El alumno Jon Zubieta Ansorregui obtuvo la calificación SOBRESALIENTE
El alumno Jon Zubieta Ansorregui obtuvo la calificación SOBRESALIENTE
El alumno Jon Zubieta Ansorregui obtuvo la calificación SOBRESALIENTE
- Título de tesis: Condition-Based Maintenance through a methodology for estimating component degradation.
Tribunal:
- Presidencia: Ekaitz Zulueta Guerrero (UVP/EHU)
- Vocalía: Ana Isabel Boyano Murillo (UVP/EHU)
- Secretaría: Tomaso Poggi (Mondragon Unibertsitatea)
Resumen:
En líneas de producción industriales, las estrategias de mantenimiento y detección de anomalías basadas en datos suelen depender de sensores adicionales, lo que incrementa el coste, la complejidad y el esfuerzo de implementación. Esta tesis aborda esta limitación mediante una metodología escalable basada en periodos de subciclo derivados del PLC, denominados Steptimes. Estos se definen como el tiempo total de activación de Etapas en procesos secuenciales programados según la metodología GRAFCET. Esto permite la adquisición sistemática de datos de alta resolución sin sensorización adicional. La metodología ha sido validada en un caso de uso experimental, donde los Steptimes han reflejado fugas de aire, caídas de presión y fluctuaciones de aire comprimido en circuitos neumáticos.
La tesis también cuantifica la influencia de variables ambientales sobre los Steptimes, centrándose en la temperatura ambiente y la humedad. La temperatura ambiente ha mostrado un efecto considerable sobre los Steptimes relacionados con actuadores neumáticos industriales: todos los Steptimes sensibles disminuyeron al aumentar la temperatura, con pendientes entre -3.61 y -6.63 ms/°C. En cambio, la humedad relativa no mostró suficiente capacidad explicativa. Estos resultados demuestran que parte de la variabilidad observada en los Steptimes puede deberse a factores contextuales y no solo a degradación; por tanto, dichos factores deben considerarse explícitamente al implementar estrategias de mantenimiento predictivo y detección de anomalías basadas en datos de Steptime.
A partir de este resultado, la tesis propone una estrategia para la detección de anomalías en Steptimes sensibles a variables ambientales. Primero se cuantifica la sensibilidad de cada Steptime y, posteriormente, las señales sensibles se tratan según el algoritmo de detección empleado. Este tratamiento se realiza mediante compensación explícita basada en regresión o incorporando las variables ambientales como entradas contextuales en modelos basados en aprendizaje. La evaluación con CUSUM, Wasserstein Distance y un autoencoder muestra que el rendimiento de detección puede degradarse significativamente si la sensibilidad ambiental no se tiene en cuenta al analizar señales en bruto.
Finalmente, la tesis extiende el análisis de Steptimes más allá de la monitorización de condición hacia la mejora del rendimiento productivo, mediante un marco dinámico de detección de subcuellos de botella. En lugar de limitarse a identificar la estación que restringe la línea, el marco determina qué Steptime de la estación cuello de botella debe priorizarse. Esto transforma los datos de Steptime en soporte accionable para la toma de decisiones orientada a la reducción del tiempo de ciclo, permitiendo centrar los esfuerzos de mejora en las operaciones con mayor impacto sobre dicha reducción. El marco fue evaluado en una línea de producción real en Fagor Arrasate S. Coop., donde reveló patrones de degradación del rendimiento, incluyendo dispersiones en la cola superior de hasta 541,8 ms y comportamientos bimodales.