Modelación matemática de frecuencias óptimas de inspecciones de mantenimiento para tornos paralelos en función del contexto operacional
Barra lateral del artículo
Publicado:
Aug 22, 2023
Palabras clave:
Optimización, frecuencias, mantenimiento, bitácora, modelo, autoregresivo, pronóstico.
Contenido principal del artículo
Resumen
La optimización de frecuencias de mantenimiento utilizando el pronóstico de ocurrencia de fallas resultado de modelación matemática y en particular a través del empleo de Modelos Autorregresivos Integrado de Promedio Móvil (ARIMA) es un tema que ha venido siendo investigado y desarrollado en los últimos años, debido a que los resultados obtenidos reflejan el aumento de los distintos índices de productividad de las máquinas y equipos intervenidos, es decir se ha comprobado la eficacia, la eficiencia y la efectividad que tiene dichos modelos en la estimación de dichas frecuencias. Se ha aplicado una metodología que parte de la generación de una serie temporal en función de los Tiempos de Buen Funcionamiento (TTF) que se encuentran registrados en las bitácoras de mantenimiento del torno paralelo TR - 01, esta serie es modelada matemáticamente con el objetivo de generar un pronóstico adecuado de la aparición de nuevas fallas, esto permitió reducir indicadores clave de desempeño a nivel industrial como el Tiempo Medio de Reparación y los Costos de Mantenimiento hasta en un 35%, además la repetibilidad y la reproducibilidad de metodología planteada hace que el estudio se pueda implementar en cualquier activo físico.
Descargas
La descarga de datos todavía no está disponible.
Detalles del artículo
Cómo citar
López Telenchana, L. S., Ramos Araujo, C. E., Pérez Londo, N. A., & Moyón Moyón, C. del R. (2023). Modelación matemática de frecuencias óptimas de inspecciones de mantenimiento para tornos paralelos en función del contexto operacional. ConcienciaDigital, 6(3.2), 77-96. https://doi.org/10.33262/concienciadigital.v6i3.2.2667
Sección
Artículos
Citas
Abdullah, A., Ashutosh, T., & Mark S. (2017), Simulation - based optimisation of maintenance systems: Industrial case studies, Journal of Manufacturing Systems, 44, Part 1,191-206. https://doi.org/10.1016/j.jmsy.2017.05.008
Adhikari, R., & Agrawal, R. (2013). Hybridization of artificial neural network and Particle Swarm Optimization methods for time series forecasting. International Journal of Applied Evolutionary Computation (IJAEC), 4(3), 75-90. https://www.igi-global.com/article/hybridization-of-artificial-neural-network-and-particle-swarm-optimization-methods-for-time-series-forecasting/95960
Athanasopoulos, G., Hyndman, R., Kourentzes, N., & Petropoulos, F. (2017). Forecasting with temporal hierarchies, European Journal of Operational Research, Volume 262, Issue 1, 2017, Pages 60-74, ISSN 0377-2217, https://doi.org/10.1016/j.ejor.2017.02.046.
Ayeleru, O.O., Fajimi, L.I., Oboirien, B.O., & Olubambi, P.A., (2021). Forecasting municipal solid waste quantity using artificial neural network and supported vector machine techniques: a case study of Johannesburg, South Africa. J. Clean. Prod. 289, 125671. https://doi.org/10.1016/j.jclepro.2020.125671
Baptista, M., Sankararaman, S., de Medeiros, I. P., Nascimento, C., Prendinger, H., & Henriques, E. M. P. (2018). Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling. Computers & Industrial Engineering, 115, 41–53. https://doi:10.1016/j.cie.2017.10.033
Box, G.E.P., Jenkins, G.M., & Reinsel, G.C., 1994. Time Series Analysis -Forecasting and Control, third ed. Prentice-Hall, Englewood Cliffs, NJ.
Burnham, K., & Anderson, D. (2002). Selección de modelos e inferencia multimodelo: un enfoque práctico de la teoría de la información. 2ª ed. Nueva York, Springer-Verlag.
Çankaya, M. N., & Korbel, J. (2018). Least informative distributions in maximum q-log-likelihood estimation. Physica A: Statistical Mechanics and Its Applications, 509, 140–150. doi: 10.1016/j.physa.2018.06.004
Cleveland, R., Cleveland, W., McRae, J., & Terpenning, I (1990). “STL: A Seasonal-Trend Decomposition.” Journal of Official Statistics 6 (1): 3–73. https://www.wessa.net/download/stl.pdf
Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: journal of the Econometric Society, 1057-1072. https://www.jstor.org/stable/1912517
Fuller, W. A. (1996). Introduction to Statistical Time Series, second ed., New York: John Wiley and Sons.
Hernández-Sampieri, Roberto. (2018). Metodología de la investigación: Las rutas cuantitativa y cualitativa y mixta. México: Mc Graw Hill- Educación.
Ho, S., & Xie, M., (1998). The use of ARIMA models for reliability forecasting and analysis, Computers & Industrial Engineering, 35(1–2), 213-216, ISSN 0360-8352,https://doi.org/10.1016/S0360-8352(98)00066-7. (https://www.sciencedirect.com/science/article/pii/S0360835298000667)
Ho, S., Xie, M., & Goh, T., (2002) A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction, Computers & Industrial Engineering, 42 (2–4), 371-375, ISSN 0360-8352, https://doi.org/10.1016/S0360-8352(02)00036-0. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2409-16182019000100006&lng=es&tlng=es.
Hyndman, R., & Khandakar, Y. (2008). Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software, 27(3), 1–22. https://doi.org/10.18637/jss.v027.i03
Jimenez-Cortadi, A., Irigoien, I., Boto, F., Sierra, B., & Rodríguez, G. (2019). Predictive Maintenance on the Machining Process and Machine Tool. Applied Sciences, 10(1), 224. http// doi:10.3390/app10010224
Laurente, L., & Laurente, F. (2019). Aplicación del modelo ARIMA para la producción de la papa en la región de Puno-Perú. Revista de Investigación e Innovación Agropecuaria y de Recursos Naturales, 6(1), 30-40.
Mazón Fierro, G. J., & Buñay Guisñan, P. A. (2022). Análisis exploratorio entre modelos matemáticos predictivos, aplicados a la producción de energía mediante series temporales. ConcienciaDigital, 5(3.1),57-78. https://doi.org/10.33262/concienciadigital.v5i3.1.2223.
Melo, J., & Santana, G. (2016). Minado de series de tiempo utilizando la metodología ARIMA. Revista de Investigación y Desarrollo, 2-5: 21-31. ISSN-2444-4987. https://www.ecorfan.org/spain/researchjournals/Investigacion_y_Desarrollo/vol2num5/Revista_de_Investigaci%C3%B3n_y_Desarrollo_V2_N5_3.pdf
Montero, J., Schwartz, S., Vingerhoeds, R., Grabot, B., & Salaün, M. (2020). Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics. Journal of Manufacturing Systems, 56, 539–557. https://doi:10.1016/j.jmsy.2020.07.008.
Parreño, F., Parreño C., & Alvarez P. (2023). A matheuristic algorithm for the maintenance planning problem at an electricity transmission system operator, Expert Systems with Applications, 230, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2023.120583.
Pinciroli, L., Baraldi, P., & Zio, E. (2023) Maintenance optimization in industry 4.0, Reliability Engineering & System Safety, 234, ISSN 0951-https://doi.org/10.1016/j.ress.2023.109204.
Pindyck, R. S., & Rubinfeld, D. L. (1998). Econometric models and economic forecasts. (No Title). https://cir.nii.ac.jp/crid/1130000795059255552
Rodas, L., & Castrillón, O. (2019). Predicción de Fallos Mecánicos en Equipos de Envoltura. Información tecnológica, 30(6), 111-122. https://dx.doi.org/10.4067/S0718-07642019000600111
Rodó, P. (2019, julio 30). Contraste de Dickey-Fuller. Economipedia.com
Schwarz, G. (1978). Estimating the dimension of a model. The annals of statistics, 461-464. https://www.jstor.org/stable/2958889
Taneja, K., Ahmad, S., Ahmad, K., & Attri, S. (2016). Time series analysis of aerosol optical depth over New Delhi using Box–Jenkins ARIMA modeling approach, Atmospheric Pollution Research, 7(4), 585-596, ISSN 1309-1042, https://doi.org/10.1016/j.apr.2016.02.004.
Vanderschueren, T., Boute, R., Verdonck, T., Baesens, B., & Verbeke, W. (2023). Optimizing the preventive maintenance frequency with causal machine learning, International Journal of Production Economics, 258, ISSN 0925-5273, https://doi.org/10.1016/j.ijpe.2023.108798.
Walls, L., & Bendell, A., (1987). Time series methods in reliability, Reliability Engineering, Volume 18, Issue 4, 1987, Pages 239-265, ISSN 0143-8174, https://doi.org/10.1016/0143-8174(87)90030-8.
Zahedi-Hosseini, F. (2018). Modeling and simulation for the joint maintenance-inventory optimization of production systems. Winter Simulation Conference (WSC). 3264-3274. https://doi:10.1109/wsc.2018.8632283.
Zdenek, V. & Rudolf, H. (2003). Preventive maintenance optimization on the basis of operating data analysis. Annual Reliability and Maintainability Symposium, 400-406. https://doi:10.1109/rams.2003.1182022.
Zhang, Z., Tang, Q., & Chica, M. (2021). Maintenance costs and makespan minimization for assembly permutation flow shop scheduling by considering preventive and corrective maintenance. Journal of Manufacturing Systems, 59, 549 -564. https://doi:10.1016/j.jmsy.2021.03.020
Adhikari, R., & Agrawal, R. (2013). Hybridization of artificial neural network and Particle Swarm Optimization methods for time series forecasting. International Journal of Applied Evolutionary Computation (IJAEC), 4(3), 75-90. https://www.igi-global.com/article/hybridization-of-artificial-neural-network-and-particle-swarm-optimization-methods-for-time-series-forecasting/95960
Athanasopoulos, G., Hyndman, R., Kourentzes, N., & Petropoulos, F. (2017). Forecasting with temporal hierarchies, European Journal of Operational Research, Volume 262, Issue 1, 2017, Pages 60-74, ISSN 0377-2217, https://doi.org/10.1016/j.ejor.2017.02.046.
Ayeleru, O.O., Fajimi, L.I., Oboirien, B.O., & Olubambi, P.A., (2021). Forecasting municipal solid waste quantity using artificial neural network and supported vector machine techniques: a case study of Johannesburg, South Africa. J. Clean. Prod. 289, 125671. https://doi.org/10.1016/j.jclepro.2020.125671
Baptista, M., Sankararaman, S., de Medeiros, I. P., Nascimento, C., Prendinger, H., & Henriques, E. M. P. (2018). Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling. Computers & Industrial Engineering, 115, 41–53. https://doi:10.1016/j.cie.2017.10.033
Box, G.E.P., Jenkins, G.M., & Reinsel, G.C., 1994. Time Series Analysis -Forecasting and Control, third ed. Prentice-Hall, Englewood Cliffs, NJ.
Burnham, K., & Anderson, D. (2002). Selección de modelos e inferencia multimodelo: un enfoque práctico de la teoría de la información. 2ª ed. Nueva York, Springer-Verlag.
Çankaya, M. N., & Korbel, J. (2018). Least informative distributions in maximum q-log-likelihood estimation. Physica A: Statistical Mechanics and Its Applications, 509, 140–150. doi: 10.1016/j.physa.2018.06.004
Cleveland, R., Cleveland, W., McRae, J., & Terpenning, I (1990). “STL: A Seasonal-Trend Decomposition.” Journal of Official Statistics 6 (1): 3–73. https://www.wessa.net/download/stl.pdf
Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: journal of the Econometric Society, 1057-1072. https://www.jstor.org/stable/1912517
Fuller, W. A. (1996). Introduction to Statistical Time Series, second ed., New York: John Wiley and Sons.
Hernández-Sampieri, Roberto. (2018). Metodología de la investigación: Las rutas cuantitativa y cualitativa y mixta. México: Mc Graw Hill- Educación.
Ho, S., & Xie, M., (1998). The use of ARIMA models for reliability forecasting and analysis, Computers & Industrial Engineering, 35(1–2), 213-216, ISSN 0360-8352,https://doi.org/10.1016/S0360-8352(98)00066-7. (https://www.sciencedirect.com/science/article/pii/S0360835298000667)
Ho, S., Xie, M., & Goh, T., (2002) A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction, Computers & Industrial Engineering, 42 (2–4), 371-375, ISSN 0360-8352, https://doi.org/10.1016/S0360-8352(02)00036-0. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2409-16182019000100006&lng=es&tlng=es.
Hyndman, R., & Khandakar, Y. (2008). Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software, 27(3), 1–22. https://doi.org/10.18637/jss.v027.i03
Jimenez-Cortadi, A., Irigoien, I., Boto, F., Sierra, B., & Rodríguez, G. (2019). Predictive Maintenance on the Machining Process and Machine Tool. Applied Sciences, 10(1), 224. http// doi:10.3390/app10010224
Laurente, L., & Laurente, F. (2019). Aplicación del modelo ARIMA para la producción de la papa en la región de Puno-Perú. Revista de Investigación e Innovación Agropecuaria y de Recursos Naturales, 6(1), 30-40.
Mazón Fierro, G. J., & Buñay Guisñan, P. A. (2022). Análisis exploratorio entre modelos matemáticos predictivos, aplicados a la producción de energía mediante series temporales. ConcienciaDigital, 5(3.1),57-78. https://doi.org/10.33262/concienciadigital.v5i3.1.2223.
Melo, J., & Santana, G. (2016). Minado de series de tiempo utilizando la metodología ARIMA. Revista de Investigación y Desarrollo, 2-5: 21-31. ISSN-2444-4987. https://www.ecorfan.org/spain/researchjournals/Investigacion_y_Desarrollo/vol2num5/Revista_de_Investigaci%C3%B3n_y_Desarrollo_V2_N5_3.pdf
Montero, J., Schwartz, S., Vingerhoeds, R., Grabot, B., & Salaün, M. (2020). Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics. Journal of Manufacturing Systems, 56, 539–557. https://doi:10.1016/j.jmsy.2020.07.008.
Parreño, F., Parreño C., & Alvarez P. (2023). A matheuristic algorithm for the maintenance planning problem at an electricity transmission system operator, Expert Systems with Applications, 230, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2023.120583.
Pinciroli, L., Baraldi, P., & Zio, E. (2023) Maintenance optimization in industry 4.0, Reliability Engineering & System Safety, 234, ISSN 0951-https://doi.org/10.1016/j.ress.2023.109204.
Pindyck, R. S., & Rubinfeld, D. L. (1998). Econometric models and economic forecasts. (No Title). https://cir.nii.ac.jp/crid/1130000795059255552
Rodas, L., & Castrillón, O. (2019). Predicción de Fallos Mecánicos en Equipos de Envoltura. Información tecnológica, 30(6), 111-122. https://dx.doi.org/10.4067/S0718-07642019000600111
Rodó, P. (2019, julio 30). Contraste de Dickey-Fuller. Economipedia.com
Schwarz, G. (1978). Estimating the dimension of a model. The annals of statistics, 461-464. https://www.jstor.org/stable/2958889
Taneja, K., Ahmad, S., Ahmad, K., & Attri, S. (2016). Time series analysis of aerosol optical depth over New Delhi using Box–Jenkins ARIMA modeling approach, Atmospheric Pollution Research, 7(4), 585-596, ISSN 1309-1042, https://doi.org/10.1016/j.apr.2016.02.004.
Vanderschueren, T., Boute, R., Verdonck, T., Baesens, B., & Verbeke, W. (2023). Optimizing the preventive maintenance frequency with causal machine learning, International Journal of Production Economics, 258, ISSN 0925-5273, https://doi.org/10.1016/j.ijpe.2023.108798.
Walls, L., & Bendell, A., (1987). Time series methods in reliability, Reliability Engineering, Volume 18, Issue 4, 1987, Pages 239-265, ISSN 0143-8174, https://doi.org/10.1016/0143-8174(87)90030-8.
Zahedi-Hosseini, F. (2018). Modeling and simulation for the joint maintenance-inventory optimization of production systems. Winter Simulation Conference (WSC). 3264-3274. https://doi:10.1109/wsc.2018.8632283.
Zdenek, V. & Rudolf, H. (2003). Preventive maintenance optimization on the basis of operating data analysis. Annual Reliability and Maintainability Symposium, 400-406. https://doi:10.1109/rams.2003.1182022.
Zhang, Z., Tang, Q., & Chica, M. (2021). Maintenance costs and makespan minimization for assembly permutation flow shop scheduling by considering preventive and corrective maintenance. Journal of Manufacturing Systems, 59, 549 -564. https://doi:10.1016/j.jmsy.2021.03.020