Análisis de la Criticidad de Componentes para Mejorar la Fiabilidad de la Maquinaria de Buques
Autores: Daya, Abdullahi Abdulkarim; Lazakis, Iraklis
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis de la Criticidad de Componentes para Mejorar la Fiabilidad de la Maquinaria de Buques
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Redundancia
Sistemas de barco
Análisis de criticidad de componentes
Análisis de detección de fallos
Análisis de fiabilidad
Red Neuronal Artificial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
La redundancia en los sistemas de los barcos se proporciona para garantizar la resiliencia operativa a través de copias de seguridad del equipo, lo que asegura la disponibilidad del sistema y las reparaciones fuera de línea de la maquinaria. El sistema de generación de energía eléctrica de los barcos proporciona la mayor utilidad de todos los sistemas; por lo tanto, se le proporciona un buen nivel de unidades de reserva para garantizar operaciones confiables. No obstante, la ocurrencia de apagones no deseados es común a bordo de los barcos y representa un grave peligro para la seguridad y protección del barco. Por lo tanto, comprender los factores que contribuyen a la fiabilidad del sistema a través del análisis de criticidad de componentes es esencial para garantizar una plataforma de mantenimiento y soporte más robusta para operaciones eficientes de los barcos. En este sentido, se realizó un análisis híbrido de fiabilidad y detección de fallos utilizando DFTA y ANN para establecer la criticidad de los componentes y las condiciones de fallo relacionadas. Se llevó a cabo un estudio de caso en un sistema de generación de energía de un barco que consta de cuatro plantas de generación de energía diésel marinas a bordo de un Buque de Patrulla Offshore (OPV). Los resultados del análisis de fiabilidad indican una fiabilidad general del sistema inferior al 70 por ciento dentro de los primeros 24 de los 78 meses operativos. Se utilizó la criticidad de los componentes, utilizando medidas de importancia de fiabilidad obtenidas a través de DFTA, para identificar todos los componentes con más del 40 por ciento de contribución a la falla del subsistema. Además, se utilizó el aprendizaje automático para ayudar al análisis de fiabilidad a través de la ingeniería de características y la identificación de fallos utilizando la clasificación de Redes Neuronales Artificiales. La ANN ha identificado un umbral de patrón de fallo de aproximadamente 200 kva, que puede atribuirse al sobrecalentamiento, estableciendo así un vínculo entre la falla del componente y el rendimiento del generador.
Descripción
La redundancia en los sistemas de los barcos se proporciona para garantizar la resiliencia operativa a través de copias de seguridad del equipo, lo que asegura la disponibilidad del sistema y las reparaciones fuera de línea de la maquinaria. El sistema de generación de energía eléctrica de los barcos proporciona la mayor utilidad de todos los sistemas; por lo tanto, se le proporciona un buen nivel de unidades de reserva para garantizar operaciones confiables. No obstante, la ocurrencia de apagones no deseados es común a bordo de los barcos y representa un grave peligro para la seguridad y protección del barco. Por lo tanto, comprender los factores que contribuyen a la fiabilidad del sistema a través del análisis de criticidad de componentes es esencial para garantizar una plataforma de mantenimiento y soporte más robusta para operaciones eficientes de los barcos. En este sentido, se realizó un análisis híbrido de fiabilidad y detección de fallos utilizando DFTA y ANN para establecer la criticidad de los componentes y las condiciones de fallo relacionadas. Se llevó a cabo un estudio de caso en un sistema de generación de energía de un barco que consta de cuatro plantas de generación de energía diésel marinas a bordo de un Buque de Patrulla Offshore (OPV). Los resultados del análisis de fiabilidad indican una fiabilidad general del sistema inferior al 70 por ciento dentro de los primeros 24 de los 78 meses operativos. Se utilizó la criticidad de los componentes, utilizando medidas de importancia de fiabilidad obtenidas a través de DFTA, para identificar todos los componentes con más del 40 por ciento de contribución a la falla del subsistema. Además, se utilizó el aprendizaje automático para ayudar al análisis de fiabilidad a través de la ingeniería de características y la identificación de fallos utilizando la clasificación de Redes Neuronales Artificiales. La ANN ha identificado un umbral de patrón de fallo de aproximadamente 200 kva, que puede atribuirse al sobrecalentamiento, estableciendo así un vínculo entre la falla del componente y el rendimiento del generador.