Predicción de fallas en un motor de combustión interna de la empresa OCP Ecuador

Palabras clave: aprendizaje supervisado, estadística descriptiva e inferencial, visualización de datos masivos, inteligencia artificial, motor de combustión interna, OCP Ecuador

Resumen

El desarrollo de este trabajo tiene como objetivo principal predecir fallas en un motor de combustión interna de marca Wartsila, modelo 12V32 LN de la empresa privada Oleoducto de Crudos Pesados OCP Ecuador. Para realizar el estudio se considera el monitoreo de variables principales como: presión, temperatura, viscosidad, desgastes, entre otras; todos los activos que están constituidos por sensores facilitan la interpretación bajo tendencias y análisis de estadística descriptiva. La metodología que se implementa se basa en la aplicación de técnicas de máquinas de aprendizaje automático, sean supervisados o no supervisados con los algoritmos correspondientes que facilitan la predicción de fallas en los motores de combustión interna. Cuando la predicción de fallas es eficiente, los planes de mantenimiento preventivo serán sustituidos por planes de mantenimientos basados en condición. Si la ejecución del mantenimiento basado en condición (CBM) es eficiente, es decir, una estrategia de mantenimiento que se basa en los resultados, como la disponibilidad, fiabilidad, costes de mantenimiento, vida útil de los elementos de los motores, seguridad y bajo impacto ambiental.

Descargas

La descarga de datos todavía no está disponible.

Citas

Cortés, C. F. (2017). Técnicas para mejorar el trasnporte de crudos pesados por oleoductos. https://bibdigital.epn.edu.ec/bitstream/15000/18837/1/CD-8227.pdf

Lim, C. H., Lim, S., How, B. S., Ng, W. P. Q., Ngan, S. L., Leong, W. D., & Lam, H. L. (2021). A review of industry 4.0 revolution potential in a sustainable and renewable palm oil industry: HAZOP approach. Renewable and Sustainable Energy Reviews, 135, 110223. https://doi.org/10.1016/j.rser.2020.110223

Lu, H., Guo, L., Azimi, M., & Huang, K. (2019). Oil and Gas 4.0 era: A systematic review and outlook. Computers in Industry, 111, 68–90. https://doi.org/10.1016/j.compind.2019.06.007

Popkova, E., Ragulina, Y., & Bogoviz, A. (Eds.). (2019). Industry 4.0: Industrial Revolution of the 21st Century (Vol. 169). https://link.springer.com/book/10.1007/978-3-319-94310-7

Villada, F., & Cadavid, D. R. (2007). Diagnostico de Fallas en Motores de Inducción Mediante la Aplicación de Redes Neuronales Artificiales. Información tecnológica, 18(2), 105–112. https://doi.org/10.4067/S0718-07642007000200016

Ynzunza, C. B., Izar, J. M., & Chacón, J. G. B. (2017). El Entorno de la Industria 4.0: Implicaciones y Perspectivas Futuras. 54. https://www.redalyc.org/journal/944/94454631006/94454631006.pdf

Publicado
2023-02-17
Cómo citar
Vega Álvarez, F. B. (2023). Predicción de fallas en un motor de combustión interna de la empresa OCP Ecuador. Ciencia Latina Revista Científica Multidisciplinar, 7(1), 4207-4224. https://doi.org/10.37811/cl_rcm.v7i1.4749
Sección
Artículos