Servicios personalizados
Español (pdf)
Articulo en XML
Referencias del artículo
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
El desarrollo de la generación de energía eléctrica en Cuba, bajo el programa de la Revolución Energética decide pasar a una Generación Distribuida a base de motores de combustión interna y otros equipos. Para ese entonces no quedó otra alternativa que desarrollar un sistema de gestión, que permita establecer y normar la nueva forma de explotar y controlar este tipo de generación, un renglón que no se puede despreciar para mantener una eficiencia elevada.
El mantenimiento predictivo 1, les brinda a los equipos encargados de la generación una estrategia de atención, el autor en 2, expreso que el mantenimiento predictivo se emplea para la determinación del volumen de las tareas en la reparación de un equipo, este autor no tuvo en cuenta que empleando una base de datos para el mantenimiento de los motores de combustión se puede trabajar con las principales variables que pueden afectar comportamiento mecánico - dinámico - funcional del motor.
En 3, plantea en su investigación la proposición de la utilización del análisis de criticidad como forma de poder tener criterio sobre los elementos que más inciden en el desempeño de un grupo motor - generador, si bien es válida la investigación la misma no toma partido en la determinación de los parámetros que más puedan estar afectando este desempeño.
Para el análisis de parámetros síntomas y corregir posibles fayas en máquinas vibratorias en la variabilidad del comportamiento mecánico - dinámico - funcional, del motor de combustión como lo expresan 4,5, aunque no toman partido para el uso de información asociada a los mismos en el tiempo, siendo esta una insuficiencia de estos trabajos.
El presente trabajo tuvo como objetivo la determinación de la influencia de los parámetros síntomas en la variabilidad del comportamiento mecánico dinámico del equipo analizado, como resultado se pudo identificar 4 componentes principales los cuales acopiaron el mayor aporte en la variabilidad referida al comportamiento del equipo de estudio. En el análisis de las variables se demostró que la presión de agua entrada al radiador, la presión de agua de alta temperatura, la presión de agua de baja temperatura y la presión de agua a la salida del radiador, fueron las más significativas en el resultado que es solamente válido dentro del conjunto de variables que mide el (SCADA) en este trabajo.
Materiales y métodos
En el estudio realizado se emplearon métodos teóricos, empíricos y estadísticos comprendió el periodo del 2015 - 2019, las herramientas utilizadas fueron la base de datos de la SCADA y se aplicó la técnica de análisis multivariado y de componentes principales 6,7, para determinar la influencia de los parámetros-síntomas en la variabilidad del comportamiento mecánico-dinámico-funcional, de los motores de combustión interna HYUNDAI 1.7 MW. Se les realizó el estudio a 10 parámetros síntomas que son indicadores del comportamiento mecánico-dinámico-funcional del motor, con el estudio de las 31 instancias de medición, se pudo analizar la variabilidad del sistema. Resulta necesario trabajar con variables que brinden suficiente información sobre el proceso técnico general del motor, relacionando este con la variabilidad o varianza de los valores medidos en las variables y no con la cantidad de variables 8: presión combustible, temperatura combustible, presión de aceite a la entrada del motor, presión de aceite diferencial, presión de aceite a la entrada del turbo, presión de agua entrada al radiador, presión de agua salida al radiador, presión de agua de baja temperatura, presión de agua de alta temperatura, temperatura interior del contenedor.
Para los análisis que se realizaron en la investigación se creó un grupo de expertos partiendo de un grupo de especialistas que se le aplicó la herramienta de análisis de experticia 9,10
Resultados y discusión
En la tabla 1, se muestra los especialistas que se le aplicó la herramienta de análisis de expertos
Aplicando las herramientas descritas en 8, se llega a los siguientes resultados que se muestran en la tabla 2.
Se acepta como expertos todos los especialistas que obtuvieron calificación superior a 0.6 desechándose de la lista el especialista 7, todas las decisiones serán evaluadas a través de tormenta de ideas con este grupo.
Para mostrar la obtención de los componentes principales se tomó en el mes de abril del año 2019, el motor 5 que se comportó de manera estable debido a que la variabilidad de los valores tomados, correspondió a los cambios aleatorios normales de operación 8, y no se mostró ninguna dificultad de origen mecánico, tecnológico o de operación. En la tabla 3, se ordenan los valores propios, de mayor a menor (enginevalue).
Estos valores propios representan la magnitud de la proyección hacia la máxima variabilidad de la muestra de referencia, es decir, el componente 1 va a poseer el mayor valor propio siendo este el que más información brinda en cuanto a variabilidad, mostrando en este caso un 25.7 % de la variabilidad total del modelo estudiado. El componente número 2 recoge un 19.16 % de la variabilidad total restante, el componente 3 recoge un 14.04 %, el cuarto componente recoge un 9.68 %, y así cada componente va recogiendo un porciento de la variabilidad total. Por lo tanto, queda evidenciado que los primeros componentes son los más importantes debido a que son los que mayor contribución a la varianza total reportan. Por consiguiente, ya los últimos componentes dejan de tener significados en el estudio y no se denominan principales. Para determinar los componentes principales se utiliza el criterio del gráfico de sedimentación de los mismos, a su vez, suele ser utilizado como contraste gráfico para conocer el número de componentes a retener. Según este criterio se retienen todos los componentes que están situados previamente en la zona de sedimentación, entendiendo por esta, la parte del gráfico en la que los componentes empiezan a no presentar pendientes fuertes, y como se muestra en la figura 1, para los datos obtenidos se pueden seleccionar hasta 4 componentes, como principales. Se observa que el punto que coincide con el cambio brusco de pendiente corresponde al número 3, el que reporta una varianza de 14.05 % y ya el 4 componente reporta una varianza de 9.68 %, es decir, va disminuyendo porcentualmente a la contribución de la variabilidad.
Si se considera además el criterio del valor propio resulta que se puede también seleccionar hasta el componente 4, debido a que este reporta una variabilidad acumulada del 68.6 % del total, siendo este valor porcentual suficiente para decidir el estudio de 4 componentes como principales.
El ACP 7,11, explica con mayor extensión la menor cantidad de elementos, y la extracción de componentes se detiene cuando empiezan a explicar poca varianza.
Mediante la reducción de dimensionalidad se obtienen componentes principales que explican la máxima variabilidad de las variables originales, por lo que las variables que mayor contribución tengan en los primeros componentes seleccionados como principales, serán las variables de mayor importancia para su control y vigilancia en el período posterior al análisis, pues estos podrían estar asociados a la variabilidad del comportamiento del motor 8,12, para determinar los parámetros-síntomas que tendrán mayor variabilidad en el comportamiento mecánico-dinámico-funcional del miso. En la tabla 4, se muestra la contribución de las variables a los 4 componentes principales seleccionados. Los valores de contribución de las variables se muestran en porciento con el objetivo de ofrecer una mejor visualización de la información. Las variables que más influyen en el componente principal 1 son: la presión de aceite diferencial, presión de aceite a la entrada del motor, presión de combustible, presión de agua de alta temperatura, temperatura interior de contenedor y presión de agua salida del radiador, representando estas variables el 85.02 % de la variabilidad del componente, siendo este el que mayor información brinda en cuanto a variabilidad. Es preciso observar con mayor sistematicidad el comportamiento de las variables que contribuyen en gran medida a los componentes principales, porque son las que más aportan a la variabilidad del comportamiento del motor analizado.
Por la cantidad de variables utilizadas en el análisis y por los resultados numéricos obtenidos, se decide marcar de color azul claro los valores de contribución de las variables que exceden al 10 % del aporte a cada componente, debido a que se considera que este porciento es suficiente para representar una alta variabilidad de los componentes principales. Si se toman todas las variables que proporcionen más de un 10 % al primer componente, la sumatoria de estos porcientos resultaría el 94 % de la variabilidad total del componente principal 1, por lo que en esta selección las variables que más varianza aportan representan más de la mitad del porciento de contribución al primer componente. Las variables de mayor rendimiento a la contribución de los componentes principales, son las más importantes, debido a que las mismas capturan la mayor variabilidad del proceso. Esta variabilidad está asociada con el comportamiento del motor, y se genera un resultado para posteriores análisis exploratorios de la condición de la máquina 11. La figura 2, muestra un círculo de correlación donde la interpretación resulta homóloga a la tabla 4 de contribución de las variables. En la misma se expone otra forma de visualizar las relaciones entre variables originales y componentes, en este caso se selecciona como muestra a presentar la proyección del componente principal 1 vs componente principal 2, debido a que en el plano solo se pueden visualizar 2 componentes 8, pues las proyecciones son ortogonales en el espacio. Los valores que se encuentran circulados de color negro muestran las variables que mayor contribución reportan al componente principal 1 por tanto, son las más significativas en este modelo de estudio. Al ser las cargas factoriales (Contribución de las variables) los coeficientes de correlación entre variables y componentes brindan una aproximación a la interpretación de los componentes.
En el gráfico anterior se realizó una aproximación entre las mediciones cercanas, observándose que todas las mediciones ubicadas en la nube de puntos, están en el mismo rango, sin embargo, esto puede suscitar un comportamiento inadecuado en el funcionamiento del motor figura 3.
Se realizó un estudio integral de la influencia de las variables originales en la variabilidad del sistema, a lo largo de nueve meses. De esta forma se minimiza una de las limitantes de la aplicación de la ACP, el ser invariante en el tiempo. Al realizar el ACP por meses se obtienen, mediante los resultados, los cambios en la variabilidad del comportamiento del motor en todo el período, presentando como primer resultado la tabla 5, donde se muestra por cada mes los reportes de la varianza explicada en el componente principal número uno. Este explica aproximadamente un 25.7941% de varianza promediada del ACP de todos los meses, demostrando así la importancia que tiene en el análisis de la contribución de la varianza por parte de las variables originales.
Por el grado de significación que tiene en cuanto a información el primer componente, se realiza un análisis del mismo respecto a las variables en todos los meses de estudio.
En la tabla 6, se muestra la contribución de las variables originales de estudio al componente número uno en cada mes, siendo de interés resaltar todas aquellas variables que a lo largo del tiempo le reportan más del 10 % de la variabilidad total al principal componente. Se consideraron los valores porcentuales mayores de 10 como influyentes, porque en todos los meses analizados la sumatoria de las variables identificadas resultan un aporte mayor del 50 % de la variabilidad total hacia el primer componente, y por lo tanto estas variables son las que más influyen en la variabilidad del comportamiento del motor.
Se marcaron con color azul oscuro los valores de la contribución de las variables que proporcionan un por ciento mayor a 10, de las diez variables analizadas en la tabla 6. Se detectó que los parámetros con mayor influencia durante el período analizado son: la presión de agua entrada al radiador, la presión de agua de alta temperatura y la presión de agua de baja temperatura, así como el parámetro presión de agua salida al radiador, siendo estos parámetros los que mayor variabilidad muestran al componente principal 1 en el período estudiado, por lo tanto, son las que más aportan a la variabilidad del comportamiento mecánico- dinámico funcional del motor analizado a diferencia de lo explicado por 13.
Conclusiones
Se realizó la limpieza y procesamiento de las bases de datos, se obtuvo la influencia cuantitativa de los parámetros-síntomas en la variabilidad del comportamiento del motor a partir de la selección de los componentes principales y las variables analizadas, lo que demostró que las más significativas fueron: la presión de agua entrada al radiador, la presión de agua de alta temperatura y la presión de agua de baja temperatura, así como el parámetro presión de agua a la salida del radiador, las cuales recogieron la mayor variabilidad y se identificaron 4 componentes principales, los cuales acopian el mayor aporte en la variabilidad referida al comportamiento de los grupos electrógenos.
