Anshuman Singh, ingeniero mecánico, GE Power & Water
John Korsedal, ingeniero consultor, GE Power & Water
Brad Foulkes, líder técnico, Ingeniería de confiabilidad del ciclo de vida, GE Power & Water
La vida útil de una máquina se compone de cientos de componentes. Cada componente se ve afectado por diversas condiciones operativas, muchas de las cuales no se consideran en el proceso de diseño. Por ello, la vida útil real de un componente no es un punto único, sino una distribución afectada por los datos operativos. Además, a veces no se puede determinar el tiempo exacto hasta el fallo, ya que un fallo de un componente puede no causar el fallo de toda la máquina. Estas fuentes de variación dificultan cada vez más el modelado de supervivencia, pero incluir datos operativos es una forma de reducir su impacto. JMP Pro se utiliza para comprender los datos operativos. Con la ayuda de redes neuronales artificiales y modelado bootstrap, creamos un enfoque paralelo a los modelos de supervivencia tradicionales, utilizando resultados discretos no balanceados para identificar los factores que determinan la vida útil de los componentes. Con este enfoque paralelo y la visualización de JMP Pro, se identifican las X vitales y se añaden a un modelo de supervivencia. El uso coherente de estos métodos conduce a un mejor modelo de supervivencia para la vida útil de los componentes. Esta presentación demostrará la técnica de modelado utilizada para identificar factores, lo que resulta en modelos más precisos.
