ES2335377A1 - Metodo de mantenimiento de un material rodante. - Google Patents
Metodo de mantenimiento de un material rodante. Download PDFInfo
- Publication number
- ES2335377A1 ES2335377A1 ES200802003A ES200802003A ES2335377A1 ES 2335377 A1 ES2335377 A1 ES 2335377A1 ES 200802003 A ES200802003 A ES 200802003A ES 200802003 A ES200802003 A ES 200802003A ES 2335377 A1 ES2335377 A1 ES 2335377A1
- Authority
- ES
- Spain
- Prior art keywords
- car
- maintenance
- equipment
- kilometers
- hours
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
La presente invención hace referencia a un método de mantenimiento de un material rodante. Dicho material rodante comprende al menos un coche, dicho coche comprende al menos un sistema, dicho sistema comprende al menos un equipo. El mantenimiento de dichos, al menos un, coche, sistema y equipo se lleva a cabo según unos periodos de mantenimiento establecidos por una rutina de mantenimiento. Dichos periodos de mantenimiento pueden ser modificados obteniendo en primer lugar al menos un parámetro de funcionamiento de cada, al menos un, coche, sistema y equipo. Obtenidos estos parámetros de funcionamiento, se puede predecir el número de horas o kilómetros restantes hasta una próxima avería de cada coche, sistema y equipo según los parámetros de funcionamiento obtenidos. Con esta información se podrá evaluar si se modifican los periodos de mantenimiento, teniendo en consideración el número de horas o el número de kilómetros restantes hasta una próxima avería.
Description
Método de mantenimiento de un material
rodante.
La presente invención pertenece al campo de los
métodos de mantenimiento para un material rodante, compuesto por
coches, equipos y sistemas. El método se lleva a cabo ajustando los
periodos de mantenimiento para cada elemento, coche, equipo o
sistema de manera independiente, optimizando por tanto el
mantenimiento, de modo que éste no se practique anticipadamente ni
con retraso.
La evolución del mantenimiento industrial en el
siglo XX, así como en el material ferroviario ha seguido tres
etapas que se identifican claramente con la evolución de las
técnicas y organizaciones que se han ido implementando durante
dicho siglo, estas etapas se han llamado, Primera, Segunda y Tercera
Generación, se pueden resumir como:
En la primera generación
(1930-1950) las máquinas eran de fabricación
robusta, por lo que el mantenimiento básicamente se centraba en
engrases y ajustes, lo que se denomina mantenimiento preventivo, y a
corregir lo que se averiaba que era poco.
La segunda generación comienza con la 2ª Guerra
Mundial (1950-1980). En esta etapa prima fundamente
la disponibilidad operacional de los medios de producción, por lo
que es fundamental el mantenimiento preventivo cíclico y, por
supuesto, la reparación de las averías que surjan.
La tercera generación (1980- ) se fundamenta en
los objetivos de disponibilidad, fiabilidad y costes, en esta etapa
es fundamente la utilización de nuevas técnicas tales como
mantenimiento predictivo, análisis de costes de vida, etc.
En los primeros años del siglo XXI aparece una
nueva generación, la cuarta, en la que se produce un mix de
técnicas anteriores que se utilizaban por separado, pero en esta
nueva generación se utilizan de forma conjunta, estas técnicas son
el RCM (Reliavility-Centered Maintenance), el TPM
(Total Productive Maintenance) y otra serie de medidas
organizativas.
Actualmente el mantenimiento que se realiza en
el material ferroviario es principalmente de dos tipos:
- -
- Mantenimiento Correctivo. El mantenimiento correctivo tiene la finalidad de corregir los defectos que se van presentando en los equipos y que son detectados por los usuarios de los mismos.
- -
- Mantenimiento Preventivo, con sus diferentes modalidades, preventivo periódico y mantenimiento predictivo.
- \bullet
- El mantenimiento preventivo periódico tiene la finalidad de conocer el estado en que se encuentra el equipo en el momento de la realización de este tipo de mantenimiento y programar las acciones a realizar sobre sus puntos vulnerables y en el momento más oportuno. Este mantenimiento se realiza a intervalos periódicos, por ejemplo cada mes, o cada seis meses.
- \bullet
- El objetivo del mantenimiento predictivo es conocer e informar permanentemente sobre el estado y operatividad de las instalaciones o equipos, mediante el conocimiento de los valores de determinadas variables representativas. Por ejemplo, en un determinado equipo deben conocerse los valores que normalmente debieran tener variables como presión, pérdidas de carga, variaciones de temperatura, consumos, o amplitud y frecuencia de determinadas vibraciones.
A la hora de implantar estas rutinas de
mantenimiento, se programa el mismo tipo de mantenimiento preventivo
para todos los elementos idénticos de la empresa,
independientemente del comportamiento de cada elemento. De este
modo, un elemento apenas usado tendrá el mismo mantenimiento
planificado que otro elemento igual que haga sido empleado o usado
masivamente en el mismo periodo de tiempo, pudiendo darse el caso de
que el primer elemento no necesitase mantenimiento y que el segundo
lo hubiese podido necesitar antes.
La invención se refiere a un método de
mantenimiento de un material rodante, por ejemplo un tren, de metro,
cercanías o largo recorrido. Dicho material rodante comprende al
menos un coche. A su vez, cada coche comprende al menos un sistema,
siendo cada sistema el responsable de llevar a cabo cada una de las
funciones individuales que se realizan en un tren, como por
ejemplo, el sistema de tracción, el de frenado, el de iluminación o
el de apertura de puertas. Cada uno de estos sistemas, a su vez,
comprenderá al menos un equipo, siendo un equipo una unidad
indivisible, a los efectos de mantenimiento, de cada sistema. Por
ejemplo, el sistema de tracción podrá comprender un eje y un
engranaje, el sistema de frenado las zapatas de los propios frenos y
su accionamiento, y el sistema de iluminación cada una de las
bombillas.
Para este material rodante, coche, sistema o
equipo, una rutina de mantenimiento, elaborada mediante medios
informáticos, manuales o cualquier otro medio aplicable, establecerá
unos periodos de mantenimiento. La rutina de mantenimiento podrá
ser definida, alternativamente, según las indicaciones aportadas por
los fabricantes del coche, sistema o equipo.
De acuerdo con la invención, dicho método
comprenderá una etapa para obtener al menos un parámetro de
funcionamiento de cada, al menos un, coche, sistema y equipo.
Dichos parámetros de funcionamiento serán aquellos relevantes o
significativos para poder evaluar la situación del coche, sistema o
equipo.
Empleando como datos de entrada el parámetro o
los parámetros obtenidos, se procederá a predecir el número de
horas o kilómetros restantes hasta una próxima avería de cada coche,
sistema o equipo.
El cálculo de las horas o kilómetros restantes
hasta una próxima avería es equivalente, dado que a partir de una
muestra suficientemente representativa de los kilómetros recorridos
por un coche, sistema o equipo en un periodo de tiempo, se podrán
convertir kilómetros a horas u horas a kilómetros.
Una vez calculadas las horas o kilómetros
restantes hasta la próxima avería, se modificarán los periodos de
mantenimiento de cada coche, sistema y equipo de acuerdo con dicho
número de horas o de kilómetros restantes hasta una próxima avería.
El próximo periodo de mantenimiento se podrá hacer coincidir con el
número de horas o kilómetros que restan antes de la próxima avería,
creando una nueva tarea de mantenimiento si no hubiera previsto
ninguna en ese momento, o bien se podrá forzar el mantenimiento con
el próximo mantenimiento previsto, pasando a realizarse en ese
mantenimiento la labor que en otras circunstancias se hubiese
llevado a cabo más tarde.
De esta manera cada coche, sistema y equipo es
mantenido en un momento óptimo, dado que el mantenimiento que se le
practica se lleva a cabo según sus propias circunstancias, y no por
decisiones tomadas para el conjunto de los coches, sistemas o
equipos, sin tener en consideración las condiciones particulares de
funcionamiento de cada coche, sistema o equipo.
Los posibles parámetros de funcionamiento podrán
ser seleccionados entre los siguientes:
- -
- Las operaciones de mantenimiento preventivo anteriores llevadas a cabo. Entre estas operaciones de mantenimiento preventivo llevadas a cabo puede encontrarse la sustitución de sistemas o equipos llevadas a cabo al observarse una medida crítica que motive la sustitución del sistema o equipo.
- -
- Las operaciones de mantenimiento correctivo llevadas a cabo en periodos anteriores. Una posible operación de mantenimiento correctivo puede ser, por ejemplo, la sustitución de un equipo averiado tras detectarse dicha avería.
- -
- Los índices de fiabilidad de los coches, de sus sistemas y de los componentes. Son posibles ejemplos de índices de fiabilidad las horas de funcionamiento continuo antes de un fallo o bien los kilómetros de rodadura antes de un fallo.
- -
- Los kilómetros recorridos por un coche, sistema y equipo son también parámetros de funcionamiento, dado que la probabilidad de fallo, en términos generales, es creciente con el número de kilómetros recorridos.
- -
- La vía de circulación por la que el coche, sistema y equipo ha circulado. No todas las vías de circulación son iguales, dado que, por ejemplo en el caso de un tren suburbano, algunas de estas están a la intemperie, así como que otras pueden tener una atmósfera más estable debida a las nuevas formas de construir túneles.
- -
- Las vibraciones sufridas o generadas por el material rodante en su normal circulación es también un parámetro de funcionamiento, dado que las vibraciones aceleran el desgaste mecánico de los sistemas y equipos.
- -
- Cualquier otro parámetro que pueda ser de aplicación para la evaluación del estado de un coche, sistema o equipo, como podría ser el número de veces que se ha abierto y cerrado una puerta, horas encendida para una bombilla o energía disipada por el sistema de frenado.
- -
- También es posible observar una pluralidad de parámetros, estando seleccionados todos ellos entre los definidos en la anterior lista.
\vskip1.000000\baselineskip
El número de horas o kilómetros restantes hasta
una próxima avería se podrá calcular empleando técnicas
estadísticas. Se podrá analizar la distribución de las averías
ocurridas para cada coche, sistema o equipo, relacionando dichas
averías con los valores de los distintos parámetros medidos. De este
modo, para un umbral o margen de confianza deseado o con el cual se
desea operar el material rodante se podrá determinar la esperanza de
vida útil, es decir, número de horas o de kilómetros hasta la
próxima avería, de cada coche, sistema o equipo.
Para el modelado estadístico del funcionamiento
de un coche, sistema o equipo se podrán incluir todas las medidas
realizadas para aquellos coches, sistemas o equipos iguales al
coche, sistema o equipo modelado, de modo que el modelado de un
tipo de coche, sistema o equipo se beneficie de las lecturas,
medidas u observaciones practicadas para todos aquellos coches,
sistemas o equipos idénticos a él.
Alternativamente, se podrá emplear un algoritmo
adaptativo de inferencia neuro-difusa para poder
evaluar el número de horas o kilómetros restantes hasta una próxima
avería. Un histórico de los parámetros de funcionamiento de cada
coche, sistema o equipo podrán ser procesados por el algoritmo
adaptativo de inferencia neuro difusa o ANFIS, Adaptative
NeuroFuzzy Inference System. Como en el caso anterior, los datos de
coches, sistemas o equipos idénticos podrán ser empleados para
entrenar un ANFIS de aplicación para los coches, sistemas o equipos
de la misma clase o idénticos, acelerándose el periodo de
entrenamiento del ANFIS.
Los parámetros que podrán ser empleados como
entrada para el cálculo de las horas o kilómetros restantes hasta
la próxima avería pueden ser, por ejemplo, las últimas
intervenciones de mantenimiento preventivo, las últimas
intervenciones de mantenimiento correctivo, estadísticas de índices
de fiabilidad, kilómetros recorridos, vía de circulación,
operaciones de mantenimiento exigidas por la normativa de seguridad
y legal en vigor, medidas de vibraciones y planificación de las
operaciones futuras de mantenimiento. Los conceptos listados que
aparecen listados se corresponden a los parámetros funcionamiento
descritos anteriormente.
El número de horas o kilómetros restantes hasta
una próxima avería podrá ser calculado o evaluado según el
resultado obtenido por las técnicas estadísticas descritas
anteriormente, por el algoritmo adaptativo de inferencia
neuro-difusa, o bien por una combinación lineal de
ambos resultados, por ejemplo, calculando la media aritmética de
ambos resultados. De este último modo se logra una mejor
aproximación al valor real, dado que mediante técnicas estadísticas
o el algoritmo adaptativo de inferencia neuro-difusa
el número calculado es una estimación de las horas o kilómetros
restantes hasta la próxima avería.
Para complementar la descripción que se está
realizando y con objeto de ayudar a una mejor comprensión de las
características de la invención, se acompaña como parte integrante
de dicha descripción, un juego de dibujos en donde con carácter
ilustrativo y no limitativo, se ha representado lo siguiente:
Figura 1.- Muestra un diagrama de flujo en el
que se representan las diversas etapas del método de mantenimiento
de un material rodante de la presente invención.
A continuación, con referencia a la figura, se
describe un modo de realización preferente del método de
mantenimiento de un material rodante que constituye el objeto de
esta invención.
La figura 1 muestra un diagrama de flujo del
método de mantenimiento de la presente invención. Cada una de las
fases que en él se incluyen se comentarán a continuación.
La invención consiste en un método de
mantenimiento preventivo de modo que éste se ajuste a las
necesidades reales del material rodante en dos aspectos
fundamentales. En primer lugar, cada unidad tendrá un mantenimiento
personalizado. Por otro lado, cada equipo de cada unidad tendrá a su
vez también un mantenimiento personalizado.
El método de la invención actuará sobre una
rutina de mantenimiento, implantada con medios informáticos, por
ejemplo, que calcula unos periodos de mantenimiento y unas tareas de
mantenimiento para el conjunto de los coches, sistemas y
equipos.
Con el método de la invención se realiza a cada
coche, sistema y equipo, el mantenimiento más eficiente y efectivo.
Este mantenimiento se realizara en función de una serie de variables
de entrada, como son las últimas intervenciones de mantenimiento
preventivo y de mantenimiento correctivo realizadas, las
estadísticas de índices de fiabilidad por coche, sistema y equipo
de forma individual y de forma conjunta, los kilómetros recorridos
por la unidad, línea y vías de circulación, operaciones de
mantenimiento exigidas por la normativa de seguridad o por la
normativa legal vigente y toma de variables relacionadas con el
análisis de vibraciones.
Con todos los datos anteriores, el método de la
invención proporciona para cada unidad una fecha óptima para una
próxima intervención, es decir, qué ciclo a aplicar o cuando o tras
cuantos kilómetros es necesario realizar las tareas de
mantenimiento preventivo. El método de la invención permitirá
también determinar si los momentos de mantenimiento deben
adelantarse o retrasarse respecto al periodo nominal de
mantenimiento. De este modo se podrá analizar si los límites
fijados a priori de mantenimiento son superados, así como si
la desviación que se observa se corresponde con un valor estable,
pudiendo en ese caso plantearse un cambio en los ciclos de
mantenimiento. El método de la invención puede definir
adicionalmente las sub-operaciones de mantenimiento
a realizar. Dichas sub-operaciones de mantenimiento
podrán ser modificadas según las recomendaciones que la invención
pueda realizar, con el fin de mejorar el mantenimiento preventivo
llevado a cabo. Las unidades en las que se expresa cuando se
debería realizar el próximo mantenimiento podrán ser horas o
kilómetros, siendo una fácilmente convertible a la otra.
\newpage
El método de la invención se basa en sistemas de
minería de datos, redes neuronales, árboles de decisión, lógica
difusa y estimación empírica de funciones de densidad de
probabilidad.
El método de gestión del mantenimiento objeto de
la presente invención proporciona como ventaja respecto a los
métodos del estado de la técnica la capacidad de adaptar las
acciones de mantenimiento a cada coche, a cada sistema y a cada
equipo, ya que la aplicación de las mismas consistencias y
periodicidades a todo un parque de coches por igual puede ser en
algunos casos un despilfarro y, en otro, una falta de oportunidad
para adelantarse a la avería.
El método de gestión del mantenimiento objeto de
la presente invención realiza la adaptación de las acciones de
mantenimiento a partir de una serie de entradas, que son, por
ejemplo, últimas intervenciones de mantenimiento preventivo,
últimas intervenciones de mantenimiento correctivo, estadísticas de
índices de fiabilidad por equipo de forma individual y de forma
conjunta, estadísticas de índices de fiabilidad por unidad de forma
individual y de forma conjunta, kilómetros recorridos por la unidad,
lugar de circulación, operaciones de seguridad y legales, toma de
variables de vibraciones y planificación de las operaciones futuras
de mantenimiento de cada coche.
Los datos mencionados son almacenados en una
base de datos relacional. La base de datos sirve como fuente de
información para el algoritmo de procesamiento de datos.
Los datos de entrada almacenados en la base de
datos son procesados por un algoritmo. El algoritmo tiene por
finalidad determinar la fecha y el kilometraje óptimos para la
intervención de mantenimiento más próxima del coche, sistema o
equipo, determinar el ciclo de mantenimiento que se ha de aplicar al
coche, sistema o equipo, determinar cuál ha de ser el adelanto o
retraso de las acciones de mantenimiento respecto a la planificación
nominal, determinar cuáles son las sub-operaciones
de mantenimiento que se han de realizar, y recomendar modificaciones
al plan de mantenimiento nominal.
El algoritmo de procesamiento de datos cuya
finalidad se acaba de especificar, realiza el procesamiento de los
datos de entrada utilizando técnicas de minería de datos. Las
técnicas de minería de datos que emplea el sistema se basan en
estadística y aprendizaje artificial.
Respecto a las técnicas basadas en la
estadística, estas técnicas comienzan leyendo los datos de entrada y
almacenándolos en una base de datos relacional.
Los datos de entrada almacenados en la base de
datos son recolectados de manera que se recuperan todos los datos
almacenados referentes a un coche, sistema o equipo determinado.
Los datos de cada coche, sistema o equipo se
procesan para calcular los kilómetros recorridos por el coche,
sistema o equipo entre cada par de averías consecutivas. Con estos
datos se calcula el histograma del kilometraje entre averías.
El histograma del kilometraje entre averías es
integrado y el resultado es dividido por el valor máximo de la
integración, obteniéndose una estimación de la función de
distribución acumulativa de probabilidad de la variable aleatoria
kilómetros recorridos entre averías.
La estimación de la función de distribución de
probabilidad se utiliza para calcular la probabilidad de que ocurra
una avería antes de que el coche, sistema o equipo recorra una serie
de kilómetros. Se hace tomar a la variable aleatoria valores
consecutivos que cubran el rango de kilometraje habitual antes de
las revisiones. Se hace que esta variable tome valores entre 100 y
30.000 kilómetros. Dicha horquilla está relacionada con los ciclos
definidos de mantenimiento preventivo.
Los valores de la probabilidad de que ocurra una
avería antes de cualquiera de los valores de kilometraje son
comparados con un valor de probabilidad umbral. Se adopta un umbral
distinto para cada sistema y equipo del coche. Con los valores de
probabilidad y las estimaciones de la probabilidad para cada valor
de kilometraje se busca el valor del kilometraje para el cual la
probabilidad de que ocurra una avería es mayor que el umbral. El
valor de kilometraje encontrado se toma como valor de la predicción
de los kilómetros que faltan para que se produzca una
avería.
avería.
Este proceso es repetido tres veces para cada
coche, cada vez con un nivel de detalle diferente.
La primera vez se hace para el coche en su
conjunto. Los cálculos de la estimación de la función de
distribución acumulativa se hacen considerando todas las averías
sufridas por el coche en su historia. Se hace una predicción de los
kilómetros que recorrerá el coche antes de tener una avería en
cualquiera de sus sistemas o equipos.
La segunda vez se hace para cada sistema del
coche. Los cálculos de la estimación de la función de distribución
acumulativa se hacen considerando las averías que afectan a cada
sistema del coche, de manera que se obtienen tantas predicciones
como sistemas tenga el coche. Cada una de las predicciones indica
los kilómetros que ha de recorrer el coche antes de que se produzca
una avería en el sistema correspondiente.
La tercera vez se hace para cada equipo de cada
sistema. Los cálculos de la estimación de la función de distribución
acumulativa se hacen considerando las averías que afectan a cada
equipo de cada sistema del coche, de manera que se obtienen tantas
predicciones como equipos tenga el coche. Cada una de las
predicciones indica los kilómetros que ha de recorrer el coche
antes de que se produzca una avería en el equipo
correspondiente.
Además del método descrito, las mismas
predicciones se calculan utilizando un algoritmo
neuro-difuso.
Los datos de cada coche, sistema o equipo se
procesan para calcular los kilómetros recorridos por el coche,
sistema o equipo entre cada par de averías consecutivas. Los datos
son procesados mediante un algoritmo adaptativo de inferencia neuro
difusa o ANFIS, Adaptive NeuroFuzzy Inference System.
Los datos históricos de cada coche, sistema o
equipo son utilizados para entrenar un ANFIS. Las entradas de
algoritmo son: kilómetros recorridos entre averías, días pasados
entre averías, sistemas y equipos afectados por las averías
pasadas, sistemas y equipos afectados por las operaciones de
mantenimiento pasadas. La salida del ANFIS es la predicción de los
kilómetros que se recorrerán antes de una avería.
Para cada coche se entrena un ANFIS que predice
los kilómetros que recorrerá el coche antes de tener una avería.
Para cada sistema del coche se entrena un ANFIS
que predice los kilómetros que recorrerá el coche antes de tener una
avería en el sistema correspondiente.
Para cada equipo de cada sistema del coche se
entrena un ANFIS que predice lo kilómetros que recorrerá el coche
antes de que se produzca una avería en el equipo
correspondiente.
De esta manera, utilizando a la vez el método
basado en técnicas estadísticas y el método que emplea el algoritmo
neuro-difuso, se obtienen dos valores de la
predicción de los kilómetros que faltan para tener una avería en el
coche, se obtienen dos valores de la predicción de los kilómetros
que faltan para que se produzca una avería en cada uno de los
sistemas del coche y se obtienen dos valores de la predicción de que
se produzca una avería en cada uno de los equipos de cada sistema
de un coche.
El valor final de la predicción de los
kilómetros que se recorrerán antes de que se produzca una avería en
el coche se obtiene haciendo la media de las dos predicciones
obtenidas.
El valor final de la predicción de los
kilómetros que se recorrerán antes de que se produzca una avería en
cada sistema del coche se obtiene haciendo la media de las dos
predicciones obtenidas para cada uno de los sistemas del coche.
El valor final de la predicción de los
kilómetros que se recorrerán antes de que se produzca una avería en
cada equipo de cada sistema del coche se obtiene haciendo la media
de las dos predicciones obtenidas para cada uno de los equipos de
cada sistema.
Con las predicciones de los kilómetros que
recorrerá el coche antes de que se produzca una avería en el coche,
en uno de sus sistemas o en uno de los equipos de cada uno de los
sistemas del coche se hace una estimación de los días que serán
necesarios para recorrer las distancias predichas.
La estimación de los días que tardan en
recorrerse las distancias predichas se hace calculando los
kilómetros recorridos por día durante un periodo de tiempo
suficientemente largo. Se supone que los kilómetros que se
recorrerán diariamente en el futuro son iguales a ese promedio y de
esta manera se transforman las predicciones de kilómetros que se
recorrerán antes de que ocurra una avería en el coche, en uno de sus
sistemas o en alguno de los equipos de alguno de sus sistemas en
predicciones de los días que faltan para que se produzca una avería
en el coche, en uno de sus sistemas o en alguno de los equipos de
alguno de sus sistemas.
Las predicciones de kilómetros que faltan para
una avería se calculan mediante la combinación de los dos métodos
comentados anteriormente y convertidas a días que faltan para una
avería para el coche, sistema o equipo afectado por la avería
registrada. Las predicciones son comparadas con la planificación de
mantenimiento del coche, sistema o equipo para el que se ha hecho
la predicción. Las operaciones de mantenimiento planificadas se
registran en la base de datos de manera que quede reflejado el
coche, el sistema y el equipo al que afectan. La comparación de las
predicciones con las operaciones futuras permite saber si una avería
en el coche, en uno de sus sistemas o en uno de los equipos de un
sistema ocurrirá antes o después que la operación de mantenimiento
que afecte al sistema o al equipo de un sistema tenga lugar.
A partir de la comparación entre la predicción
de una avería y la operación de mantenimiento programada se toma una
decisión sobre la modificación del plan de mantenimiento.
Si la predicción de una avería en un sistema
determinado o en un equipo determinado de un sistema determinado es
tal que la avería ocurrirá antes de que una operación de
mantenimiento afecte al sistema o equipo al que se refiere la
predicción, la operación de mantenimiento es adelantada a una fecha
anterior a la predicha por la predicción como aquella en la que
ocurrirá la avería. El adelanto se hace de tal manera que coincida
con alguna operación de mantenimiento anterior a la predicción y en
la que no estuviera previsto actuar sobre el sistema o el equipo al
que se refiere la predicción pero sí sobre otros. Si no hay ninguna
operación de mantenimiento con fecha anterior a la predicha como
aquella en la que ocurrirá la avería se crea una para proceder a la
revisión del sistema o del equipo de un sistema al que se refiera la
predicción.
Si la predicción de una avería en un sistema o
en un equipo determinado de un sistema determinado es tal que la
avería ocurrirá después de que una operación de mantenimiento afecte
al sistema o equipo al que se refiera la predicción, las
operaciones de mantenimiento que pudieran afectar al sistema o
equipo del coche al que se refiere la predicción antes de que se
cumpla la predicción son eliminadas de la siguiente manera: si
hubiera más de una operación de mantenimiento que afectare al
sistema o equipo al que se refiere la predicción antes de que ésta
se cumpla se eliminarán todas menos la más cercana al momento para
el que se predice la ocurrencia de la avería; si sólo hubiera una
operación de mantenimiento antes de que se cumpla la predicción, la
operación de mantenimiento se mantendrá.
La modificación de los planes de mantenimiento
nunca incumplirá los estándares y obligaciones consideradas de
seguridad, tanto definidos externamente a la empresa ferroviaria en
cuestión como definidos internamente por ésta.
La modificación de los planes de mantenimiento
se puede hacer de manera reactiva o de manera proactiva.
La modificación de los planes de mantenimiento
es reactiva cuando el cálculo de las predicciones de los kilómetros
y días que faltan para una avería en un coche, en sus sistemas y en
los equipos de sus sistemas se hace como consecuencia del registro
en la base de datos de una avería para un coche dado.
La modificación de los planes de mantenimiento
es proactiva cuando el cálculo de las predicciones de los kilómetros
y días que faltan para una avería en un coche, en sus sistemas y en
los equipos de sus sistemas se hace ante la proximidad de una
acción de mantenimiento. Con las predicciones realizadas se
comprueba la oportunidad de las acciones de mantenimiento
programadas y se realizan las modificaciones oportunas en los planes
de mantenimiento.
A la vista de esta descripción y juego de
figuras, el experto en la materia podrá entender que la invención
ha sido descrita según una realización preferente de la misma, pero
que múltiples variaciones pueden ser introducidas en dicha
realización preferente, sin salir del objeto de la invención tal y
como ha sido reivindicada.
Claims (3)
1. Método de mantenimiento predictivo de un
material rodante, dicho material rodante comprende al menos un
coche, dicho coche comprende al menos un sistema, dicho sistema
comprende al menos un equipo, realizándose el mantenimiento de
dichos, al menos un, coche, sistema y equipo según unos periodos de
mantenimiento establecidos por una rutina de mantenimiento,
caracterizado porque comprende los pasos
de:
- -
- obtener como variables de entrada al menos un parámetro de funcionamiento significativo de cada, al menos un, coche, sistema y equipo para poder evaluar la situación de dicho coche, sistema y equipo,
- -
- calcular el número de horas o kilómetros restantes hasta una próxima avería de cada coche, sistema y equipo aplicando técnicas estadísticas a los parámetros de funcionamiento obtenidos,
- -
- calcular el número de horas o kilómetros restantes hasta una próxima avería de cada coche, sistema y equipo aplicando un algoritmo adaptativo de inferencia neuro-difusa (ANFIS) a los parámetros de funcionamiento obtenidos,
- -
- calcular el número de horas o kilómetros restantes hasta una próxima avería de cada coche como la media aritmética del número de horas o kilómetros calculados empleando las técnicas estadísticas y el algoritmo adaptativo de inferencia neuro-difusa; y
- -
- modificar los periodos de mantenimiento de cada coche, sistema y equipo de acuerdo con el número de horas o el número de kilómetros restantes hasta una próxima avería.
2. Método de mantenimiento de un material
rodante según la reivindicación 1, caracterizado por que el,
al menos un, parámetro de funcionamiento está seleccionado
entre:
- -
- las operaciones de mantenimiento preventivo anteriores,
- -
- las operaciones de mantenimiento correctivo anteriores,
- -
- los índices de fiabilidad de los coches, de los sistemas, y de los equipos,
- -
- los kilómetros recorridos por el coche, sistema y equipo,
- -
- la vía de circulación por la que el coche, sistema y equipo ha circulado,
- -
- la medida de las vibraciones sufridas por el coche, sistema y equipo,
- -
- una combinación de los anteriores.
3. Método de mantenimiento de un material
rodante según cualquiera de las reivindicaciones
1-2, caracterizado por que los periodos de
mantenimiento modificados de cada coche, sistema y equipo
corresponden con el número de horas o kilómetros restantes hasta
una próxima avería predicho.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200802003A ES2335377B1 (es) | 2008-07-04 | 2008-07-04 | Metodo de mantenimiento de un material rodante. |
PCT/ES2009/070269 WO2010000908A1 (es) | 2008-07-04 | 2009-07-01 | Método de mantenimiento de un material rodante |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200802003A ES2335377B1 (es) | 2008-07-04 | 2008-07-04 | Metodo de mantenimiento de un material rodante. |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2335377A1 true ES2335377A1 (es) | 2010-03-25 |
ES2335377B1 ES2335377B1 (es) | 2011-06-13 |
Family
ID=41465524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200802003A Active ES2335377B1 (es) | 2008-07-04 | 2008-07-04 | Metodo de mantenimiento de un material rodante. |
Country Status (2)
Country | Link |
---|---|
ES (1) | ES2335377B1 (es) |
WO (1) | WO2010000908A1 (es) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014102401A1 (es) * | 2012-12-27 | 2014-07-03 | Acciona Infraestructuras, S.A. | Método predictivo de análisis de un equipo de bateado y equipo de bateado. |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9114386B2 (en) | 2010-10-27 | 2015-08-25 | Shell Oil Company | Self-activating hydroprocessing catalyst and process for treating heavy hydrocarbon feedstocks |
SG11201508586YA (en) | 2013-04-24 | 2015-11-27 | Shell Int Research | Activation of a hydroprocessing catalyst with steam |
CN106506645B (zh) * | 2016-11-10 | 2019-11-22 | 中车青岛四方机车车辆股份有限公司 | 轨道车辆的监控方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002093279A2 (en) * | 2001-03-28 | 2002-11-21 | Westinghouse Electric Company Llc | Predictive maintenance display system |
-
2008
- 2008-07-04 ES ES200802003A patent/ES2335377B1/es active Active
-
2009
- 2009-07-01 WO PCT/ES2009/070269 patent/WO2010000908A1/es active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002093279A2 (en) * | 2001-03-28 | 2002-11-21 | Westinghouse Electric Company Llc | Predictive maintenance display system |
Non-Patent Citations (2)
Title |
---|
SAINZ PALMERO G I; JUEZ SANTAMARIA J; MOYA DE LA TORRE E J; PERAN GONZALEZ J R. "{}Fault detection and fuzzy rule extraction in AC motors by a neuro-fuzzy ART-based system"{} ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE,- 01.10.2005 Vol: 18, Nr: 7, Pags: 867-874. ISSN: 0952-1976. Todo el documento. * |
SAINZ PALMERO G I; JUEZ SANTAMARIA J; MOYA DE LA TORRE E J; PERAN GONZALEZ J R. "Fault detection and fuzzy rule extraction in AC motors by a neuro-fuzzy ART-based system" ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE,- 01.10.2005 Vol: 18, Nr: 7, Pags: 867-874. ISSN: 0952-1976. Todo el documento. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014102401A1 (es) * | 2012-12-27 | 2014-07-03 | Acciona Infraestructuras, S.A. | Método predictivo de análisis de un equipo de bateado y equipo de bateado. |
Also Published As
Publication number | Publication date |
---|---|
ES2335377B1 (es) | 2011-06-13 |
WO2010000908A1 (es) | 2010-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2335377B1 (es) | Metodo de mantenimiento de un material rodante. | |
JP6125559B2 (ja) | 鉄道車両の損害推定方法 | |
US20080109124A1 (en) | Method of planning the movement of trains using pre-allocation of resources | |
US8498762B2 (en) | Method of planning the movement of trains using route protection | |
CN105083323B (zh) | 用于处理故障的系统及方法 | |
TW200639754A (en) | Driving route planning system and method | |
ES2844725T3 (es) | Método de control de vehículos en caso de situación de conflicto y sistema de apoyo a la decisión | |
JP2016097759A (ja) | 鉄道地上設備の劣化推定システム及びその方法 | |
CN110503209B (zh) | 一种基于大数据的钢轨分析预警模型构建方法与系统 | |
Martani et al. | A review of the state-of-the-art in railway risk management | |
Haj-Salem et al. | Combining ramp metering and hard shoulder strategies: field evaluation results on the ile the France motorway network | |
AKÇAY et al. | Estimation of the average speed for a railway signaling system by using gaussian process regression methods with bayesian optimization | |
Reichsthaler et al. | An AI-enhanced Approach for optimizing life cycle costing of military logistic vehicles | |
Antos et al. | Tapping into delay: Assessing rail transit passenger delay with data from a tap-in, tap-out fare system | |
Deng | Fault diagnostics on railway switches and crossings using a bat-optimised sequence-to-sequence neural model | |
Magalhães et al. | Asset management in rail public transport sector and industry 4.0 technologies | |
WO2020179297A1 (ja) | 運行計画生成装置、及び運行計画生成方法 | |
Rompis | Impact of Traffic Incident on a Network Wide Level | |
CN117829596A (zh) | 一种轨道交通列车运行安全管理方法、装置、设备及介质 | |
Butko et al. | Formation of alternative routes for passenger trains in the event of non-standard situations | |
Djordjević et al. | An optimisation-based digital twin for automated operation of rail level crossings | |
Farahmand | An Overview of Transport Modelling Approaches–A Use Case Study of Helsinki | |
Cucu et al. | PERIODIC CONTROL OPTIMIZATION ACCORDING TO AVAILABILITY FOR VEHICLES | |
Tzanakakis et al. | Management of Infrastructure Data | |
Matic | Machine Learning in Predictive Maintenance of Railway Infrastructures: Implementations and Challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
EC2A | Search report published |
Date of ref document: 20100325 Kind code of ref document: A1 |
|
FG2A | Definitive protection |
Ref document number: 2335377 Country of ref document: ES Kind code of ref document: B1 Effective date: 20110613 |