Estudi de la influència del lubricant en operacions de mecanització

Els processos de mecanitzat amb arrencament de ferritja consisteixen en arrencar contínuament petits fragments de material de la peça a la que es vol donar forma mitjançant les eines de tall. En treballar amb metalls, aquestes forces de tall són importants, i provoquen el desgast de les eines així com un escalfament important de l’eina i la peça. Per aquest motiu s’introdueixen els olis de tall, amb les principals funcions de refrigerar i lubricar. Tradicionalment, aquests olis de tall s’han subministrat a raig, quedant la zona de treball inundada. Els últims anys, degut a les millores tecnològiques i per intentar estalviar amb olis de tall, s’ha ideat un nou sistema anomenat mínima quantitat de lubricant, el qual subministra petites gotes d’oli, no soluble en aigua, dins un flux d’aire a pressió. Aquest sistema, a més, s’injecta prop de la zona de treball, on és estricament necessari. Aquest sistema redueix considerablement el consum d’oli de tall, i a més, augmenta l’eficiència de la lubricació. A part, elimina els posteriors tractaments per reciclar l’oli de tall un cop perd les seves propietats. Per aquest motiu, es pretén estudiar la utilització d’un mètode semblant al de la mínima quantitat de lubricant, subministrant el mateix oli de tall que s’utilitza convencionalment però polvoritzar per tal de convertir-lo en un aerosol

Probabilistic models to assist maintenance of multiple instruments

The paper discusses maintenance challenges of organisations with a huge number of devices and proposes the use of probabilistic models to assist monitoring and maintenance planning. The proposal assumes connectivity of instruments to report relevant features for monitoring. Also, the existence of enough historical registers with diagnosed breakdowns is required to make probabilistic models reliable and useful for predictive maintenance strategies based on them. Regular Markov models based on estimated failure and repair rates are proposed to calculate the availability of the instruments and Dynamic Bayesian Networks are proposed to model cause-effect relationships to trigger predictive maintenance services based on the influence between observed features and previously documented diagnostics