![](3D"16_SergioRaulVillacres_archivos/image002.gif")
Metodologías
de optimización del mantenimiento enfocado a transformadores de potencia: Una revisión del e=
stado
del arte
Preventive maintenance optimization
methodologies focused on power transformers: A state of the art review
Sergio Raúl Villacrés-Parra. [1], =
Mayra A=
lexandra
Viscaíno-Cuzco. [2] <=
/span>& César Mar=
celo Gallegos-Londoño. [3]
Recibido:
24-06-2021 / Revisado: 01-07-2021 /Aceptado: 21-07-2021/ Publicado: 05-08-2=
021
=
Abstract. &=
nbsp; &=
nbsp; DOI <=
span
style=3D'font-size:10.0pt;line-height:115%;font-family:"Segoe UI",sans-seri=
f;
color:red;background:white;font-weight:normal'>: https://doi=
.org/10.33262/concienciadigital.v4i3.1.1827
Introduction. Of all the equipment that makes up the electrical system, the power
transformer is one of the most important equipment due to its criticality, =
high
maintenance costs, long repair times and the impact caused by a failure, bo=
th
in the reduction of the reliability of the system, as in the losses generat=
ed
to users; lead to avoiding the occurrence of failures is a matter of vital
importance, for this maintenance plays a fundamental role. Aim. Iden=
tify
the maintenance optimization algorithms that are applicable to power
transformers, through a study of the state of the art. Methodology. =
It
consisted of a systematic review of literature published in databases such =
as
Scopus, carried out in three general stages: search, selection and analysis=
. Results.
As a result of the search stage, 40 articles were obtained, finally 11 arti=
cles
went to the analysis process; where it was identified that the most used
optimization algorithms were: the one based on the Monte Carlo Simulation (=
27%)
and Linear Programming (18%). 64% of the investigations start the optimizat=
ion
process, on the implementation of a maintenance strategy, be it preventive =
and
/ or corrective. Conclusion. Optimization processes seek to minimize
maintenance costs, maximize reliability, minimize asset deterioration, or a
combination of them.
Keywords: Power transformer, maintenance optimization, optimiza=
tion
algorithm, maintenance cost, reliability.
Resumen.
Introducción. =
De
todos los equipos que conforman el sistema eléctrico, el transformad=
or
de potencia es uno de los equipos más importantes debido a su
criticidad, los elevados costos de mantenimiento, los prolongados tiempos de
reparación y el impacto que causa un fallo, tanto en la reducci&oacu=
te;n
de la fiabilidad del sistema, como en las pérdidas generadas a los
usuarios; conducen a que evitar la ocurrencia de los fallos sea un tema de
vital importancia, para ello el mantenimiento desempeña un rol funda=
mental.
Objetivo. Identificar los algo=
ritmos
de optimización del mantenimiento que sean aplicables a transformado=
res
de potencia, a través de un estudio del estado del arte. Metodología. Consistió en una
revisión sistemática de literatura publicada en bases de dato=
s como
Scopus, desarrollándose en tres etapas
generales: búsqueda, selección y análisis. Resultados. Como resultado de la etapa de búsqueda, se
obtuvieron 40 artículos, finalmente 11 artículos pasaron al
proceso de análisis; donde se identificaron
que los algoritmos de optimización más empleado fueron: el qu=
e se
basa en la Simulación de Montecarlo (27%) y Programación Line=
al
(18%). El 64% de las investigaciones arrancan el proceso de
optimización, sobre la implementación de alguna estrategia de
mantenimiento sea preventiva y/o correctiva. Conclusión. Lo=
s procesos
de optimización buscan minimizar los costos de mantenimiento, maximi=
zar
la fiabilidad, minimizar el deterioro del activo o una combinación de
ellos.
Palabras claves: Transformador
de potencia, optimización del mantenimiento, algoritmo de optimización, costo de mantenimiento, fiabilidad.
Intro=
ducción.
En el Ecuador se han evidenciado cambios en el sector energético en los últimos 12 años<=
span
style=3D'letter-spacing:1.2pt'> por las inversiones realizadas y nue=
va
infraestructura instalada. El parque de generación de energía=
eléctrica consta de 317 centrales eléctricas que proveen
Del conjunt=
o de
equipos que conforman la infraestructura eléctrica, el transformador=
de
potencia es de los equipos m&aa=
cute;s
costosos e importantes, (Murugan & Ramasamy, 2019), (Nariswari & Pudjihastuti, 2021); porque es el mecanismo de
interconexión entre las etapas de transmisión y distribución. El sistema de distribución cuenta con 324.776
transformadores de voltaje, (MERNNR, 2016), lo que significa que existe =
una
alta inversión en estos equipos. De hecho, el plan “Plan Maestro de Electricidad
Expansión y mejora de la distribución 2016-2025”=
, estableció como
Realizar un
análisis para conocer los fallos en los transformadores, los modos y=
sus
causas, constituye el primer aspecto en el reto de minimizar la ocurrencia de fallos, porque es la base para el
cálculo de la fiabilidad. Los eventos de fallo de un transformador,
pueden presentarse en cualquier momento y en cualquiera de sus componentes. En (Madavan & Balaraman, 2016),
se identifica al devanado y núcleo (parte activa del transformador), el cambiador de tomas bajo carga, el buje, el aislamiento y el tanque
como los componentes más críticos; debido a su
funcionamiento prolongado y al sometimiento continuo
a diversas tensiones operativas, provocando su degradación y finalme=
nte
el cese de su función.
Segú=
n R. Murugan y R.
Ramasamy, la r=
eparación de estos equipos
es costosa y el tiempo
de reemplazo podría tomar hasta un año, por lo cual es importante evitar la ocurrencia de los fallos (Murugan & Ramasamy, 2019).
Para ello y de forma general, hay dos tipos de
mantenimiento que se aplican a un equipo si es reparable: mantenimiento preventivo y correctivo.
El mantenim=
iento
y la fiabilidad están interrelacionados. La fiabilidad es un indicad=
or
de mantenimiento que está en función del número de fal=
los
ocurridos en un intervalo de tiempo; puede entenderse como la probabilidad de que un equipo que opera bajo condiciones definidas, cumpla su función requerida sin
Aunque el
diseño de planes preventivos de mantenimiento es una práctica
conocida para la industria l=
ocal,
el tema de su optimización es todavía una tarea pendiente.
Internacionalmente ya se ha
investigado sobre el tema de mantenimiento desde una perspectiva de
optimización, enfocándose en á=
mbitos
como: inventario de repuestos y mantenimiento planificado (Wang, 2012), mantenimiento de activos
ferroviarios (Bressi et al., 2021), mantenimiento de parques
eólicos, (Carlos, Sánchez, Martorell, & Marton,
2013) y parques eólicos marinos (Irawan, Eskandarpour, Ouelhadj, & Jones, 20=
21).
Los modelos
de optimización
El problema de optimización multiobjetivo pu=
ede ser reducido a un uno de objetivo
único, empleando=
el concepto de efectividad, (Carlos et al., 2013). En (Ramos A., Alonso-Ayuso A., 2011)<=
!--[if supportFields]>, se explica que en
optimización existen problemas lineales estocásticos, donde algunos de los parámetros que intervienen=
en el modelo
son inciertos, por lo cual se consideran como variables aleatorias que pueden ser descritas
probabilísticamente a través de distribuciones de probabilidad. En el caso particu=
lar
del fenómeno de ocurrencia de fallos según (AENOR EN 61649:2012, 2012), (Carlos et al., 2013) y (Nariswari & Pudjihastuti, 2021), estos eventos
pueden modelarse mediante
una distribución<=
span
style=3D'letter-spacing:-.25pt'> de Weibull. De hecho, (Nariswari & Pudjihastuti, 2021)=
, menciona que =
“Weibull es la distribución más utilizada y la más beneficiosa par=
a modelar
la confiabilidad de un componente o sistema̶=
1;, debido
a que la fiabilidad<=
span
style=3D'letter-spacing:1.3pt'> disminuye
con el tiempo y los patrones de fallo son diferentes a lo largo d=
e la
vida útil de un equipo. Una vez conocidos los parámetros de
El objetivo=
de la
investigación es
identificar los algoritmos de optimización del mantenimiento que sean
aplicables a transformadores de potencia, a través de un estudio del
estado del arte.
Metodologia
La revisión de la literatura que se llevó a cabo, se b=
asó
en una revisión sistemática de acuerdo a las recomendaciones =
de (Vera, 2017) y (Karki & Porras, 2021), con el objetivo de identificar aquellos estudios que portan a
identificar las metodologías de optimización del mantenimient=
o. La
metodología empleada consistió en tres etapas generales, la F=
igura
1. ilustra el procedimiento:
·
Etapa 1: Búsqueda de artícul=
os
de interés
·
Etapa 2: Selección de artícu=
los
relevantes
·
Etapa 3: Análisis de informaci&oacu=
te;n
seleccionada
Figura 1
Procedimiento
de selección de artículos
![](3D"16_SergioRaulVillacres_archivos/image004.gif")
Nota: Descr=
ipción
de las etapas ejecutadas para la
selección de artículos de interés.
Etapa 1: Búsqueda de artículos de
interés
<=
i><=
span
style=3D'mso-list:Ignore'>a)&n=
bsp;
Selección de las bases de datos
bibliográficas y búsqueda con palabras clave
En correspondencia con el objetivo del presente
trabajo, se inició una búsqueda en español en la base =
de
datos Scielo, empleando para la búsqueda la palabra clave “=
optimización
del mantenimiento” y “mantenimiento de
transformadores” en donde se obtuvo información limitada,
especialmente en el ámbito de la optimización del mantenimien=
to.
Luego se recurrió a revistas especializadas en las bases de datos
=
a)
Proceso de
selección
E=
n esta
etapa fue necesario definir bajo qué parámetros se
procederá a la selección de información relevante, para
obtener como resultado artículos excluidos, aquellos que no cumplen =
con
los criterios de selección y artículos seleccionados, que
continuarán a la siguiente etapa.
=
b)
Criterios de
selección
Los criterios básicos de selección, bajos los cuales s=
e filtró
la información fueron cuatro:
1.&n=
bsp;
Título relevante
2.&n=
bsp;
Resumen conduce a revisar e=
l documento
3.&n=
bsp;
Exposición clara de =
la
metodología de optimización.
4.&n=
bsp;
La metodología es
aplicable al mantenimiento de transformadores de potencia.
En la primera subetapa, sie=
te
artículos no cumplieron con este criterio y fueron rechazados; con l=
os
artículos restantes se procedió a valorar con el segundo crit=
erio
que consistió en leer detenidamente el resumen, en busca de identifi=
car
que sea mencionada la metodología empleada para la optimizació=
;n
del mantenimiento, en este punto se excluyeron siete documentos. En la sube=
tapa
tres, se procedió a leer la metodología descrita buscando
evidenciar que el algoritmo de optimización sea expuesto con detalle=
. En
incumplimiento de los criterios de selección 29 artículos fue=
ron
rechazados y 11 pasaron a la etapa de análisis.
Una vez identificados aquellos artículos=
que
contribuyen a lograr el objetivo de este trabajo, se analizaron las
metodologías descritas, en los cuales se identificó que, para=
lograr
la optimización, cada estudio parte de una estrategia base (la cual =
se
pretende optimizar), para luego usar un algoritmo de optimización; y=
en
efecto el procedimiento de la revisión se esquematizó en la
Figura 2, en donde en primera instancia la meta fue identificar la estrateg=
ia
primaria que cada estudio implementó y luego localizar el algoritmo =
de
optimización.
Figura 2
Proceso
de análisis de artículos
![](3D"16_SergioRaulVillacres_archivos/image006.gif")
Nota: En las investigaciones analizadas, se identificó que había
implementa alguna estrategia de mantenimiento, previo a la optimizaci&oacut=
e;n.
Resultados
Como
resultado de las etapas de búsqueda y selección se obtuvieron=
11
(de 40) artículos, información que se considera confiable dado
que los artículos están publicados en bases de datos
científicas reconocidas. Los años de publicación
varían desde 2012 y 2021, el 27.2% de los artículos fueron
publicados en el transcurso de este año. En la Figura 3. se presenta=
una
distribución del año de publicación de los
artículos clasificados.
Figura 3
Distribución de artículos
seleccionados y año de publicación ![](3D"16_SergioRaulVillacres_archivos/image008.gif")
Nota:=
Progresión de número de artículos publicados
referentes a la optimización del mantenimiento en los últimos
nueve años.
Fuente: Los
autores
Del
análisis de los artículos se identificó que en la fase
primaria el 64% de los estudios aplican como estrategia base a optimizar el
mantenimiento preventivo y/o correctivo; el 9% se enfocan en la
aplicación de métodos que evalúan la degradación
del activo (Coeficiente de reducción de degradación u cadena =
de Markov); el 9% aplicó un modelo
probabilístico para predicción de fallos a través del
cálculo de la fiabilidad, empleando la Distribución de Weibul=
l;
el 18% aplicó otros métodos (ver Figura 4.).
Figura 4
Métodos o estrategias aplicadas en la fase
primaria ![](3D"16_SergioRaulVillacres_archivos/image010.gif")
Nota: La estrategia primaria mayormente implementada por las investigaciones
analizadas fueron, mantenimiento preventivo, correctivo o una
combinación de ellas.
=
Fuente: Los autores=
Del proceso de análi=
sis
de la información seleccionada, se obtuvo el modelo o estrategia
primaria implementada y se identificó el algoritmo de
optimización; así como la fuente a la que corresponde la
respectiva información (ver Tabla 1). La información se
organizó respecto al año de publicación, de manera
ascendente.
Tabla 1
Síntesis del
análisis de los artículos seleccionados
|
Tí=
tulo del artículo |
Referenci=
a |
Estrategi=
a primaria |
Objetivo<=
/span> |
Algoritmo=
de optimización<=
/span> |
||||
|
A stochastic model for joint spare parts
inventory and planned maintenance optimisation |
(Wang, 2012) |
Mantenimi=
ento preventivo |
Optimizar el intervalo de inspección d=
e mantenimiento
preventivo y el control de inventario de repuestos |
Algoritmo de enumeración con
programación dinámica estocástica |
||||
|
Data Requisites for Transformer Statistical
Lifetime Modelling—Part II: Combination of Random and Aging-Related
Failures |
(D. Zhou, Wang, Jarman, & Li, 2014) |
Distribuc=
ión de Weibull |
Modelar fallas aleatorias y fallas relacionad=
as
con el envejecimiento. |
Optimización basada en simulació=
;n
de Monte Carlo |
||||
|
Selective maintenance optimization for
series-parallel systems with continuously monitored stochastic degrading
components subject to imperfect maintenance |
(Khatab
& Aghezzaf, 2016) |
Mantenimi=
ento preventivo y |
Modelar el mantenimiento imperfecto intermedi=
o |
Monitoreo de parámetros:
degradación, mínimo costo de mantenimiento, máxima
fiabilidad |
||||
|
Maintenance optimisation=
of a parallel-series system with stochastic and economic dependence under
limited maintenance capacity |
(Y. Zhou, Lin, Sun, &=
amp;
Ma, 2016) |
Mantenimiento prevent=
ivo
y mantenimiento correctivo |
Optimizar=
el mantenimiento |
Proceso de decisión de Markov
factorizado y algoritmo mejorado de programación lineal aproximada=
|
||||
|
A review on condition-based maintenance
optimization models for stochastically deteriorating system |
(Alaswad
& Xiang, 2017) |
Mantenimiento Basado =
en
la Condición (CBM) |
Reducir acciones de mtto no necesarias y eliminar l=
os
riesgos asociados con el mtto preventivo. |
Minimización de costes, maximización de la confiabilidad o disponibilidad y multiobjetivo<= o:p> |
||||
|
Preventive maintenance optimization for a sto=
chastically
degrading system with a random initial age |
(Sidibe, Khatab, Diallo, & Kassamba=
ra,
2017) |
Mantenimiento correct=
ivo
/ Política de reemplazo de edad (ARP) |
Determinar la óptima de reemplazo, ant=
es
que ocurra el fallo. |
Distribuciones de probabilidad: Uniforme, Nor=
mal,
LogNormal, Gamma |
||||
|
A Novel Method for Maintenance Record Cluster=
ing
and Its Application to a Case Study of Maintenance Optimization |
(Yang, Baraldi, & Zio, 2020) |
Mantenimiento prevent=
ivo
y mantenimiento correctivo |
Modelar estocásticamente la
degradación multiestado |
Optimización basada en simulació=
;n
de Monte Carlo |
||||
|
Stochastic Optimization Model for Energy of a
Hybrid Microgrid using Mixed Integer Linear Programming |
(Franke, Schneider,
Weitzel, & Rinderknecht, 2020) |
Estableci=
miento de escenarios |
Modelar el costo de envejecimiento |
Optimización de escenarios basada en u=
na
formulación MILP (mixed integer
linear programming) |
||||
|
Tabla 1 Síntesis del
análisis de los artículos seleccionados (continuació=
n) |
||||||||
|
Tí=
tulo del artículo |
Referenci=
a |
Estrategi=
a primaria<=
/b> |
Objetivo<=
/span> |
Algoritmo=
de optimización<=
/span> |
||||
|
Simulation-based optimis=
ation
for stochastic maintenance routing in an offshore wind farm |
(Irawan
et al., 2021) |
Metaheurística=
de
búsqueda de grades vecindarios. |
Enrutar el mtto p=
ara un
horizonte de planificación de un día. |
Optimización basada en simulació=
;n
de Monte Carlo |
||||
|
Optimization of maintenance strategies for
railway track-bed considering probabilistic degradation models and differ=
ent
reliability levels |
(Bressi
et al., 2021) |
Cadena de Markov |
Predecir la degradación del lecho de la
vía del tren. |
Algoritmo=
genético =
(GA) |
||||
|
A cost-effective two-stage optimization model=
for
microgrid planning and scheduling with compressed air energy storage and
preventive maintenance |
(Gao et al., 202=
1) |
Mantenimiento prevent=
ivo
y mantenimiento correctivo |
Planifica=
r el mantenimiento |
Estrategia evolutiva de depredadores y presas
basada en múltiples presas (MPEPPS). |
||||
Fuente: Los autores
La
Figura 5, indica los algoritmos que los artículos seleccionados
emplearon, observándose que los dos algoritmos más empleados =
con
el propósito de optimizar el mantenimiento fueron Simulación =
de
Montecarlo y Programación Lineal.&n=
bsp;
En la Figura 6, se esquematiza de manera general las estrategias o
métodos que emplearon los artículos tanto en la fase primaria
como en la fase de optimización.
Figura 5
Algoritmos de optimización del
mantenimiento
=
![](3D"16_SergioRaulVillacres_archivos/image012.gif")
Nota: Algoritmos más empleados por las investigaciones analizadas para
optimizar el mantenimiento.
Fuente: Los autores=
Figura 6
Mapa mental =
de las
fases para optimizar el mantenimiento
![](3D"16_SergioRaulVillacres_archivos/image014.gif")
Nota: Síntesis de las estrategias primarias y metodologías de
optimización, empleadas en las 11 investigaciones analizadas.
=
Fuente: Los autores=
Discusión
La
optimización del mantenimiento en países desarrollados es una
estrategia que ya se está aplicado, pues se evidenció que evi=
tar
la ocurrencia de fallos sin estimar los costos asociados resulta inadecuado=
y
obsoleto. El impacto positivo de la optimización del mantenimiento s=
obre
la vida de los activos, radica en permitir que estos cumplan su funci&oacut=
e;n
de manera efectiva y más productiva. En general este enfoque moderno contribuye a que las industrias sean
más competitivas, y perciban réditos económicos, pues =
la
optimización del mantenimiento se enfoca en minimizar el costo del
mantenimiento preventivo y/o correctivo, en algunos casos maximizando la
fiabilidad y monitoreando la degradación del activo.
Conclusiones
El análisis de los artícul=
os
seleccionados, permitió concluir que:
·
Todos los estudios de
optimización del mantenimiento, tienen implementado inicialmente un
programa que será optimizado, sea de mantenimiento preventivo, basad=
o en
la condición o correctivo; análisis de fiabilidad, o evaluaci=
ón
de la degradación del activo.
·=
; =
Los
algoritmos más usados fueron el algoritmo de optimización bas=
ado
en simulación de Montecarlo y Programación Lineal.
·=
; =
En
la mayoría de los casos la optimización del mantenimiento se
basó en la minimización del costo de mantenimiento combinado =
con
la maximización de la fiabilidad.
Referencias
bibliográficas:
AENOR EN 13306:2018. Terminología del mantenimient=
o. ,
AeUNE. (2018). Terminología del mantenimiento. Aenor, 31.
https://www.une.org/encuentra-tu-norma/busca-tu-norma/norma/?c=3DN0026303nor
§ (2018).
AENOR EN 61649:2012. Análisis de Weibull. ,
(2012).
Alaswad, S., & Xiang, Y. (201=
7).
A review on condition-based maintenance optimization models for stochastica=
lly
deteriorating system. Reliability Engineering and System Safety, =
157,
54–63. https://doi.org/10.1016/j.ress.2016.08.009
Anchundia Santana, P. E., Balderramo Vélez, N. R.,
& Pico Mera, G. E. (2018). Causas y Efectos que Impulsaron la
Innovación del Sector Eléctrico Ecuatoriano. Revista de
Investigaciones en Energía, Medio Ambiente y Tecnología: RIEM=
AT
ISSN: 2588-0721, 3(2), 18. https://doi.org/10.33936/riemat.v3i2.=
1626
Bressi, S., Santos, J., & Losa, M. (2021).
Carlos, S., Sánchez, A., Martorell, S., & Mart=
on,
I. (2013). Onshore
wind farms maintenance optimization using a stochastic model. Mathematic=
al
and Computer Modelling, 57(7–8), 1884–1890.
https://doi.org/10.1016/j.mcm.2011.12.025
Ecuador, C. Del. (2019). Normas Constitucionales - Sectores
Estratégicos. Ministero De Telecuminicaciones Y De Las Sociedad De
Informacion, 53(9), 1689–1699.
Franke, G., Schneider, M., Weitze=
l,
T., & Rinderknecht, S. (2020). Stochastic Optimization Model for Energy
Management of a Hybrid Microgrid using Mixed Integer Linear Programming.
Gao, J., Chen, J. J., Qi, B. X., =
Zhao,
Y. L., Peng, K., & Zhang, X. H. (2021). A cost-effective two-stage
optimization model for microgrid planning and scheduling with compressed air
energy storage and preventive maintenance. International Journal of
Electrical Power and Energy Systems, 125(October 2020).
https://doi.org/10.1016/j.ijepes.2020.106547
Irawan, C. A., Eskandarpour, M.,
Ouelhadj, D., & Jones, D. (2021). Simulation-based optimisation for
stochastic maintenance routing in an offshore wind farm. European Journa=
l of
Operational Research, 289(3), 912–926.
https://doi.org/10.1016/j.ejor.2019.08.032
Karki, B. R., & Porras, J. (2021). Digitalization for sustainable
maintenance services: A systematic literature review. Digital Business, 1(2),
100011. https://doi.org/10.1016/j.digbus.2021.100011
Khatab, A., & Aghezzaf, E. H.
(2016). Selective maintenance optimization for series-parallel systems with
continuously monitored stochastic degrading components subject to imperfect
maintenance. IFAC-PapersOnLine, 49(28), 256–261.
https://doi.org/10.1016/j.ifacol.2016.11.044
Lee, H., & Cha, J. H. (2016).=
New
stochastic models for preventive maintenance and maintenance optimization. =
European
Journal of Operational Research, 255(1), 80–90.
https://doi.org/10.1016/j.ejor.2016.04.020
Liang, Z., & Parlikad, A. (20=
18).
A Markovian model for power transformer maintenance. International Journ=
al
of Electrical Power and Energy Systems, 99(September 2017),
175–182. https://doi.org/10.1016/j.ijepes.2017.12.024
Madavan, R., & Balaraman, S.
(2016). Failure analysis of transformer liquid - solid insulation system un=
der
selective environmental conditions using Weibull statistics method. =
Engineering Failure Analysis, 65, 26–38.
https://doi.org/10.1016/j.engfailanal.2016.03.017
MERNNR. (2016). Plan Maestro de Electricidad
Expansión y mejora de la distribución 2016-2025.
239–273. Recuperado de
https://www.recursosyenergia.gob.ec/plan-maestro-de-electricidad/
Ministerio de Energía y Recursos Renovables. (2017=
). Plan
Maestro de la Electricidad 2016-2025. Expansión de la generaci&oacut=
e;n.
Recuperado de
https://www.recursosyenergia.gob.ec/wp-content/uploads/2020/01/4.-EXPANSION=
-DE-LA-GENERACION.pdf
Murugan, R., & Ramasamy, R.
(2015). Failure analysis of power transformer for effective maintenance
planning in electric utilities. Engineering Failure Analysis, 55<=
/i>,
182–192. https://doi.org/10.1016/j.engfailanal.2015.06.002
Murugan, R., & Ramasamy, R.
(2019). Understanding the power transformer component failures for health
index-based maintenance planning in electric utilities. Engineering Fail=
ure
Analysis, 96(July 2018), 274–288.
https://doi.org/10.1016/j.engfailanal.2018.10.011
Nariswari, R., & Pudjihastuti=
, H.
(2021). Reliability Analysis of Distribution Transformer with Bayesian Mixt=
ure
and Cox Regression Approach. Proc=
edia
Computer Science, 179(2020),
305–312. https://doi.org/10.1016/j.procs.2021.01.010
Ramos A., Alonso-Ayuso A., P. G. (2011). Optimizaci&oa=
cute;n
bajo incertidumbre (Universi d).
Sánchez, P., Ramos, A., Ferrer, J., Barquín,
J., & Linares, P. (2010). Modelos matemáticos de
optimización. Universidad Pontificia Comillas, 55.
Sidibe, I. B., Khatab, A., Diallo, C., & Kassambara, =
A.
(2017). Preventive
maintenance optimization for a stochastically degrading system with a random
initial age. Reliability Engineering and System Safety, 159(N=
ovember
2016), 255–263. https://doi.org/10.1016/j.ress.2016.11.018
Vera, O. (2017). Artículos de Revisión.
Cómo escribir artículos de revisión. Revista Chilen=
a de
Ortopedia y Traumatología, 58(02), 033–033.
https://doi.org/10.1055/s-0037-1606585
Wang, W. (2012). A stochastic mod=
el
for joint spare parts inventory and planned maintenance optimisation. Eu=
ropean
Journal of Operational Research, 216(1), 127–139.
https://doi.org/10.1016/j.ejor.2011.07.031
Yang, Z., Baraldi, P., & Zio,= E. (2020). A novel method for maintenance record clustering and its applicatio= n to a case study of maintenance optimization. Reliability Engineering and Sy= stem Safety, 203, 107103. https://doi.org/10.1016/j.ress.2020.107103<= o:p>
Zhou, D., Wang, Z., Jarman, P., &=
amp;
Li, C. (2014). Data requisites for transformer statistical lifetime modelli=
ng -
Part II: Combination of random and aging-related failures. IEEE Transact=
ions
on Power Delivery, 29(1), 154–160.
https://doi.org/10.1109/TPWRD.2013.2270116
Zhou, Y., Lin, T. R., Sun, Y., &a=
mp;
Ma, L. (2016). Maintenance optimisation of a parallel-series system with
stochastic and economic dependence under limited maintenance capacity. R=
eliability
Engineering & System Safety, 155, 137–146.
https://doi.org/10.1016/J.RESS.2016.06.012
![3Deditorial1.png](3D"16_SergioRaulVillacres_archivos/image016.jpg")
PARA CITAR EL ARTÍC=
ULO
INDEXADO.
Villacrés-Parra, S. R., Viscaíno-Cuzco,
M. A., & Gallegos-Londoño, C. M. (202=
1).
Metodologías de optimización del mantenimiento enfocado a
transformadores de potencia: Una revisión del estado del arte. ConcienciaDigital, 4(3.1), 238-252. https://doi=
.org/10.33262/concienciadigital.v4i3.1.1827
![3Deditorial1.png](3D"16_SergioRaulVillacres_archivos/image017.jpg")
El artículo que se publica=
es
de exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Concienc=
ia
Digital.
El artí=
culo
queda en propiedad de la revista y, por tanto, su publicación parcial
y/o total en otro medio tiene que ser autorizado por el director de la Revista Conciencia Digital.
![3D"logo_catalogo=](3D"16_SergioRaulVillacres_archivos/image019.jpg")
![](3D"16_SergioRaulVillacres_archivos/image021.jpg")
&=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p;