Herramientas para el mantenimiento predictivo de motores diesel: una revisión bibliográfica sistemática

Autores/as

DOI:

https://doi.org/10.33448/rsd-v9i11.10195

Palabras clave:

Mantenimiento predictivo; Motores diesel; Revisión sistemática de la literatura.

Resumen

El sector de mantenimiento de flotas representa una gran parte de los costos en propiedades agroindustriales y toda la innovación y tecnología utilizada para reducir estos costos impacta directamente en el precio final del producto. Ante este contexto, el objetivo de este artículo es identificar cómo se configura el estado de conocimiento sobre herramientas de mantenimiento predictivo para motores diésel. Para cumplir con el objetivo se utilizó una revisión bibliográfica sistemática, que consta de tres fases: Entrada, Procesamiento y Salida, se logró identificar un avance en la producción científica relacionada con las herramientas de mantenimiento predictivo, lo que refuerza su importancia. Al analizar los documentos en su totalidad, fue posible categorizar los documentos por aplicabilidad, siendo: Industrial; Motores diesel; Motores diésel 2T; Motores diésel para tractores agrícolas; Motores y equipos mecánicos; Transporte de pasajeros y autobuses; Minero y Marítimo. También se pudo concluir que los sectores que investigan y desarrollan las herramientas de mantenimiento más predictivas para motores son el industrial y el marino. De los 41 documentos analizados en esta investigación, ocho son capítulos de libros, lo que demuestra que el análisis de dicho formato documental es relevante para la temática aquí abordada. Asimismo, la investigación sobre el mantenimiento predictivo ha ido ganando importancia en los últimos años, lo que nos lleva a pensar que también debe avanzar hacia el sector agrícola.

Biografía del autor/a

Evelim Larissa Rombi De Aquino , Universidade Estadual Paulista "Júlio de Mesquita Filho"

Estudiante de maestría del Programa de Postgrado en Agronegocios y Desarrollo (PGAD) de la Facultad de Ciencias e Ingeniería de la Universidade Estadual Paulista "Júlio de Mesquita Filho" - Unidad UNESP Tupã / SP.

Mario Mollo Neto, Universidade Estadual Paulista “Júlio de Mesquita Filho”

Profe. Dr. Mario Mollo Neto, Becario CNPq - Proceso DT-II: 313339 / 2019-8 - Productividad en Desarrollo Tecnológico y Extensión Innovadora, Profesor Libre de Circuitos Digitales en la Universidade Estadual Paulista "Júlio de Mesquita Filho" UNESP; (2019). Posee un Postdoctorado en Ingeniería de Biosistemas en el área de Construcciones Rurales y Ambientes, de la Universidad Estadual de Campinas (2009), un Doctorado en Ingeniería Agrícola (CAPES Concepto 5) en el área de Construcciones Rurales y Ambientes de la Universidad Estatal de Campinas (2007) , Magíster en Ingeniería de Producción (CAPES Concepto 5) de la Universidade Paulista UNIP (2004), y Licenciado en Ingeniería Industrial de la Universidad São Judas Tadeu (USJT) (1987). Actualmente es Profesor Asociado en el Curso de Ingeniería en Biosistemas de la Facultad de Ciencias e Ingeniería (FCE) de la Universidade Estadual Paulista - UNESP en TUPÃ.

Departamento de Ingeniería de Biosistemas.

Cristiane Hengler Corrêa Bernardo, Universidade Estadual Paulista "Júlio de Mesquita Filho"

Tiene un doctorado en Educación por la UFMS (2010); Máster en Comunicación con los Medios de la UNESP (2002); Especialización en Comunicación y Marketing y Graduado en Comunicación Social con Licenciatura en Periodismo por la Pontificia Universidad Católica de Campinas (1990). Es profesor de Comunicación Empresarial en UNESP (2018). Fue Coordinadora del Curso de Administración y actualmente es Profesora Asociada en UNESP - Facultad de Ciencias e Ingeniería. Imparte las disciplinas de Comunicación Empresarial y Trabajo Interdisciplinario Orientado IV y V para el Curso de Administración y Construcción del Conocimiento Interdisciplinario, Metodología de Investigación y Comunicación, Redes y Cultura para el Máster Interdisciplinario en Agronegocios y Desarrollo (PGAD). Desarrolla proyecto de investigación en el ámbito de la Comunicación Rural, Responsabilidad Social y Ambiental y Educación y Trabajo. Es miembro de los siguientes grupos de investigación: CEPEAGRO e Investigación en Gestión y Educación Ambiental (PGEA). Trabajó en el Grupo Estácio Participações como Directora Académica de la Faculdade Estácio de Sá en Campo Grande y Coordinadora del Curso de Periodismo (de 2004 a 2006) y como Directora Ejecutiva y Directora General de la Faculdade Integrada do Recife (2006 a 2008).

Flávio José de Oliveira Morais, Universidade Estadual Paulista "Júlio de Mesquita Filho"

Licenciada en Ingeniería Informática con énfasis en Automatización Industrial por la Pontificia Universidad Católica de Goiás (2009). Máster en Ingeniería Eléctrica de la Universidad Estatal de Campinas (2011) y Doctorado (2015) realizado en el Departamento de Semiconductores, Instrumentos y Fotónica (DSIF) de la Facultad de Ingeniería Eléctrica e Informática (FEEC) de la Universidad Estatal de Campinas. Actualmente es profesor en la UNESP donde imparte las disciplinas de Microcontroladores, Sistemas Microprocesados ​​y Dispositivos y Circuitos Electrónicos. También realiza investigación como colaborador en el Departamento de Semiconductores, Instrumentos y Fotónica - DSIF en UNICAMP en el área de Instrumentación Electrónica, Redes de Sensores Inalámbricos y Sistemas Embebidos. Tiene experiencia en el área de Ingeniería Eléctrica e Informática, con énfasis en Instrumentación Electrónica, actuando principalmente en los siguientes temas: circuitos electrónicos analógicos y digitales, redes de sensores inalámbricos, circuitos y componentes para Captación de Energía e instrumentación electrónica para sistemas embebidos.

Paulo Sérgio Barbosa dos Santos, Universidade Estadual Paulista "Júlio de Mesquita Filho"

Licenciada en Ingeniería Mecatrónica por UniSALESIANO de Araçatuba-SP (2010), Maestría en Ingeniería Mecánica por la Universidade Estadual Paulista-UNESP (2013) como becaria CNPq (Consejo Nacional de Desarrollo Científico y Tecnológico), Doctora en Ingeniería Mecánica por UNESP (2017). Se desempeña como Profesor Asistente en el Curso de Ingeniería de Biosistemas de la UNESP, Campus de Tupã - SP y Editor Asistente en la Revista Brasileira de Engenharia de Biosystems (BIOENG).

Citas

Abdul-Munaim, A. M., Reuter, M., Abdulmunem, O. M., Balzer, J. C., Koch, M. & Watson, D. G. (2016). Using terahertz time-domain spectroscopy to discriminate among water contamination levels in diesel engine oil. Transactions of the ASABE. American Society of Agricultural and Biological Engineers, St. Joseph, Michigan. 59 (3) 795-801. doi.org/10.13031/trans.59.11448.801.

Alvarez, I. & Huet, S. (2008). Automatic diagnosis of engine of agricultural tractors: The BED experiment. Biosystems Engineering, 100 (1) 362-369. doi.org/10.1016/j.biosystemseng.2008.04.003.

Bin, Z., Jun, Y. & Cheng, T. (2008). Study on fault diagnosis system of diesel engine fuel injection system based on BP neural network. International Colloquium on Computing, Communication, Control, and Management, CCCM 2008, (2) 108-112. doi.org/10.1109/CCCM.2008.33.

Biolchini, J. C. A., Mian, P. G., Natali, A. C. C., Conte, T. U. & Travassos, G. H. (2007). Scientific research ontology to support systematic review in software engineering. Advanced Engineering Informatics, 21(2) 133-151. doi.org/10.1016/j.aei.2006.11.006.

Bloch, H. P. & Geitner, F. K. (1999). Chapter 7 - Statistical Approaches in Machinery Problem Solving. In: Practical Machinery Management for Process Plants. Gulf Professional Publishing, 2 (1) 477-522. doi.org/10.1016/S18746942(99)80009-1.

Boullosa-Falces, D., Barrena, J. L. L., Lopez-Arraiza, A., Menendez, J. & Solaetxe, M. A. G. (2017). Monitoring of fuel oil process of marine diesel engine. Applied Thermal Engineering, 127 (1) 517-526. doi.org/10.1016/j.applthermale.2017.08.036

Conforto, E. C., Amaral, D. C. & Silva, S. L. (2011). Roteiro para revisão bibliográfica sistemática: aplicação no desenvolvimento de produtos e gerenciamento de projeto. VIII Congresso Brasileiro de Gestão de Desenvolvimento de Produto. Porto Alegre/RS.

Cruz-Peragón, F., Palomar, J.M., Díaz, F.A. & Jiménez-Espadafor, F.J. (2009). Practical identification of non-linear characteristics of elastomeric couplings in engine assemblies. Mechanical Systems and Signal Processing, 23 (1) 922-930. doi.org/10.1016/j.ymssp.2008.08.007.

Diez-olivan, A., Pagan, J. A., Sanz, R. & Sierra, B. (2017). Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF based score. Neurocomputing, 241(1) 97-107. doi.or/10.1016/j.neucom.02.024.

Engineered Machined Products Inc. (2000). A breakthrough in vehicle cooling system pumps design. World Pumps, 2000 (1) 42-44. doi.org/10.1016/S0262-1762(00)88913-0.

García, M.O., Ordóñez, C.G. & Torregrosa, A.J. (2016). Noise analysis in the design and construction of a semianechoic chamber for the diagnosis of internal combustion engines. Informacion Tecnologica, 27(1) 121-132. doi.org/10.4067/S071807642016000500014.

Geitner, F. K. & Bloch, H. P. (2006). Chapter 4 - Estimating machinery uptime. In: Practical Machinery Management for Process Plants. Gulf Professional Publishing, 5(1) 45-77.

Girdhar, P.& Scheffer, C. (2004). Chapter 1 - Predictive maintenance techniques: Part 1 predictive maintenance basics. In: Practical Machinery Vibration Analysis and Predictive Maintenance. Newnes, 1-10.

Gomes, H.M. & Silva, N.R.S. (2008). Some comparisons for damage detection on structures using genetic algorithms and modal sensitivity method. Applied Mathematical Modelling, 32(1) 2216-2232. doi.org/10.1016/j.apm.2007.07.002.

Goodman, D. Sorj, B. & Wilkinson, J. (2008). Da lavoura às biotecnologias: agricultura e indústria no sistema internacional. Rio de Janeiro: Centro Edelstein de Pesquisas Sociais. A apropriação industrial do processo de produção rural. 6-49. ISBN: 978-85-9966-229-8.

Huang, M., Liu, Z. & Tao, Y. (2019). Mechanical fault diagnosis and prediction in IoT based on multi-source sensing data fusion. Simulation Modelling Practice and Theory. doi.org/10.1016/j.simpat.2019.101981.

Isa, M.C., Yusoff, N.H.N., Nain, H., Yati, M. S. D., Muhammad, M.M.& Nor, I. M. (2013). Ferrographic Analysis of Wear Particles of Various Machinery Systems of a Commercial Marine Ship. Procedia Engineering, 68(1) 345-351. doi.org/10.1016/j.proeng.2013.12.190.

Jacto. (2020). Entenda a mecanização da agricultura e conheça 4 vantagens. Sitio eletrônico. Recuperado de https://blog.jacto.com.br/entenda-a-mecanizacao-da-agricultura-e-conheca-4-vantagens/

Kardec, A. & Nascif J. (2009). Manutenção: função estratégica. 3.ed. Rio de Janeiro: Qualitymark: Petrobrás.

Köche, J. C. (2011). Fundamentos de metodologia científica: teoria da ciência e iniciação à pesquisa. Petrópolis, RJ: Vozes.

Kumar, A. & Ghosh, S. K. (2019). Size distribution analysis of wear debris generated in HEMM engine oil for reliability assessment: A statistical approach. Measurement, 131(1) 412-418. doi.org/10.1016/j.measurement.2018.09.012.

Kumar, A., Shankar, R. & Thakur, L. S. (2018). A big data driven sustainable manufacturing framework for condition-based maintenance prediction. Journal of Computational Science, 27(1) 428-439. doi.org/10.1016/j.jocs.2017.06.006.

Lazakis, I., Raptodimos, Y. & Varelas, T. (2018). Predicting ship machinery system condition through analytical reliability tools and artificial neural networks. Ocean Engineering, 152(1) p. 404-415. doi.org/10.1016/j.oceaneng.2017.11.017.

Lazakis, I., Dikis, K., Michala, A. L.& Theotokatos, G. (2016). Advanced Ship Systems Condition Monitoring for Enhanced Inspection, Maintenance and Decision Making in Ship Operations. Transportation Research Procedia, 14(1) 1679-1688. doi.org/10.1016/j.trpro.2016.05.133.

Lazzerini, F. T. & Bonotto, D. M. (2014). O silício em águas subterrâneas do Brasil.

Ciência e Natura, 36(2) 159–168. doi.org/10.5902/2179460X13135.

Lee, J., Kao, H. & Yang, S. (2014). Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment. Procedia CIRP, 16(1), p. 3-8. doi.org/10.1016/j.procir.2014.02.001.

Li, Z., Jiang, Y., Duan, Z. & Peng, Z. (2018). A new swarm intelligence optimized multiclass multi-kernel relevant vector machine: An experimental analysis in failure diagnostics of diesel. Structural Health Monitoring, 17(1) 1503-1519. doi.org/10.1177/1475921717746735.

Ludke, M. & Andre, M. E . D. A. (2013). Pesquisas em educação: uma abordagem qualitativa. São Paulo: E.P.U. F.

Macian, V., Payri, R., Tormos, B. & Montoro, L. (2006). Applying analytical ferrography as a technique to detect failures in Diesel engine fuel injection systems. Wear. 260(1) 562-566. doi.org/10.1016/j.wear.2005.03.019.

Magro, T. V. & Cavichioli, F. A. (2018). Uso de implementos agrícolas: vantagens e desvantagens. SIMTEC. Simpósio de Tecnologia da Fatec de Taquaritinga. 4(1)1-13.

Marion, C. (2014). Mecanização agrícola transforma perfil do gestor. Revista Máquinas Agrícolas & Inovações.

Mobley, R. K. (2001). 43 - Vibration Fundamentals. In: Plant Engineer's Handbook. Butterworth-Heinemann. doi.org/10.1016/B978-075067328-0/50045-8.

Mobley, R. K. (1999). Chapter 2 - Vibration Analysis Applications. In: Vibration

Fundamentals. Newnes, 3-5. doi.org/10.1016/B978-075067150-7/50038-0.

Mobley, R. K. (2002). 9 – Tribology: An Introduction to Predictive Maintenance. In: Plant Engineering, Butterworth-Heinemann, 2. ed. doi.org/10.1016/B978075067531-4/50009-9.

Moore, R. (2007). 13 - Predictive maintenance/ condition monitoring. In: Selecting the Right Manufacturing Improvement Tools. Butterworth-Heinemann. doi.org/10.1016/B978-075067916-9/50014-X.

Nahim, H. M., Younes, R., Shraim, H. & Ouladsine, M. (2016). Modeling with Fault Integration of the Cooling and the Lubricating Systems in Marine Diesel Engine:

Experimental validation. IFAC, 49(1) 570-575. doi.org/10.1016/j.ifacol.2016.08.083.

Nasiri, A., Taheri-Garavand, A., Omid, M. & Carlomagno, G. M. (2019). Intelligent fault diagnosis of cooling radiator based on deep learning analysis of infrared thermal images, Applied Thermal Engineering, 163(1). doi.org/10.1016/j.applthermaleng.2019.114410.

Nixon, S., Weichel, R., Reichard, K. & Kozlowski, J. (2018). A machine learning approach to diesel engine health prognostics using engine controller data. Proceedings of the Annual Conference of the Prognostics and Health Management Society.

Olver, A.V. (2002). Gear lubrication – a review. Journal of Engineering Tribology. 216(1) 255-267. doi.org/10.1243/135065002760364804.

Oliveira; F. C. M., Lago, D. M., Oliveira Filho, M. F. & Medeiros, J. T. N. M. (2018). A new stochastic model for particulate matter and debris emitted by diesel engines. 6th International Conference Integrity-Reliability-Failure Lisbon/Portugal.

Pacheco, E.P. (2000). Seleção e custo operacional de máquinas agrícolas. Rio Branco: Embrapa Acre, (Embrapa Acre. Documentos, 58).

Patocka, F., Schlögl, M., Schneidhofer, C.; Dörr, N., Schneider, M. & Schmid, U. (2019). Piezoelectrically excited MEMS sensor with integrated planar coil for the detection of ferrous particles in liquids. Sensors and Actuators B: Chemical, 299(1) 126957. doi.org/10.1016/j.snb.2019.126957.

Pereira, A. S., Shitsuka, D. M., Parreira, F. J. & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria, RS: UFSM, NTE.

Raposo, H.; Farinha, J.T.; Fonseca, I.; Ferreira, L.A. (2019). Condition monitoring with prediction based on diesel engine oil analysis: A case study for urban buses. MDPI, v.8, doi.org/10.3390/act8010014.

Raposo, H., Farinha, J. T. & Fonseca, I.; Galar, D. (2019). Predicting condition based on oil analysis – A case study. Tribology International, 135(1) 65-74. doi.org/10.1016/j.triboint.2019.01.041.

Rubio, J. A. P., Vera-García, F. Grau, J. H., Cámara, J. M. & Hernandez, D. A. (2018). Marine diesel engine failure simulator based on thermodynamic model. Applied Thermal Engineering, 144(1) 982-995. doi.org/10.1016/j.applthermaleng.2018.08.096.

Sampaio, R. F. & Mancini, M. C. (2007). Estudos de revisão sistemática: um guia para síntese criteriosa da evidência científica. Revista Brasileira de Fisioterapia, São Carlos, 11(1) 83-89.

Santos, E. A., Soares, H. S., Silva, M. R., Rocha, T. A. F. & Fernandes, T. J. L. (2014). Uso correto dos óleos lubrificantes para máquinas agrícolas. Revista Cultivar Máquinas. Ed. 143.

Senar – Serviço Nacional de Aprendizagem Rural. (2009). Tratores Agrícolas: manutenção de tratores agrícolas. Coleção SENAR 130. Serviço Nacional de Aprendizagem Rural. Brasília: SENAR.

Sidahmed, M. (2001). Diagnostics and condition monitoring, basic concepts.

Encyclopedia of Vibration, Elsevier. doi.org/10.1006/rwvb.2001.0147.

Silveira, G. M. (2001). Os cuidados com o trator. Série Mecanização. Viçosa: Aprenda Fácil.

Simões, A., Viegas, J.M., Farinha, J.T. & Fonseca, I.(2017). The State of the Art of Hidden Markov Models for Predictive Maintenance of Diesel Engines. Quality and Reliability Engineering International, 33(1) 2765-2779. doi.org/10.1002/qre.2130.

Sitnik, L., Pentós, K., Magdziak-Toklowicz, M. & Wrobel, R. (20150. The Laser Doppler Vibrometry in mechatronics diagnostics. Archives of Civil and Mechanical Engineering, 15(1) 962-970. doi.org/10.1016/j.acme.2015.04.001.

Snook, W. A. (1968). Análise de óleos usados de motores. Lubrificação, 54(9) 97-116.

Syan, C. S. & Ramsoobag, G. (2019). Maintenance applications of multi-criteria optimization: A review. Reliability Engineering & System Safety, 190(1). doi.org/10.1016/j.ress.2019.106520.

Taheri-Garavand, A., Ahmadi, H., Omid, M., Mohtasebi, S. S., Mollazade, K., Smith, A. J. R. & Carlomagno, G. M. (2015). An intelligent approach for cooling radiator fault diagnosis based on infrared thermal image processing technique. Applied Thermal Engineering, 87(1) 434-443. doi.org/10.1016/j.applthermaleng.2015.05.038.

Vian, C. E. F., Andrade JR, A. M., Baricelo, G. & Silva, R. P. (2013). Origens, evolução e tendências da indústria de máquinas agrícolas. Rev. Econ. Sociol. Rural. 51(4) 719-744. Brasília. doi.org/10.1590/S0103-20032013000400006.

Villanueva, J. A. B., Espadafor, F. J., Cruz-Peragon, F. & Garcia, M. T. (2011). A methodology for cracks identification in large crankshafts. Mechanical Systems and Signal Processing. 25(8) 3168-3185. doi.org/10.1016/j.ymssp.2011.02.018.

Wang, J., Mao, X., Zhu, K., Song, J. & Zhuo, B. (2009). An intelligent diagnostic tool for electronically controlled diesel engine. Mechatronics, 19(1) 859-867. doi.org/10.1016/j.mechatronics.2009.04.009.

Wolak, A. (2018). TBN performance study on a test fleet in real-world driving conditions using present-day engine oils. Measurement, 114(1) 322-331. doi.org/10.1016/j.measurement.2017.09.044.

Descargas

Publicado

27/11/2020

Cómo citar

AQUINO , E. L. R. D. .; MOLLO NETO, M. .; BERNARDO, C. H. C. .; MORAIS, F. J. de O. .; SANTOS, P. S. B. dos . Herramientas para el mantenimiento predictivo de motores diesel: una revisión bibliográfica sistemática. Research, Society and Development, [S. l.], v. 9, n. 11, p. e57691110195, 2020. DOI: 10.33448/rsd-v9i11.10195. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/10195. Acesso em: 12 abr. 2025.

Número

Vol. 9 Núm. 11

Sección

Revisiones

Licencia

Derechos de autor 2020 Evelim Larissa Rombi De Aquino ; Mario Mollo Neto; Cristiane Hengler Corrêa Bernardo; Flávio José de Oliveira Morais; Paulo Sérgio Barbosa dos Santos

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los autores que publican en esta revista concuerdan con los siguientes términos:

1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.

2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.

3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.