Desarrollo de modelos probabilísticos para la estimación de mecanismos de daño en los álabes de turbinas de vapor

• Autores: David Alejandro Quintanar Gago
• Directores de la Tesis: Pamela Fran Nelson Edelstein (dir. tes.)
• Lectura: En la Universidad Nacional Autónoma de México ( México ) en 2021
• Idioma: español
• Enlaces
  • Tesis en acceso abierto en: ru.dgb.unam.mx
• Resumen
  • español

    Las turbinas de vapor son sistemas claves de conversión de energía en el sector de la producción eléctrica. Dentro de las mismas, los álabes constituyen una población numerosa de elementos semejantes, los cuales están sometidos a complejas y agresivas condiciones ambientales que varían de acuerdo con su ubicación, generando diversos mecanismos de dano (MD) que provocan los fallos. Tales fallos requieren períodos de mantenimiento prolongados y millones de dolares en reparaciones y en costos de reemplazo de energía durante el período en que la producción se interrumpe. La experiencia indica que los MD que afectan la confiabilidad de los componentes son procesos dependientes, en los que la presencia de unos influye incrementando la probabilidad de desarrollo de otros. Los analisis de confiabilidad no consideran explícitamente los MD o en ocasiones dichas dependencias son simplificadas a eventos independientes. El proceso de identificación de los MD es clave para la prosecución de las actividades de mantenimiento y la toma de decisiones, pero existe la posibilidad de una mala identificacion u omision, repercutiendo en la confiabilidad de la turbina.

    Ante estas problematicas se presentan dos nuevos modelos probabilísticos complementarios que contemplan las dependencias existentes entre los MD que inducen los fallos en los componentes. Los modelos desarrollados son aplicados a los álabes rotatorios de una turbina de vapor nuclear para demostrar las nuevas capacidades de análisis, aunque pueden ser extrapolados a otros tipos de turbinas.

    El primer modelo es una red bayesiana estática que funge como herramienta analítica para la identificacion y ubicacion de los MD en los alabes. En el modelo se consideran las dependencias probabilísticas condicionales entre los MD, las filas y partes de los álabes susceptibles y los modos de fallo que se producen. En el segundo modelo (dinámico), los MD y sus influencias son dependientes del tiempo, permitiendo el desarrollo de nuevos modelos de mantenimiento enfocados en la reparación (eliminación) de cada MD por separado. Las acciones de mantenimiento modifican las influencias entre los MD, provocando cambios en la funcion de riesgo de la curva de confiabilidad calculada para el componente en cuestión, por lo que es un nuevo tipo de mantenimiento imperfecto.

    El juicio de expertos es utilizado para cuantificar ambos modelos. Con este fin, una version Extendida del Recursive Noisy OR (ERNOR) es desarrollada. En su versión estatica, se calculan probabilidades puntuales sinergicas para evaluar combinaciones desconocidas de las tablas de probabilidad condicional a partir de combinaciones mas fáciles de encuestar a expertos, y es usada en el primer modelo. Su versión dinámica genera probabilidades conjuntas continuas a partir de las funciones de distribucion acumuladas de las causas, útil en el segundo modelo.

    La consideracion de los MD en los modelos desarrollados proporciona una granularidad que ofrece al analista un mejor entendimiento de los principales mecanismos contribuyentes al fallo, determinar las ubicaciones más propensas, modelar mantenimientos enfocados en MD específicos y estimar su evolución temporal.

  • English

    Steam turbines are key power conversion units for electric power generation. Large steam turbines contain hundreds of blades subjected to complex and hostile environmental conditions that vary according the location, generating a set of damage mechanisms (DM) that ultimately cause blade failures. Such failures require extended maintenance periods and potentially, the replacement of costly internal components that can cause millions of dollars in overall losses and in replacement power costs for the time period of business interruption. Operational experience indicates that DMs affecting component reliability are dependent events, thus, the probability of one mechanism producing a failure can be affected by the presence of other mechanisms. Reliability analyses do not explicitly consider the DMs or often the dependencies are simplified. Correct identification of the DMs is crucial for maintenance decision making; however, turbine reliability and performance can be compromised due to unnoticed or misidentified DMs in blades.

    Given the aforementioned, two new probabilistic models that account for the DMs that affect component reliability and their dependencies, are developed. To demonstrate the analysis capabilities of the models, they are applied to nuclear steam turbine rotating blade common DMs, however, they can be extended to other turbine technologies.

    The first model is a static Bayesian network, a tool that provides a framework to perform different analyses to assist in the identification and location of the contributing DMs to failures. It considers the conditional probabilistic dependence among DMs, failure modes, and their susceptible locations in rotating blades. The second model is dynamic, thus, the DMs and their dependencies are time dependent, allowing the development of new maintenance models focused on each individual DM. Maintenance actions modify the influences among DMs, resulting in complex hazard functions that reshape the computed reliability curve for the component, thus resulting in a new kind of imperfect maintenance modeling.

    Expert judgement is used in both model quantifications. With this purpose, the Extended Recursive Noisy OR model is developed. In its static version, used in the first model, the results are punctual synergic joint probabilities from a set of causes achieving an effect, useful to populate large conditional probability tables. The dynamic version handles cumulative distribution functions, representing the joint probability of time dependent causes, useful in the second model.

    The consideration of the DMs and their dependencies in the developed models provides the analyst with a refined level of granularity to better understand the mechanisms that contribute to blade failures, identify susceptible locations, to model imperfect maintenance tasks and predict their evolution to better inform maintenance activities.