas en el mismo instante de tiempo, seleccionadas de una misma fuente, durante el período de tiempo de operación normal entre mantenimientos, cuya variabilidad de los valores de las variables síntomas del comportamiento mecánico dinámico funcional de la turbina, se corresponda con el rango de cambios aleatorios normales inherentes a la operación normal o estado funcional estable estacionario de la turbina, donde no este evidenciado algún problema de origen mecánico, tecnológico, dinámico o de operación que modifique este estado.
Muestra de datos patrón entrenada: grupo de instancias de medición para todas las variables representativa de las posibles condiciones normales de variabilidad de los valores de las variables síntomas de la turbina.
Muestra de datos patrón simulada: grupo de instancias de medición para todas las variables estadísticamente simuladas, cuya variabilidad (definida por la media y la desviación estándar) de los valores de las variables síntomas, simulen las características del comportamiento mecánico dinámico funcional, durante la operación normal o estado funcional estable estacionario de la turbina.
Entrenamiento de la muestra de datos patrón: adición de instancias de medición (de todas las variables) a la muestra de datos patrón, que sean representativas de condición normal de la turbina.
Actualización del modelo MSPC: durante el período de operación considerado, volver a calcular para una nueva muestra de datos patrón la media, covarianza (LCS - límite de control superior) para el estadístico T2 de Hotelling's, así como la verificación de los requerimientos de datos.
Actualización de la muestra de datos patrón: obtener una muestra de datos patrón, para otro grupo de instancias diferente al ya evaluado, dentro del período de tiempo objeto de estudio.
Rango de cambios aleatorios normales inherentes a la operación normal de la turbina: rango definido por los valores máximos y mínimos de operación normal que puede alcanzar la variable cuantificada.
Selección de las instancias de medición para la muestra de datos patrón
Para la selección del grupo de instancias de medición que conformarán la muestra de datos patrón se tuvieron en cuenta las normas de operación de la turbina y los estándares de severidad de la vibración: Norma ISO 10816-2:1996. Mechanical vibration - Evaluation of machine vibration by measurements on non-rotating parts - Part 2, Norma ISO 7919-2: 1996. Mechanical vibration - Evaluation of machine vibration by measurements on rotating shafts - Part 2 así como las normas de monitoreado de la condición: Norma ISO 13380: 2002. Condition monitoring and diagnostics of machines General guidelines on using performance parameters.
Para la muestra de datos de trabajo Tur2_XYT_2798-21 referenciada en la tabla 2, se procedió a identificar visualmente para un primer análisis, los tiempos de operación con posibilidades de comportamiento normal. En la figura 2A y 2B se muestra la gráfica en el tiempo calendario del parámetro vibración relativa en la dirección de medición X y Y para todas las chumaceras, donde se encuentran señalados con paréntesis, tres tramos reducidos de tiempo calendario (R1: 02/09/20 al 23/01/21 con 222 instancias, R2: 24/01/21 al 25/04/21 con 300 instancias, R3: 24/05/21 al 28/09/21 con 282 instancias) que abarcan un total de 804 (28,73 % del total) instancias de medición. Igual análisis se realizó con los parámetros tecnológicos.
Fuente: autoresFig. 2 Comportamiento en el tiempo del parámetro vibración relativa, para la muestra de datos de trabajo Tur2_XYT_ 2798-21, a) en la dirección de medición X, b) en la dirección de medición Y.
Además, se tuvo en cuenta la historia de las incidencias ocurridas (basado en las interrupciones). Por lo tanto, se desecharon 49 instancias del tramo R1. En el tiempo de operación que abarca desde el 24/01/21 hasta el 28/09/21 (correspondiente a los tramos R2 y R3) se produjeron 41 interrupciones de funcionamiento de la unidad, siete de ellas debido a turbina, las cuales no requirieron de intervención que modificara la condición de la turbina, por lo que se consideró mantener las instancias seleccionadas para estos tramos.
Aunque no se tiene como referencia para cada instancia de medición de la muestra de datos de trabajo, el registro del dato de los valores de carga (punto de operación) a la que estuvo sometida la turbina, sí se tuvo en consideración (avalado por el conocimiento de los especialistas de operación, mantenimiento y diagnóstico) que en estos tres tramos, la operación de la turbina estuvo bajo un régimen de carga de 50, 60, 65, 70, 75, 80, 85, 90, 95 y 100 MW.
Se realizó el análisis de los valores anómalos a las 755 instancias (26,98 % del total) correspondientes a los tres tramos seleccionados, mediante el empleo de un software estadístico especializado, imponiendo como límites para la anomalía de cada atributo los límites de operación segura y protección tecnológica de la turbina 2. Se aplicó el criterio del sesgo de instancias para los casos en que los atributos tuvieran valores considerados anómalos por éstos límites, obteniéndose una muestra de datos patrón como resultado del análisis de los tramos R1, R2 y R3, con 442 instancias (15,79 % del total) representativa del comportamiento de la variabilidad normal natural de los valores de las variables, dentro del período de funcionamiento normal de la turbina entre mantenimientos, corroborado por la evidencia. La muestra de datos patrón abarca un período de 13 meses (durante los cuales no hubo registrado mantenimiento alguno, además de que no se evidenciara cambios que modificaran la condición de la turbina). En la tabla 3 se muestra el resumen de las muestras reducidas de datos que fueron utilizadas para acondicionar la muestra de datos patrón de comportamiento normal de la turbina 2 tomada como caso de estudio, en base a la muestra de datos de trabajo Tur2_XYT_ 2798-21.
Tabla 3 Resumen de las características de la muestra de datos de trabajo patrón. Fuente: autores
| Muestra de datos | Fecha | Cantidad total | Atributos | |||
|---|---|---|---|---|---|---|
| Desde-hasta | Meses | Instancias | % del Total | Atributos | Para todas las muestras | |
| Tur2__XYT_ 2798-21 | 23/06/20-03/11/22 | 30 | 2798 | 100 | 21 | Vibratorios: 14 Tecnológicos: 7 Proceso: n/d |
| Patrón_XYT_442-21 | 25/09/20-27/09/21 | 13 | 442 | 15.79 | 21 | |
| R1_XYT_173-21 | 25/09/20-23/01/21 | 5 | 173 | 6.18 | 21 | |
| R2_XYT_210-21 | 24/01/21-25/04/21 | 4 | 210 | 7,50 | 21 | |
| R3_XYT_59-21 | 04/06/21-27/09/21 | 4 | 59 | 2.10 | 21 | |
Leyenda: XYT: atributos vibratorios y tecnológicos, n/d: atributos no disponibles para procesar
Resultados y Discusión
Normalidad en la distribución de los atributos de la muestra de datos patrón
En la tabla 4 se muestra un resumen de la prueba de normalidad realizada para cada atributo correspondiente a las instancias que conforman el tramo R1 de la muestra de datos patrón, mediante el empleo de las herramientas de un software especializado para tratamiento estadístico. En la prueba de Kolmogórov-Smirnov [7] se empleó el criterio de que si el estadístico D es significativo (valor alto resaltado en color rojo) y el valor K-S (p-value) es significativo (p ≤ 0,01 resaltado en color rojo), entonces la hipótesis de que la respectiva distribución sea normal, debería ser rechazada. En la prueba de Lilliefors se empleó el criterio de que si el estadístico Lilliefors (p-value) es significativo (p ≤ 0,01 resaltado en color rojo), entonces la hipótesis de que la respectiva distribución sea normal, debería ser rechazada. Además se empleó el criterio de que, si el estadístico Shapiro-Wilk (W value) es significativo (valor pequeño de “W” y “p” resaltado en color rojo), entonces la hipótesis de que la respectiva distribución sea normal, debería ser rechazada. Puede observarse según los resultados, que no se evidencia normalidad en la distribución para las variables X2, Y2, Y5, Axial a, Axial b y Exp Total.
Tabla 4 Resumen de la prueba de normalidad de Kolmogórov-Smirnov, Lilliefors y Shapiro-Wilk para los atributos de la muestra patrón correspondiente al tramo R1. Fuente: autores
Para las 15 variables (X1, Y1, X3, Y3, X4, Y4, X5, X6, Y6, X7, y7, Exp Rel CAp, Exp Rel CMP, Exp Rel CBP1 y Exp Rel CBP2) en las que se evidencia normalidad (dado por los resultados de los estadísticos K-S p-value, Lilliefors p-value y W value), se comprobó además el ajuste a una distribución normal mediante la prueba de bondad de ajuste chi-cuadrado, a partir de histogramas de frecuencia y gráficos Normal p-plot. Se empleó el criterio de que, si p-value es significativo en el nivel 0,05, es decir p < 0,026, entonces la hipótesis de que la respectiva distribución sea normal, debería ser rechazada ya que la distribución se desvía significativamente de una distribución normal típica. En los histogramas de frecuencias, las siglas n.s. para los estadísticos K-S p-value y Lilliefors p-value, representa no significativo. En la tabla 5 están reflejados los valores de la media y la desviación estándar correspondientes a la variabilidad natural del comportamiento funcional normal obtenida de las 15 variables y sus correspondientes 173 instancias que definieron la distribución normal (pertenecientes al tramo R1 de la muestra de datos patrón).
Tabla 5 Resumen de los estadísticos obtenidos para los atributos de la muestra patrón (tramo R1) que cumplieron la condición de normalidad en la distribución de los datos. Fuente: autores
Siguiendo el mismo esquema de análisis e obtuvieron los valores de la media y la desviación estándar de los atributos del tramo R2 y R3, se obtuvo un resumen de la prueba de normalidad de Kolmogórov-Smirnov, Lilliefors y Shapiro-Wilk, así como los resultados de la prueba de bondad de ajuste chi-cuadrado, que evidenciaron normalidad. Finalmente quedan conformados las tramos patrón R1, R2 y R3 de la siguiente forma R1_XYT_173-15, R2_XYT_137-11 y R3_XYT_95-7.
Ajuste del modelo MSCP turbina
El ajuste del modelo turbina o su validación será realizado teniendo en cuenta el resultado obtenido en la verificación de la normalidad en la distribución de los atributos y en la verificación del volumen de datos requerido por la muestra de datos patrón. Ésta muestra de datos patrón es representativa de la población de datos colectados y representa la condición normal estándar de variabilidad del proceso que caracterizan el comportamiento mecánico dinámico funcional en turbinas a vapor de 100 MW.
Los gráficos de control son capaces de detectar anomalías en el comportamiento mecánico dinámico funcional. La evaluación del comportamiento mecánico dinámico funcional en turbinas a vapor de 100 MW puede ser realizado, a partir de un modelo MSCP [9], donde se emplea el estadístico T2 de Hotelling's [1] como parámetro síntoma para la detección de la condición normal del funcionamiento de estas turbinas y el gráfico de control estadístico de proceso tipo shewhart, para la monitorización del estadístico T2 de Hotelling's [3], o a partir de la aplicación del análisis de componentes principales [4]. La determinación del umbral (LCS) para el estadístico T2 de Hotelling's, parte de considerar una distribución normal multivariada en los atributos de la muestra, por lo que se requiere de la comprobación de la normalidad en la distribución de los atributos de la muestra de datos patrón.
Finalmente, se puede afirmar que el resultado fundamental de esta investigación lo constituye la obtención de una muestra de datos patrón representativa de la variabilidad normal del comportamiento mecánico dinámico funcional de una turbina a vapor de 100 MW, presentando el preprocesamiento y procesamiento de la base de datos observada, lo cual no aparece documentado en la literatura consultada para este tipo de turbina.
Conclusiones
La metodología aplicada para el modelado de una muestra de datos con vista al análisis integrado de parámetros síntoma, proporciona una base sólida para la identificación y caracterización de las condiciones operativas de turbinas a vapor de 100 MW, mejorando así la precisión y confiabilidad del monitoreo de condición de este tipo de máquina. Este enfoque integrado no solo incrementa la eficacia en la detección temprana de fallos potenciales, sino que también facilita la toma de decisiones contribuyendo significativamente a la eficiencia y seguridad de las plantas termoeléctricas.
