Optimización del mantenimiento preventivo de flotas en base a técnicas de clustering y aprendizaje supervisado

Abstract

El proyecto consistió en desarrollar una metodología para la optimización del plan de mantenimiento preventivo de una flota heterogénea subdividiendo ésta en subpoblaciones homogéneas. La flota de estudio de este trabajo fue una flota de camiones para la gran minería de la que se tiene una base de datos con información de horómetros de camiones, historial de motores y muestras de espectrometría. Se decidió trabajar en torno a los motores QSK. La metodología consistió principalmente en la obtención de datos de la flota junto al estudio de ésta, la aplicación del algoritmo para segmentar flota, luego gracias a la subdivisión se entrenó un clasificador, utilizando los resultados del proceso de segmentación, para el diagnóstico de un motor en funcionamiento asignándolo a un subgrupo. Se calculó la confiabilidad de cada subgrupo y finalmente se modeló cada subgrupo obteniendo así tiempos óptimos para la toma de decisión con respecto al momento de enviar un motor a mantenimiento. Para la obtención de las subpoblaciones se trabajó con k-means++ mediante el software python 3.0 a una base de datos de la flota con información de las covariables relevantes a los mecanismos de falla. Se obtuvo 4 clústers cada uno de estos asociados a un mecanismo de falla diferente: falla por edad, falla destructiva debido a filtración líquido de enfriamiento, falla en elementos del motor y filtración de agua. El clasificador para nuevos elementos de la flota fue una red neuronal MLP. El grafo de la red neuronal es de una entrada con 24 neuronas, una capa oculta de 14 neuronas y salida de 4 neuronas. Luego se determinó el plan óptimo de mantenimiento preventivo de cada subpoblación minimizando costos asociados a reemplazos de equipos o minimizando la indisponibilidad de los equipos. Los tiempos óptimos calculados son inferiores al MTTF por lo que se propone mantenimiento preventivo. Las confiabilidades de los subgrupos difieren, lo que es un gran problema al trabajar con la flota como si fuera homogénea. Esta metodología identificó subpoblaciones homogéneas con respecto a la totalidad de la flota permitiendo así un correcto estudio de la confiabilidad de la flota aportando información para la toma de decisiones y una correcta administración.