servidor de la biblioteca de ingeniería. universidad de sevilla...
TRANSCRIPT
1
Equation Chapter 1 Section 1
Proyecto Fin de Máster
Organización Industrial y Gestión de Empresas
Análisis de Criticidad y de Fiabilidad basada en
Machine Learning en una planta Termosolar
Autor: Antonio Pajares Guevara
Tutor: Juan Francisco Gómez Fernández
Cotutor: Gonzalo Cerruela García
Dpto. Organización Industrial y Gestión de Empresas I
Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2018
2
3
Proyecto Fin de Máster de
Organización Industrial y Gestión de Empresas
Análisis de Criticidad y de Fiabilidad basada
en Machine Learning en una planta
Termosolar
Autor:
Antonio Pajares Guevara
Tutor:
Juan Francisco Gómez Fernández
Cotutor:
Gonzalo Cerruela García
Dpto. de Organización Industrial y Gestión de Empresas I
Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2018
4
5
Proyecto Fin de Máster: Análisis de Criticidad y de Fiabilidad basada en Machine Learning en una
planta Termosolar
Autor: Antonio Pajares Guevara
Tutor: Juan Francisco Gómez Fernández
Cotutor Gonzalo Cerruela García
El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes
miembros:
Presidente:
Vocales:
Secretario:
Acuerdan otorgarle la calificación de:
Sevilla, 2018
El Secretario del Tribunal
6
7
A mi familia
A mis maestros
8
9
AGRADECIMIENTOS
En este punto me gustaría dar las gracias a una serie de personas y entidades sin las cuales habría
sido imposible poder llevar a cabo la realización de este proyecto.
En primer lugar, a mis tutores D. Juan Francisco Gómez Fernández y D. Gonzalo Cerruela García,
por su inestimable ayuda a la hora de gestionar y organizar el presente proyecto. Agradecer también
su disponibilidad ante cualquier duda o cuestión que le planteara.
En segundo lugar, agradecer al personal de la empresa que se ha implicado en el proyecto,
facilitándome tanto la labor de búsqueda de información, como la ayuda necesaria para la resolución
de los problemas que se fueron planteando.
Finalmente, darle las gracias a mi familia, especialmente a mis padres y a mi hermano, por todo el
apoyo que me han brindado, no sólo durante la realización de este trabajo, sino diariamente a lo
largo de toda la carrera y el máster.
Antonio Pajares Guevara
Sevilla, 2018
10
11
RESUMEN
Este trabajo comienza con un breve resumen sobre el panorama energético actual y futuro,
incidiendo en la importancia del sector de las energías renovables, y el papel que desempeña el
mantenimiento en las plantas de generación de estas energías. Tras ello, se realiza una
recopilación de la bibliografía relacionada con los modelos de gestión de mantenimiento.
Posteriormente, se escoge uno de los modelos más implementados en grandes empresas en
España para aplicar parte del ciclo de gestión de mantenimiento, teniendo en consideración las
fases adecuadas al nivel de madurez de la empresa. Estas fases se implementarán a un caso de
estudio real, la planta termosolar de 50 MW de Arenales.
A partir de esta premisa, se realiza en primera instancia una jerarquización de los activos de la
planta y un análisis de fiabilidad de la misma, para centrar después el estudio en los equipos
críticos que tengan incidencia directa en la producción. De todos ellos, se selecciona el equipo
más crítico desde el punto de vista del riesgo, es decir, el de peores consecuencias de sus
pérdidas de función requerida y la frecuencia con la que estas aparecen. Finalmente, buscando
profundizar en el diagnóstico de los modos de fallos, se ha utilizado como mejora el machine
learning, intentando demostrar su utilidad en la predicción de los fallos.
Tras esto, se estudia la posible rentabilidad de implementar técnicas de mantenimiento a este
equipo, con el objetivo de reducir el impacto de sus fallos en la generación eléctrica de la planta.
Por último, se concretan las conclusiones del trabajo realizado y se señalan posibles vías de
investigación futuras.
12
13
ABSTRACT
This project begins with a brief summary of the current and future energy scenario, focusing on
the importance of the renewable energy sector, and the role that maintenance plays in the
generation plants of these energies, a compilation of the bibliography related to maintenance
management models is carried out.
Subsequently, one of the most implemented models in large companies in Spain is chosen to
apply part of the maintenance management cycle, taking into consideration the phases
appropriate to the level of maturity of the company. These phases will be implemented in a real
case study, the 50 MW thermosolar plant in Arenales.
Based on this premise, a hierarchy of the assets of the plant and an analysis of its reliability are
carried out in the first instance, to then focus the analysis on the critical equipment that has a
direct impact on production. Of all of them, the most critical equipment is selected from the
point of view of risk, that is, the worst consequences of their required loss of function and the
frequency with which they appear. Finally, seeking to deepen the diagnosis of failure modes,
machine learning has been used as an improvement, trying to demonstrate its usefulness in the
prediction of failures.
After that, the possible profitability of implementing maintenance techniques for this equipment
is studied, with the aim of reducing the impact of its failures in the electrical generation of the
plant.
Finally, the conclusions of the work carried out are specified and probable future research paths
are indicated.
14
15
ÍNDICE
AGRADECIMIENTOS .................................................................................................................. 9
RESUMEN ............................................................................................................................... 11
ABSTRACT ............................................................................................................................... 13
ÍNDICE .................................................................................................................................... 15
ÍNDICE DE TABLAS ................................................................................................................... 19
ÍNDICE DE ILUSTRACIONES ...................................................................................................... 21
ÍNDICE DE GRÁFICAS ............................................................................................................... 23
ÍNDICE DE FIGURAS ................................................................................................................. 25
CAPÍTULO I. ENERGÍAS PRIMARIAS .......................................................................................... 27
INTRODUCCIÓN .................................................................................................................. 27
Acuerdos contra el cambio climático ............................................................................... 28
EVOLUCIÓN DE LA DEMANDA ENERGÉTICA ......................................................................... 29
PANORAMA ENERGÉTICO EN ESPAÑA ................................................................................. 33
ENERGÍAS RENOVABLES ...................................................................................................... 34
Ventajas e inconvenientes ............................................................................................... 34
Situación actual de las energías renovables en España .................................................... 37
Perspectivas para las energías renovables en España ...................................................... 39
Importancia del mantenimiento en la generación de energías renovables ....................... 40
CAPÍTULO II. OBJETIVOS DEL PROYECTO.................................................................................. 43
CAPÍTULO III. ESTADO DEL ARTE .............................................................................................. 45
MODELOS DE GESTIÓN DEL MANTENIMIENTO .................................................................... 45
Introducción .................................................................................................................... 45
Definición modelo de gestión seleccionado ..................................................................... 46
CAPÍTULO IV. CASO DE ESTUDIO ............................................................................................. 55
PLANTA TERMOSOLAR ARENALES ....................................................................................... 55
Beneficios tras su instalación ........................................................................................... 58
STEAG ENERGY SERIVICES SOLAR, S.L.U. .............................................................................. 58
DEFINICIÓN DE LOS EQUIPOS .............................................................................................. 59
Diagrama de Bloques I ..................................................................................................... 59
16
ANÁLISIS DE CRITICIDAD...................................................................................................... 68
Definición y metodología................................................................................................. 68
Matriz de criticidad ......................................................................................................... 69
Criterios de evaluación .................................................................................................... 69
Jerarquización de los activos ........................................................................................... 71
Análisis de resultados ...................................................................................................... 72
FIABILIDAD .......................................................................................................................... 72
Definición ........................................................................................................................ 72
Estructuración del sistema .............................................................................................. 72
Diagrama de Bloques II .................................................................................................... 74
ESTUDIO DE FALLOS EN EQUIPOS CRÍTICOS ......................................................................... 77
Equipo seleccionado ........................................................................................................ 78
CBM: MANTENIMIENTO BASADO EN CONDICIÓN................................................................ 80
Introducción .................................................................................................................... 80
Aplicación de Inteligencia Artificial .................................................................................. 81
ANÁLISIS COSTE RIESGO BENEFICIO..................................................................................... 95
Definición ........................................................................................................................ 95
Cálculo del Riesgo R(t) ..................................................................................................... 95
Cálculo de Costes C(t) ...................................................................................................... 99
Impacto Total ................................................................................................................ 104
Soluciones adoptadas .................................................................................................... 105
CAPÍTULO V. CONCLUSIONES ................................................................................................ 107
CAPÍTULO VI. FUTURAS LÍNEAS DE INVESTIGACIÓN ............................................................... 109
ANEXOS ................................................................................................................................ 111
ANEXO A. METODOLOGÍA AHP .......................................................................................... 111
Introducción .................................................................................................................. 111
Establecer las prioridades entre criterios ....................................................................... 111
Matrices de comparación .............................................................................................. 112
Cálculo de la consistencia .............................................................................................. 112
ANEXO B. RESULTADOS ANÁLISIS DE CRITICIDAD .............................................................. 115
ANEXO C. ANÁLISIS DE FIABILIDAD .................................................................................... 121
Distribuciones estadísticas ............................................................................................ 121
Análisis de la función característica ............................................................................... 122
ANEXO D. ESTUDIO MODOS DE FALLO .............................................................................. 129
ANEXO E. PHYTON............................................................................................................. 131
Código ........................................................................................................................... 131
17
Resultados .................................................................................................................... 132
CITAS BIBLIOGRÁFICAS .......................................................................................................... 133
BIBLIOGRAFÍA ....................................................................................................................... 137
18
19
ÍNDICE DE TABLAS
Tabla 1. Tasa de variación del consumo energético primario en el mundo por zonas ............... 30
Tabla 2. Distribución de los tipos de energías primarias por zonas ........................................... 32
Tabla 3. Producción de energía neta por tipo de energía (GWh) .............................................. 38
Tabla 4. Costes MWh por tipo de energía ................................................................................ 41
Tabla 5. Innovaciones de los modelos de gestión de mantenimiento ....................................... 45
Tabla 6. Radiación solar anual ................................................................................................. 56
Tabla 7. Limitaciones y conductividad de las tomas de captación ............................................ 57
Tabla 8. Criterios de evaluación del análisis de criticidad ......................................................... 70
Tabla 9. Información de los equipos en el AC .......................................................................... 71
Tabla 10. Formato análisis de criticidad ................................................................................... 71
Tabla 11. Resultado matriz de criticidad .................................................................................. 72
Tabla 12. Distribuciones estadísticas de cada bloque............................................................... 75
Tabla 13. Análisis individual de los bloques en la simulación ................................................... 76
Tabla 14. Estudio fallos en equipos críticos.............................................................................. 77
Tabla 15. Especificaciones técnicas ......................................................................................... 78
Tabla 16. Estudio modos de fallo trip de turbina ..................................................................... 79
Tabla 17. Señales monitorizadas de la bomba de agua de alimentación .................................. 82
Tabla 18. Porcentaje reducción y características seleccionadas ............................................... 85
Tabla 19. Resultados algoritmo clasificador SVM ..................................................................... 91
Tabla 20. Resumen valores promedio métodos de selección ................................................... 91
Tabla 21. Consecuencias asociadas al fallo .............................................................................. 97
Tabla 22. Resolución análisis coste riesgo beneficio .............................................................. 103
Tabla 23. Variación del impacto total .................................................................................... 104
Tabla 24. Incremento coste de mantenimiento ..................................................................... 105
Tabla 25. Matriz de comparación de criterios ........................................................................ 112
Tabla 26. Matriz de comparación de criterios normalizada .................................................... 112
Tabla 27. Distribuciones estadísticas de cada bloque............................................................. 127
20
21
ÍNDICE DE ILUSTRACIONES
Ilustración 1. Mapa radiación solar Europa .............................................................................. 55
Ilustración 2. Planta Termosolar Arenales ............................................................................... 55
Ilustración 3. Colectores Cilindro Parabólicos (CCP) ................................................................. 56
Ilustración 4. Taques de sales fundidas.................................................................................... 56
Ilustración 5. Campo Solar....................................................................................................... 60
Ilustración 6. Bombas Recirculación Campo Solar .................................................................... 61
Ilustración 7. Bombas de Sales calientes y frías ....................................................................... 61
Ilustración 8. Intercambiadores HTF-Sales ............................................................................... 62
Ilustración 9. Economizador .................................................................................................... 62
Ilustración 10. Evaporador ...................................................................................................... 62
Ilustración 11. Sobrecalentador .............................................................................................. 63
Ilustración 12. Recalentador.................................................................................................... 63
Ilustración 13. Separador de humedad .................................................................................... 63
Ilustración 14. Turbina de vapor .............................................................................................. 64
Ilustración 15. Generador eléctrico ......................................................................................... 64
Ilustración 16. Transformador principal ................................................................................... 65
Ilustración 17. Bombas de Agua de alimentación .................................................................... 65
Ilustración 18. Precalentador BP ............................................................................................. 65
Ilustración 19. Precalentador AP ............................................................................................. 66
Ilustración 20. Bombas de condensado ................................................................................... 66
Ilustración 21. Condensador.................................................................................................... 67
Ilustración 22. Bombas Principales de HTF .............................................................................. 67
Ilustración 23. Tanque de expansión ....................................................................................... 68
Ilustración 24. Plano isométrico bomba-motor LAC ................................................................. 78
Ilustración 25. Ubicación bombas LAC en planta ..................................................................... 79
22
23
ÍNDICE DE GRÁFICAS
Gráfica 1. Consumo de energía primaria en el mundo (106 tep) ............................................... 29
Gráfica 2. Consumo de energía primaria en las distintas zonas del mundo (106 tep) ................ 30
Gráfica 3. Distribución del consumo de energía primaria en 2016 por zonas ............................ 31
Gráfica 4. Procedencia del consumo mundial de energía primaria (2016) ................................ 31
Gráfica 5. Procedencia del consumo de energía primaria en el mundo ..................................... 32
Gráfica 6. Consumo de energía primaria en España (millones tep) ........................................... 33
Gráfica 7. Procedencia del consumo de energía primaria en España (2016) ............................. 33
Gráfica 8. Costes promedio de generación de energías renovables ......................................... 35
Gráfica 9. Evolución del consumo de electricidad en España ................................................... 37
Gráfica 10. Variación interanual del consumo eléctrico en España .......................................... 37
Gráfica 13. Distribución de la potencia energética instalada (2017) ......................................... 39
Gráfica 14. Optimización Coste-Riesgo (OCR) .......................................................................... 51
Gráfica 15. Curva de costes globales ....................................................................................... 52
Gráfica 16. Curvas de criticidad ............................................................................................... 69
Gráfica 17. Curva de fallo PF.................................................................................................... 80
Gráfica 18. Función de distribución F(t) ................................................................................... 96
Gráfica 19. Curva de Riesgo (t) ................................................................................................ 99
Gráfica 20. Curva de Costes ................................................................................................... 103
Gráfica 21. Curva de impacto total ........................................................................................ 104
24
25
ÍNDICE DE FIGURAS
Figura 1. Modelo de gestión de mantenimiento ...................................................................... 46
Figura 2. Muestra de técnicas a utilizar dentro del marco de gestión del mantenimiento ........ 47
Figura 3. Modelo para la definición de la estrategia de mantenimiento ................................... 48
Figura 4. Estructura del Cuadro de Mando Integral ................................................................. 49
Figura 5. Análisis de causa raíz ................................................................................................ 50
Figura 6. Flujograma de implantación del RCM ........................................................................ 51
Figura 7.Análisis del coste del ciclo de vida .............................................................................. 53
Figura 8. Ubicación subestación eléctrica ................................................................................ 58
Figura 9. Diagrama de bloques de la planta ............................................................................. 60
Figura 10. Modelo de gestión de mantenimiento, fase II ......................................................... 68
Figura 11. Rango y matriz de criticidad .................................................................................... 69
Figura 12. Resultados análisis de criticidad .............................................................................. 72
Figura 13. Diagrama de bloques en serie ................................................................................. 73
Figura 14. Diagrama de bloques en paralelo ............................................................................ 73
Figura 15. Diagrama de bloques en paralelo m/n .................................................................... 73
Figura 16. Diagrama de bloques .............................................................................................. 74
Figura 17. Resultados Diagrama de Bloques ............................................................................ 76
Figura 18. Modelo de gestión de mantenimiento, fase II ......................................................... 77
Figura 19. Modelo de gestión de mantenimiento, fase IV ........................................................ 80
Figura 20. Diagrama de flujo metodología SBFS ....................................................................... 84
Figura 21. Envolvente convexa de las clases ............................................................................ 87
Figura 22. Mínima distancia entre envolventes ....................................................................... 87
Figura 23. Hiperplano de margen máximo ............................................................................... 87
Figura 24. SVM en caso lineal .................................................................................................. 88
Figura 25. Conversión de los datos a clases linealmente separables ........................................ 88
Figura 26. Matriz de confusión. ............................................................................................... 89
Figura 27. Área bajo la curva (AUC). ........................................................................................ 90
Figura 28. Características seleccionadas en los experimentos de FS......................................... 92
Figura 29. Modelo de gestión de mantenimiento, fase V ......................................................... 95
Figura 30. Producción diaria de Planta .................................................................................... 97
Figura 31. Costes por pérdidas de producción ......................................................................... 98
Figura 32. Costes de reparación .............................................................................................. 98
Figura 33. Consecuencias económicas en HSE ......................................................................... 99
Figura 34. Modelo de SPP con reparaciones mínimas ............................................................ 100
Figura 35. Coste de la Sustitución Parcial Preventiva ............................................................. 101
Figura 36. Coste de la reparación mínima .............................................................................. 102
Figura 37. Jerarquía metodología AHP ................................................................................... 111
Figura 38. Escala de Saaty ..................................................................................................... 111
Figura 39. Importancia relativa criterios ................................................................................ 112
26
Figura 40. Índice para matrices aleatorias ............................................................................. 113
Figura 41. Resultados metodología AHP ................................................................................ 113
Figura 42. Comparativa distribución Exponencial y Weibull ................................................... 122
Figura 43. Distribución Exponencial 1P a partir MTBF ............................................................ 122
Figura 44. Distribución Exponencial 1P a partir F(t) ............................................................... 123
Figura 45. Distribución Exponencial 2P a partir MTBF y gamma ............................................. 123
Figura 46. Distribución Exponencial 2P a partir F(t) y un parámetro....................................... 124
Figura 47. Distribución Weibull 2P a partir de los parámetros ............................................... 124
Figura 48. Distribución Weibull 2P a partir de F(t) y un parámetro ........................................ 125
Figura 49. Distribución Weibull 3P a partir de los parámetros ............................................... 125
Figura 50. Distribución Weibull 3P a partir de F(t) y dos parámetros...................................... 126
Figura 51. Resultados Phyton ................................................................................................ 132
27
CAPÍTULO I. ENERGÍAS PRIMARIAS
INTRODUCCIÓN Es evidente que las economías más desarrolladas se han percatado desde hace tiempo de que la
energía actual no es una fuente inagotable, y que, por lo tanto, hay que arbitrar políticas que
lleven a su ahorro y a la búsqueda de vías alternativas para alcanzarlo.
Además, el uso descontrolado de la energía ha derivado en consecuencias para la naturaleza,
encontrándonos en no pocos lugares de la tierra con problemas en el aire, que provocan que no
se pueda respirar en condiciones adecuadas, con aguas y tierras contaminadas con vertidos
tóxicos de todo tipo, etc. Todo ello ha llevado a que comience a hablarse del cambio climático y
de la degradación paulatina e irreversible que está sufriendo la capa de ozono. Desde esta
óptica, se sabe que 2014 fue el año más cálido desde que existen registros, y que la Tierra ha
sufrido un calentamiento de 0,85ºC de media desde finales del siglo XIX, tal y como se puede
leer en el número especial sobre el Cambio Climático de noviembre de 2015 de la revista
National Geographic [1].
De forma paralela a estos hechos, el 17% de la población mundial (unos 1.100 millones de
habitantes) no dispone de acceso a la electricidad; y el 38% (2700 millones de personas) utilizan
biomasa tradicional para cocinar, calentarse o iluminar sus viviendas, con el riesgo que ello
plantea para la salud y para el propio medio ambiente.
Por eso, uno de los objetivos establecidos por Naciones Unidas es lograr el acceso universal a la
electricidad en 2030, una ambiciosa meta si se considera que, según las estimaciones de la
Agencia Internacional de la Energía AEI, todavía habrá en esa fecha 800 millones de personas
sin acceso al suministro eléctrico, de seguir la tendencia actual.
La situación en España no es mucho mejor, ya que todavía en 2016, el 85% de la energía usada
provenía de combustibles fósiles o energía nuclear. Así, España, junto con otros cinco países de
la Unión Europea, acumula alrededor del 70% de todos los gases de efecto invernadero del
continente.
De esta forma, y ante la necesidad de plantear un uso de la energía que se apoye en solventar su
escasez, y a la par, que palíe los problemas que el actual uso genera, se está intentando concretar
un sistema que se fundamente en el compromiso de seguridad, en el respeto al medio ambiente
y en la sostenibilidad para el presente y para el futuro.
En este ámbito, el desarrollo de las energías limpias y renovables es imprescindible para
combatir el cambio climático y limitar sus efectos más devastadores, dado que no producen
gases de efecto invernadero, ni emisiones contaminantes. Además, sus costes evolucionan a la
baja de forma sostenida, mientras que la tendencia general de costes de los combustibles fósiles
es la opuesta, al margen de su volatilidad coyuntural.
Por ello, el crecimiento de las energías limpias se torna como imparable, y ya, según las
estadísticas de la Agencia Internacional de la Energía de 2015 [2], representan cerca de la mitad
de la nueva capacidad de generación eléctrica instalada en 2014, constituyéndose ya en la
segunda fuente global de electricidad, sólo superada por el carbón.
28
De acuerdo a la AIE, la demanda mundial de electricidad aumentará un 70% hasta 2040,
elevando su participación en el uso de energía final del 18% al 24%, lo que se explica
fundamentalmente por las necesidades de las economías emergentes (India, China, África, Oriente Medio y el sureste asiático).
ACUERDOS CONTRA EL CAMBIO CLIMÁTICO
Protocolo de Kioto y Conferencias de las Partes (COP)
Para apoyar el uso de energías renovables y reducir los efectos del cambio climático, se han
fijado diversos acuerdos, tanto a nivel nacional como internacional. Así, la Convención Marco
del Cambio Climático de las Naciones Unidas adoptó, a finales del año 1997, el Protocolo de
Kioto por el cual los países industrializados y de economías en transición se comprometieron a
limitar las emisiones de los seis gases de efecto invernadero entre 1990 y el período 2008-2012.
También, en la Conferencia de las Partes de la Convención Marco de Naciones Unidas sobre el
Cambio Climático (COP21) [3] celebrada en París en diciembre de 2015, 195 países firmaron el
primer acuerdo vinculante mundial sobre el clima. Este acuerdo establece un plan de acción
mundial que pone el límite del calentamiento global muy por debajo de 2 °C, y entró en vigor el
4 de noviembre de 2016. En noviembre de 2016 se celebró en Marrakech (Marruecos) la
vigésimo segunda (22ª) sesión de la Conferencia de las Partes de la Convención Marco de
Naciones Unidas sobre el Cambio Climático (COP22), así como la duodécima (12ª) sesión de la
Conferencia de las Partes en calidad de Reunión de las Partes del Protocolo de Kioto (COP-
MOP12). En Marrakech se han elaborado las reglas del Acuerdo de París, y se ha establecido un
calendario claro y ambicioso para lograr su desarrollo, de forma que en el año 2017 se hace una
revisión sobre la situación de los trabajos realizados, y en el año 2018 deberán estar listas todas
las disposiciones para la implementación efectiva del Acuerdo.
Paquete Europeo de Energía y Cambio Climático
En el ámbito de la Unión Europea UE, se fijó el conocido como Paquete Europeo de Energía y
Cambio Climático 2020 [4], una legislación vinculante para garantizar que la UE cumpla sus
objetivos climáticos y energéticos para el año 2020, siendo sus objetivos clave la reducción del
20% en las emisiones de gases de efecto invernadero (desde los niveles de 1990), alcanzar un
20% de la energía de la UE procedente de fuentes renovables, y conseguir mejorar en un 20% la
eficiencia energética. Los objetivos fueron establecidos por los líderes de la UE en 2007, y
promulgados en la legislación en 2009. De esta forma, existe un compromiso de reducción de
las emisiones de gases de efecto invernadero del 21% a nivel global hasta 2020 desde los
valores de 2005 de la UE, y del 20% a nivel de los distintos países de la Unión, en el ámbito de
sus políticas propias. Así mismo, los países miembros también han asumido objetivos
nacionales vinculantes para elevar la participación de las energías renovables en su consumo de
energía para 2020, en virtud de la Directiva de Energías Renovables. El efecto global permitirá
a la UE en su conjunto alcanzar su objetivo del 20% para 2020 (más del doble del nivel de
2010, que era del 9’8%), y una cuota del 10% de energías renovables en el sector del transporte.
Finalmente, se establecieron un conjunto de medidas para aumentar la eficiencia energética, que
aparecen recogidas en el Plan de Eficiencia Energética y en la Directiva de Eficiencia
Energética.
Marco de actuación de la Unión Europea
Más recientemente, el Consejo de la Unión Europea, de 23 y 24 de octubre de 2014, acordó el
marco de actuación de la Unión Europea en materia de clima y energía hasta el año 2030 [5]. En
las conclusiones de este Consejo Europeo se fijaban como objetivos vinculantes la reducción de
las emisiones de gases de efecto invernadero de la Unión en un mínimo del 40% para 2030 con
respecto a los valores de 1990, que la cuota de energías renovables dentro de consumo total de
energía de la UE en 2030 sea como mínimo del 27%; y un objetivo indicativo que suponga que
la eficiencia energética mejore al menos en un 27% en 2030 con respecto a las previsiones de
29
consumo energético futuro, sobre la base de los criterios actuales, y un objetivo de un 15% para
las interconexiones eléctricas.
Finalmente, el 30 de noviembre de 2016, la Comisión Europea presentó el paquete “Energía
Limpia para todos los europeos” [6], para acelerar, tanto la transición hacia una energía limpia,
como el crecimiento y la creación de empleo, manteniendo la competitividad de la Unión
Europea. Las propuestas normativas, concretadas en reglamentos y directivas, y las medidas
presentadas en el paquete pretenden acelerar, transformar y consolidar la transición de la
economía de la Unión Europea hacia una energía limpia, pretendiendo crear un sistema
energético europeo más sostenible, seguro y competitivo que permita compatibilizar el
cumplimiento con los objetivos de cambio climático establecidos en el Acuerdo de París con la
entrega de energía al consumidor a precios asequibles. Este Plan Global se desarrolla en Planes
Nacionales Integrados de Energía y Clima, que reflejarán para cada Estado miembro los
objetivos, metas y trayectorias para cada una de las cinco dimensiones de la Unión de la Energía
(descarbonización, eficiencia energética, seguridad energética, mercado interior de la energía, e
investigación, innovación y competitividad). Para ello, se debe tener en cuenta la consecución
de los objetivos marcados a nivel comunitario, así como recoger las políticas y medidas para
alcanzar el cumplimiento de los compromisos.
A nivel español, y como desarrollo a la norma global europea, y pendiente de la redacción del
Plan Nacional, actualmente está vigente el Plan de Energías Renovables 2011-2020.
EVOLUCIÓN DE LA DEMANDA ENERGÉTICA Los datos recabados sobre el consumo mundial de energía primaria no han hecho sino crecer de
forma continuada en prácticamente todos los registros de los que se tienen referencia. En el
gráfico adjunto, elaborado a partir de los datos recogidos del “Bp Statistical Review of World
Energy 2017” [7], se ve claramente este comportamiento.
Gráfica 1. Consumo de energía primaria en el mundo (106 tep)
A partir del mismo, se puede comprobar como el consumo pasó de 3.730’7 toneladas
equivalentes de petróleo en 1965 a 13.276’3 en 2016. Además, si se considera la evolución
habida en los últimos años, durante el decenio comprendido entre 2005 y 2015 se produce un
crecimiento medio acumulativo del 1’8% por año, el cual se ralentiza ligeramente en el dato del
año 2016, en el que el crecimiento se situó en torno al 1% respecto del año anterior.
3.700
4.700
5.700
6.700
7.700
8.700
9.700
10.700
11.700
12.700
19
65
19
67
19
69
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
20
09
20
11
20
13
20
15
Co
nsu
mo
En
ergí
a (1
06
tep
)
Tiempo (Años)
30
Si se considera la evolución acaecida en las diversas zonas del mundo, se percibe como el
crecimiento no es ni mucho menos parejo entre las distintas zonas del planeta, aunque en
general, sí se ha producido una evolución positiva casi en todos los casos, destacando la caída
habida a partir de 1989 en Europa y Eurasia, que se transforma en estabilización desde 1995, y
la ralentización habida en el crecimiento en Norteamérica, las zonas más intensivas de consumo.
Gráfica 2. Consumo de energía primaria en las distintas zonas del mundo (106 tep)
La gráfica no hace sino corroborar lo anteriormente especificado, mostrándose un deterioro en
el consumo en las dos zonas mencionadas arriba, una cierta estabilidad con un ligero
crecimiento en Oriente Medio, América Central y del Sur y África, y un crecimiento
extraordinario de Asia, Pacífico y Oceanía (fundamentalmente China, Japón y Corea del Sur),
que los han llevado a posicionarse claramente como los países de un mayor consumo.
Centrándonos en la evolución más reciente, se ha calculado en la siguiente tabla el crecimiento
habido en cada una de las zonas en 2016 respecto del año anterior, y el crecimiento medio
acumulativo en el decenio 2005-15.
Tabla 1. Tasa de variación del consumo energético primario en el mundo por zonas
Zona 2016 2005-15
Norteamérica -0,4% -0,2%
América Central y del Sur -1,0% 2,8%
Europa y Eurasia 0,4% -0,4%
Oriente Medio 2,1% 4,5%
África 1,2% 2,8%
Asia, Pacífico y Oceanía 2,1% 3,9%
Total 1,0% 1,8%
De la anterior tabla, se puede confirmar la fortaleza de las economías de la zona de Asia,
Pacífico y Oceanía, que incrementaron su consumo en un 3’9% en el decenio 2005-15, y un
2’1% durante el último año. También cabe destacar el buen comportamiento de los países de
Oriente Medio en los creció el consumo un 4’5% entre 2005 y 2015, y un 2’1% durante 2016.
En el lado contrario del análisis, se puede observar un deterioro global en el consumo en
Norteamérica y Europa y Asia, aunque no demasiado importante, que se ha parado en este
último caso con un ligero repunte en 2016. Por último, citar el comportamiento un tanto errático
de los países de América Central y del Sur durante el último año, que sufrió una bajada del 1%
en el consumo, cuando en el decenio anterior se había producido una subida media del 2’8%.
Finalmente, se considera de interés la forma en la que se estructura el consumo global del
planeta por zonas, tomando datos del año 2016.
40
1040
2040
3040
4040
5040
1965
19
68
19
71
1974
19
77
19
80
1983
19
86
19
89
19
92
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
Co
nsu
mo
En
ergí
a (1
06
tep
)
TIEMPO (AÑOS)
Norteamércica
América Central y del Sur
Europa y Eurasia
Oriente Medio
Africa
Asia, Pacífico y Oceanía
31
Gráfica 3. Distribución del consumo de energía primaria en 2016 por zonas
De esta forma, se puede confirmar que el consumo global de energía primaria actualmente se
concentra en la zona de Asia, Pacífico y Oceanía, que engloba el 42% del total, en tanto que
Europa y Eurasia (21’6%) y Norteamérica (21%) representan globalmente un porcentaje similar.
El resto de las zonas tienen un peso muy inferior.
Centrándonos finalmente en la procedencia de tales consumos en el último año conocido, a
nivel global, se comprueba como las fuentes tradicionales representan aún la mayoría de ésta,
puesto que el petróleo (33’28%), gas (24’13%) y el carbón (28’11%) engloban más del 85% del
total, en tanto que las renovables sólo suponen poco más del 3% (3’16).
Gráfica 4. Procedencia del consumo mundial de energía primaria (2016)
Si se analiza la situación en cada una de las zonas, la situación no es muy homogénea, pero en
todo caso el peso de las energías tradicionales (petróleo, gas y carbón) es claramente
predominante, siendo la primera fuente el petróleo en todas las zonas, excepto en Asia, Pacífico
y Oceanía (que lo es el carbón), y en Oriente Medio (que lo es el gas), aunque en este caso,
también el petróleo se sitúa con un peso muy alto (46’7%). Es de destacar el peso de la energía
hidroeléctrica en América Central y del Sur (22’1%), y la poca relevancia que tienen aún las
energías renovables, siendo Europa y Eurasia la que tiene un dato más relevante (5%).
32
Tabla 2. Distribución de los tipos de energías primarias por zonas
Zona Petróleo Gas Carbón Nuclear Hidroeléctrica Renovables
Norteamérica 37,5% 31,8% 13,9% 7,8% 5,5% 3,5%
América Central y del Sur 46,3% 21,9% 4,9% 0,8% 22,1% 4,0%
Europa y Eurasia 30,9% 32,3% 15,7% 9,0% 7,0% 5,0%
Oriente Medio 46,7% 51,5% 1,0% 0,2% 0,5% 0,1%
África 42,1% 28,3% 21,8% 0,8% 5,9% 1,1%
Asia, Pacífico y Oceanía 27,9% 11,7% 49,4% 1,9% 6,6% 2,6%
Total 33,3% 24,1% 28,1% 4,5% 6,9% 3,2%
Gráfica 5. Procedencia del consumo de energía primaria en el mundo
33
PANORAMA ENERGÉTICO EN ESPAÑA El consumo de energía primaria en España creció de manera continua prácticamente hasta el
año 2007, en el que se produce un fuerte deterioro en el mismo, que parece empezar a
recuperarse a partir de 2014. Ello conduce a que en el decenio comprendido entre los años 2005
y 2015 se haya producido un decremento medio acumulativo del 1’2% cada año,
significativamente inferior al del global de nuestra zona de Europa y Eurasia (-0’4%) y del
global mundial (1’8%), en tanto que en el año 2016 se produjo un aumento del 1% respecto del
año anterior, que mejora significativamente la cifra de nuestra zona (0’4%), y es similar al
global mundial. Todo ello se constata en el gráfico que se presenta a continuación.
Gráfica 6. Consumo de energía primaria en España (millones tep)
Si se analiza la distribución del consumo de energía primaria en España atendiendo a la fuente
de procedencia, se puede destacar que más del 46% del mismo procede del petróleo, porcentaje
muy superior al del resto de los países de nuestra zona de Europa y Eurasia (30’9%) y del global
del mundo (33’3%), lo que refleja una dependencia muy alta de la economía de nuestro país
sobre el petróleo y de los vaivenes de su precio, puesto que España compra de forma
prácticamente total el petróleo que consume. En cuanto a las otras fuentes, destaca el peso que
tienen las renovables (11’5%), muy superior al del resto de nuestra zona (5%) y de la globalidad
del mundo (3’2%). No obstante, parece necesario recalcar que, dadas nuestras posibilidades de
crecimiento en este segmento, habría que incentivar en mayor medida su aumento, para
conseguir así una menor dependencia del resto de fuentes que no proceden directamente de
nuestra economía.
Gráfica 7. Procedencia del consumo de energía primaria en España (2016)
25
45
65
85
105
125
145
196
5
196
7
196
9
197
1
197
3
197
5
197
7
197
9
198
1
198
3
198
5
198
7
198
9
199
1
199
3
199
5
199
7
199
9
200
1
200
3
200
5
200
7
200
9
201
1
201
3
201
5
Co
nsu
mo
En
erg
ía (
10
6te
p)
TIEMPO (AÑOS)
46,3%
18,6%
7,7%
9,8%
6,0% 11,5%Petróleo
Gas
Carbón
Nuclear
Hidroeléctrica
Renovables
34
ENERGÍAS RENOVABLES Se considera a las energías renovables [8] como formas de energía fundamentalmente
alternativas a los combustibles fósiles tradicionales, capaces de producir electricidad mediante
la explotación de fuentes de energía limpias, sostenibles y que se renuevan con el tiempo. Así,
estas energías renovables son aquellas producidas a partir de fuentes naturales no sujetas a
agotamiento, como el sol, el viento, las olas y las mareas, el poder del agua y el calor de la
tierra. A partir de aquí, conceptualizamos la energía solar, la energía eólica, la energía
hidroeléctrica y la energía geotérmica. Adicionalmente, también la energía producida por
biomasas (residuos combustibles de origen biológico derivados de la agricultura) se considera
energía renovable, ya que para producirla se emite a la atmósfera una cantidad de dióxido de
carbono igual a la que las plantas absorben previamente durante la combustión.
VENTAJAS E INCONVENIENTES Desde el concepto anterior, y en comparación con las energías tradicionales, podemos decir que
las energías renovables presentan las siguientes ventajas:
1. Son un recurso inagotable, dado que se pueden reutilizar, al contrario de las tradicionales,
como el carbón, el petróleo o los materiales empleados para la energía nuclear, que son
perecederas. Por tanto, son fuentes de energía que siempre estarán presentes y que
sobrevivirán a la explotación de otro tipo de combustibles.
2. Son beneficiosas para nuestras economías y finanzas, ya que, a nivel económico, gracias
a que dependen de fuentes inagotables, a largo plazo pueden garantizar una mayor
estabilidad del suministro, reducir la dependencia de proveedores extranjeros e incrementar
el desarrollo económico y el empleo. Ello también es beneficioso a nivel financiero, ya que
el desarrollo tecnológico que conllevan hace que las plantas cuesten cada vez menos y
tengan un rendimiento cada vez mayor, en términos de eficiencia energética.
3. No contaminan generalmente, ayudando a cuidar el medioambiente. La mayoría de estas
energías no necesitan de una combustión, tal y como sucede en las refinerías o en las plantas
industriales que usan energías no renovables. Además, ayudan a preservar durante más
tiempo los recursos del planeta. En este sentido, se estima que, si las fuentes renovables se
duplicaran para el año 2030, las emisiones nocivas de contaminantes como el amoniaco, las
partículas sólidas, el dióxido de azufre se reducirán drásticamente, así como los costes de
salud relacionados con la contaminación.
4. Frenan en el efecto invernadero, ya que disminuyen el grado de contaminación del aire,
las emisiones contaminantes y efectos meteorológicos como la lluvia ácida. Además,
muchas de estas energías, como la energía solar, permiten el autoabastecimiento a través de
la instalación de sencillas infraestructuras. En otro orden de cosas, parece evidente que las
energías renovables son cada vez más necesarias en un mundo donde el desarrollo sostenido
y sostenible es cada vez más importante, lo que redunda en la existencia de más puestos de
trabajo especializados relacionados con estas formas relativamente nuevas de obtener
energía.
5. Pueden hacer frente a la demanda, ya que las fuentes de energía renovables tienen un
potencial energético inmensamente mayor que los combustibles fósiles. De hecho, son
capaces de hacer frente a los aumentos rápidos y crecientes de la demanda en el mercado de
la energía, asegurando la estabilidad y la seguridad de los precios.
6. Los costes de generación de las energías renovables son ya iguales o más baratos que
los de las energías tradicionales, como se demuestra por diversos estudios realizados a
este nivel, entre los que destacan los de la Agencia Internacional de Energía Renovable
(IRENA). A partir del último informe publicado por la IRENA, con datos que hacen
referencia a la evolución habida entre 2010 y 2017, y de las perspectivas que existen hacia
el horizonte inminente de 2020 [9] [10], se concluye que todas las renovables serán
35
competitivas en coste respecto de las tradicionales para el 2020. A título de resumen
concretamos alguno de los datos finales a los que se llega en este informe:
a. El coste nivelado de generación eléctrica (LCOE) de la solar fotovoltaica de gran escala,
se ha reducido en un 73% entre 2010 y 2017 alcanzando 10 centavos de dólar por kWh.
b. El coste promedio de la electricidad proveniente de la energía eólica terrestre disminuyó
un 23% entre 2010 y 2017. Los proyectos actuales habitualmente se contratan a 4
centavos/kWh y el promedio ponderado mundial es de 6 centavos/kWh.
c. Para el año 2019, los mejores proyectos eólicos terrestres y los basados en energía solar
fotovoltaica estarán generando electricidad por un valor equivalente a 3 centavos/kWh,
o menos. El coste global promedio de los nuevos proyectos de energía geotérmica
completados en 2017 se estima alrededor de 7 centavos de dólar por kWh.
d. Los precios más bajos referenciados para determinados proyectos actuales de energía
solar fotovoltaica se sitúan en 3 centavos/kWh (y menos).
e. Para 2020, todas las tecnologías de generación renovable actualmente comercializadas
estarán generando en un rango de 3-10 centavos/kWh, compitiendo o incluso por debajo
de los costes de generación con combustibles fósiles.
Tales datos quedan corroborados en la gráfica siguiente [9], en la que se concretan los
costes promedio de generación de energía renovable en el rango de combustibles fósiles
para el 2017:
Gráfica 8. Costes promedio de generación de energías renovables
Si es cierto que las ventajas de este tipo de energía priman, parece obvio que aún se debe
considerar algún valor cuestionable, al menos, a día de hoy, a saber:
1. Implantación.- Hasta ahora la industria y las economías domésticas, y los gobiernos de los
países más poderosos han apostado por la utilización de energías que necesitan la
explotación de recursos naturales, lo que se concreta en el crecimiento y posicionamiento de
grandes empresas en la explotación de estos recursos fósiles, en detrimento de otras
alternativas, lo que provoca las correspondientes presiones a los gobiernos de turno, que les
llevan a establecer duras tasas e impuestos al desarrollo de las infraestructuras propias de las
energías renovables. Además, estas poderosas empresas petroleras o de gas natural han
hecho enormes inversiones e infraestructuras para mantener su posición predominante en el
negocio energético, que prácticamente rige las leyes económicas del mundo, y tampoco
quieren entrar en un mercado aún sin garantías y en el que tendrán que invertir grandes
sumas de dinero para la construcción de infraestructuras.
2. Posibles efectos contaminantes. - Suele achacarse a las energías renovables que, de alguna
manera, sí que contaminan, y es que, en comparación con los combustibles convencionales
a base de petróleo, tienen un bajo nivel de producción de dióxido de carbono, también es
cierto que algunos de los componentes utilizados para su producción tienen efectos
negativos para el medio ambiente. Así, por ejemplo, los discos magnéticos que se utilizan
36
generalmente en los motores para la producción de electricidad alternativa (como los
utilizados en turbinas de viento y agua), en su proceso de producción, tienen fuertes efectos
negativos en el medio ambiente, dado que utilizan combinaciones de compuestos que deben
procesarse y combinarse para un uso efectivo, y que suelen contener una fuerte carga
constante magnética, no natural.
3. Problemas de sostenibilidad. - Los materiales necesarios para la generación de este tipo de
fuentes energéticas suelen encontrarse en los países menos desarrollados, en terrenos
selváticos y de difícil acceso, que requieren para su extracción de medios muy abrasivos con
el medio ambiente, derivando en procesos de deforestación, ya que la tierra que queda bajo
deforestación permite recuperar grandes cantidades de minerales necesarios, que permiten
su procesamiento con el mínimo esfuerzo. Si es indiscutible que a corto plazo se genera un
perjuicio para el medio ambiente global y, en particular, para el de las zonas desforestadas,
a medio y largo plazo, ello no tiene porqué ser así, y los beneficios pueden superar
ampliamente el daño causado, si se plantea un proceso de renovación de las culturas y
plantaciones.
4. Costes de instalación, de producción y de amortización altos. - Las instalaciones precisas
para la generación de este tipo de energías generalmente requieren de inversiones muy
importantes, y unos elevados costes de producción, que sería necesario reducir. Además, a
veces pueden darse problemas de baja disponibilidad, debido a las variaciones naturales, la
distancia desde la producción hasta el punto de consumo o la utilización de extensas
superficies de territorio para su generación, lo que deriva en un encarecimiento en la
producción.
En conclusión, más pronto que tarde, las energías renovables se convertirán en una necesidad, lo
que derivará en una mayor implantación global, lo que abaratará su producción y generalizará
su uso. Sus posibles efectos contaminantes son, en todo caso, de mucho menor calado que los de
las energías tradicionales y, en todo caso, reducibles si se utilizan los recursos tecnológicos
adecuados. Además, los desarrollos de políticas adecuadas pueden hacer que los enunciados
problemas de sostenibilidad puedan ser más que obviados. Desde esta óptica, las ventajas
enunciadas, hacen de las energías renovables el futuro y la necesidad.
En este punto, cabe destacar que el Acuerdo de París, suscrito en la Cumbre Mundial del Clima,
celebrada en diciembre de 2015, que entrará en vigor en 2020, establece que los casi 200 países
firmantes se comprometen a reducir sus emisiones de forma que la temperatura media del
planeta a final del presente siglo quede “muy por debajo” de los dos grados, el límite por encima
del cual el cambio climático tiene efectos más catastróficos, e incluso a intentar dejarlo en 1,5
grados, lo que supone de hecho un respaldo al conjunto de energías renovables.
La transición hacia un sistema energético basado en tecnologías renovables tendrá asimismo
efectos económicos muy positivos. Según la Agencia Internacional de Energías Renovables,
duplicar la cuota de energías renovables en el mix energético mundial hasta alcanzar el 36% en
2030, supondría un crecimiento adicional a nivel global del 1,1% ese año (equivalente a 1,3
billones de dólares), un incremento del bienestar del 3,7% y el aumento del empleo en el sector
hasta más de 24 millones de personas, frente a los 9,2 millones actuales.
37
SITUACIÓN ACTUAL DE LAS ENERGÍAS RENOVABLES EN ESPAÑA La crisis económica internacional, que azotó de manera singular a España, truncó la evolución
positiva del sector energético y, de manera singular al de las energías renovables. En este
ámbito, no se realizaron nuevas inversiones, y se paralizaron los incentivos y las bonificaciones
existentes en buena medida, aparte de que las empresas del sector tuvieron que truncar las
investigaciones sobre estas energías y muchos de sus proyectos internacionales. La salida de la
crisis, sobre todo a partir de 2015, empieza a abrir de nuevo los horizontes hacia una mejora
global de la producción y consumo de energía, en la que indudablemente las renovables cada
vez más, tendrán un mejor posicionamiento. Este análisis se corrobora con los datos de
consumo de energía eléctrica, que reflejan una evolución claramente positiva en los últimos tres
años, síntoma de que la actividad ha mejorado sensiblemente, lo que hace que la producción y
potencia instalada deban mejorar también en un futuro próximo. A nivel global, se comprueba
[11] [12] con el pico de consumo que se alcanzó en 2008, con más de 268.000 GWh., y que, a
partir de ahí, se produce un descenso continuado hasta fijar un mínimo de poco más de 23.300
GWh en 2014, en el que comienza una recuperación que fija un nivel de 241.224 GWh en 2017,
cifra que lleva a alcanzar niveles aproximados parejos a los de 2004, nivel aún bastante inferior
al del inicio de la crisis. Como se constata en los dos gráficos, existió una fase de crecimiento
expansiva en el consumo, con crecimientos muy importantes hasta 2007, con tasas de variación
en algunos casos incluso superiores al 7%. Tras esa fase, se dan variaciones continuadas
negativas entre 2009 y 2014 (excepto el ligero repunte de 2010), que se han truncado en los
últimos tres ejercicios, en los que se han dado moderadas subidas en el consumo (1’5, 0’7 y
1’1%).
Gráfica 9. Evolución del consumo de electricidad en España
Gráfica 10. Variación interanual del consumo eléctrico en España
154.000
174.000
194.000
214.000
234.000
254.000
274.000
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
CN
SUM
O E
LÉC
TRIC
O (
GW
H)
TIEMPO (AÑOS)
4,8%
7,4%7,0%
5,9%5,8%
3,1%
7,1%
4,8%4,5%
3,0%2,8%
0,3%
-5,8%
1,4%
-3,1%
-1,2%
-3,9%
-1,1%
1,5%
0,7%1,1%
-6%
-4%
-2%
0%
2%
4%
6%
8%
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
38
Los valores de producción neta de energía de los últimos tres años, tal y como aparece detallado
en la tabla adjunta [11] [12], no han variado de manera sensible, dado que las instalaciones no
se han modificado prácticamente. En todo caso, la baja pluviometría del último ejercicio hizo
que bajara sensiblemente (47´4%) la producción de energía hidráulica, y ello redundara en una
reestructuración de la distribución de la producción, dándose un crecimiento muy relevante de la
producción de energías de combustibles fósiles (21’7%), puesto que éstos se pueden comprar de
manera directa en el mercado, y por la derivada de la cogeneración y tratamiento de residuos
(8’7%), aunque ésta en menor medida, dado su menor peso relativo en la producción global.
Por último, se quiere subrayar también el crecimiento que sufrió la producción de la energía
solar, tanto la fotovoltaica como la térmica, ambas por encima del 5% (5’1 y 5’5%
respectivamente), y la de biomasas y residuos, con un 4’1% de incremento.
Tabla 3. Producción de energía neta por tipo de energía (GWh)
Si se observa cómo se distribuye la producción de energía a partir de las distintas fuentes de
ésta, queda claro que el peso de las renovables en su conjunto cada vez es más significativo,
representando en 2017 más del 26%, y que la dependencia de los combustibles fósiles aún es
muy importante, sobre todo a expensas de considerarse como colchón para los años de malos
datos de lluvias (33´1, 28 y 34´1%, respectivamente para 2015, 2016 y 2017). Asimismo, se
puede destacar como la energía eólica supone más del 18% (18´2%) y la energía derivada de la
cogeneración y tratamiento de residuos representa en torno al 10% del total (10´7%), y que la
nuclear, aún hoy, representa más del 20% del total (21´2%). De esta forma, parece claro que, si
se quiere reducir el peso de la energía producida por combustibles fósiles, y puesto que la
tendencia en la energía nuclear es a su bajada, se debe incrementar la producción de las energías
limpias. En este ámbito, parece claro que hay que apostar por el crecimiento de la energía solar,
que sólo representa hoy un 5´2% del total, y cuyas posibilidades de crecimiento son
exponenciales en España, sin desdeñar la apuesta por la energía eólica, ya más consolidada.
Si se observaran los valores de potencia instalada en España [11] [12], se podría comprobar
como las cifras de los últimos años son prácticamente estables, aunque es previsible que la
situación varíe en los próximos años, dadas las nuevas inversiones que se están realizando
actualmente. En todo caso, sí cabe reseñar el descenso que ha sufrido la potencia nuclear
instalada, que pasó de 7.573 MW en 2016 a 7.117 MW en 2017, lo que representa un 6%
menos, tendencia que previsiblemente se acentuará a corto y medio plazo. En cuanto a la
estructura de la potencia instalada, atendiendo a las distintas fuentes de energía, los
combustibles fósiles tradicionales aún representan en su conjunto la mayor parte de la misma,
con un porcentaje superior al 37%, pero el peso de las energías renovables en su conjunto se ha
posicionado en un lugar prioritario, representando la energía eólica el 22’2%, y la solar en su
conjunto, el 6’7%, en tanto la hidráulica supone un 19’6% del total.
39
Gráfica 11. Distribución de la potencia energética instalada (2017)
PERSPECTIVAS PARA LAS ENERGÍAS RENOVABLES EN ESPAÑA En el contexto económico actual, parece evidente que las energías renovables deben representar
la alternativa a las fuentes energéticas tradicionales, en línea a alcanzar los objetivos a largo
plazo del Acuerdo de París y los objetivos nacionales adquiridos por muchos países a 2020 y
2030. En un contexto de reducción acelerado de los costes de las renovables, la Unión Europea
se encuentra en un proceso de revisión de los objetivos de renovables recogidos en el Paquete
Energía-Clima 2030 y que podrían elevarse desde el 27% hasta el 35%. En España, el debate
sobre el papel de las renovables también ha vuelto a surgir con fuerza en el contexto de la Ley
de Cambio Climático y Transición Energética.
En esta línea, se puede citar el documento “Renewable Energy Prospects for the European
Union” de la Agencia Internacional de Energías Renovables (IRENA) [13], que indica que la
Unión Europea (UE) puede aumentar la cuota renovable en su mix energético al 34 por ciento
para 2030, el doble de la cuota en 2016, con un impacto económico positivo neto, lo que
generaría inversiones adicionales de alrededor de 368.000 millones de euros hasta 2030, lo que
equivale a una contribución media anual del 0,3 por ciento del PIB de la UE.
En el ámbito español, los cambios de futuro en el sector energético son irreversibles, y ello
viene apoyado por:
1) Los desarrollos normativos que se están planteando a nivel europeo y español. En esta línea,
a nivel español y en referencia a la necesaria transición energética, se creó un comité de
expertos en el pasado mes de julio, para el análisis de escenario.
2) Las perspectivas empresariales con respecto a las renovables también van cambiando, y los
bloques de empresas aliadas a las energías tradicionales y a las renovables son ya más
permeables, puesto que las primeras se han dado cuenta que para sobrevivir tienen que
completar su actividad con otro tipo de energías, impulsando las energías renovables, puesto
que es ya irrenunciable entender lo que representa el cambio climático y cómo debe de ser
la transición energética en España.
3) Las perspectivas de evolución de los costes de las renovables colaboran de forma positiva a
su crecimiento, tanto a nivel mundial, como de forma singular en España. Hoy ya se sabe
que la electricidad producida a partir de renovables pronto será más barata que la
generación con combustibles fósiles, puesto que existe una tendencia clara al abaratamiento
en las primeras, y al encarecimiento en las segundas, como lo demuestran los datos
recogidos en las sucesivas subastas en España, sobre todo en el caso de la energía eólica y
solar fotovoltaica. Cabe destacar que la solar fotovoltaica ha bajado sus costes de 2010 a
Hidráulica19,6%
Carbón9,6%
Gas Natural25,6%
Fuelóeleo y otros prod. Petrolíferos
2,4%
Nuclear6,8%
Eólica22,2%
Solar fotovoltaica4,5%
Solar térmica2,2%
Biomasa y Residuos
1,5%
Cogeneración y T. Residuos5,6%
40
2016 del orden de un 70%, siendo de casi un 20% para la energía eólica, todo ello en un
contexto de bajada de precios global en este sector, que ni mucho menos está llegando a
valores asintóticos. Así, las grandes eléctricas han iniciado claramente un proceso hacia la
descarbonización, en línea a la futura ley de Cambio Climático y Transición Energética, que
contempla la total sustitución del carbón por renovables en 2030. En esta línea, se intentará
conseguir que el 55% de la cobertura de la demanda eléctrica se haga con generación
renovable en 2030, con el objetivo de tener un mix renovable al 95% para 2050, entre
fotovoltaica y eólica, lo que implicaría una fuerte electrificación en los sectores más
emisores, fundamentalmente el del transporte, haciendo que la totalidad del parque de
vehículos sean eléctrica, además del ferrocarril, los camiones, y la mayor parte de los usos
de la edificación.
4) En el ámbito de la evolución de las subastas y el autoconsumo en España, también se ha
producido una involución de la tendencia negativa en la que se encontraba el sector. Así, en
2018 y 2019 habrá que ejecutar las instalaciones asignadas en las subastas celebradas en
2016 y 2017, lo que supone una gran concentración de proyectos, más de 8.000 MW de
proyectos. Sería también muy importante que se desarrollaran proyectos de autoconsumo, a
la vez que se intentan resolver las barreras que le afectan.
A partir de todos estos planteamientos, y aun considerando que hay que zanjar aún los litigios
nacionales e internacionales de los productores de renovables en España por las ayudas
recibidas en el pasado, y qué va a ocurrir con el sistema retributivo actual, al objeto de zanjar las
preocupaciones de las empresas productoras, las perspectivas parecen favorables.
IMPORTANCIA DEL MANTENIMIENTO EN LA GENERACIÓN DE ENERGÍAS
RENOVABLES La previsible mayor implantación global futura de las energías renovables abaratará su
producción y generalizará su uso, pero parece indudable que todavía hoy se requieren elevadas
inversiones iniciales, y en la necesidad de implementar sistemas de mantenimiento eficientes en
las instalaciones. Por todo ello, en el campo de las energías renovables, el mantenimiento suele
ser el principal coste variable de las plantas una vez son puestas en marcha, pero también es el
que tiene una mayor sostenibilidad en el tiempo, ya que la duración de una instalación de este
tipo es muy alta, y la tendencia es a que pueda ser mayor si se implementa un mantenimiento
eficaz y eficiente, introduciendo nuevos sistemas y tecnologías y procedimientos avanzados de
mantenimiento.
A este nivel, se ha hablado del uso de drones, de Big Data, de la conectividad de las
instalaciones o de la limpieza de los paneles, entre otras opciones. En todo caso, es preciso que
el plan de mantenimiento se desarrolle con profesionalidad y calidad, utilizando sistemas
testados, adaptados a las circunstancias de la instalación en la que operemos, y bajos las
premisas de un seguimiento continuo.
Desde estos planteamientos, se conoce que los costes de operación y mantenimiento pueden
representar entre el 20 y el 25% del coste nivelado de generación de la energía (LCOE),
superando ampliamente estas cifras en casos concretos, y que sabemos que los costes de
mantenimiento tienen un desglose natural en costes fijos y variables, y que éstos dependen en
gran medida de las posibles averías que se produzcan en la instalación. Por todo ello, se hace
necesario establecer un plan de mantenimiento preventivo que analice la posible existencia de
criticidades en la operativa, que derive en el establecimiento de posibles medidas que hagan el
sistema más confiable.
41
En los datos adjuntos publicados por Renovetec [14], se detalla los costes de construcción, y el
análisis de los costes aproximados por MWh generado para cada tecnología en España:
Tabla 4. Costes MWh por tipo de energía
Si analizamos el mismo, podemos percatarnos del diverso peso que tiene el coste de operación y
mantenimiento sobre el coste total en cada caso, aunque si no consideramos los casos de
cogeneración, en todos los demás se sitúan por encima del 20% del total, en línea a. lo
establecido en los comentarios generales anteriores.
Así las cosas, parece claro que el objetivo de un plan de mantenimiento adecuado [14] debe ser,
en última instancia, maximizar la capacidad productiva de la planta, ya que sus ingresos son los
que nos van a dar un índice de su rentabilidad total, y consiguientemente, proporcionarán un
coste del kW de energía más bajo y competitivo. Para ello, el enfoque del plan de
mantenimiento y operación de la planta solar ha de ser preventivo, quedando hueco para
actuaciones correctivas sólo cuando los componentes estén llegando al final de su ciclo de vida,
cuando sucedan fenómenos sobrevenidos impredecibles o los derivados de posibles defectos de
fabricación en algún componente o equipo.
Desde esta perspectiva, hay que valorar la existencia de posibles sistemas monitorización, que
deben adaptarse a las características de la planta, y establecer un mantenimiento preventivo que
contemple las acciones a realizar y su periodicidad, y los repuestos a disposición en la planta,
valorando la criticidad del elemento, la probabilidad de fallo, o el plazo de entrega.
Adicionalmente, también se tendrán en cuenta aspectos formativos, predicciones, detección de
incidencias sobrevenidas, u otros aspectos con incidencias sensibles.
Finalmente, tenemos que tener en cuenta que el objetivo último del plan de mantenimiento debe
ser que la planta presente una máxima disponibilidad, máxima eficiencia, mayor rendimiento,
mínimo coste e incremento de la vida útil.
42
43
CAPÍTULO II. OBJETIVOS DEL PROYECTO
En aras a desarrollar el presente proyecto, nos planteamos una serie de objetivos a alcanzar, a
los que hemos dados respuesta en los siguientes capítulos, a saber:
1. Recopilar la bibliografía relacionada con los distintos modelos de gestión de
mantenimiento, y seleccionar uno de ellos para aplicarlo a un caso de estudio real.
2. Identificar y jerarquizar, por su importancia, los activos de una instalación de
generación eléctrica, sobre la cual se van a dirigir recursos humanos, económicos y
tecnológicos.
3. Determinar la fiabilidad global de la planta, a partir del análisis de la distribución
estadística de los fallos que siguen los equipos relacionados directamente con el proceso
de generación eléctrica.
4. Encontrar el equipo que durante los años de operación de la planta ha provocado
mayores pérdidas en generación por sus fallos.
5. Determinar cuáles de las señales monitorizadas podrían ayudar a predecir la ocurrencia
del fallo a estudiar.
6. Verificar la posible rentabilidad de implementar técnicas que reduzcan el impacto de los
fallos, frente al coste que conllevaría realizarlas.
7. Concretar vías de investigación futura.
44
45
CAPÍTULO III. ESTADO DEL ARTE
MODELOS DE GESTIÓN DEL MANTENIMIENTO
INTRODUCCIÓN La gestión moderna del mantenimiento, según norma europea 13306:2011 [15] (CEN, 2011),
incluye todas las actividades de gestión que determinan:
Objetivos o prioridades para el mantenimiento (definidos como los objetivos asignados
y aceptados por el departamento de gestión de mantenimiento)
Estrategias (definidos como los métodos de gestión que se utilizan para alcanzar estas
metas u objetivos)
Responsabilidades de gestión.
En primera instancia, se va a presentar una revisión de los distintos modelos de gestión de
mantenimiento, tomada del artículo de López-Campos y Crespo [16], para así repasar la
bibliografía relacionada con el tema que se está tratando.
Los criterios utilizados a la hora de seleccionar los modelos han sido los siguientes:
1. Que se propusiera un modelo de gestión global y no uno enfocado en una sola fase de la
gestión o en una herramienta de mantenimiento
2. Que se propusiera un modelo que no fuera informático o tipo GMAO
3. Que el modelo estuviera publicado en una revista científica
4. Que se presentara una propuesta de modelo nueva, no una revisión o aplicación de una
ya existente
5. Que el modelo preferentemente tuviera una representación gráfica.
Tabla 5. Innovaciones de los modelos de gestión de mantenimiento
Año Autor Innovaciones
Exponen la necesidad de que exista un vínculo entre mantenimiento y las demás funciones organizacionales
Resaltan la importancia del uso de las técnicas cuantitativas para la gestión
Proponen la organización por niveles para ejecutar las funciones de mantenimiento
Vislumbran la utilización de sistemas expertos
Mencionan el TPM y RCM
Vanneste y Wassenhove Proponen un análisis de eficacia y eficiencia del mantenimiento
Enfatiza la importancia del liderazgo directivo en la gestión del mantenimiento
Introduce el concepto de Reingeniería de mantenimiento
1997 Riis, et al. Sugiere un modelo basado en el concepto de la teoría situacional de gestión
2000 Duffua, et al.Proponen el uso de una gran variedad de herramientas y conceptos japoneses para el control estadístico de los
procesos de mantenimiento, utilizando un módulo llamado "control de retroalimentación"
2001 Hassanain, et al. Orientan su modelo al uso informático, lo expresan en lenguaje IDEFφ (un lenguaje estándar de modelado)
Vislumbra la utilización del e-maintenance
Propone una guía para analizar la conveniencia de a subcontratación como un elemento de entrada al sistema de
mantenimiento
Incorporan tanto el conocimiento tácito como el explícito y lo integra en una base de datos computarizada
Valoran especialmente la gestión del conocimiento dentro de un modelo de mantenimiento
2006 Pramod, et al. Sugiere la unión de las herramientas QFD y TPM dentro de un modelo de gestión de mantenimiento
Soderholm, et al. Proponen que mantenimiento se enfoque en el cumplimiento de requisitos de todas las partes interesadas
Crespo A.Aporta un modelo con una metodología de aplicación claramente expresada, orientada a la mejor de la fiabilidad
operacional y del coste del ciclo de vida de los activos industriales
Aplicación de tecnologías TIC en todas las etapas dentro de un ciclo de mejora contínua
Considera el proceso de selección de repuestos críticos (costos de inventarios frente a los costos por indisponibilidad de
equipos críticos)
1995
Pintelon & Gelders1992
Campbell
Tsan
Waeyenbergh y Pintelon
2002
2007
2010López, M., Gómez, J.F.,
Gónzalez, V., Crespo A.
46
DEFINICIÓN MODELO DE GESTIÓN SELECCIONADO De los modelos de gestión presentados anteriormente, se ha seleccionado para aplicarlo al caso
de estudio el propuesto por Adolfo Crespo en el año 2007, uno de los más utilizados en las
grandes empresas españolas. La razón principal es que se trata de un modelo de aplicación
genérica, que determina de forma precisa el curso de acciones a llevar a cabo en el proceso de
gestión para asegurar la eficiencia, eficacia y mejora continua del activo, a lo largo de su ciclo
de vida.
Para una gestión de mantenimiento eficaz y eficiente, está demostrado [17] que es primordial
atender a los dos siguientes puntos:
a) El proceso de gestión del mantenimiento, que consta de ocho bloques de gestión
secuencial.
b) El marco general de referencia para la gestión, que es la estructura básica de soporte
que consiste en una serie de herramientas que conforman un sistema básico, el cual es
necesario para una gestión de mantenimiento avanzada.
Proceso de gestión del mantenimiento
Tal y como se ha comentado anteriormente, el modelo genérico propuesto para la gestión de
mantenimiento consta de ocho bloques secuenciales, los cuales están definidos en la imagen
siguiente.
Figura 1. Modelo de gestión de mantenimiento
Los primeros tres componentes condicionan la efectividad del mantenimiento, la cuarta y quinta
aseguran la eficiencia, mientras que los bloques seis y siete están dedicados al mantenimiento y a la evaluación de los costes del ciclo de vida de los activos. Finalmente, el bloque número ocho
garantiza la mejora continua en la gestión del mantenimiento.
Por otra parte, el proceso de gestión del mantenimiento puede dividirse en dos perspectivas:
1. Definición de la estrategia de mantenimiento
2. Implementación de la estrategia de mantenimiento
47
Definición de la estrategia de mantenimiento
El proceso de definición de la estrategia de mantenimiento requiere la definición de los
objetivos de mantenimiento, los cuales pueden extraerse directamente del plan de negocios.
Esta primera parte del proceso está muy relacionada con la eficacia, la cual determina el grado
en que los distintos departamentos cumplen con los objetivos de la compañía. Una correcta
estrategia permitirá, por tanto, una minimización de los costes de mantenimiento indirectos [18],
es decir, aquellos asociados a las pérdidas de producción o a la insatisfacción del cliente.
Por tanto, eficacia puede representar la satisfacción general de la compañía con la capacidad y el
estado de sus activos [19], o la reducción del coste total en el que incurre la compañía, debido a
que la capacidad productiva se encuentra disponible cuando se requiere [20].
En resumen, la efectividad está basada en que el proceso se realice correctamente, además de
que este proceso produzca el resultado requerido.
Implementación de la estrategia
La implementación de la estrategia está enfocada en la capacidad con la que cuenta la empresa
en realizar correctamente:
I. Formación del personal
II. Preparación de los trabajos
III. Selección de las herramientas para realizar las tareas
IV. Diseño y ejecución tiempo de los diferentes programas de mantenimiento.
En este segundo punto del proceso, se trata la gestión del mantenimiento desde la perspectiva de
la eficiencia, la cual se entiende como la acción de producir con un mínimo desperdicio, gasto o
esfuerzo innecesario. Cualquier mejora con respecto a lo anterior, permitirá reducir el coste
directo de mantenimiento (mano de obra y otros recursos asociados al mantenimiento).
Marco general de referencia para la gestión
En esta sección, se presentará brevemente el método o técnica que se podrían utilizar en cada
uno de los bloques presentados anteriormente, con el objetivo de mejorar la toma de decisiones
en cada uno de los puntos del modelo.
Figura 2. Muestra de técnicas a utilizar dentro del marco de gestión del mantenimiento
48
Implementación
Antes de enfocar el modelo al caso de estudio, se van a definir brevemente los distintos bloques
que conforman el modelo de gestión escogido, así como las distintas herramientas que se
podrían aplicar en cada uno de ellos. Para ello, se va a
1. Definición de los objetivos del mantenimiento
El procedimiento seguido para definir las estrategias de mantenimiento sigue una metodología
similar a la utilizada en planificación estratégica, en la cual normalmente se incluyen los
siguientes aspectos [21]:
Obtención de los objetivos y políticas de mantenimiento al más alto nivel, partiendo de
los objetivos corporativos del negocio.
Determinación del desempeño o rendimiento actual de las instalaciones productivas.
Determinación de los medidores KPIs (Key Performance Indicators) a considerar para
la evaluación del rendimiento de las instalaciones. Estos indicadores, estarán aceptados
por la dirección de O&M.
Establecimiento de una serie de principios que conducirán la implementación de la
estrategia, y que condicionarán la posterior planificación, ejecución, evaluación, control
y análisis para la mejora continua de las actividades de mantenimiento.
Figura 3. Modelo para la definición de la estrategia de mantenimiento
[22]
Cuadro de Mando Integral (CMI)
En relación con la definición de objetivos de mantenimiento descritos en la fase 1, es usual que
los objetivos estratégicos y operacionales, sean inconsistentes con lo declarado en el plan de
negocios. Para evitar esto, se suele introducir el CMI (BSC, Balance Score Card), el cual
transforma la visión y estrategia en objetivos e indicadores (KPIs) organizados en 4 perspectivas
(figura 4), los cuales ayudan a medir que el rendimiento de la gestión del mantenimiento esté
alineado con los objetivos estratégicos de la organización.
A diferencia de las gestiones convencionales basada únicamente en el aspecto financiero, el
BSC no se limita tan solo a esta perspectiva, sino que pueda consideras todas simultáneamente,
49
identificando así las relaciones entre ellas. De este modo, cabe la posibilidad de establecer una
cadena causa-efecto que permita tomar las iniciativas necesarias en cada nivel.
Figura 4. Estructura del Cuadro de Mando Integral
2. Jerarquización de equipos
Una vez que los objetivos, responsabilidades y estrategias de mantenimiento han sido definidas,
cobra importancia el hecho de discretizar los activos de la planta en estudio, conforme a su
criticidad, es decir clasificarlos en función de su impacto en el sistema productivo global y/o
seguridad del sistema.
Gracias a ello, puede asegurarse la efectividad de las acciones de mantenimiento, reduciendo así
el coste de mantenimiento indirecto, es decir, el asociado a la seguridad, medio ambiente,
pérdidas de producción y, en última instancia, a la insatisfacción del cliente.
Análisis de criticidad
Existen una gran cantidad de técnicas cuantitativas y cualitativas que intentan proporcionar una
base para decidir qué activos deberían tener prioridad dentro de un proceso de gestión de
mantenimiento. Posteriormente, para realizar esta jerarquización, se realizará un análisis de
criticidad sobre la empresa que se está estudiando.
3. Análisis de puntos débiles en equipos de alto impacto
Tras la jerarquización de los activos en función de su criticidad, el siguiente punto a seguir es la
realización de una inspección técnico-visual de todos aquellos equipos que han sido calificados
como críticos en el punto anterior. Para los equipos semicríticos y, sobre todo, para los no
críticos, el nivel de detalle de esta inspección será menor.
Análisis de Causa Raíz de los Fallos
Para eliminar o, al menos, identificar los puntos débiles en equipos o sistemas de alto impacto,
se pueden utilizar diversas herramientas. Una de las más utilizadas es el ACR (Análisis de
Causa Raíz de los Fallos) o RCFA por sus siglas en inglés (Root Cause Failure Analysis).
“Se trata de una metodología que permite determinar de forma sistemática las causas raíces
primarias de los fallos, para aplicar posteriormente soluciones que las eliminen de forma
definitiva” Modelo de gestión de mantenimiento.
FINANZAS
•¿Cómo nos ven los accionistas?
Creación de valor
Rendimiento sobre las inversiones
CLIENTES
•¿Cómo deben vernos los clientes para alcanzar nuestra visión?
Satisfacción al cliente
Cuota de mercado
NEGOCIOS INTERNOS
•¿En cuales procesos de negocio debemos ser excelentes para satisfacer accionistas y
clientes?
Optimización de costos
Cadena de valor
APRENDIZAJE Y CRECIMIENTO
•¿Cómo sostenemos la habilidad para cambiar y mejorar a fin de alcanzar nuestra visión?
Desarrollo empleados
Avances tecnológicos
VISIÓN Y ESTRATEGIA
50
Figura 5. Análisis de causa raíz
4. Diseño de planes de mantenimiento y recursos necesarios:
Una vez analizados los distintos fallos en los equipos importantes, hay que realizar el diseño de
los planes de mantenimiento preventivo. Para su elaboración, conviene seguir estos dos puntos:
1. Recopilación y análisis de información.
a. Especificar las funciones del equipo en estudio, teniendo en cuenta su contexto
operacional
b. Determinar los posibles fallos para cada una de las funciones del equipo.
c. Identificar los modos de fallo, es decir las distintas formas en las que un equipo
puede fallar.
d. Análisis de las causas raíces de los fallos.
e. Evaluación de las consecuencias de cada fallo en las siguientes escalas:
operación, seguridad, medio ambiente e impacto económico.
2. Toma de decisiones
a. Establecer tareas de prevenciones de las consecuencias de los modos de fallo.
b. Especificar, para cada modo de fallo o causa raíz
i. Tarea de mantenimiento a realizar
ii. Frecuencia con la que se va a llevar a cabo
iii. Responsable en ejecutarla
iv. Riesgos asociados al aplicar estas tareas de mantenimiento.
RCM
Una de las metodologías más utilizadas en la industria para el diseño de estrategias y planes de
mantenimiento es el RCM (Reliability Centered Manintenance) o MCF (Mantenimiento
Centrado en Fiabilidad), ya que sigue un procedimiento sistemático y homogéneo a la hora de
determinar las distintas tareas de mantenimiento que se van a aplicar a los activos, para que
éstos sigan realizando su función en el contexto operacional en el que se encuentren.
Para llevar a cabo el proceso que indica la metodología, es necesario la formulación de las
siguientes 7 preguntas:
1. ¿Cuáles son las funciones que debe cumplir el activo y cuál es el desempeño esperado en su actual contexto operacional definido?
2. ¿De qué forma puede fallar completa o parcialmente el equipo?
3. ¿Cuál es la causa origen del fallo funcional?
4. ¿Qué sucede cuando ocurre un fallo? 5. ¿Cuáles son las consecuencias de cada fallo?
6. ¿Qué se puede hacer para predecir o prevenir la ocurrencia de cada fallo funcional?
7. ¿Qué se debe hacer si no posible prevenir o predecir la ocurrencia del fallo funcional?
51
Figura 6. Flujograma de implantación del RCM [22]
5. Programación del mantenimiento y optimización en la asignación de recursos:
Para la correcta realización de esta etapa, se debe establecer una programación detallada de
todas las actividades de mantenimiento que se van a realizar, considerando para ello:
Necesidades de producción en la escala temporal.
Coste de oportunidad para el negocio durante la ejecución de las tareas.
Esta correcta programación de las actividades pretende optimizar la asignación de recursos,
tanto humanos como materiales, además de minimizar el impacto en la producción. Además,
deberá efectuarse en las distintas escalas temporales: corto (< 1 año), medio (1-5 años) y largo
plazo (> 5 años).
Optimización coste-riesgo (OCR)
La metodología OCR surge de la necesidad de valorar cuantitativamente si las consecuencias o
pérdidas por la no realización de una actividad de mantenimiento o remplazo, exceden a los
costes de realizar dicha actividad.
Una vez que se cuantifican los costes asociados al riesgo y al coste de la acción, se obtiene la
curva del impacto total, cuyo punto óptimo será el mínimo de esta.
Gráfica 12. Optimización Coste-Riesgo (OCR)
52
6. Evaluación y control de la ejecución del mantenimiento
Una vez que las actividades de mantenimiento están diseñadas, planificadas y programadas, la
ejecución de éstas debe de ser evaluada, concretando también la realización de un control de las
desviaciones para perseguir los objetivos de negocio y los valores estipulados para los KPIs.
Asimismo, el control de la ejecución permite realimentar y optimizar el diseño de los planes de
mantenimiento, alcanzando así los objetivos principales de la gestión de mantenimiento, que
son el aumento de la eficacia y la disminución de costes.
Método de la ruta crítica (CPM)
Es un algoritmo basado en la teoría de redes, utilizado para el cálculo de tiempos y plazos en la
planificación de proyectos. El resultado final del CPM es un cronograma del proyecto, en el
cual se especifica la duración total del mismo, y la clasificación de las actividades según su
criticidad.
7. Análisis del ciclo de vida y de la posible renovación de los equipos
El análisis del ciclo de vida determina el coste total de un activo a lo largo de su vida útil.
Aunque hay algunos costes, como el de adquisición, que son sencillos de cuantificar, hay otros
que generan escenarios de alta incertidumbre, como los asociados a la operación,
mantenimiento, pruebas de instalación o formación del personal.
Para el tratamiento de este tipo de costes, hay que tener en consideración la fiabilidad de los
equipos, puesto que será necesario aproximar la tasa de fallos o el coste de las reparaciones de
los mismos.
A pesar de que es una tarea compleja, este análisis permite optimizar la decisión de adquirir o
sustituir los equipos en uso. Asimismo, para tomar este tipo de decisiones es imprescindible
conocer el significado de cada uno de los costes que se muestran a continuación:
Gráfica 13. Curva de costes globales
Para la cuantificación de los costes globales, es necesario tener constancia de todos aquellos
costes que han sido generados durante el ciclo de vida de un proyecto o instalación, para lo que
se considera la siguiente formulación:
𝐶𝑜𝑠𝑡𝑒 𝑔𝑙𝑜𝑏𝑎𝑙 = 𝐶𝑜𝑠𝑡𝑒 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑓𝑖𝑗𝑜 + 𝐶𝑜𝑠𝑡𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑎𝑙 + 𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑖𝑛𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎
Coste capital fijo o coste de inversión, definido como el coste de los equipos e
instalaciones asociadas al proyecto.
Coste operacional, determinado por la cuantificación de todos aquellos costes asociados
al funcionamiento de un dispositivo, componente, equipo o instalación.
Coste de ineficiencia, relacionado con la indisponibilidad de la instalación durante el
periodo bajo estudio [23].
53
𝐶𝑜𝑠𝑡𝑜 𝐼𝑛𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = ∑1
(1 + 𝑖)𝑘∙ 𝐻 ∙ 𝐶𝑖 ∙ (1 − 𝐴𝑠𝑖𝑠𝑡𝑒𝑚𝑎)
𝑛
𝑘=1
o Ci: costes de ineficiencia por unidad de tiempo
o H: periodo de evaluación dentro del horizonte del proyecto
o A sistema: disponibilidad esperada del sistema.
o i: tasa de coste de capital de la empresa
o n: años de operación.
o k: índice para el periodo de evaluación
o ∑: actualización de los flujos de dinero, producto de los costes de
ineficiencia por cada uno de los períodos H del análisis
Figura 7.Análisis del coste del ciclo de vida [17]
Una vez que se determinan los costes globales, cabe la posibilidad de analizar las distintas
alternativas de equipos y configuraciones de sistema, de forma que la opción técnica más
aconsejable será aquella en la que el coste global sea mínimo.
8. Implantación del proceso de mejora continua y adopción de nuevas tecnologías
La última fase del modelo de gestión de mantenimiento está relacionada con la mejora continua,
a partir de la utilización de nuevas tecnologías (E-Maintenance) que se beneficien de la
información emergente y estén enfocadas a implementar un entorno cooperativo, que permita un
proceso proactivo de toma de decisiones en mantenimiento.
Además de las nuevas tecnologías para el mantenimiento, la colaboración del personal dentro
del proceso de mejora de mantenimiento será un factor fundamental a la hora de alcanzar el
éxito.
Mantenimiento Productivo Total (MPT)
Una de las técnicas que pueden utilizarse en esta fase del modelo es el mantenimiento
productivo total (TPM por sus siglas en inglés), el cual está enfocado a integrar los distintos
departamentos de la organización y aprovechar el conocimiento de los empleados, para mejorar
la disponibilidad y la productividad, reduciendo así los costes de operación y mantenimiento.
Esta metodología está basada en 5 principios fundamentales, que fueron definidos en 1971 por
el Instituto Japonés de Ingenieros de Planta:
1. Maximizar la eficiencia global de equipo, que incluye disponibilidad, eficiencia del
proceso y calidad del producto.
2. Aplicar un enfoque sistemático para la fiabilidad, la factibilidad del mantenimiento y
los costes del ciclo de vida.
54
3. Involucrar en la implementación del TPM a todos los departamentos que planean,
diseñan, usan o mantienen los equipos.
4. Involucrar a todos los niveles gerenciales y a los trabajadores.
5. Mejorar el rendimiento del equipo mediante actividades de grupos pequeños y el
desempeño del equipo de trabajadores.
55
CAPÍTULO IV. CASO DE ESTUDIO
Antes de abordar el proyecto de construcción de una planta termosolar, resulta primordial elegir
un correcto emplazamiento de la misma, puesto que la energía que se utilizará para generar la
electricidad variará en función del lugar donde se sitúe.
En el caso de planta termosolares, el aspecto fundamental a tener en consideración será la
radiación anual con la que cuente el lugar, siendo necesario que ésta sea igual o superior a los
2.000 kWh/m2. Tal y como se puede observar en la imagen adjunta, dentro de Europa, España
es el país con unas mejores condiciones a este nivel para poder desarrollar plantas de este tipo.
Ilustración 1. Mapa radiación solar Europa
Además de la radiación, también será imprescindible que el lugar cuente con facilidad para
obtener agua con la que abastecer las necesidades de operación, y que cuente con un buen
acceso de la red de transporte y distribución para poder volcar la energía producida.
A continuación, se va a presentar la planta termosolar sobre la que se ha realizado el caso de
estudio, en la que se podrá observar cómo se cumplen las especificaciones anteriormente
establecidas.
PLANTA TERMOSOLAR ARENALES La planta de generación eléctrica objeto de estudio, se encuentra situada en el municipio de
Morón de la Frontera (Sevilla), concretamente en el kilómetro 3’8 de la carretera SE5204.
Ilustración 2. Planta Termosolar Arenales
Dentro de las características generales de diseño de esta planta termosolar, cabe destacar las
siguientes:
56
Capacidad nominal: 50 megavatios (MW) a través de un campo solar de colectores
cilindro-parabólicos.
Superficie del campo solar: aproximadamente 510.020 metros cuadrados, en los que
se reparten los 156 lazos.
Ilustración 3. Colectores Cilindro Parabólicos (CCP)
Almacenamiento térmico: Sistema de almacenamiento térmico con sales fundidas para
una autonomía de siete horas.
Ilustración 4. Taques de sales fundidas
Vida útil: No inferior a 25 años.
Radiación anual: La radicación absorbida anual durante los años de operación de la
planta es superior al mínimo requerido para que la generación pueda ser rentable, tal y
como se puede observar en la tabla siguiente.
Tabla 6. Radiación solar anual
Año 2014 Año 2015 Año 2016 Año 2017
RAD (kWh/m2) 2104 2086,5 2126,6 2310,5
57
Abastecimiento de agua: La planta cuenta con 6 tomas de aprovisionamiento,
repartidas en 3 pozos, 1 balsa, 1 río 1 y un arroyo, con una restricción de volumen
máximo de extracción, asociada a cada una de ellas. Además, el agua captada no supera
los 2.000 μS/cm de conductividad. Para ello, se ha establecido como política de
capación el uso del 60% de pozos y del 40% de la Balsa de Invernales o del Arroyo del
Cuerno del volumen total captado.
Tabla 7. Limitaciones y conductividad de las tomas de captación
Red de transporte y distribución: Es la parte del sistema de suministro eléctrico
dedicada al suministro de energía desde la subestación de distribución hasta los usuarios
finales. En el caso de esta planta, esta red es compartida con la planta termosolar de
Morón, y tiene las siguientes características:
o Origen: Apoyo de línea ubicado en la finca «El Torrejón» (parcela 2, polígono
35) en Morón de la Frontera (Sevilla).
o Final: Subestación Don Rodrigo de «Sevillana-Endesa». TT.MM. afectados:
Morón de la Frontera, Arahal, El Coronil, Utrera y Alcalá de Guadaira
(Sevilla).
o Tipo: aérea.
o Longitud: 35,59 km.
o Tensión en servicio: 66 kV.
o Conductores: LA-380.
o Apoyos: Metálico celosía.
o Aisladores: Compuestos.
o Presupuesto: 2.746.688 €.
CAPTACIÓN
Pozo Haza Cero 1 138.286 m3 1.000-1.300 μS/cm
Pozo Haza Cero 2 138.286 m 3 1.000-1.300 μS/cm
Pozo Cañajal 138.286 m 3 1.000-1.300 μS/cm
Balsa Invernales 338.842 m 3 1.900-2.500 μS/cm
Río Guadaira 79.168 m 3 No se usa μS/cm
Arroyo del Cuerno 74.880 m 3 1.500-2.100 μS/cm
VOLUMEN MÁX CONDUCTIVIDAD
58
Figura 8. Ubicación subestación eléctrica
BENEFICIOS TRAS SU INSTALACIÓN Producción: Diseñada para generar 148 gigavatios por hora (GWh) anuales de
electricidad.
Abastecimiento: Capaz de suministrar electricidad limpia a 42.000 hogares.
Reducción de contaminantes: Evita la emisión de 113.000 toneladas/año de dióxido
de carbono (CO2) procedente de combustibles fósiles.
Distribución del capital
El capital de Arenales está distribuido entre el fondo de Deutsche Bank Rreef Infraestructures,
que cuenta con el 49% de las acciones; la empresa OHL Industrial que posee el 25% del capital;
y Steag GmbH, que detenta el 26%.
Esta última compañía, además de poseer un fragmento del patrimonio, tiene una filial
denominada STEAG Energy Services, que se dedica en su totalidad a la operación y
mantenimiento de la planta.
STEAG ENERGY SERIVICES SOLAR, S.L.U.
Áreas principales
Tal y como se ha planteado con anterioridad, la filial alemana cuenta con los derechos de
operación y mantenimiento (O&M) de la planta. Vamos seguidamente a detallar las funciones
de los dos departamentos implicados.
Departamento de operación
Este departamento se centra en ayudar a cumplir los objetivos de rendimiento de la Planta, y
garantizar la seguridad e integridad de los trabajadores dentro de la misma. Para ello, durante
un servicio ininterrumpido, un grupo de operadores y panelistas, supervisados por un jefe de
turno, enfocan su filosofía de trabajo a los siguientes principios:
59
1. Evitar la reducción en el nivel de disponibilidad, fiabilidad y eficiencia, a partir de
procesos de operación proactivos llevados a cabo por personal bien gestionado y
competente.
2. Existencia de procedimientos para cubrir todas las situaciones previstas, debiendo éstos
ser entendidos por el personal implicado y estar disponibles para su consulta inmediata
cuando sea necesario. Además, el personal debe ser entrenado a este nivel, para
asegurarse de que puede desempeñar su actividad con eficacia.
3. Capacidad de operar sin poner en peligro ninguna de las partes involucradas, puesto que
la seguridad y salud del personal no debe ser comprometida por la necesidad de
demostrar la alta disponibilidad y la eficiencia de la planta.
4. La operación y las acciones de mantenimiento son mutuamente dependientes. Así, la
eficacia de los esfuerzos para el cumplimiento de los objetivos de un proyecto y, por lo
tanto, de la organización como un todo, está influenciada por la relación entre los
departamentos responsables de la operación de la planta y los responsables de su
mantenimiento.
Departamento de mantenimiento
Al igual que el departamento de operación, el de mantenimiento tiene definida una línea de
trabajo, relacionada con una correcta gestión de la planta, asegurando así la máxima
disponibilidad eléctrica posible. En este sentido, su línea de actuación se concreta en las
siguientes funciones:
1. Optimizar el uso de los recursos de mantenimiento, mediante una correcta planificación
y ejecución de las tareas.
2. Mantener con eficacia la fiabilidad de los sistemas y equipos de la planta, a fin de
maximizar la capacidad de generación eléctrica.
3. Garantizar la Seguridad de los Trabajadores y las Condiciones de Trabajo Óptimas.
4. Preservar el Medio Ambiente.
5. Establecer indicadores de mejora continua.
Una vez definidas las funciones de las dos áreas principales con las que cuenta Steag, se va a
realizar un estudio exhaustivo de la planta, siguiendo la cronología detallada en los objetivos del
capítulo III.
DEFINICIÓN DE LOS EQUIPOS Comenzamos definiendo los equipos principales del sistema, para así poder analizar cuál de
ellos puede afectar de forma significativa al funcionamiento de la planta.
Para ello, se va a utilizar la primera parte de la metodología del diagrama de bloques, en la cual
quedarán definidos todos aquellos equipos que participan de forma directa en la producción.
DIAGRAMA DE BLOQUES I
Definición
En fiabilidad, un diagrama de bloques, RBD (Reliability Block Diagrams), es una
representación gráfica del comportamiento de la fiabilidad de un sistema. Por ello, desde el
mismo se pueden establecer las conexiones lógicas entre los componentes necesarios para el
correcto funcionamiento del sistema. De este modo, se puede percibir el efecto que tendría el
fallo de un componente sobre el funcionamiento del sistema.
60
Figura 9. Diagrama de bloques de la planta
Una vez definido el diagrama de bloques, se determinan una serie de características de cada uno
de los equipos que han aparecido en el diagrama anterior:
1) Disposición: Corresponde a la forma en la que está conectado cada grupo funcional:
a. Serie: Los equipos se conectan de forma consecutiva, por lo que el fallo de
cualquiera de los componentes implica el fallo del sistema.
b. Paralelo: Los equipos pueden trabajar de forma simultánea, teniendo una
entrada y una salida común. De esta forma, se precisa el funcionamiento de al
menos uno de los componentes para que el sistema funcione.
2) Redundancia: Relacionado con aquellos equipos que se colocan en un número superior
a lo que operativamente necesita el sistema, para asegurar la disponibilidad del grupo
funcional ante posibles fallos.
3) Función requerida: Función o combinación de funciones de un elemento que se
considera necesario para dar un servicio determinado.
Equipos principales de la planta
Campo Solar
Disposición: 156 lazos distribuidos en 4 cuadrantes:
o Q1: 40 lazos.
o Q2: 42 lazos.
o Q3: 30 lazos.
o Q4: 44 lazos.
Función: Convertir la radiación solar en energía térmica.
Ilustración 5. Campo Solar
61
Bombas Recirculación Campo Solar
Disposición: Paralelo.
Redundancia: 2x100%.
Función: Hacer circular el aceite HTF a través del campo solar, para luego introducirlo
en la isla de potencia.
Ilustración 6. Bombas Recirculación Campo Solar
Bombas de Sales calientes y frías
Disposición: Ambas en paralelo.
Redundancia: ambas 3x50%.
Función:
o Hacer circular el fluido de transferencia de calor principal (sal fundida), a través
de los dos tanques.
o Almacenar la energía durante las horas de alta radiación.
o Suministrar la energía cuando sea necesario, normalmente al anochecer.
Ilustración 7. Bombas de Sales calientes y frías
Intercambiadores HTF-Sales
Disposición: Serie.
N.º Equipos: 6.
Función: Transferir el calor desde el HTF que proviene del campo solar hasta las sales,
cuando se quiere almacenar el exceso de energía térmica.
62
Ilustración 8. Intercambiadores HTF-Sales
Economizador
Disposición: Paralelo.
Redundancia: 2x50%.
Función: Precalentar el agua de alimentación con el calor residual de los gases de
escape, aprovechando su energía para aumentar el rendimiento de nuestra instalación, y
evitar saltos bruscos de temperatura en la entrada de agua.
Ilustración 9. Economizador
Evaporador
Disposición: Paralelo.
Redundancia: 2x50%.
Función: Aprovechar el calor de los gases de escape de temperatura intermedia para
evaporar el agua a la presión del circuito.
Ilustración 10. Evaporador
63
Sobrecalentador
Disposición: Paralelo.
Redundancia: 2x50%.
Función: Calentar en exceso el vapor generado en el generador de vapor, mediante el
calor aportado por el fluido térmico que circula por la carcasa del intercambiador.
Ilustración 11. Sobrecalentador
Recalentador
Disposición: Paralelo.
Redundancia: 2x50%.
Función: Convertir en una corriente de vapor sobrecalentado, con una presión
determinada, la mezcla de líquido y vapor procedente de la etapa de alta.
Ilustración 12. Recalentador
Separador de humedad
Sin redundancia, equipo único.
Función: Extraer el exceso de humedad que tiene el vapor al salir de la turbina de alta
presión.
Ilustración 13. Separador de humedad
64
Turbina
Sin redundancia, equipo único.
Función: Transformar la energía de un flujo de vapor en energía mecánica, a través de
un intercambio de cantidad de movimiento entre el fluido de trabajo y el rodete.
o Turbina HP: Extrae a los gases expandidos de la combustión una energía que
es convertida en trabajo mecánico.
o Turbina LP: Extrae al flujo de gases una energía que es transformada en
potencia mecánica.
Ilustración 14. Turbina de vapor [24]
Generador Eléctrico
Sin redundancia, equipo único.
Función: Transforma la energía mecánica producida por la turbina en energía eléctrica.
Ilustración 15. Generador eléctrico
Transformador principal
Sin redundancia, equipo único.
Función: Eleva la tensión de la energía eléctrica producida en el generador, hasta la
tensión de la red de distribución a la que esté conectado.
65
Ilustración 16. Transformador principal
Bombas de Agua de alimentación
Disposición: Paralelo.
Redundancia: 2x100%.
Función:
o Aspirar el agua proveniente del tanque de agua de alimentación, para enviarla al
precalentador HP a una determinada presión.
o Descargar el agua hacia el desgasificador por las líneas de recirculación de
mínimo caudal.
Ilustración 17. Bombas de Agua de alimentación
Precalentador BP
Disposición: Serie.
N.º Equipos: 3.
Función: Intercambiar calor entre el vapor extraído de la turbina de baja presión y el
agua en intercambiadores conectados en serie. La mezcla de vapor y líquido saturado se
conecta al condensador.
Ilustración 18. Precalentador BP
66
Precalentador AP
Disposición: Serie.
N.º Equipos: 2.
Función: Intercambiar calor entre el vapor extraído de la turbina de alta presión y el
agua de alimentación. El agua precalentada entra en el economizador del generador de
vapor.
Ilustración 19. Precalentador AP
Bombas de condensado
Disposición: Paralelo.
Redundancia: 3x50% (comprobar).
Función: Aspirar el condensado del pozo caliente del condensador. Después, se
descarga por la salida del colector para aportar condensado a distintos sistemas o
equipos.
Ilustración 20. Bombas de condensado
Condensador
Sin redundancia, equipo único.
Función:
o Condensar el vapor de descarga de la turbina de baja presión.
o Condensar el vapor de by-pass de baja presión.
o Mantener el vacío necesario en el foco frío del ciclo agua-vapor a través de las
bombas de vacío.
o Recoger el condensado de distintas partes del ciclo agua-vapor.
67
Ilustración 21. Condensador
Bombas Principales de HTF
Disposición: Paralelo.
Redundancia: 4x33%.
Función: El grupo de bombas se encarga de accionar el ciclo principal de HTF, en el
que se transporta HTF:
o Desde el campo solar hasta los intercambiadores de calor del bloque de potencia
o Desde el campo solar hasta el sistema de almacenamiento de energía térmica.
o Desde el sistema de almacenamiento de energía térmica a los intercambiadores
de calor del bloque de potencia. o Al sistema de regeneración HTF.
o Al sistema de expansión y desbordamiento HTF.
o Al sistema de calefacción HTF.
Ilustración 22. Bombas Principales de HTF
Tanque de expansión
Sin redundancia, equipo único.
Función: Mantener la presión del aceite a un nivel que asegure que no se produzca
vaporización, para que todas las bombas de HTF puedan funcionar correctamente.
68
Ilustración 23. Tanque de expansión
A continuación, se va a realizar un análisis de criticidad, no sólo de los equipos anteriormente
definidos, sino de otros muchos que, por sus características o ubicación en la planta, puedan
tener impacto en factores distintos al de la producción, que ha sido el único analizado a la hora
de realizar el diagrama anterior.
Se intenta abordar el mayor número de equipos ya que no es posible saber la criticidad que
puede tener cada uno de ellos, sin hacer un análisis previo de las distintas categorías en las que
pueden tener trascendencia.
ANÁLISIS DE CRITICIDAD
Figura 10. Modelo de gestión de mantenimiento, fase II
DEFINICIÓN Y METODOLOGÍA El análisis de criticidad es una herramienta de análisis cuantitativo que permite identificar y
jerarquizar, por su importancia, los activos de una instalación sobre los cuales se van a dirigir
los recursos ya sean humanos, económicos o tecnológicos. Siguiendo la línea expositiva de
Parra y Crespo [25], esta técnica centra su metodología en determinar la frecuencia de los fallos
del equipo y la severidad de las consecuencias asociadas a estas. Gracias a ello, se consigue
reducir el nivel de incertidumbre, enfocando el esfuerzo y los recursos a las áreas donde es más
importante y/o necesario mejorar la fiabilidad y administrar el riesgo.
Para determinar la criticidad de los equipos sobre los que se va a realizar el estudio se utilizará
una matriz de criticidad. En el eje de abscisas vendrá representada la frecuencia de los fallos,
mientras que, en él de ordenadas, la severidad de las consecuencias en las que se incurrirá cada
vez que el equipo falle.
69
La criticidad de cada activo se calculará a partir del producto entre la probabilidad de ocurrencia
de un fallo por la suma de las consecuencias de éstas, decretando rangos de valores para
homologar los criterios de evaluación.
𝑪𝒓𝒊𝒕𝒊𝒄𝒊𝒅𝒂𝒅 (𝑪𝑻𝑹) = 𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 (𝑭𝑭) 𝒙 𝑪𝒐𝒏𝒔𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 (𝑪)
MATRIZ DE CRITICIDAD Es una herramienta para la evaluación de riesgos, que permite presentar de manera gráfica el
impacto (severidad o pérdida) y la probabilidad (probabilidad de ocurrencia) de factores de
riesgo. Para facilitar la discriminación de los equipos, se utiliza un código de colores que estará
asociado al riesgo, obtenido a partir del producto de los dos factores comentados anteriormente.
Figura 11. Rango y matriz de criticidad
Aunque la matriz de criticidad es comúnmente utilizada, no representa con exactitud la
criticidad de todos los equipos, puesto que puede haber valores de criticidad situados entre las
distintas casillas. Por ello, se incluye a continuación una gráfica [26] en la que se representan
las curvas de criticidad, en la cual quedarían identificados todos los posibles valores.
Gráfica 14. Curvas de criticidad
CRITERIOS DE EVALUACIÓN La ponderación de los factores de cada uno de los criterios de evaluación que componen la
expresión del riesgo se presenta a continuación:
1. Factor de Frecuencia de Fallos (FF): Número de veces que falla el equipo dentro de
un periodo de tiempo, que en este caso será de un año.
2. Impacto operacional (IO): Porcentaje de producción que se ve afectado cuando se
produce el fallo.
3. Disponibilidad de repuestos (DR): Disponibilidad de recursos existentes
4. Tiempo de reparación (TR): Tiempo en devolver al equipo a un estado disponible.
70
5. Impacto en seguridad o medioambiente (SHA): Probabilidad de ocurrencia de
eventos no deseados con daños a personas o medioambiente.
6. Coste de reparación (CR): Coste del fallo (€).
7. Detectabilidad del fallo (DF): Probabilidad de detectar el fallo antes de que ocurra.
Tabla 8. Criterios de evaluación del análisis de criticidad
Una vez conocidos cada uno de los criterios de evaluación, se adjunta la formulación de la
criticidad desglosada ya que, en el caso de las consecuencias, se tendrá en consideración más de
un criterio.
𝑪𝒓𝒊𝒕𝒊𝒄𝒊𝒅𝒂𝒅 (𝑪𝑻𝑹) = 𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 (𝑭𝑭) 𝒙 𝑪𝒐𝒏𝒔𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 (𝑪)
Donde las consecuencias se definen como:
𝑪𝒐𝒏𝒔𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 (𝑪) = ∙ (𝑰𝑶𝒙𝑫𝑹𝒙𝑻𝑹) + ∙ 𝑺𝑯𝑨 + 𝝀 ∙ 𝑪𝑹 + 𝜼 ∙ 𝑫𝑭
La razón por la cual se ha decidido incluir una ponderación en cada uno de los sumandos, ha
sido que el criterio del personal de los distintos departamentos de la empresa quedase reflejado
en el análisis. Para obtener la ponderación de cada uno de los factores, se ha utilizado la
metodología AHP, la cual se encuentra desarrollada en el anexo A. Los resultados obtenidos en
dicho análisis se presentan a continuación:
= 0,368
= 0,261
𝜆 = 0,154
Alto: > 2 fallos/ año 3 Alto 100
Medio: 1-2 fallos/ año 2 Medio 50
Bajo: > 1 fallo/ año 1 Bajo 1
Parada de Planta 5 ≥ 600,000 € 100
Reducción de carga 4 ≥ 300,000 a 600,000 € 75
Disposición de un Equipo Redundante 2 ≥ 100,000 a 300,000 € 50
Ninguna Influencia en la Producción 1 ≥ 30,000 a 100,000 € 25
< 30,000 € 1
Repuestos Disponibles más de 14 días 4 Detección casi imposible 100
Repuestos Disponibles entre 8 y 14 dias. 3 Baja posibilidad de detección 65
Repuestos Disponibles entre 2 y 7 dias. 2 Posibilidad moderada de detección 30
Repuestos Disponibles en Planta 1 Posibilidad muy alta de detección 1
> 250 horas 5
> 150 A 249 horas 4
> 50 A 149 horas 3
> 25 A 49 horas 2
< 24 horas 1
TIEMPO DE REPARACIÓN (TR)
PROBABILIDAD DE FALLO (FF) IMPACTO EN SEGURIDAD O MEDIOAMBIENTE (SHA)
IMPACTO EN LA GENERACION ANTE FALLO DEL
EQUIPO (IO)COSTE DE REPARACIÓN (CR)
DISPONIBILIDAD DE REPUESTOS (DR) DETECTABILIDAD DEL FALLO (DF)
71
Tras definir los distintos criterios que afectan a la cuantificación del riesgo se incluye, para cada
uno de los equipos, el código de identificación (KKs), grupo y sistema al que pertenecen, así
como información referente a la disposición y redundancia en planta, tal y como se puede
observar en el ejemplo que se adjunta a continuación:
Tabla 9. Información de los equipos en el AC
Finalmente se pasa a calcular, a partir de la fórmula expuesta anteriormente, la criticidad de los
equipos objeto de estudio. Aunque el cálculo final está desglosado en el anexo B, se incluye el
formato seguido para su representación:
Tabla 10. Formato análisis de criticidad
JERARQUIZACIÓN DE LOS ACTIVOS Una vez obtenido el valor de la criticidad, se busca el mismo en la matriz para determinar el
nivel de criticidad en la que se encuentra el equipo, de acuerdo con los valores y la
jerarquización predeterminada. Del mismo modo, se puede ver el total de equipos que hay en
cada una de las casillas de la matriz.
Bajo: > 1
fallo/ año
Medio: 1-2
fallos/ año
Alto: > 2
fallos/ año
Ninguna
Influencia
en la
Producción
Disposici
ón de un
Equipo
Redunda
nte
Reducción
de carga
Parada de
Planta
Repuestos
Disponibles
en Planta
Repuestos
Disponibles
entre 2 y 7
dias.
Repuestos
Disponibles
entre 8 y 14
dias.
Repuestos
Disponibles
más de 14
días
< 24 h > 25 A 49 h> 50 A 149
h
> 150 A 249
h> 250 h Bajo Medio Alto < 30,000 €
≥ 30,000 a
100,000 €
≥ 100,000 a
300,000 €
≥ 300,000 a
600,000 €≥ 600,000 €
Posibilidad
muy alta de
detección
Posibilidad
moderada
de
detección
Baja
posibilidad
de
detección
Detección
casi
imposible
1 2 3 1 2 4 5 1 2 3 4 1 2 3 4 5 1 50 100 1 25 50 75 100 1 30 65 100
SNC 1-5 Turbina HP 1x100% X X X X X X X 135,82 Crítico
SC 2-26 Turbina LP 1x100% X X X X X X X 135,82 Crítico
Gear Box (Reductor) 1x100% X X X X X X X 102,54 Semicrítico
14MAV 22 AE001 Virador 1x100% X X X X X X X 117,73 Semicrítico
14MKA 10 AH001 Calentador del Generador Eléctrico 1x100% X X X X X X X 56,70 No crítico
14MKA 10 AG001 Generador Eléctrico 1x100% X X X X X X X 71,76 No crítico
14PAH 20 AT 001 Taprogge 1x100% X X X X X X X 29,30 No crítico
14MAV 10-11 AP001 Bombas Lube Oil (MAV) 2x100% X X X X X X X 66,30 No crítico
14MAV 27 AP001 Bomba Eléctrica de Emergencia Lube Oil 1x100% X X X X X X X 25,60 No crítico
14MAV 10 AH 001-2 Calentador Eléctrico de Vapor Lube Oil (MAV) 2x100% X X X X X X X 26,35 No crítico
14MAL 12-13 AP001P Ventilador Extracción Vapores Aceite 2x100% X X X X X X X 16,37 No crítico
14MAV 12 BB001-2 Acumulador Lube Oil 1x100% X X X X X X X 25,95 No crítico
14MYA 10-11 BB001 Acumulador Control Oil 1x100% X X X X X X X 25,95 No crítico
14MAV 17 AP001 Jacking Oil HP 1x100% X X X X X X X 34,62 No crítico
14MAV 21 AP001 Jacking Oil LP 1x100% X X X X X X X 34,62 No crítico
14MAV 29-30-31 AP001 Jacking Oil Gear Box 1x100% X X X X X X X 34,62 No crítico
10MKV 13-14-15 AP001P Jacking Oil Generador 1x100% X X X X X X X 41,98 No crítico
14LCP 20-21-22 AP001 Bomba Aporte de Condensado (LCP) 3x33% X X X X X X X 23,87 No crítico
14MAW 35 AC001 Gland Condenser 1x100% X X X X X X X 34,45 No crítico
14LBD 11-12-13 AP001 Bomba de Vacio (LBD) 3x50% X X X X X X X 11,34 No crítico
14LCB 10-11-12 AP001 Bomba de Condensado al Desgasificador (LCB) 3x50% X X X X X X X 17,25 No crítico
14MAW 35 AP001P Ventilador Gland Condenser 1x100% X X X X X X X 3,58 No crítico
14QHA 10 AV005 Sobrecalentador 1x100% X X X X X X X 82,15 Semicrítico
14QHA 10 AV006 Caldera Auxiliar Vapor de Sellos 1x100% X X X X X X X 169,62 Crítico
14SGA 10 AP001 Bomba eléctrica principal 1x100% X X X X X X X 17,84 No crítico
14SGA 20 AP001 Bomba Diésel de Emergencia 1x100% X X X X X X X 14,89 No crítico
14SGA 30 AP001 Bomba Jockey 1x100% X X X X X X X 27,83 No crítico
14SGY 01 GH001 Central de Extinción Principal 1x100% X X X X X X X 22,66 No crítico
TOTAL
PROBABILIDAD DE FALLO
RIESGOS RELATIVOS A LA
SEGURIDAD O
MEDIOAMBIENTE
DISPONIBILIDAD DE REPUESTOS TIEMPO DE REPARACIÓN COSTE DE REPARACIÓN DETECTABILIDAD DEL FALLOIMPACTO EN LA GENERACION ANTE
FALLO DEL EQUIPO
GRUPO SISTEMA KKS EQUIPO COMENTARIOS
TURBO GRUPO
Turbina de
Vapor
Sistema
Lube-Control Oil
Sistema
Jacking Oil
Condensado
Vapor
Sistema
Contra Incendio
72
Tabla 11. Resultado matriz de criticidad
ANÁLISIS DE RESULTADOS La identificación de los activos críticos, así como la valoración del nivel de criticidad,
posibilitará enfocar los esfuerzos y recursos a los equipos con mayor riesgo, con el objetivo de
definir acciones para mitigar los impactos asociados.
Como se puede observar a partir de la tabla adjunta, el porcentaje de equipos críticos en la
planta es de aproximadamente un 5%, por lo que será a estos equipos, juntos con los
semicríticos, a los que se tendrá que realizar un mantenimiento preventivo más exhaustivo.
Figura 12. Resultados análisis de criticidad
Tal y como se comentó anteriormente, el análisis completo de cada uno de los equipos a los que
se les ha realizado el estudio podrá encontrarse en el anexo B.
Una vez efectuada la priorización de los activos, habría que establecer una estrategia de
mantenimiento para cada una de las categorías. Esta estrategia estará sujeta a cambios, en
función de los resultados obtenidos en análisis posteriores.
A continuación, se va a resolver la segunda parte del diagrama de bloques, en la cual se
averiguaba la fiabilidad global de la planta, teniendo en cuenta la redundancia y disposición de
los equipos. Una vez realizado esto, y teniendo en consideración los resultados del análisis de
criticidad, se analizará sobre qué equipo compensará realizar un estudio de sus modos de fallo.
FIABILIDAD
DEFINICIÓN Las normas UNE [27] definen tanto la fiabilidad como la aptitud de un elemento para realizar
una función requerida, en condiciones dadas, durante un intervalo de tiempo dado. Por tanto,
siguiendo la misma línea de esta definición, podría establecerse la fiabilidad de un sistema como
la probabilidad de que ese sistema funcione o desarrolle una cierta función, bajo unas
condiciones fijadas y durante un periodo de tiempo determinada.
ESTRUCTURACIÓN DEL SISTEMA La fiabilidad de un sistema no sólo depende de la fiabilidad individual de cada uno de los
componentes, sino que también hay que tener en consideración el modo lógico en que están
73
conectados en relación con el funcionamiento o no del sistema. Para considerar esta idea, se
concretan a continuación los 3 tipos de relaciones estructurales que hay entre los componentes
que conforman el sistema bajo estudio.
Sistema en serie
Distribución en la que los equipos se conectan de forma consecutiva, por lo que el fallo de
cualquiera de los componentes implica el fallo del sistema.
𝑹𝒔𝒆𝒓𝒊𝒆𝒔 = 𝑹𝒂 × 𝑹𝒃 × … 𝑹𝒏
Figura 13. Diagrama de bloques en serie
Sistema en paralelo
Distribución en la que los equipos pueden trabajar de forma simultánea, teniendo una entrada y
una salida común. Así, se precisa el funcionamiento de al menos uno de los componentes para
que el sistema funcione.
𝑹𝒑𝒂𝒓𝒂𝒍𝒆𝒍𝒐 = 𝟏 − (𝟏 − 𝑹𝒂) × (𝟏 − 𝑹𝒃) × … (𝟏 − 𝑹𝒏)
𝑹𝟑−𝒑𝒂𝒓𝒂𝒍𝒆𝒍𝒐 = 𝑹𝒂 + 𝑹𝒃 + 𝑹𝒄 − 𝑹𝒂𝑹𝒃 − 𝑹𝒂𝑹𝒄 − 𝑹𝒃𝑹𝒄 + 𝑹𝒂𝑹𝒃𝑹𝒄
Figura 14. Diagrama de bloques en paralelo
Sistema m out of n
Distribución que consiste en una generalización del sistema anterior, en el que se precisa el
funcionamiento de al menos m de las n unidades para que el sistema funcione.
𝑹𝒎 𝒐𝒖𝒕 𝒐𝒇 𝒏 = 𝑹𝒎/𝒏 = 𝟏 − ∑ (𝒏
𝒊)
𝒎−𝟏
𝒊=𝟎
∙ 𝑹𝒊 ∙ (𝟏 − 𝑹)𝒏−𝟏
Figura 15. Diagrama de bloques en paralelo m/n
A B
A
B
.
.
.
N
A
B
74
DIAGRAMA DE BLOQUES II Para el análisis de la disponibilidad total de la planta, se ha utilizado el programa ®BlockSim, el
cual, a partir de técnicas analíticas y simulación de eventos discretos, permite calcular la
fiabilidad o la disponibilidad de un sistema. En todo caso, debemos señalar que este programa
considera una serie de hipótesis a la hora de realizar sus cálculos:
El orden en que se producen los fallos no afecta al cálculo de la fiabilidad.
Los componentes sólo pueden encontrarse en estado operativo o no operativo.
El fallo o reparación de cualquier componente no afecta a la probabilidad de fallo o
reparación de cualquier otro en el sistema.
A continuación, se adjunta la representación gráfica del sistema, siguiendo las mismas pautas
que en el análisis anterior para la elección de los colores, con el objetivo de poder diferenciar la
criticidad de cada uno de ellos.
Las dos líneas rojas no se han incluido en el programa, puesto que no permite utilizar flujos
circulares. Sin embargo, es importante tener en consideración estas líneas puesto que
corresponden a la recirculación del flujo, tanto de HTF como de vapor de agua.
Figura 16. Diagrama de bloques
75
Análisis de los resultados
Antes de adjuntar los resultados obtenidos, es necesario conocer las distribuciones estadísticas
que siguen cada uno de los bloques. Para ello, se ha utilizado también el programa ®BlockSim,
puesto que cuenta con diversas técnicas que permiten estimarlas. Aunque el desglose completo
de los pasos seguidos se desarrolla en el anexo C, se incluye una tabla resumen a continuación:
Tabla 12. Distribuciones estadísticas de cada bloque
Una vez conocidas las funciones de fiabilidad y, teniendo en consideración las fórmulas
relacionadas con la distribución de los equipos dentro de los bloques (serie, paralelo o m out of
n), se pasa a calcular la fiabilidad (R) y disponibilidad (A) de la planta. Ésta se define [26] como
la aptitud del sistema para encontrarse en un estado en el que pueda realizar su función, cuándo
y cómo se requiera, bajo condiciones dadas, asumiendo que se dispone de los recursos externos
necesarios.
Asimismo, se adjuntan los resultados obtenidos a partir de la simulación realizada, incluyendo
algunos indicadores que se definen a continuación:
- Mean Time Between Failures 𝑀𝑇𝐵𝐹 =∑ 𝑇𝐵𝐹𝑖
𝑖=𝑛−1𝑖=1
𝑛
- Mean Up Time Between Failures 𝑀𝑈𝑇 =∑ 𝑈𝑇𝑖
𝑖=𝑛−1𝑖=1
𝑛
- Mean Down Time Between Failures: 𝑀𝐷𝑇 =∑ 𝐷𝑇𝑖
𝑖=𝑛−1𝑖=1
𝑛
- Mean Time To Maintain: 𝑀𝑇𝑇𝐹 =∑ 𝑇𝑇𝑀𝑖
𝑖=𝑛−1𝑖=1
𝑛
- Disponibilidad, 𝐴 =𝑀𝑈𝑇
𝑀𝑈𝑇+𝑀𝐷𝑇× 100
- Frecuencia: 𝑓 =1
𝑀𝑈𝑇
76
Figura 17. Resultados Diagrama de Bloques
Como se puede observar, la disponibilidad de la planta es muy alta si se compara con otros
sectores. La razón principal es el alto coste que tendría la indisponibilidad de la misma. Por ello,
este tipo de plantas están diseñadas con redundancia en los equipos con mayor impacto en la
producción, para que se pueda seguir generando, aun cuando se produzca algún fallo en algún
equipo determinado.
Por último, se incluye una segunda tabla en la que se detalla el desempeño individual que ha
tenido cada uno de los bloques en el sistema.
Tabla 13. Análisis individual de los bloques en la simulación
77
ESTUDIO DE FALLOS EN EQUIPOS CRÍTICOS
Figura 18. Modelo de gestión de mantenimiento, fase II
A continuación, el estudio se centrará en analizar los puntos débiles de aquellos equipos que han
salido críticos en el análisis de criticidad. Con el objetivo de poder realizar un estudio más
exhaustivo de los modos de fallo, se elegirá de entre todos los equipos críticos, aquel que
durante los años en los que la empresa ha estado en funcionamiento, ha recogido fallos de
mayor magnitud.
Cabe destacar que, a excepción de la caldera auxiliar de vapor de sellos, todos los equipos que
han salido críticos en el análisis de criticidad se encuentran en el diagrama de bloques
anteriormente mostrado. La razón principal de ello es que estos equipos tienen incidencia
directa en la producción de la planta.
Tabla 14. Estudio fallos en equipos críticos
A raíz de los resultados obtenidos, se ha decidido elaborar un estudio de los distintos modos de
fallo que han tenido lugar en la bomba de agua de alimentación (LAC11), para posteriormente
aplicar la metodología CBM con técnicas de machine learning, que permitan anticiparse a los
fallos funcionales, a partir del estudio de las tendencias en las señales monitorizadas.
78
EQUIPO SELECCIONADO Antes de realizar el estudio de los modos de fallo del equipo, se van a presentar las
especificaciones técnicas principales, además del plano isométrico y ubicación que tiene el
mismo dentro de la planta.
Características
Se trata de una bomba centrifuga horizontal, fabricada por Sulzer, encargada de llevar el agua
de alimentación al precalentador HP a una determinada presión. Para dar el servicio indicado, se
instalaron dos bombas y dos motores con las siguientes especificaciones técnicas:
Tabla 15. Especificaciones técnicas
Por otra parte, se incluye la representación isométrica del equipo que se está estudiando. A la
izquierda de la imagen, se encuentra la bomba Sulzer, mientras que a la derecha podemos ver el
motor fabricado por ABB.
Ilustración 24. Plano isométrico bomba-motor LAC
Finalmente, se adjunta la ubicación del equipo en la planta que, por condiciones operacionales,
se sitúa junto al tanque de agua de alimentación (lugar dónde aspira el agua) y al turbogrupo,
que es dónde se introduce el agua a la presión requerida.
BOMBA: Sulzer MC100-300/9 MOTOR: ABB-AMI 450_L2A_BA Operación DiseñoTipo Centrífuga horizontal Potencia, kW 1350 Caudal 252,5 303,9 m3/h
Fluido Agua de alimentación Fases 3 Velocidad 3083 3232 rpm
Tª Fluido, ºC 177 Velocidad, rpm 3232 Potencia 963 1181 kW
Caudal, m3/h 252,5 Voltaje, V 690 Altura 1239 1289 m
Vapor de presión, bar 9,44 Frecuencia, Hz 50 Eficiencia 78,6 80,4 %
NPSH req 5,3 7,2 m
VARIABLEMEDIDA
UNIDADESESPECIFICACIONES MOTORESPECIFICACIONES BOMBA
79
Ilustración 25. Ubicación bombas LAC en planta
Estudio modos de fallo
Centrándose en los resultados obtenidos en el análisis de equipos críticos de la tabla anterior, se
puede observar como las bombas de agua de alimentación concentraron un gran número de los
fallos relacionados con los trip (parada) de turbina.
Por ello, se van a pasar a analizar los correctivos relacionados con estos trip, puesto que son los
de mayor pérdida económica para la empresa y, además, para los que merece la pena aplicar
técnicas machine learning, que permitan predecir la ocurrencia de estos fallos. Presentamos
seguidamente sólo el cuadro resumen de los distintos modos de fallo, aunque toda la
información utilizada se encuentre en el anexo D.
Tabla 16. Estudio modos de fallo trip de turbina
Al haber un empate entre los fallos subrayados, se recurre al histórico de correctivos que no han
tenido incidencia en el funcionamiento de la turbina, para seleccionar el modo de fallo a
estudiar.
Tras analizar el histórico, se observa como 15 de los 48 correctivos que se le han realizado a la
bomba LAC 11 están relacionados con el variador, mientras que sólo 7 de los 29, lo están con el
NPSH de la LAC 12. Por tanto, se escoge la temperatura del variador como el modo de fallo al
que se le aplicaran las técnicas de mantenimiento predictivo que se describen a continuación.
80
CBM: MANTENIMIENTO BASADO EN CONDICIÓN
INTRODUCCIÓN
Figura 19. Modelo de gestión de mantenimiento, fase IV
El Mantenimiento Basado en la Condición (CBM) establece un control continuado de los
distintos parámetros de los equipos o sistemas supervisados. De esta forma, al tener una
monitorización de este tipo, se consigue extender la vida útil de los equipos, aumentar la
productividad y reducir los costes diarios de operación.
A diferencia de otros tipos de mantenimiento, como el periódico, que fundamenta sus
intervenciones en intervalos programados, el predictivo trata de determinar el momento y la
forma en que hay abordar un equipo, en función del estado que presente. Gracias a esto, los
costes de mantenimiento pueden reducirse notablemente, puesto que los plazos de
mantenimiento se alargan hasta situarse muy próximos a el fallo funcional (F).
Para conseguir anticiparse a este fallo, es necesario monitorizar ciertas variables que informen
del desgaste del equipo, consiguiendo así situar a éste en algún punto de la curva de fallo PF, la
cual se muestra a continuación. El momento más favorable para intervenir sería cualquiera de
los puntos pertenecientes al intervalo PF, procurando que sea lo más próximo posible al punto
F, sin llegar a él.
Gráfica 15. Curva de fallo PF [28]
81
APLICACIÓN DE INTELIGENCIA ARTIFICIAL Tal y como se ha comentado anteriormente, el mantenimiento basado en la condición es una
estrategia mediante la cual se monitorea activamente el estado del equipo para detectar fallos
inminentes o incipientes, lo que permite tomar una decisión de mantenimiento efectiva cuando
sea necesario. Para alcanzar este mantenimiento predictivo, es fundamental contar con técnicas
computacionales que permitan optimizar la recogida de datos para, posteriormente, utilizar
técnicas de machine learning que encuentren posibles tendencias en las señales monitorizadas,
de forma que permitan anticiparse a los fallos funcionales.
Machine learning
Se define el aprendizaje automático, machine learning en inglés, como la disciplina científica
del ámbito de la inteligencia artificial que tiene por objetivo desarrollar técnicas o sistemas que
permitan identificar patrones dentro de un conjunto de datos, para así poder predecir
comportamientos futuros.
En línea con esta definición, se encuentra la minería de datos o data mining, puesto que al igual
que el aprendizaje automático, es un proceso en el que se identifican patrones y se establecen
relaciones entre los datos, para resolver posteriormente comportamientos a través del análisis de
los mismos.
Sin embargo, la diferencia estriba en el hecho de que el machine learning está enfocado al
resultado, mientras que el data mining se orienta al descubrimiento de conocimiento, dentro de
las propiedades de un conjunto de datos.
La aplicación de este tipo de técnicas permite a las empresas que las utilizan contar con ventajas
con respecto a la competencia. En lo que respecta al caso de estudio, estas ventajas serían las
siguientes:
Reducción de costes, gracias a la capacidad de anticipar los errores, que se consigue
tras analizar e interpretar los datos.
Reducción del tiempo destinado al mantenimiento correctivo, debido a la función
proactiva del machine learning.
Mayor capacidad productiva, así como un mejor rendimiento en la cadena de
producción.
Optimizar la orientación de datos, ya que el machine learning permite, mediante el
Big Data, aprender mucho más de la información que se recoge en todos y cada uno
de los procesos industriales.
Preprocesamiento
Datos de entrada
Para el estudio del comportamiento del equipo se han tenido en consideración dos tipos de datos
de entrada: disponibilidad de la bomba y parámetros característicos de la misma.
Aunque se contaban con muchos otros datos, como las señales de entorno (temperatura del
ambiente, humedad relativa, radiación…), se han decidido seleccionar sólo aquellas variables
que se han considerado relevantes, con el objetivo de evitar un tiempo de procesamiento alto y
la inclusión de variables que creasen redundancia y pudiesen trastocar los resultados de los
algoritmos que se iban a implantar.
En línea con lo anterior, se encuentra uno de los términos más remarcados a la hora de
seleccionar los datos de entrada, la dimensionalidad, que se refiere [29] al tamaño de la matriz o
82
vector que es representado por los datos de entrenamiento, es decir, aquellos atributos que se
tendrán en cuenta a la hora de modelar el sistema de clasificación.
Señales de disponibilidad
A la hora de analizar las posibles tendencias en las señales de la bomba, es primordial conocer
en qué estado operativo se encuentra ésta. Para ello, se incluyeron en los datos de entrada 3
columnas, siguiendo el criterio que se muestra a continuación:
1. Disponibilidad: señal binaria que toma el valor 1, cuando la bomba está disponible; y
0, cuando se encuentra estropeada, bajo mantenimiento o en reparación.
2. Marcha: señal binaria que toma el valor 1, cuando la bomba está funcionando; y 0,
cuando está parada.
3. Estado equipo: señal obtenida a partir de la suma de las dos anteriores y que define
cómo se encuentra el equipo:
i. 0: la bomba no se encuentra disponible.
ii. 1: la bomba se encuentra disponible, aunque parada.
iii. 2: la bomba se encuentra disponible y en funcionamiento.
Parámetros característicos
Además de las anteriores, se han monitorizado las señales relacionadas directamente con el
equipo. Dentro de ellas, se encuentran datos de las presiones, temperaturas, vibraciones y la
posición del variador, que ayudará a saber cuándo la bomba está en funcionamiento.
Tabla 17. Señales monitorizadas de la bomba de agua de alimentación
A continuación, se establece el horizonte temporal, teniendo en consideración la ocurrencia del
modo de fallo seleccionado:
- 1 marzo de 2014: primer día con datos de los parámetros característicos en el DCS
de la planta.
- 24 julio de 2015: último día en que tiene lugar el modo de fallo bajo estudio.
Por último, se decidió tomar dos registros diarios, uno a las 10:00 a. m.; y otro, a las 8:00 p. m.,
con el objetivo de poder recoger tanto las variaciones operativas de la planta, como las
condiciones climatológicas a las que están expuestos los equipos.
Procesamiento
Una vez conocidos los datos monitorizados y el periodo temporal en el que se va a trabajar, se
pasan a aplicar distintos algoritmos de selección de características y, posteriormente,
clasificadores a las características que hayan sido seleccionadas.
Señal Descripción Unidad Medida
14LAC11AP001XE01.UNIT1@ARENALES POS VAR 14LAC11AP001 %
14LAC11CP001XE01.UNIT1@ARENALES PRES FILT ASP BOM 14LAC11AP001 bar
14LAC11CT001XE01.UNIT1@ARENALES TEMP FASE 1 MOT 14LAC11AP001 ºC
14LAC11CT002XE01.UNIT1@ARENALES TEMP FASE 2 MOT 14LAC11AP001 ºC
14LAC11CT003XE01.UNIT1@ARENALES TEMP FASE 3 MOT 14LAC11AP001 ºC
14LAC11CT004XE01.UNIT1@ARENALES TEMP CJN LOA MOT 14LAC11AP001 ºC
14LAC11CT005XE01.UNIT1@ARENALES TEMP CJN LA MOT 14LAC11AP001 ºC
14LAC11CT006XE01.UNIT1@ARENALES TEMP CJN LOA BOM 14LAC11AP001 ºC
14LAC11CT007XE01.UNIT1@ARENALES TEMP CJN LA BOM 14LAC11AP001 ºC
14LAC11CY001XE01.UNIT1@ARENALES VIB CJN LA DIR X 14LAC11AP001 mm/s
14LAC11CY002XE01.UNIT1@ARENALES VIB CJN LA DIR Y 14LAC11AP001 mm/s
14LAC11CY003XE01.UNIT1@ARENALES VIB CJN LOA DIR X 14LAC11AP001 mm/s
14LAC11CY004XE01.UNIT1@ARENALES VIB CJN LOA DIR Y 14LAC11AP001 mm/s
14LAB11CP001XE01.UNIT1@ARENALES PRES ASP BOM 14LAC11AP001 barg
14LAB11CP002XE01.UNIT1@ARENALES PRES IMP BOM 14LAC11AP001 barg
83
Algoritmo de selección de características
Los métodos de selección de características (FS, Feature Selection) permiten elegir un
subconjunto óptimo de características, de acuerdo con un determinado criterio, teniendo en
consideración que:
- El criterio determina los detalles de la evaluación de los componentes de la
composición.
- La selección del criterio debe realizarse de acuerdo con los propósitos de FS.
Generalmente, el objetivo de FS es identificar las características que son importantes dentro del
conjunto de datos, y descartar otras como redundantes o irrelevantes, buscando alcanzar buenos
resultados, empleando un número inferior de atributos de entrada.
Dado que FS reduce la dimensionalidad de los datos, los algoritmos de DM (Data Mining o
Minería de Datos), especialmente los predictivos, operan más rápido y obtienen mejores
resultados mediante el uso de FS, y ello se debe principalmente a una representación más fácil y
más compacta del concepto objetivo.
De esta forma, podemos concluir, a modo de resumen, que las razones principales para utilizar
FS son [30]:
- Eliminar datos irrelevantes.
- Aumentar la precisión predictiva de los modelos aprendidos.
- Reducir el coste de los datos.
- Mejorar la eficiencia del aprendizaje.
- Reducir los requisitos de almacenamiento y el coste computacional.
- Reducir la complejidad de la descripción del modelo resultante, mejorando la
comprensión de los datos y el modelo.
Para la elección de los métodos de selección de características se ha revisado la bibliografía
relacionada con los mismos [31], evitando escoger métodos más utilizados como el algoritmo
genético (GA) o el Branch and Bound (BnB). Tras analizar los algoritmos que mejor podían
amoldarse al problema tratado [32] , se seleccionaron los siguientes:
1. CFS-FS (Correlation Based Feature Selection)
El método de selección de características basado en la correlación evalúa subconjuntos
de ellas, seleccionando aquellos subconjuntos que contengan características altamente
correlacionadas con la clase, pero que no están correlacionadas entre sí. CFS-FS evalúa
un subconjunto considerando la capacidad predictiva de cada una de sus características
individualmente, así como su grado de redundancia (o correlación). Esto significa que,
dada una función, el algoritmo puede decidir sobre sus próximos movimientos,
seleccionando la opción que maximiza la salida de esta función [33].
La heurística con la que el CFS mide la utilidad de las características individuales, para
predecir la etiqueta de clase junto con el nivel de intercorrelación entre ellos, se muestra
a continuación [34]:
𝐺𝑠 =𝑘𝑟𝑐𝑖
√𝑘 + 𝑘(𝑘 − 1)𝑟𝑖𝑖´
Tal y como se puede observar, se trata de una adaptación del coeficiente de correlación
de Pearson, en el que el numerador proporciona una indicación de la capacidad
predictiva de la característica, mientras que el denominador cuantifica la redundancia
que existe entre estas.
84
2. SBFS (Sequential Backward Floating Selection)
Se trata de un algoritmo de selección secuencial que tiene su origen en el SFS el cual
está basado en inicializarse con el conjunto completo de características e ir eliminando
las características redundantes, hasta lograr la dimensionalidad requerida. Como mejora,
el SBFS [35] evalúa si la eliminación de cada una de las características produce la
menor disminución en el rendimiento del predictor.
Seguidamente, se adjunta el diagrama del flujo del algoritmo [36]:
Figura 20. Diagrama de flujo metodología SBFS
Donde:
o k: denota el tamaño del subconjunto.
o d: constante configurada por el usuario que representa el tamaño del
subconjunto objetivo.
o Δ: parámetro adicional que permite que el algoritmo continúe durante un
corto tiempo después de alcanzar el tamaño d, con el objetivo de analizar
posibles soluciones posteriores.
3. MICIBM
El algoritmo de selección de funciones no supervisadas [37] está basado en la medición
de la similitud entre las características, mediante las cuales se elimina la redundancia. El
método propuesto maximiza las características independientes, descartando las
redundantes. Esto mejora la aplicabilidad de las características resultantes a la
compresión y otras tareas como la previsión, el resumen y la minería de asociación,
además de la clasificación/agrupamiento.
Para realizar la tarea de selección de características, el algoritmo realiza los pasos
siguientes:
1) Partición del conjunto de características original en un número de subconjuntos
homogéneos (clusters).
a. Seleccionar las medidas de similitud que se van a utilizar para evaluar las
características en la partición.
b. Calcular las k características más cercanas de cada una de las
características.
2) Selección de una característica de representación de cada uno de dichos clústeres.
85
a. Seleccionar la característica que tenga el subconjunto más compacto, según
lo determinado por su distancia hasta el vecino más lejano.
b. Descartar las características restantes.
3) Repetir el proceso hasta que todas las características restantes sean seleccionadas o
descartadas.
4. CHC
Es una versión modificada del algoritmo genético (GA) [38], el cual es un método de
optimización de búsqueda adaptativo basado en el principio darwiniano de
"supervivencia del más apto”. El GA parte de un conjunto de soluciones candidatas
llamadas poblaciones, de las que se seleccionan los individuos más capacitados tras
evaluarlos. Posteriormente, estos individuos se reproducen y mutan con el objetivo de
obtener una nueva generación, más adaptada que la anterior.
En el caso del algoritmo CHC [39], se mantiene una estrategia similar en lo que
concierne a mantener a los mejores individuos. Sin embargo, se añaden una serie de
pasos adicionales enfocados a introducir diversidad en las nuevas poblaciones [38]:
o Recombinación altamente disruptiva HUX (Half Uniform Crossover), en la cual
se cruzan exactamente la mitad de los alelos (valor de un gen) que no
coinciden, donde los bits que se intercambiarán se eligen al azar sin remplazo.
o . En ella, se que produce una descendencia lo más diferente posible a ambos
padres. proponiendo la introducción de una gran diversidad en la nueva
población y disminuyendo el riesgo de convergencia prematura.
o Incorporación de un mecanismo para reiniciar el algoritmo ante una condición
de convergencia prematura.
o Introducción de un sesgo que evite el cruce de individuos similares.
Experimentos
Dentro de los distintos algoritmos de selección de características que se utilizan en el problema,
se realizan 5 experimentos aleatorios y estratificados, en los que se utilizarán validaciones
cruzadas que garanticen que los resultados son independientes de la partición entre los datos de
entrenamiento y los de prueba [40] [41]. Ambos conceptos serán definidos con detalle en el
apartado siguiente.
Los resultados de aplicar los FS, en términos de porcentaje de reducción y número de
características seleccionadas, se muestran en la tabla siguiente. En ella, aparece únicamente la
media para los 5 conjuntos de validación, de cada uno de los métodos FS.
Tabla 18. Porcentaje reducción y características seleccionadas
86
Algoritmo clasificador
Antes de definir el algoritmo clasificador que se ha seleccionado, conviene conocer los cuatro
componentes fundamentales en los que está basado el proceso de clasificación [42]:
1) Clase: Es la variable dependiente del modelo, la cual es una variable categórica que
representa la "etiqueta" puesta en el objeto después de su clasificación. Ejemplos:
presencia de infarto de miocardio, lealtad del cliente, clase de estrellas (galaxias), clase
de terremoto (huracán), etc.
2) Predictores: Son las variables independientes del modelo, representadas por las
características (atributos) del documento de clase y basadas en qué clase de
clasificación se elaboran. Ejemplos: fumar, consumo de alcohol, presión arterial,
frecuencia de compra, estado civil, etc.
3) Datos de entrenamiento: Conjunto de datos que contiene los valores de los dos
componentes anteriores, y que se utiliza para "capacitar" al modelo para reconocer la
clase apropiada, basándose en los posibles evaluadores. Ejemplos: grupos de pacientes
sometidos a prueba en ataques cardíacos, grupos de clientes del supermercado, bases de
datos que contienen imágenes para monitorizar objetos astronómicos, etc.
4) Datos de prueba: Conjunto de nuevos datos que se clasifican según el modelo
(clasificador) construido anteriormente, que sirven para evaluar la precisión de
clasificación del mismo (rendimiento del modelo).
Los algoritmos clasificadores son metodologías utilizadas para asignar a un elemento de entrada
una categoría concreta conocida. Para ello, el algoritmo utiliza previamente la información
característica de estos elementos.
Una vez conocida la definición y los componentes fundamentales del proceso, se pasa a
conceptualizar el clasificador que se empleará sobre cada una de las características
seleccionadas en el paso anterior. Para la elección de este clasificador, se ha tenido en
consideración que es un algoritmo ampliamente utilizado en problemas de agrupamiento y
multiclasificación [43] [44].
SVM (Support Vector Machine)
Las máquinas de soporte vectorial (Support Vector Machines, SVMs) son un conjunto de
algoritmos con fundamentos lineales para clasificación y regresión con aprendizaje supervisado,
desarrollados por Cortes & Vapnik [45].
La técnica SVM [46], categorizada dentro de los clasificadores lineales, busca límites con el
máximo margen de separación entre los datos de entrenamiento, los cuales están ubicados en un
espacio (llamado kernel espacial), y se obtienen a partir de una función de transformación.
La máxima separación entre dos clases linealmente separables se denomina hiperplano de
margen máximo. Gracias a la maximización de estos márgenes [47] se consigue reducir el error
de generalización, es decir, el error esperado en un conjunto de pruebas independientes del
conjunto de datos utilizado para construir el clasificador.
87
Explicación geométrica
Para calcular este hiperplano geométricamente, se tienen en consideración las siguientes pautas
[48]:
1) Calcular la envolvente convexa de cada clase, es decir, el conjunto convexo mínimo que
contiene a un conjunto de puntos de la misma clase.
Figura 21. Envolvente convexa de las clases [48]
2) Determinar el segmento más corto que une ambas envolventes.
Figura 22. Mínima distancia entre envolventes
3) El hiperplano de margen máximo será la perpendicular al segmento anterior, cortándolo
en su punto medio. Como se puede observar, los vectores soporte son los que definen de
forma única el hiperplano, siendo las instancias restantes irrelevantes.
Figura 23. Hiperplano de margen máximo [48]
Tipos de escenarios
A la hora de establecer las restricciones matemáticas, hay que tener en cuenta el tipo de
escenario en el que se está situado. De forma general, se va a diferenciar dos casuísticas
divergentes [47].
a) Caso lineal
Se considera el problema como linealmente separable cuando el Kernel espacial es
equivalente al espacio original, es decir, que no será necesario realizar transformaciones
de los datos para encontrar un hiperplano que pueda discriminar las clases. En este caso,
existen un número infinitos de posibles hiperplanos solución (líneas en este caso), tal y
como se puede observar en la figura adjunta [48]:
88
Figura 24. SVM en caso lineal
b) Caso no lineal
En la práctica, hay muchos problemas en los que los datos no pueden estar separados
linealmente, por lo que se realiza la búsqueda de los límites con una geometría más
compleja. En estos casos, el problema a estudiar cuenta con:
o Más de dos variables predictoras (atributos).
o Curvas no lineales de separación.
o Conjuntos de datos que no pueden ser separados en su totalidad.
o Clasificadores en más de dos categorías.
Con el objetivo de poder dar una solución a esta casuística, el algoritmo SVM utiliza un
espacio transformado de datos, a partir de la proyección de la información en espacios
de características de mayor dimensionalidad, con la finalidad de transformar los datos
en clases linealmente separables.
Figura 25. Conversión de los datos a clases linealmente separables [49]
Estas transformaciones de datos tienen lugar gracias a la utilización de las funciones
Kernel, las cuales están basadas en el siguiente principio [50]:
“Existe una versión no lineal de cualquier algoritmo lineal basado en datos. Si
encontramos una transformación no lineal (x) a un espacio de mayor dimensionalidad
provisto de un producto escalar que puede ser expresado como:
𝐾(𝑥𝑖 , 𝑥𝑗) = 𝜑(𝑥𝑖)𝑇 ∙ 𝜑(𝑥𝑗)
entonces podremos construir una versión no lineal del mismo algoritmo donde la
transformación no lineal es ”.
Dentro de las funciones Kernel, las más utilizadas son las siguientes [48]:
o Kernel Polinomial Homogénea:
𝐾(𝑥𝑖 , 𝑥𝑗) = (𝑥𝑖 ∙ 𝑥𝑗)𝑛
o Kernel Perceptrón
𝐾(𝑥𝑖 , 𝑥𝑗) = ||𝑥𝑖 − 𝑥𝑗||
o Kernel Gausiano, radial
𝐾(𝑥𝑖 , 𝑥𝑗) = exp (−(𝑥𝑖 − 𝑥𝑗)
2
2𝜎2)
89
o Kernel Sigmoidal
𝐾(𝑥𝑖 , 𝑥𝑗) = tanh (𝑥𝑖 ∙ 𝑥𝑗 − 𝜃)
Conocido el algoritmo clasificador que se va a utilizar, se definen a continuación los 6
coeficientes que se tendrán en consideración. Posteriormente, se tratará de evaluar cada uno de
los métodos de selección de características. Todos ellos tendrán valores comprendidos entre 0 y
1, excepto el MCC y el Kappa que empieza en -1, considerando 1 la situación o valoración
idílica.
o Accuracy: Medida estadística que muestra la precisión de un clasificador a la hora
de pronosticar correctamente el objeto de una instancia no etiquetada. Para su
resolución, se utiliza la matriz de confusión, la cual será también utilizada en
algunos de los coeficientes posteriores.
Figura 26. Matriz de confusión.
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =𝑁º 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎𝑠
𝐶𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑎 𝑝𝑟𝑒𝑑𝑒𝑐𝑖𝑟=
𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁
o Kappa: Medida estadística que mide el grado de acuerdo observado en 2 o más
observadores sobre un mismo fenómeno, descontando el acuerdo obtenido por el
azar. El coeficiente Kappa puede calcularse como:
𝐾𝑎𝑝𝑝𝑎 =𝑁 ∑ 𝑥𝑖𝑖
𝛽𝑖=1 − ∑ 𝑥𝑖 , 𝑥.𝑖
𝛽𝑖=1
𝑁2 − ∑ 𝑥𝑖 , 𝑥.𝑖𝛽𝑖=1
Donde:
𝑥𝑖𝑖 representa la diagonal principal de la matriz de confusión resultante.
N es el número total de muestras.
𝛽 es el número de valores de clase.
𝑥𝑖 , 𝑥.𝑖: representan los valores de las columnas y las filas en la matriz de
confusión, respectivamente.
El rango Kappa toma valores entre -1 y 1, donde:
-1: desacuerdo total.
0: clasificación aleatoria.
1: acuerdo perfecto.
o Geometric mean: La media geométrica es un tipo de media o promedio que indica
la tendencia central o el valor típico de un conjunto de números, usando la raíz de
orden n del producto de sus valores:
𝐺 − 𝑚𝑒𝑎𝑛 = √𝑥1 ∙ 𝑥2 ∙ … ∙ 𝑥𝑛𝑛
En este caso, estos valores se calcularán previamente con los valores obtenidos en la
precisión (accuracy), tal y como se muestra:
90
𝐺 − 𝑚𝑒𝑎𝑛 = √𝑎𝑐𝑐+ × 𝑎𝑐𝑐−
o Curva ROC (Receiver Operating Characteristic o Característica Operativa del
Receptor): Es un gráfico que muestra el rendimiento de un modelo de clasificación,
a partir de la representación de dos parámetros:
Tasa de verdaderos positivos, 𝑇𝑃𝑅 =𝑉𝑃
𝑇𝑃+𝐹𝑁
Tasa de falsos positivos, 𝐹𝑃𝑅 =𝑉𝑃
𝑉𝑃+𝐹𝑁
Dado que lo que se necesita es una medición agregada del rendimiento en todos los
umbrales de clasificación posible, se calcula el AUC (área bajo la curva).
Figura 27. Área bajo la curva (AUC).
o CCR (Correct Clasificated Rate): Se trata de un algoritmo de clasificación, en el
que se tienen en consideración los conceptos de specificity y sensitivity:
o Specificity: mide la proporción de positivos reales que se identifican
correctamente como tales.
𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 =𝑇𝑁
𝑇𝑁 + 𝐹𝑃
o Sensitivity: mide la proporción de negativos reales que se identifican
correctamente como tales.
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 =𝑇𝑃
𝑇𝑃 + 𝐹𝑁
A partir del cálculo de estos valores, se podría obtener el CCR:
𝐶𝐶𝑅 =𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 + 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦
2
o MCC (Matthews Correlation Coefficient): Es un coeficiente de correlación entre
las clasificaciones binarias observadas y aquellas que han sido predichas. Se
considera una medida muy equilibrada, puesto que puede utilizar valores de los 4
cuadrantes de la matriz de confusión anteriormente expuesta. A partir del conteo de
estos valores, se podrá obtener el valor del coeficiente con la fórmula que sigue:
𝑀𝐶𝐶 =𝑇𝑃 × 𝑇𝑁 − 𝐹𝑃 × 𝐹𝑁
√(𝑇𝑃 + 𝐹𝑃)(𝑇𝑃 + 𝐹𝑁)(𝑇𝑁 + 𝐹𝑃)(𝑇𝑁 + 𝐹𝑁)
91
Resultados
Finalmente, se adjuntan los resultados obtenidos para los 5 conjuntos de validación externa, usando las características seleccionadas en la fase de
preprocesamiento. Además, y a modo de resumen, se incluye una tabla con los valores medios de los experimentos de cada uno de los métodos de selección,
así como el promedio total de todos estos valores.
Tabla 19. Resultados algoritmo clasificador SVM
Tabla 20. Resumen valores promedio métodos de selección
92
Para cada método de FS, se adjuntan sus características seleccionadas, con el objetivo de poder hacer un conteo que permita delimitar el número de
características con incidencia directa en el modo de fallo en estudio.
Figura 28. Características seleccionadas en los experimentos de FS
93
A continuación, se escogen las dos caracterísiticas que los modelos han considerado que mejor pueden predecir la ocurrencia del modo de fallo:
- Presión filtro aspiración de la bomba
- Temperatura fase 1 motor
Posteriormente, se pasa a analizar la relación entre las características seleccionadas y el modo de fallo estudiado. Para ello, durante los años de operación de la
planta, los filtros de las dos bombas (LAC11 y LAC12) han tenido reiterados problemas con la colmatación de los filtros, concretamente con los filtros de
aspiración. Debido a ello, la temperatura del motor ha sido usualmente más elevada de lo debido, teniendo que quitar partes de la carcasa exterior de la bomba
durante los meses estivales. Además de estos factores, se registró que la refrigeración de la sala eléctrica no fue óptima durante la época en la que ocurrieron
de los fallos, provocando altas temperaturas en los variadores de las bombas.
Una vez establecidas las relaciones entre las características y el modo de fallo, se pasa a analizar la posible rentabilidad de introducir acciones de
mantenimiento sobre el equipo, cuya finalidad sea paliar los efectos que producen los fallos de este sobre la producción de la planta.
94
95
ANÁLISIS COSTE RIESGO BENEFICIO
Figura 29. Modelo de gestión de mantenimiento, fase V
DEFINICIÓN El análisis coste riesgo beneficio se define como [51] ”una metodología que permite lograr una
combinación óptima entre los costes asociados al realizar una actividad, tomar decisiones y los
logros (beneficios) esperados que dichos aspectos generan, considerando el riesgo que
involucra la realización o no de tal actividad o inversión, incluyendo en la misma el hecho de
disponer o no de los recursos para esta”.
CÁLCULO DEL RIESGO R(T) Para la elaboración de la curva de riesgo es necesario evaluar los riesgos asociados a la
ocurrencia de eventos no deseados, y su disminución o incremento a través de actividades de
mitigaciones de mantenimiento (equipos reparables) o reemplazo (equipos no reparables) en los
equipos asociados a las operaciones en la industria. Para el cálculo de esta curva, se usará una
fórmula con de una lógica análoga a la utilizada en el análisis de criticidad.
𝑅(𝑡) = 𝑃(𝑡) × 𝐶(𝑡)
En ella, se considera:
- R(t): Riesgo de ocurrencia de un evento no deseado o fallo.
- P(t): Probabilidad de que ocurra el o los eventos no deseados.
- C(t): Consecuencias de la probable ocurrencia del o los eventos no deseados.
Estimación de la Probabilidad P(t)
Para determinar la probabilidad de fallo de un equipo habrá que tener en consideración si se
trata de un equipo reparable o, por el contrario, no es reparable. La diferencia entre ambos casos
radica en que la condición operativa de los reparables hace que puedan restaurarse tras haber
sufrido un fallo. Sin embargo, aquellos que no lo son, tienen que reemplazarse tras el primer
fallo.
96
En el caso de estudio, las bombas de agua de alimentación son equipos reparables, por lo que se
ha tenido en consideración el tiempo operativo entre fallos para calcular la función que la
caracteriza.
Función de Distribución, F(t)
Antes de calcular la función de distribución que caracteriza a la bomba, es necesario obtener el
tiempo medio entre fallos (MTBF). Para ello, se ha utilizado el lenguaje de programación
®Phyton (código adjunto en el anexo E), para contabilizar de una forma más eficiente la
totalidad de las señales de disponibilidad de la bomba, conseguidas gracias a SCADA
(Supervisory Control And Data Acquisition) de la planta.
1) Tiempo buen funcionamiento, TBF:
TBF1: 41.812 min.
TBF2: 24.723 min.
TBF3: 6.683 min.
TBF4: 2.086 min.
2) Tiempo medio entre fallos, MTBF: media de los tiempos en los cuales la función
requerida se desarrolla sin fallos.
𝑀𝑇𝐵𝐹 =∑ 𝑇𝐵𝐹𝑖
𝑖=𝑛−1𝑖=1
𝑛= 18.826 min = 13,074 días.
3) Tasa de fallos (días), 𝜆
𝜆 =1
𝑀𝑇𝐵𝐹= 0,07649
4) Función de distribución: F(t)
𝐹(𝑡) = 1 − 𝑒−𝜆𝑡 = 1 − 𝑒−0,07649𝑡
Gráfica 16. Función de distribución F(t)
Estimación de las Consecuencias C(t)
Cuando se quieren cuantificar las posibles consecuencias, es necesario estudiar todas las
casuísticas que conducirían a la ocurrencia del evento no deseado, lo que implica una
evaluación de consecuencias diferenciada, en función de las distintas opciones de mitigación a
estudiar. La fórmula que representa estas posibles consecuencias es la siguiente:
𝐶(𝐹) = 𝐶𝑒 + 𝐶𝑠 + 𝐶𝑎
97
Donde:
- C(F): Consecuencias de un fallo por la no ejecución de la actividad de mantenimiento o
reemplazo.
- Ce: Consecuencias económicas.
- Cs: Consecuencias en seguridad.
- Ca: Consecuencias ambientales.
Tabla 21. Consecuencias asociadas al fallo
Consecuencias económicas, Ce
Para el cálculo de las consecuencias económicas, es necesario cuantificar las pérdidas asociadas
a la producción.
𝐶𝑒 = 𝐶𝑃𝑃 + 𝐶𝑅
Costes por pérdidas de producción, CPP
𝐶𝑃𝑃 = 𝐶𝐼 × 𝑃𝑃 + 𝑃𝐸 + 𝐼𝐸
Donde:
- CI o coste de improductividad (€/MWh). Es el coste, en megavatios-hora, en el que se
incurre como consecuencia de no producir.
- PP o pérdidas de producción (MWh): Es la cantidad de megavatios-hora que no se
producen al darse el fallo. Para cuantificarlo, se hace una aproximación mediante las
curvas de producción netas y carga de sales.
Figura 30. Producción diaria de Planta
- PE: Penalización o sanción asociada a el fallo (en €), que también incluye el coste
relacionado a la pérdida de imagen.
- IE: Es el coste en el que se incurre al destinar horas de personal a la redacción del
informe del evento, que hay que realizar tras el disparo de la turbina.
98
Figura 31. Costes por pérdidas de producción
La distribución de los costes de reparación (CR) debe incluir todos los posibles escenarios de
costes, los cuales varían en función de la severidad del fallo. El análisis de los costes debe
incluir los costes de materiales y mano de obra y los costes de logística.
Costes de Reparación, CR
𝐶𝑅 = 𝐶𝑅𝑅 + 𝐶𝑀𝑅 + 𝐶𝑀𝑂𝑅 + 𝐶𝐿 + 𝐶𝐷
Donde:
- CRR: Costes de los repuestos y/o equipos necesarios (€) para llevar a cabo la actividad
de reparación (partes o repuestos afectadas por el fallo, herramienta, grasas, aceites,
combustibles, etc…). Para el cálculo de este coste se ha establecido un porcentaje del
total de repuestos que habría que cambiar en el peor de los casos.
- CMR: Costes de materiales y/o equipos necesarios para realizar las tareas de reparación
(aceites, grasas, herramientas…).
- CMOR: Costes de mano de obra requerida para realizar la actividad de reparación, bien
sea de la propia empresa o subcontratada. Se utiliza el € como unidad de medida.
- CL: Costes de logística. En ellos se incluye el alquiler de maquinaria, vehículos
especiales o costes de desplazamiento de trabajadores de una empresa subcontratada. Se
utiliza el € como unidad de medida.
- CD: Coste de dietas y/o alojamiento en los que se incurre cuando una empresa
subcontratada presta un servicio de reparación de los componentes afectados. Se utiliza
el € como unidad de medida.
Figura 32. Costes de reparación
Consecuencias en seguridad, Cs
Cuando se quieren cuantificar las consecuencias en seguridad, es necesario tener constancia de
los posibles efectos en el personal de una instalación tras la ocurrencia de un fallo. Para ello,
habrá que evaluar los posibles riesgos en el contexto operacional que se esté estudiando.
99
Consecuencias ambientales, Ca
Para el análisis y cuantificación de las consecuencias ambientales hay que tener en
consideración dos factores temporales divergentes:
- Corto plazo: Costes de limpieza y remoción de contaminación o contaminantes del
medio ambiente (suelo, aguas subterráneas, sedimento o aguas de la superficie).
- Largo plazo: Efectos de la contaminación local y global.
En el caso de estudio, el equipo en cuestión tiene un impacto relativamente bajo, tanto en
seguridad, como en el medio ambiente. Por ello, únicamente se ha cuantificado el tiempo que
destina el departamento de HSE a realizar el informe en el que se estudia el posible impacto que
ha podido provocar la ocurrencia del fallo.
Figura 33. Consecuencias económicas en HSE
Curva de Riesgo R(t)
Tras determinar el coste asociado a las consecuencias de la ocurrencia del fallo, y siendo
conocida la función de distribución F(t) que sigue el equipo, se calcula la curva de riesgo:
Gráfica 17. Curva de Riesgo (t)
CÁLCULO DE COSTES C(T) Uno de los aspectos fundamentales para saber si el dinero invertido permitirá obtener los
beneficios esperados, es cuantificar el coste total de las acciones de mantenimiento, asociadas a
que el equipo en cuestión pueda seguir realizando su función requerida.
Modelo de sustituciones parciales con reparaciones mínimas
Para ello, se ha utilizado un modelo de sustituciones parciales con reparaciones mínimas,
extraído del proyecto fin de carrera de Miguel Collantes Cruz [22], puesto que el caso bajo
estudio no necesita una sustitución completa (ST) tras el fallo para que vuelva a las condiciones
adecuadas de funcionamiento. En consecuencia, basta con sustituciones preventivas parciales
(STT) de alguno de sus componentes.
100
Por definición [22], las SPPs son intervenciones que se realizan llegada una determinada edad
(Ti), y que devuelven la tasa de fallos del sistema completo a su valor inicial. Asimismo, es
necesario tener en consideración los siguientes puntos:
1) A partir de un cierto número de sustituciones preventivas parciales, éstas resultarán más
costosas que realizar una sustitución total del sistema.
2) El coste de la reparación de un sistema que ha fallado es a menudo más alto que la
sustitución preventiva antes del fallo.
Los modelos de sustitución parcial se pueden clasificar en dos grupos:
a) Modelos con sustituciones preventivas parciales y reparaciones mínimas.
b) Modelos con sustituciones preventivas parciales e intervenciones correctivas.
En el caso del equipo bajo estudio, se va a utilizar el modelo con reparaciones mínimas, puesto
que en principio el equipo en estudio no debería de tener que sustituirse durante toda la vida
operativa de la planta si se respetan sus condiciones de uso.
Descripción del modelo
En este modelo, se supone que el reemplazo o sustitución del sistema (ST) se realiza después de
(k-1) sustituciones preventivas parciales SPP. Para un sistema sujeto a (i-1) SPP con (j<k), se
procederá a la SPP cuando se alcance la edad Ti desde la última SPP (o sustitución total en el
caso i=1).
En caso de que el equipo falle, se efectúa una reparación mínima, la cual es más económica pero
no afecta a la tasa de fallo (λ) del equipo; es decir, no la restaura a su valor original, como si
sucede en las SPP y ST.
Figura 34. Modelo de SPP con reparaciones mínimas
Donde:
CPP: Coste de la SPP
Cs: Coste de la ST
Crm: Coste de la reparación mínima
Ti: Tiempo al que realizar la SPP
F(t): Función de distribución de la probabilidad de tiempo hasta el fallo
λi(t): Tasa de fallo en el momento t para un sistema sometido a (i-1) SPPs
𝜆(𝑡) =𝑅(𝑡 − 1) − 𝑅(𝑡)
𝑅(𝑡 − 1)
k: SPP en la cual se hace la ST
CTE (k, T1,…, Tk): Coste total esperado por unidad de tiempo.
Coste de la Sustitución Total, Cs
El equipo bajo estudio es un variador de frecuencia fabricado por la empresa Power Electronics,
cuyas especificaciones técnicas se describen a continuación.
- Modelo SD713206512
- Tecnología VSC
- Transformador
101
o Tensión nominal de primario: 6.600 V
o Tensión nominal de secundario: 690 V
- Rectificador 12 pulsos
- Frecuencia: 50 Hz
El valor de mercado aproximado del equipo está en torno a los 25.000€, por lo que se supone
que este importe será el coste de la sustitución total.
Coste de la Sustitución Parcial Preventiva, Cpp
𝐶𝑝𝑝 = 𝐶𝑅𝑀 + 𝐶𝑀𝑀 + 𝐷𝐴𝑆 × 𝐶𝑀𝑂𝑀
Donde:
- CRM: Costes de los repuestos necesarios (€) para llevar a cabo la actividad de
mantenimiento.
- CMM: Costes de materiales y/o equipos necesarios para realizar las tareas de
mantenimiento de reemplazo (aceites, grasas, herramientas…).
- DAS, Duración de la Actividad de Sustitución: Cantidad de horas necesarias para
realizar las tareas de sustituciones parciales preventivas.
- CMOM, o Coste de la Mano de Obra (€/hora): Coste de la mano de obra, ya sea propia o
subcontratada, requerida para hacer las actividades de mantenimiento.
Figura 35. Coste de la Sustitución Parcial Preventiva
Coste de la Reparación Mínima, Crm
𝐶𝑟𝑚 = 0,25 𝑥 𝐶𝑅𝑀 + 𝐷𝐴𝑀 × 𝐶𝑀𝑂𝑀
Para calcular el Crm, es necesario cuantificar el coste asociado a las gamas de mantenimiento
que se le realizan al equipo. Estas gamas están compuestas por un conjunto de tareas que son
efectuadas por el personal de la planta:
- Comprobar estado de la pintura.
- Comprobación de fusibles y de electrónica.
- Comprobar la correcta ventilación de los transformadores.
- Comprobar funcionamiento del alumbrado y tomas de corriente.
- Ausencia de polvo u óxido en la electrónica.
- Revisión visual de componentes (resistencias, condensadores...).
- Verificar la operatividad resistencia de caldeo.
102
Figura 36. Coste de la reparación mínima
Por tanto, sólo si algunos de los componentes del equipo que se han revisado no presentan un
estado adecuado, se realiza la sustitución del repuesto en cuestión. Para asignarle un valor a
estos casos, se ha decidido que tomar un porcentaje del total de los repuestos que se podrían
cambiar en los variadores. Evidentemente, este porcentaje será menor que el utilizado en el
CRR, puesto que el coste de realizar el preventivo es inferior al que se incurriría tras el fallo del
equipo.
Finalmente, habrá que tener en consideración también el tiempo que destinan los operadores a
realizar estas inspecciones (DAM), lo que para el caso de estudio sería aproximadamente 1,4
horas.
Coste total esperado, CTE
La expresión matemática del coste total esperado se muestra a continuación:
𝐶𝑇𝐸(𝑘, 𝑇1 , … 𝑇𝑘) =𝐶𝑜𝑠𝑡𝑒 𝑡𝑜𝑡𝑎𝑙 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑒𝑛 (0, 𝑇𝑖)
𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 (0, 𝑇𝑖)
=(𝑘 − 1) ∗ 𝐶𝑝𝑝 + 𝐶𝑠 + 𝐶𝑟𝑚 ∗ ∑ ∫ 𝜆𝑖(𝑡)𝑑𝑡
𝑇𝑖
0𝑘𝑖=1
∑ 𝑇𝑖𝑘𝑖=1
Dado que:
𝑁(𝑇𝑖 ) = ∫ 𝜆𝑖(𝑡)𝑇𝑖
0
Se tiene:
𝐶𝑇𝐸(𝑘, 𝑇1 , … 𝑇𝑘) =(𝑘 − 1) ∗ 𝐶𝑝𝑝 + 𝐶𝑠 + 𝐶𝑟𝑚 ∗ ∑ 𝑁(𝑇𝑖)𝑘
𝑖=1
∑ 𝑇𝑖𝑘𝑖=1
De esta forma, el problema a resolver se centra en encontrar el número óptimo de intervenciones
parciales k y las edades de estas intervenciones Ti, con i=1…k, que minimizan el coste
esperado.
Por otra parte, habrá que tener en cuenta que en este último periodo k el sistema va a fallar con
probabilidad 1, por lo que habrá que discretizar cada uno de los periodos de funcionamiento
precedentes. En este caso t=1…30.
103
Cálculos del modelo
A continuación, se resuelve el modelo de sustituciones parciales con reparaciones mínimas,
utilizando la formulación anteriormente expuesta.
Tabla 22. Resolución análisis coste riesgo beneficio
Curva de Costes C(t)
Tras cuantificar los costes asociados a las tareas de mantenimiento, se muestra la que sería la
curva de costes, con las frecuencias de mantenimiento establecidas.
Gráfica 18. Curva de Costes
104
IMPACTO TOTAL Tras haber determinado las curvas de riesgo y coste, hay que sumarlas para obtener la curva de
impacto total correspondiente a cada uno de los periodos de frecuencia dispuestos en el estudio.
𝐼𝑚𝑝𝑎𝑐𝑡𝑜 𝑇𝑜𝑡𝑎𝑙 (𝑡) = 𝑅𝑖𝑒𝑠𝑔𝑜 (𝑡) + 𝐶𝑜𝑠𝑡𝑒𝑠 (𝑡)
Curva de Impacto Total I (t)
A continuación, se adjunta la gráfica obtenida al sumar el riesgo con el CTE (3,Ti). De todos los
puntos, se busca aquel que haga mínimo al impacto total. En el caso de estudio, este punto sería
t=5,125 días que, teniendo en cuenta que la bomba opera un 14,88% del tiempo, supondría
34,44 días reales.
Tabla 23. Variación del impacto total
Por otra parte, habría que tener en cuenta que, a partir de este punto, el coste asociado al
mantenimiento es más rentable que asumir las consecuencias, puesto que la curva del riesgo
supera a la CTE (3,Ti).
Gráfica 19. Curva de impacto total
105
SOLUCIONES ADOPTADAS Tras analizar exhaustivamente las consecuencias asociadas a la ocurrencia de estos fallos y,
teniendo en consideración los costes de las medidas preventivas que se podrían implementar, la
empresa decidió adoptar las siguientes acciones:
1. Disminuir la periodicidad de la ronda de mantenimiento asociada a la inspección del
equipo de semestral a trimestral. El conjunto de actividades contempladas en esta
revisión son:
- Comprobar estado de la pintura.
- Comprobación de fusibles y de electrónica.
- Comprobar la correcta ventilación de los transformadores.
- Comprobar funcionamiento del alumbrado y tomas de corriente.
- Estado de limpieza (polvo) de la electrónica.
- Revisión visual componentes (resistencias, condensadores...).
- Verificar operatividad resistencia de caldeo.
El coste que supone a la empresa este cambio se muestra a continuación:
Tabla 24. Incremento coste de mantenimiento
2. Mejorar la refrigeración de la sala eléctrica, incluyendo sistemas más protentes de
ventilación. Esta inversión supuso a la empresa un coste total de 450 €.
3. Incluir las señales monitorizadas de la bomba en la base de datos, con el objetivo de
realizar un seguimiento sobre las mismas. Esta medida costó aproximadamente 25
€.
4. Incluir alarmas en el SCADA, asociadas a variaciones significativas en las
características que el modelo ha considerado como predictoras del modo de fallo. Al
igual que en el caso anterior, la inclusión de esta medida sólo supuso 35€.
5. Quitar la carcasa que cubre al equipo durante los meses estivales, con el objetivo de
reducir las altas temperaturas que se alcanzaban dentro, lo que no implica coste
alguno.
Teniendo en consideración estas medidas, el coste asociado a todas ellas supuso a la empresa un
coste fijo de 510 € más 50,4 € por cada año transcurrido.
Por otra parte, hay que tener en cuenta que se conocen los costes en los que se incurren tras la
ocurrencia del fallo, los cuales ya se cuantificaron anteriormente (6.731 €/ fallo). En todo caso,
no se pueda establecer una relación estricta entre la reducción de la ocurrencia de los fallos y las
medidas tomadas. Sin embargo, sí se tiene una referencia histórica de la ocurrencia de tres fallos
a lo largo del periodo de estudio (1/03/2014 hasta el 15/07/2015); y se conoce que, desde esa
fecha, no se ha producido ningún fallo de estas características. Por tanto, se puede concluir que
las acciones adoptadas han sido positivas para la empresa.
106
107
CAPÍTULO V. CONCLUSIONES
Una vez finalizado el trabajo, pasaré a detallar de forma resumida los resultados más relevantes
a los que se ha llegado, dando así respuesta a los objetivos inicialmente propuestos. Así, una vez
centrado el análisis sobre el sistema de gestión de mantenimiento de la Planta Termosolar de
Arenales, el documento llega a las siguientes conclusiones:
1. Tras analizar los distintos modelos de gestión de mantenimiento, y una vez detalladas las
innovaciones de cada uno de ellos, se seleccionó el modelo de Adolfo Crespo 2007, ya que
era el que mejor cubría los puntos a estudiar del caso propuesto, además de ser un modelo
ampliamente implantado en grandes empresas españolas.
2. Se han concretado los equipos de la planta que guardan una relación directa con el proceso
de generación eléctrica, definiendo sus funciones principales y la forma en la que se
relacionan a través del correspondiente diagrama de bloques.
3. Se ha establecido una jerarquización de los activos de la planta en tres niveles, en función
de su criticidad (críticos, semicríticos y no críticos), cuyo detalle se ofrece en el Anexo B.
4. Se diagnosticó a través del programa ®Blocksim, que la fiabilidad de la planta, teniendo en
consideración la distribución estadística de la tasa de fallos de cada uno de los equipos
inmersos en el proceso de generación eléctrica, es del 91’47%.
5. Sobre los equipos críticos se calculan el histórico de correctivos, así como aquellos que
provocaron disparos en la turbina, afectando directamente a la generación de la planta, tal y
como aparece detallado en la tabla 14.
6. Se determinó que las bombas de agua de alimentación eran el equipo que había provocado
unas mayores pérdidas para la empresa, tras el análisis de los fallos registradas en los
equipos críticos durante los años de operación de la planta.
7. Dentro del equipo seleccionado, se concluye que se realizará el mantenimiento predictivo
sobre los fallos relacionadas con el aumento de temperatura del variador, con el objetivo de
determinar los patrones de comportamiento de las señales monitorizadas.
8. Se seleccionan las características (señales monitorizadas) del equipo relacionadas con la
ocurrencia del modo de fallos seleccionado, aplicando distintos algoritmos de selección y
clasificadores. El detalle de la selección realizada aparece en la figura 28.
9. Se determinan las dos características relevantes del total de las quince consideradas, como
las partícipes directas del modo de fallo seleccionado.
10. Se determina que todo mantenimiento preventivo realizado con posterioridad a las 826,61
horas operativas del equipo estudiado será más rentable que asumir las consecuencias
provocadas por el fallo.
11. Se concluye que las acciones de mantenimiento adoptadas son positivas para la empresa,
dado que, desde la implantación de éstas, no se ha producido ningún fallo de las mismas
características que el estudiado.
108
109
CAPÍTULO VI. FUTURAS LÍNEAS DE INVESTIGACIÓN
Una vez concluido este trabajo, pensamos que existen múltiples vías para poder continuar el
análisis aquí realizado, aplicándolo a ámbitos similares o profundizando sobre los
planteamientos aquí avanzados. Sin ánimo de ser exhaustivo, se definen a continuación algunas
de las posibles opciones sobre las que se podría investigar:
1. Plantear el análisis de los modos de fallo sobre el resto de los equipos que salieron críticos
en el estudio, y establecer una estrategia de mantenimiento en el resto, en función a su
criticidad.
Para ello, se hará un análisis similar al planteado en este proyecto, puliendo las posibles
deficiencias observadas durante la implantación de las medidas sobre el equipo
seleccionado, retomando la ejecución del modelo a partir de la cuarta fase.
2. Establecer protocolos de mantenimiento sobre equipos genéricos, con el objetivo de poder
extrapolar aquellos a otras plantas de generación similares.
En este caso, se pretende definir unas pautas de mantenimiento de aquellos equipos cuyo
régimen operativo sea similar al estudiado.
3. Realizar un seguimiento tanto de la fiabilidad de la planta, como del análisis de criticidad,
para estudiar desde su evolución, posibles cambios de estrategia.
En línea con ello, será necesario contar con un sistema de registros completo y actualizado
de los datos de los equipos obtenidos en cada uno de los momentos temporales en los que se
realicen los análisis. Desde esa información, se comprobará la evolución del funcionamiento
de la planta y, en caso de que sea necesario, el establecimiento de medidas correctivas.se
corresponde con
4. Definir la posible rentabilidad de modificar, añadir o/y eliminar los equipos de la estructura
estudiada, a partir del modelo utilizado desde el análisis coste riesgo beneficio.
Se trata de profundizar sobre el análisis realizado en el proyecto, de forma que se pudieran
concretar medidas alternativas a las planteadas, y valorar su impacto cuantitativamente.
5. Seguir estudiando el modo de fallo sobre el que se ha centrado el trabajo, con el objetivo de
aumentar el número de registros que permitan que el modelo de selección de características
utilizado sea más robusto. Asimismo, se puede plantear optimizar el número de
características de entrada del modelo, con el objetivo de eliminar señales redundantes o
aquellas que no aporten información relevante para el modelo.
6. Considerar otros modos de fallos que hayan tenido o estén comenzando a tener un impacto
negativo en la generación de la planta.
Una vez seleccionado el modo de fallo relevante, se actuaría de forma análoga a cómo se ha
desarrollado la metodología en este proyecto.
7. Aplicar el modelo de gestión de mantenimiento, así como las otras técnicas utilizadas en
este trabajo, en otros proyectos de similares o distintas características.
110
111
ANEXOS
ANEXO A. METODOLOGÍA AHP
INTRODUCCIÓN El Proceso Analítico Jerárquico (Analytic Hierarchy Process) se basa en la idea de que la
complejidad inherente a un problema de toma de decisión con criterios múltiples se puede
resolver mediante la jerarquización de los problemas planteados.
De esta forma, el vértice de esta jerarquía será el principal objetivo del problema, meta a
alcanzar (goal), y en la base se encontrarán las posibles alternativas a evaluar. En los niveles
intermedios se situarían los criterios, los cuales a su vez se pueden estructurar también en
jerarquías, en base a los cuales se toma la decisión.
Para el caso objeto de estudio, no será necesario seguir todos los pasos de la metodología,
puesto que el análisis de criticidad sólo requiere el valor del peso que evalúa la importancia
relativa de cada uno de los criterios.
Figura 37. Jerarquía metodología AHP
ESTABLECER LAS PRIORIDADES ENTRE CRITERIOS El primer paso de la metodología es construir un vector de prioridades o pesos que evalúe la
importancia relativa que la unidad decisora otorga a cada criterio.
El problema clave que se plantea en este punto es responder a cómo se puede asignar un valor
numérico a cada criterio, de forma que represente, del modo más ajustado posible, la preferencia
del decisor de un criterio frente a otro.
La asignación directa es sencilla, ya que el decisor sólo tiene que realizar una valoración sobre
la importancia del criterio, verbalizada en términos cualitativos, y después acudir a una escala,
que previamente ha sido establecida, para obtener los valores numéricos que se corresponden
con su valoración. En el caso de estudio, se realizará la comparación a partir de la escala de
Saaty.
Figura 38. Escala de Saaty
112
MATRICES DE COMPARACIÓN Una vez establecidas las pautas para poder valorar los distintos criterios, hay que calcular la
matriz de comparación de éstos, teniendo en cuenta las siguientes características:
i. El elemento de la fila i columna j mide cuanto más importante o satisfactorio es el
elemento i al elemento j.
ii. Los elementos de la diagonal principal valen 1: 𝑎𝑖𝑖 = 1
iii. Los elementos simétricos son recíprocos: 𝑎𝑖𝑗 =1
𝑎𝑗𝑖
Tabla 25. Matriz de comparación de criterios
Para cada matriz de comparación de criterios se deberá desarrollar la matriz normalizada, la cual
se obtiene dividiendo cada número de una columna de la comparación por la suma total de esa
columna.
Tabla 26. Matriz de comparación de criterios normalizada
Seguidamente, se obtiene el vector de importancia de cada uno de los criterios, a partir del
promedio de cada una de las filas de la matriz normalizada.
Figura 39. Importancia relativa criterios
CÁLCULO DE LA CONSISTENCIA
Ratio de consistencia (CR)
Tras obtener el peso de los criterios, hay que verificar que la consistencia de las opiniones
utilizadas en la matriz de comparación es aceptable, calculando la ratio de consistencia.
𝐶𝑅 =𝐶𝐼
𝑅𝐼
o Si CR < 0.1, se considera aceptable
o Si CR > 0.1, las opiniones y juicios deberán ser reconsiderados
113
Índice de consistencia (CI)
Para ello, será necesario utilizar el índice que evalúa cuan próximo está el valor λmax a N, siendo
N la dimensión de la matriz. Por tanto, se dice que una matriz es totalmente consistente cuando
λmax es igual a N.
𝜆𝑚𝑎𝑥 ≈1
𝑤𝑖∙ ∑ 𝑎𝑖𝑘 ∙ 𝑤𝑘 ∀𝑖
𝑘
𝐶𝐼 =𝜆𝑚𝑎𝑥 − 𝑛
𝑛 − 1
Índice para matrices aleatorias (RI)
El último valor que se necesita para calcular la ratio de consistencia (CR) será el índice para
matrices aleatorias, el cual está tabulado en función del tamaño de las matrices. En este caso
RI=0,9.
Figura 40. Índice para matrices aleatorias
Análisis de resultados
Tal y como se puede observar, los datos obtenidos son concluyentes, puesto que el índice CR es
inferior al 0,1 establecido como mínimo requerido. Por tanto, se utilizarán las importancias
relativas obtenidas anteriormente en el análisis de criticidad del proyecto.
Figura 41. Resultados metodología AHP
114
115
ANEXO B. RESULTADOS ANÁLISIS DE CRITICIDAD
116
117
118
119
120
121
ANEXO C. ANÁLISIS DE FIABILIDAD
DISTRIBUCIONES ESTADÍSTICAS Dentro del amplio conjunto de distribuciones de probabilidad conocidas, las más utilizadas para
estudiar el análisis de supervivencia de equipos mecánicos industriales son la distribución
Exponencial y la Weibull. Por ello, se van a especificar a continuación sus principales
características:
o Función de densidad, f(t): describe la probabilidad de que la variable aleatoria tome un
rango de valores determinados.
o Función de distribución F(t): describe la probabilidad de que una variable tome
cualquier valor hasta uno determinado.
o Función de fiabilidad R(t): describe probabilidad de que funcione sin fallos durante un
tiempo (t) determinado, en unas condiciones dadas.
o Tasa de fallos o hazard rate h(t): describe la probabilidad de fallo instantánea, dado
que el componente funciona en el momento t.
o Tasa de fallos acumulada H(t): describe la probabilidad acumulada de que un
componente funcione para un momento t.
o Tiempo de buen funcionamiento, MTBF: media de los tiempos en los cuales la
función requerida se desarrolla sin fallos.
o Parámetros característicos:
o Exponencial:
Landa, λ: representa, en porcentaje, el número de equipos
supervivientes en un instante determinado.
o Weibull:
Beta, β: parámetro de forma (0< β <1). Determina la forma o perfil de
la distribución, la cual es función del valor de éste.
Alfa, : parámetro de escala (0< <∞). Indica la escala de la
distribución, es decir muestra lo aguda o plana que es la función.
Delta, ϒ: parámetro de localización (-∞< ϒ <∞). Indica, en el tiempo,
el momento a partir del cual se genera la distribución.
Distribución Exponencial
Función de densidad: 𝑓(𝑡) = 𝜆 ∙ 𝑒−𝜆𝑡
Función de distribución: 𝐹(𝑡) = 1 − 𝑒−𝜆𝑡
Función de fiabilidad: 𝑅(𝑡) = 𝑒−𝜆𝑡
Tasa de fallos: ℎ(𝑡) =𝑓(𝑡)
𝑅(𝑡)= 𝜆
Tasa de fallos acumulada: 𝐻(𝑡) = 𝜆 ∙ 𝑡
Tiempo de buen funcionamiento: 𝑀𝑇𝐵𝐹 =1
𝜆
Distribución Weibull
Función de densidad: 𝑓(𝑡) = (𝛽∙𝑡𝛽−1
𝛼𝛽) ∙ 𝑒
−𝑡𝛽
𝛼
Función de distribución: 𝐹(𝑡) = 1 − 𝑒−(𝑡/𝛼)𝛽
Función de fiabilidad: 𝑅(𝑡) = 𝑒−(𝑡/𝛼)𝛽
Tasa de fallos: ℎ(𝑡) =𝛽
𝛼∙ (
𝑡
𝛼)
𝛽−1
Tasa de fallos acumulada: 𝐻(𝑡) = (𝑡
𝛼)
𝛽−1
Tiempo de buen funcionamiento: 𝑀𝑇𝐵𝐹 = 𝛼 ∙ ϒ (1 +1
𝛽)
122
Figura 42. Comparativa distribución Exponencial y Weibull
ANÁLISIS DE LA FUNCIÓN CARACTERÍSTICA Una vez conocidas las dos distribuciones que se van a utilizar, se pasa a calcular la función que
caracteriza los distintos equipos que conforman el diagrama de bloques. Para ello, se ha tenido
en consideración distintas casuísticas:
1) Distribución exponencial 1P
a. Se conoce el tiempo medio de buen funcionamiento del equipo (MTBF).
Figura 43. Distribución Exponencial 1P a partir MTBF
123
b. Se conocía la función de distribución F(t) para un tiempo t determinado.
Figura 44. Distribución Exponencial 1P a partir F(t)
2) Distribución exponencial 2P
a. Se conoce el tiempo medio de buen funcionamiento del equipo (MTBF) y el
valor del parámetro gamma.
Figura 45. Distribución Exponencial 2P a partir MTBF y gamma
124
b. Se conocía la función de distribución F(t) para un tiempo t determinado y el
valor de gamma o MTBF.
Figura 46. Distribución Exponencial 2P a partir F(t) y un parámetro
3) Distribución Weibull 2P
a. Se conoce los parámetros característicos beta y eta
Figura 47. Distribución Weibull 2P a partir de los parámetros
125
b. Se conocía la función de distribución F(t) para un tiempo t determinado y el
valor de uno de los parámetros.
Figura 48. Distribución Weibull 2P a partir de F(t) y un parámetro
4) Distribución Weibull 3P
a. Se conoce los parámetros característicos beta, eta y gamma.
Figura 49. Distribución Weibull 3P a partir de los parámetros
126
b. Se conocía la función de distribución F(t) para un tiempo t determinado y el
valor de dos de los parámetros.
Figura 50. Distribución Weibull 3P a partir de F(t) y dos parámetros
5) No se conoce la distribución que sigue, pero si determinados datos que podrían ayudar
a aproximarla. Para esta casuística, se recurre a un cuestionario de ayuda que ofrece la
plataforma, basado en ir respondiendo una serie de preguntas que permiten al programa
aproximar la distribución.
a. Modelo de fiabilidad. Utilizar esta opción para crear un modelo probabilístico
que describa la fiabilidad de un elemento.
i. Asumiendo que tiene un elemento nuevo y uno usado, y ambos operan
simultáneamente en una misión idéntica:
- Es más probable que el elemento más viejo falle primero
- Es más probable que el elemento nuevo falle primero
- Es igualmente probable que ambos elementos fallen primero.
ii. Si usted ofrece una garantía para este elemento, ¿cuál sería la duración
de esta garantía?
iii. ¿Cuál es la vida de diseño de este elemento?
iv. En el caso de tener varios elementos activos en campo
simultáneamente, indica en porcentaje cuantos fallos podría haber al
final del periodo de garantía y vida de diseño.
b. Modelo de ocurrencia de eventos. Utilizar esta opción para crear un modelo
probabilístico que describa la ocurrencia de un evento.
i. ¿Tiene este evento la misma probabilidad de ocurrir,
independientemente de la vida del elemento?
ii. ¿Con qué frecuencia espera observar este evento en un elemento único?
c. Modelo de duración de tarea. Utilizar esta opción para crear un modelo que
describa la probabilidad de completar la tarea en un tiempo específico.
i. ¿Cuánto tiempo ocupa generalmente esta tarea?
ii. ¿Cuál es el mayor tiempo posible para completar esta tarea?
Una vez citados las distintas casuísticas, se adjunta un cuadro resumen con las distribuciones
seguidas por cada uno de los equipos que conforman el diagrama de bloques.
127
Tabla 27. Distribuciones estadísticas de cada bloque
128
129
ANEXO D. ESTUDIO MODOS DE FALLO A continuación, se adjunta cronológicamente todos los disparos de turbina relacionados con las
bombas de agua de alimentación, con el objetivo de escoger aquel que haya tenido una mayor
reiteración a lo largo de la vida operativa de la planta.
En primer lugar, se escribirá un pequeño extracto de por qué la turbina ha disparado. Sin
embargo, ésta no tendrá por qué ser la razón principal del disparo, puesto que la turbina es un
equipo que cuenta con unas condiciones de operación muy exigentes, y no permite que ninguna
variable se salga del rango que ésta requiere para operar.
Por ello, se puede observar como la mayoría de las veces el equipo dispara por bajo nivel en los
generadores de vapor (<30%), lo cual está muy relacionado con el correcto funcionamiento de
las bombas de agua de alimentación; equipo bajo estudio.
7 enero 2014
o Resumen: Disparo Turbina a 50 MW por bajo nivel de los generadores de
vapor.
o Disparo LAC 11 por alta temperatura del variador.
i. Modo de fallo: temperatura del variador.
21 enero 2014
o Resumen: Disparo de Turbina por bajo nivel de los generadores de vapor.
o Disparo bombas LAC 11 por alta presión diferencial del filtro.
i. Modo de fallo: presión diferencial del filtro.
o Disparo bomba LAC 12 por caída del NPSH.
i. Modo de fallo: caída del NPSH.
23 enero 2014
o Resumen: Disparo en Turbina al no conseguirse la presión requerida en el
desgasificador.
o Disparo bombas LAC 11-12 por caída de NPSH de las bombas de alimentación
nada más comenzar la bajada de carga.
i. Modo de fallo: caída NPSH.
24 enero 2014
o Resumen: Disparo en Turbina a 48 MW por bajo nivel en los generadores de
vapor.
o Disparo bomba LAC 11 por alto diferencial del filtro 0,7 bares.
i. Modo de fallo: presión diferencial del filtro.
11 marzo 2014
o Resumen: Disparo de TV a 54 MW brutos por bajo nivel de los generadores de
vapor.
o Disparo LAC 11-12 por bajo NPSH.
i. Modo de fallo: caída NPSH.
29 diciembre 2014
o Resumen: Disparo de Turbina a 40 MW por bajo nivel de los generadores de
vapor.
o Disparo de bombas LAC 11-12 por alta presión en el diferencial del filtro de
aspiración.
i. Modo de fallo: presión diferencial del filtro.
130
11 mayo 2015
o Resumen: Disparo de Turbina a 45 MW por bajo nivel de los generadores de
vapor.
o Disparo bomba LAC 11 provocado por alta temperatura en el variador, la
tarjeta está quemada y no hay repuesto, por lo que queda indisponible.
i. Modo de fallo: temperatura variador.
o Disparo bomba LAC 12 por bajo NPSH, debido a la apertura de la PSV del
desgasificador, el cual se encuentra a 182ºC y requiere una presión muy alta
para mantener el NPSH.
i. Modo de fallo: caída NPSH.
18 junio 2015
o Resumen: Disparo Turbina en 8 MW por bajo nivel de trenes de generación.
o Disparo bombas LAC 11-12 por bajo nivel de NPSH, como consecuencia de
una bajada de presión en el desgasificador.
i. Modo de fallo: caída NPSH.
27 junio 2015
o Resumen: Disparo Turbina a 41,3 MW por gradiente negativo en HP.
o Disparo bomba LAC 11 por alta temperatura en la etapa de potencia del
variador.
i. Modo de fallo: temperatura del variador:
15 julio 2015
o Resumen: Disparo de Turbina a 49 MW netos por bajo nivel de los generadores
de vapor.
o Disparo bombas LAC 11-12 por alta temperatura en variadores.
i. Modo de fallo: temperatura del variador.
24 julio 2015
o Resumen: Disparo de Turbina a 38,9 MW por bajo nivel en los generadores de
vapor.
o Disparo bomba LAC 11-12, ocasionado por un fallo en los circuitos del
variador, debido a un aumento de su temperatura.
i. Modo de fallo: temperatura del variador.
131
ANEXO E. PHYTON
CÓDIGO
132
RESULTADOS Antes de adjuntar los resultados obtenidos con el programa, debo comentar que éstos están
relacionados con todos los fallos de la bomba, y no sólo con el modo de fallo del que se han
realizado todos los estudios.
Figura 51. Resultados Phyton
133
CITAS BIBLIOGRÁFICAS
[1] “National geographic. 2015, Vol. 37, No. 5 (NOV) - Dialnet.”
[2] “IEA - Statistics Search.” [Online]. Available:
http://www.iea.org/statistics/statisticssearch/. [Accessed: 29-May-2018].
[3] “Resultados de la COP21.” [Online]. Available:
http://www.mapama.gob.es/es/cambio-climatico/temas/cumbre-cambio-
climatico-cop21/resultados-cop-21-paris/default.aspx. [Accessed: 15-May-2018].
[4] “LA UE Y LA UNIÓN DE LA ENERGÍA Y LA ACCIÓN POR EL CLIMA.”
[Online]. Available:
http://publications.europa.eu/webpub/com/factsheets/energy/es/. [Accessed: 15-
May-2018].
[5] “Marco sobre clima y energía para 2030 | Acción por el Clima.” [Online].
Available: https://ec.europa.eu/clima/policies/strategies/2030_es. [Accessed: 29-
May-2018].
[6] “European Commission - PRESS RELEASES - Press release - Energía limpia
para todos los europeos: desbloquear el potencial de crecimiento de Europa.”
[Online]. Available: http://europa.eu/rapid/press-release_IP-16-4009_es.htm.
[Accessed: 29-May-2018].
[7] “Downloads | Statistical Review of World Energy | Energy economics | BP.”
[Online]. Available: https://www.bp.com/en/global/corporate/energy-
economics/statistical-review-of-world-energy/downloads.html. [Accessed: 15-
May-2018].
[8] “Energías renovables - erenovable.com.” [Online]. Available:
https://erenovable.com/energias-renovables/. [Accessed: 17-Jun-2018].
[9] I. Renewable Energy Agency, “Renewable Power Generation Costs in 2017,” Int.
Renew. Energy Agency, 2018.
[10] Viaintermedia.com, “Panorama - Los costes de la energía solar fotovoltaica
disminuirán a la mitad para el 2020 - Energías Renovables, el periodismo de las
energías limpias.”
[11] CLUB ESPAÑOL DE LA ENERGÍA, Balance Energético de 2016 y
Perspectivas para 2017. Madrid, 2017.
[12] CLUB ESPAÑOL DE LA ENERGIA, “BALANCE ENERGÉTICO 2017 Y
PERSPECTIVAS 2018.”.
[13] the European Commission, “Renewable energy prospects for the European
134
Union: Preview for policy makers,” 2018.
[14] “Comparativa de costes de las energías renovables.” [Online]. Available:
http://energia.renovetec.com/energias-renovables/294-comparativa-de-costes-de-
las-energias-renovables. [Accessed: 17-Jun-2018].
[15] AENOR, “AENOR: Norma UNE-EN 13306:2011,” http://www.aenor.es/.
[16] M. A. López-Campos and A. Crespo Márquez, “UN MODELO DE
REFERENCIA PARA LA GESTIÓN DEL MANTENIMIENTO,” 2015.
[17] A. Crespo Márquez, The maintenance management framework : models and
methods for complex systems maintenance. London : Springer, 2007.
[18] F. Vagliasindi, Gestire la manutenzione : perche e come. F. Angeli, 1989.
[19] T. Wireman, Developing performance indicators for managing maintenance.
Industrial Press, 2005.
[20] R. Palmer, “Maintenance Planning and Scheduling Handbook, 2nd Edition
(McGraw-Hill Handbooks).”
[21] A. Crespo Márquez, J. F. Gómez Fernández, C. A. Parra Márquez, and M. López,
Ingeniería y gestión de mantenimiento una nueva visión del mantenimiento., no.
59. Alción Ingeniería Química, 2002.
[22] A. Collantes Cruz, Miguel (Tutor: Crespo Márquez, “Implantación de modelos
de mantenimiento en hojas de cálculo,” Sevilla.
[23] P. Barberá, L.; González, V.; Crespo, A.; Moreu, “Revisión de herramientas
software para el análisis de la fiabilidad, disponibilidad, mantenibilidad y
seguridad (RAMS) de equipos industriales,” Rev. Ing. y Gestión Manten., vol.
Vol. 68. A, no. 1695–3754, 2010.
[24] “Siemens Supplying Gas Turbine Equipment to Maryland Power Project - Power
Engineering.” [Online]. Available: https://www.power-
eng.com/articles/2015/09/siemens-supplying-gas-turbine-equipment-to-
maryland-power-project.html. [Accessed: 19-Jun-2018].
[25] C. A. Parra Márquez and A. Crespo Márquez, Ingenieria de mantenimiento y
fiabilidad aplicada en gestión de activos: desarrollo y aplicación práctica de un
modelo de gestión del mantenimiento (MGM). Ingeman, 2012.
[26] AENOR, “Normas UNE-EN 13306:2011 Mantenimiento.”.
[27] AENOR, “AENOR: Norma UNE 200001-3-11:2003,” http://www.aenor.es/.
[28] “¿Es el intervalo PF una distracción? |.” [Online]. Available:
http://www.livingreliability.com/wordpress/posts/¿es-el-intervalo-pf-una-
distraccion/. [Accessed: 31-May-2018].
135
[29] “Maldición de la dimensionalidad | Maldición de la dimensión.” [Online].
Available: http://ingenierobeta.com/maldicion-de-la-dimensionalidad/.
[Accessed: 29-May-2018].
[30] Y. Saeys, I. Inza, and P. Larranaga, “A review of feature selection techniques in
bioinformatics,” Bioinformatics, vol. 23, no. 19, pp. 2507–2517, Oct. 2007.
[31] S. García, J. Luengo, and F. Herrera, Data preprocessing in data mining. Nueva
York : Springer, 2014.
[32] J. R. Cano, F. Herrera, and M. Lozano, “Using Evolutionary Algorithms as
Instance Selection for Data Reduction in KDD: An Experimental Study,” IEEE
Trans. Evol. Comput., vol. 7, no. 6, 2003.
[33] M. A. Hall and L. A. Smith, “Practical Feature Subset Selection for Machine
Learning.”
[34] M. A. Hall and L. A. Smith, “Feature subset selection: a correlation based filter
approach,” pp. 855–858, 1997.
[35] P. Somol, J. Novovičová, and P. Pudil, “Improving Sequential Feature Selection
Methods’ Performance by Means of Hybridization,” in Advances in Computer
Science and Engineering, 2010.
[36] P. Somol, B. Baesens, P. Pudil, and J. Vanthienen, “Filter- versus wrapper-based
feature selection for credit scoring,” Int. J. Intell. Syst., vol. 20, no. 10, pp. 985–
999, Oct. 2005.
[37] P. Mitra, C. A. Murthy, and S. K. Pal, “Unsupervised feature selection using
feature similarity,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 3, pp.
301–312, Mar. 2002.
[38] M. W. Mwadulo, “A Review on Feature Selection Methods For Classification
Tasks,” Int. J. Comput. Appl. Technol. Res., vol. 5, no. 6, 2016.
[39] L. J. Eshelman, “The CHC Adaptive Search Algorithm: How to Have Safe
Search When Engaging in Nontraditional Genetic Recombination,” Found.
Genet. Algorithms, vol. 1, pp. 265–283, Jan. 1991.
[40] K. Varmuza, P. Filzmoser, M. Hilchenbach, H. Krüger, and J. Silén, “KNN
classification — evaluated by repeated double cross validation: Recognition of
minerals relevant for comet dust,” Chemom. Intell. Lab. Syst., vol. 138, no. 138,
pp. 64–71, Nov. 2014.
[41] H. Ishibuchi and Y. Nojima, “Repeated double cross-validation for choosing a
single solution in evolutionary multi-objective fuzzy classifier design,”
Knowledge-Based Syst., vol. 54, pp. 22–31, Dec. 2013.
[42] F. Gorunescu, Data mining: concepts, models and techniques. Berlin,
136
Heidelberg : Springer, 2011.
[43] O. Ivanciuc, “Applications of Support Vector Machines in Chemistry,” Wiley-
Blackwell, 2007, pp. 291–400.
[44] E. J. Carmona Suárez, “Tutorial sobre Máquinas de Vectores Soporte (SVM).”
[45] C. Cortes, “Support-Vector Networks,” Mach. Learn., vol. 20, pp. 273–297,
1995.
[46] B. E. Boser, B. E. Boser, I. M. Guyon, and V. N. Vapnik, “A Training Algorithm
for Optimal Margin Classifiers,” Proc. 5TH Annu. ACM Work. Comput. Learn.
THEORY, pp. 144--152, 1992.
[47] P. Santos, L. Villa, A. Reñones, A. Bustillo, and J. Maudes, “An SVM-Based
Solution for Fault Detection in Wind Turbines,” Sensors, vol. 15, no. 3, pp.
5627–5648, Mar. 2015.
[48] C. A. González, “SVM: Máquinas de Vectores Soporte Contenido.”.
[49] E. SALAZAR RUIZ, “Desarrollo de modelos predictivos de contaminantes
ambientales.,” Universitat Politècnica de València, Valencia (Spain), 2008.
[50] M. Martínez Román, “Introducción a los métodos Kernel.” 2008.
[51] “Aplicación de la Técnica ‘Optimización Costo-Riesgo’ - Reliabilityweb: A
Culture of Reliability.” [Online]. Available:
https://reliabilityweb.com/sp/articles/entry/aplicacion-de-la-tecnica-optimizacion-
costo-riesgo. [Accessed: 29-May-2018].
137
BIBLIOGRAFÍA
[1] AENOR, “Normas UNE-EN 13306:2011 Mantenimiento.”.
[2] AENOR, “AENOR: Norma UNE-EN 13306:2011,” http://www.aenor.es/.
[3] AENOR, “AENOR: Norma UNE 200001-3-11:2003,” http://www.aenor.es/.
[4] P. Barberá, L.; González, V.; Crespo, A.; Moreu, “Revisión de herramientas
software para el análisis de la fiabilidad, disponibilidad, mantenibilidad y
seguridad (RAMS) de equipos industriales,” Rev. Ing. y Gestión Manten., vol.
Vol. 68. A, no. 1695–3754, 2010.
[5] N. Bloom, Reliability centered maintenance (RCM) : implementation made
simple. New York [etc.]: McGraw-Hill, 2006.
[6] B. E. Boser, B. E. Boser, I. M. Guyon, and V. N. Vapnik, “A Training Algorithm
for Optimal Margin Classifiers,” Proc. 5TH Annu. ACM Work. Comput. Learn.
THEORY, pp. 144--152, 1992.
[7] F. Boucly and Asociación Española de Normalización y Certificación (1986- ...),
Gestión del mantenimiento. Madrid: AENOR, 1999.
[8] E. Bruno Báez and A. / Paraguay, “Matriz de Riesgo Operacional,” 2010.
[9] J. R. Cano, F. Herrera, and M. Lozano, “Using Evolutionary Algorithms as
Instance Selection for Data Reduction in KDD: An Experimental Study,” IEEE
Trans. Evol. Comput., vol. 7, no. 6, 2003.
[10] E. J. Carmona Suárez, “Tutorial sobre Máquinas de Vectores Soporte (SVM).”
[11] CLUB ESPAÑOL DE LA ENERGIA, “BALANCE ENERGÉTICO 2017 Y
PERSPECTIVAS 2018.”.
[12] CLUB ESPAÑOL DE LA ENERGÍA, Balance Energético de 2016 y
Perspectivas para 2017. Madrid, 2017.
[13] A. Collantes Cruz, Miguel (Tutor: Crespo Márquez, “Implantación de modelos
de mantenimiento en hojas de cálculo,” Sevilla.
[14] O. Cordón, S. Damas, and J. Santamaría, “Feature-based image registration by
means of the CHC evolutionary algorithm,” Image Vis. Comput., vol. 24, no. 5,
pp. 525–533, May 2006.
[15] C. Cortes, “Support-Vector Networks,” Mach. Learn., vol. 20, pp. 273–297,
1995.
138
[16] A. Crespo Márquez, P. Moreu de León, J. Gómez Fernández, C. Parra Márquez,
and V. González, “The maintenance management framework: A practical view to
maintenance management.”
[17] A. Crespo Márquez, The maintenance management framework : models and
methods for complex systems maintenance. London: Springer, 2007.
[18] A. Crespo Márquez, J. F. Gómez Fernández, C. A. Parra Márquez, and M. López,
Ingeniería y gestión de mantenimiento una nueva visión del mantenimiento., no.
59. Alción Ingeniería Química, 2002.
[19] L. Cuatrecasas Arbós, TPM en un entorno Lean management: estrategia
competitiva. PROFIT, 2010.
[20] M. Dash ’ and H. Liu, “Feature Selection for Classification,” IDA ELSEVlER
Intell. Data Anal., vol. 1, pp. 131–156, 1997.
[21] S. De, E. De, E. Gobierno, and D. España, “La Energía en España 2016,” 2016.
[22] S. O. Duffuaa, “Mathematical Models in Maintenance Planning and Scheduling,”
in Maintenance, Modeling and Optimization, Boston, MA: Springer US, 2000,
pp. 39–53.
[23] EMERSON Process Management, “Mantenimiento basado en fiabilidadf.”
[24] L. J. Eshelman, “The CHC Adaptive Search Algorithm: How to Have Safe
Search When Engaging in Nontraditional Genetic Recombination,” Found.
Genet. Algorithms, vol. 1, pp. 265–283, Jan. 1991.
[25] R. P. Espíndola and N. F. F. Ebecken, “On extending F-measure and G-mean
metrics to multi-class problems.”
[26] the European Commission, “Renewable energy prospects for the European
Union: Preview for policy makers,” 2018.
[27] A. Fernández de Trocóniz, Probabilidades, estadística, muestreo. Madrid: Tebar
Flores, 1987.
[28] I. Foroutan and J. Sklansky, “Feature Selection for Automatic Classification of
Non-Gaussian Data,” IEEE Trans. Syst. Man. Cybern., vol. 17, no. 2, pp. 187–
198, 1987.
[29] P. Galdi and R. Tagliaferri, “Data Mining: Accuracy and Error Measures for
Classification and Prediction,” in Reference Module in Life Sciences, Elsevier,
2018.
[30] S. García, J. Luengo, and F. Herrera, Data preprocessing in data mining. Nueva
York: Springer, 2014.
139
[31] L. GELDERS, P. MANNAERTS, and J. MAES, “Manufacturing strategy,
performance indicators and improvement programmes,” Int. J. Prod. Res., vol.
32, no. 4, pp. 797–805, Apr. 1994.
[32] J. F. Gómez Fernández and A. Crespo Márquez, Maintenance Management in
Network Utilities. London: Springer London, 2012.
[33] C. A. González, “SVM: Máquinas de Vectores Soporte Contenido.”.
[34] F. Gorunescu, Data mining : concepts, models and techniques. Berlin,
Heidelberg : Springer, 2011.
[35] M. A. Hall and L. A. Smith, “Feature subset selection: a correlation based filter
approach,” pp. 855–858, 1997.
[36] M. A. Hall and L. A. Smith, “Practical Feature Subset Selection for Machine
Learning.”
[37] IDAE, “Evolución tecnológica y prospectiva de costes de las energías
renovables: Estudio técnico período 2011-2020.”.
[38] H. Ishibuchi and Y. Nojima, “Repeated double cross-validation for choosing a
single solution in evolutionary multi-objective fuzzy classifier design,”
Knowledge-Based Syst., vol. 54, pp. 22–31, Dec. 2013.
[39] O. Ivanciuc, “Applications of Support Vector Machines in Chemistry,” Wiley-
Blackwell, 2007, pp. 291–400.
[40] B.-N. Jiang, X.-Q. Ding, L.-T. Ma, Y. He, T. Wang, and W.-W. Xie, “A Hybrid
Feature Selection Algorithm: Combination of Symmetrical Uncertainty and
Genetic Algorithms.”
[41] D. B. Johnson, “Efficient Algorithms for Shortest Paths in Sparse Networks.”
[42] R. S. Kaplan and D. P. Norton, “The Balanced Scorecard - Measures That Drive
Performance.”
[43] M. Kubat, R. C. Holte, and S. Matwin, “Machine Learning for the Detection of
Oil Spills in Satellite Radar Images,” Mach. Learn., vol. 30, no. 2/3, pp. 195–
215, 1998.
[44] N. Laouti, N. Sheibat-Othman, and S. Othman, “Support Vector Machines for
Fault Detection in Wind Turbines,” IFAC Proc. Vol., vol. 44, no. 1, pp. 7067–
7072, Jan. 2011.
[45] K. Leahy, R. L. Hu, I. C. Konstantakopoulos, C. J. Spanos, A. M. Agogino, and
D. T. J. O ’sullivan, “Diagnosing and Predicting Wind Turbine Faults from
SCADA Data Using Support Vector Machines.”
140
[46] J. Lee, “E-manufacturing—fundamental, tools, and transformation,” Robot.
Comput. Integr. Manuf., vol. 19, no. 6, pp. 501–507, Dec. 2003.
[47] M. A. López-Campos and A. Crespo Márquez, “UN MODELO DE
REFERENCIA PARA LA GESTIÓN DEL MANTENIMIENTO,” 2015.
[48] J. Magidson, “Correlated Component Regression: A Prediction/Classification
Methodology for Possibly Many Features.”
[49] C. A. P. Márquez and A. C. Márquez, Ingeniería de Mantenimiento y Fiabilidad
Aplicada en la Gestión de Activos. 2012.
[50] M. Martínez Román, “Introducción a los métodos Kernel.” 2008.
[51] P. Mitra, C. A. Murthy, and S. K. Pal, “Unsupervised feature selection using
feature similarity,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 3, pp.
301–312, Mar. 2002.
[52] J. Moubray, Reliability-centered maintenance. Butterworth Heinemann, 2005.
[53] A. Moujahid, I. Inza Pedro Larrañaga, N. donde, and para todo, “Tema 5.
Clasificadores K-NN.”
[54] M. W. Mwadulo, “A Review on Feature Selection Methods For Classification
Tasks,” Int. J. Comput. Appl. Technol. Res., vol. 5, no. 6, 2016.
[55] Narendra and Fukunaga, “A Branch and Bound Algorithm for Feature Subset
Selection,” IEEE Trans. Comput., vol. C-26, no. 9, pp. 917–922, Sep. 1977.
[56] C. Olivera Fernández-Cortés, “Reducción de dimensionalidad en problemas de
regresión,” Feb. 2016.
[57] R. Palmer, “Maintenance Planning and Scheduling Handbook, 2nd Edition
(McGraw-Hill Handbooks).”
[58] C. A. Parra Márquez and A. Crespo Márquez, Ingeniería de mantenimiento y
fiabilidad aplicada en gestión de activos: desarrollo y aplicación práctica de un
modelo de gestión del mantenimiento (MGM). Ingeman, 2012.
[59] C. Parra Márquez and A. Crespo Márquez, “IngeCon Técnicas de Ingeniería de
Mantenimiento y Fiabilidad aplicadas en el proceso de Gestión de Activos Nota
técnica 5: Métodos de Análisis de Criticidad y Jerarquización de Activos,” 2012.
[60] G. Pasi, G. Bordogna, and L. C. Jain, Quality issues in the management of web
information. Springer, 2013.
[61] L. M. Pintelon and L. F. Gelders, “Maintenance management decision making,”
Eur. J. Oper. Res., vol. 58, no. 3, pp. 301–317, May 1992.
141
[62] P. Pudil, J. Novovi~ov~, and J. Kittler, “Floating search methods in feature
selection,” Pattern Recognit. Lett., vol. 15, pp. 1119–1125, 1994.
[63] Qinbao Song, Jingjie Ni, and Guangtao Wang, “A Fast Clustering-Based Feature
Subset Selection Algorithm for High-Dimensional Data,” IEEE Trans. Knowl.
Data Eng., vol. 25, no. 1, pp. 1–14, Jan. 2013.
[64] I. Renewable Energy Agency, “Renewable Power Generation Costs in 2017,” Int.
Renew. Energy Agency, 2018.
[65] by J. Ross Quinlan, M. Kaufmann Publishers, and S. L. Salzberg, “Programs for
Machine Learning,” vol. 16, pp. 235–240, 1994.
[66] R. F. Saen, A. Memariani, and F. H. Lotfi, “The effect of correlation coefficient
among multiple input vectors on the efficiency mean in data envelopment
analysis,” Appl. Math. Comput., vol. 162, no. 2, pp. 503–521, Mar. 2005.
[67] Y. Saeys, I. Inza, and P. Larranaga, “A review of feature selection techniques in
bioinformatics,” Bioinformatics, vol. 23, no. 19, pp. 2507–2517, Oct. 2007.
[68] E. SALAZAR RUIZ, “Desarrollo de modelos predictivos de contaminantes
ambientales.,” Universitat Politècnica de València, Valencia (Spain), 2008.
[69] F. T. Sánchez Marín, A. Pérez González, J. L. Sancho Bru, and P. J. Rodríguez
Cervantes, Mantenimiento mecánico de máquinas. Castelló de la Plana:
Universitat Jaume I, 2011.
[70] P. Santos, L. Villa, A. Reñones, A. Bustillo, and J. Maudes, “An SVM-Based
Solution for Fault Detection in Wind Turbines,” Sensors, vol. 15, no. 3, pp.
5627–5648, Mar. 2015.
[71] D. Serrano García, “Cálculo, diseño y análisis de una central termosolar de
colectores cilíndrico-parabólicos operando con sales fundidas,” 2012.
[72] P. Somol, J. Novovičová, and P. Pudil, “Improving Sequential Feature Selection
Methods’ Performance by Means of Hybridization,” in Advances in Computer
Science and Engineering, 2010.
[73] P. Somol, B. Baesens, P. Pudil, and J. Vanthienen, “Filter- versus wrapper-based
feature selection for credit scoring,” Int. J. Intell. Syst., vol. 20, no. 10, pp. 985–
999, Oct. 2005.
[74] A. H. C. Tsang, A. K. S. Jardine, and H. Kolodny, “Measuring Maintenance
Performance: A Holistic Approach,” Int. J. Oper. Prod. Manag., vol. 19, no. 7,
pp. 691–715, 1999.
[75] F. Vagliasindi, Gestire la manutenzione: perche e come. F. Angeli, 1989.
142
[76] S. G. Vanneste and L. N. Van Wassenhove, “An integrated and structured
approach to improve maintenance,” Eur. J. Oper. Res., vol. 82, no. 2, pp. 241–
257, Apr. 1995.
[77] K. Varmuza, P. Filzmoser, M. Hilchenbach, H. Krüger, and J. Silén, “KNN
classification — evaluated by repeated double cross validation: Recognition of
minerals relevant for comet dust,” Chemom. Intell. Lab. Syst., vol. 138, no. 138,
pp. 64–71, Nov. 2014.
[78] Viaintermedia.com, “Fotovoltaica - Claves en la Operación y Mantenimiento de
instalaciones fotovoltaicas - Energías Renovables, el periodismo de las energías
limpias.”
[79] Viaintermedia.com, “Panorama - Los costes de la energía solar fotovoltaica
disminuirán a la mitad para el 2020 - Energías Renovables, el periodismo de las
energías limpias.”
[80] P. Viveros, R. Stegmaier, F. Kristjanpoller, L. Barbera, and A. Crespo,
“Propuesta de un modelo de gestión de mantenimiento y sus principales
herramientas de apoyo,” Ingeniare. Rev. Chil. Ing., vol. 21, no. 1, pp. 125–138,
Apr. 2013.
[81] T. Wireman, Developing performance indicators for managing maintenance.
Industrial Press, 2005.
[82] L. Yu and H. Liu, “Efficient Feature Selection via Analysis of Relevance and
Redundancy,” J. Mach. Learn. Res., vol. 5, pp. 1205–1224, 2004.
[83] S. C. Yusta, “Different metaheuristic strategies to solve the feature selection
problem,” Pattern Recognit. Lett., vol. 30, pp. 525–534, 2008.
[84] M. J. Zaki Wagner Meira Jr, Data Mining and Analysis: Fundamental Concepts
and Algorithms.
[85] “Siemens Supplying Gas Turbine Equipment to Maryland Power Project - Power
Engineering.” [Online]. Available: https://www.power-
eng.com/articles/2015/09/siemens-supplying-gas-turbine-equipment-to-
maryland-power-project.html. [Accessed: 19-Jun-2018].
[86] “Comparativa de costes de las energías renovables.” [Online]. Available:
http://energia.renovetec.com/energias-renovables/294-comparativa-de-costes-de-
las-energias-renovables. [Accessed: 17-Jun-2018].
[87] “Energies renovables - erenovable.com.” [Online]. Available:
https://erenovable.com/energias-renovables/. [Accessed: 17-Jun-2018].
[88] “¿Es el intervalo PF una distracción? |.” [Online]. Available:
http://www.livingreliability.com/wordpress/posts/¿es-el-intervalo-pf-una-
distraccion/. [Accessed: 31-May-2018].
143
[89] Maintenance excellence: optimizing equipment life-cycle decisions / edited by
John D. Campbell, Andrew K. S. Jardine. New York [etc.]: Marcel Dekker, 2001.
[90] “Mano de obra y tablas salariales 2016.”
[91] “JA1012: A Guide to the Reliability-Centered Maintenance (Rcm) Standard -
SAE International.” [Online]. Available:
https://www.sae.org/standards/content/ja1012_200201/. [Accessed: 31-May-
2018].
[92] “JA1011: Evaluation Criteria for Reliability-Centered Maintenance (Rcm)
Processes - SAE International.” [Online]. Available:
https://www.sae.org/standards/content/ja1011_199908/. [Accessed: 31-May-
2018].
[93] “Validación cruzada - WikiVisually.” [Online]. Available:
https://wikivisually.com/lang-es/wiki/Validación_cruzada. [Accessed: 31-May-
2018].
[94] “Clasificación: ROC y AUC | Curso intensivo de aprendizaje automático |
Google Developers.” [Online]. Available:
https://developers.google.com/machine-learning/crash-course/classification/roc-
and-auc?hl=es-419. [Accessed: 30-May-2018].
[95] “Aplicación de la Técnica ‘Optimización Costo-Riesgo’ - Reliabilityweb: A
Culture of Reliability.” [Online]. Available:
https://reliabilityweb.com/sp/articles/entry/aplicacion-de-la-tecnica-optimizacion-
costo-riesgo. [Accessed: 29-May-2018].
[96] “Maldición de la dimensionalidad | Maldición de la dimensión.” [Online].
Available: http://ingenierobeta.com/maldicion-de-la-dimensionalidad/.
[Accessed: 29-May-2018].
[97] “European Commission - PRESS RELEASES - Press release - Energía limpia
para todos los europeos: desbloquear el potencial de crecimiento de Europa.”
[Online]. Available: http://europa.eu/rapid/press-release_IP-16-4009_es.htm.
[Accessed: 29-May-2018].
[98] “Marco sobre clima y energía para 2030 | Acción por el Clima.” [Online].
Available: https://ec.europa.eu/clima/policies/strategies/2030_es. [Accessed: 29-
May-2018].
[99] “IEA - Statistics Search.” [Online]. Available:
http://www.iea.org/statistics/statisticssearch/. [Accessed: 29-May-2018].
[100] “National geographic. 2015, Vol. 37, No. 5 (NOV) - Dialnet.”
[101] “Downloads | Statistical Review of World Energy | Energy economics | BP.”
[Online]. Available: https://www.bp.com/en/global/corporate/energy-
144
economics/statistical-review-of-world-energy/downloads.html. [Accessed: 15-
May-2018].
[102] “LA UE Y LA UNIÓN DE LA ENERGÍA Y LA ACCIÓN POR EL CLIMA.”
[Online]. Available:
http://publications.europa.eu/webpub/com/factsheets/energy/es/. [Accessed: 15-
May-2018].
[103] “Resultados de la COP21.” [Online]. Available:
http://www.mapama.gob.es/es/cambio-climatico/temas/cumbre-cambio-
climatico-cop21/resultados-cop-21-paris/default.aspx. [Accessed: 15-May-2018].
[104] “Energía 2017 by Foro de la Industria Nuclear Española - issuu.” [Online].
Available: https://issuu.com/foronuclear/docs/energia_2017_pdf. [Accessed: 15-
May-2018].
[105] “RCM - Mantenimiento Centrado en Confiabilidad - GestioPolis.” [Online].
Available: https://www.gestiopolis.com/rcm-mantenimiento-centrado-en-
confiabilidad/. [Accessed: 15-May-2018].
[106] “MANTENIMIENTO BASADO EN RCM.” [Online]. Available:
http://mantenimientopetroquimica.com/mantenimientobasadoenrcm.html.
[Accessed: 15-May-2018].
[107] “Plan de mantenimiento basado en RCM.” [Online]. Available:
http://ingenieriadelmantenimiento.com/index.php/26-articulos-destacados/17-
plan-de-mantenimiento-basado-en-rcm. [Accessed: 15-May-2018].
[108] “Desarrollando un Plan de Mantenimiento apoyados en RCM - Reliabilityweb: A
Culture of Reliability.” [Online]. Available:
https://reliabilityweb.com/sp/articles/entry/desarrollando-un-plan-de-
mantenimiento-apoyados-en-rcm. [Accessed: 15-May-2018].
[109] “Análisis de criticidad y estudio RCM del equipo de máxima criticidad de una
planta desmotadora de algodón.”.
[110] “El Análisis de Criticidad, una Metodología para mejorar la Confiabilidad
Operacional - Reliabilityweb: A Culture of Reliability.” [Online]. Available:
https://reliabilityweb.com/sp/articles/entry/el-analisis-de-criticidad-una-
metodologia-para-mejorar-la-confiabilidad-ope. [Accessed: 15-May-2018].
[111] “España vuelve a mirar a las renovables | Economía | EL PAÍS.” [Online].
Available:
https://elpais.com/economia/2017/03/24/actualidad/1490375147_422288.html.
[Accessed: 15-May-2018].
[112] “El mundo consumirá un 30% más de energía en 2040 y se aleja de cumplir el
Acuerdo de París | Economía | EL PAÍS.” [Online]. Available:
https://elpais.com/economia/2017/11/14/actualidad/1510661591_352717.html.
[Accessed: 15-May-2018].
145
[113] “Sol, bajos costes y el Acuerdo de París activan el apetito por la fotovoltaica en
España. Noticias de Economía.” [Online]. Available:
https://www.elconfidencial.com/economia/2018-01-28/energias-renovables-sol-
bajos-costes-acuerdo-de-paris-fotovoltaica-espana_1512417/. [Accessed: 15-
May-2018].
[114] “2020 climate & energy package | Climate Action.” [Online]. Available:
https://ec.europa.eu/clima/policies/strategies/2020_en#tab-0-0. [Accessed: 15-
May-2018].
[115] “Cambio climático - ES | Greenpeace España.” [Online]. Available:
https://es.greenpeace.org/es/trabajamos-en/cambio-climatico/. [Accessed: 15-
May-2018].
[116] “La importancia de las energías renovables | ACCIONA.” [Online]. Available:
https://www.acciona.com/es/energias-renovables/#. [Accessed: 15-May-2018].