Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director:
Msc. Ing. Edgar Espejo Mora
Lnea de Investigacion:
Mecanismos de falla de elementos de maquinas
Grupo de Investigacion:
AFIS (Analisis de falla, integridad y superficies)
Al M. Ing. Edgar Espejo por el tiempo que dedico a acompanarme en el desarrollo de este
proyecto, por sus conocimientos transmitidos durante la maestra y por su entusiasmo en el
desarrollo del proyecto aun cuando hubo intermitencia en el desarrollo del mismo debido a
mis compromisos laborales.
A las empresas del sector Oil & gas, del sector automotrz, alimentos, construcciones civiles,
aeronautica y minera entre otras, que hicieron parte de este proyecto presentando sus suge-
rencias y recomendaciones para el desarrollo del mismo.
ix
Resumen
El objetivo principal de este proyecto fue el diseno, la implementacion y la evaluacion de un
sistema experto para determinar el mecanismo de falla en elementos de maquina como ejes,
rodamientos, engranajes, cojinetes y cuerpos de caldera.
Se evaluaron cuantitativamente los resultados que arrojaron cada uno de los sistemas de
inferencia comparado con los resultados que obtuvo un panel de expertos que analizaron 46
casos de falla, utilizando medidas de grupo (ndice de acuerdo, ndice e ndice ponderado)
y ratios de acuerdo (sensibilidad, ratios de falsos negativos, especificidad, ratios de falsos
positivos, valor predictivo positivo, valor predictivo negativo y ROC (Receiver Operating
Characteristic).
La casustica de validacion contaba con cuarenta y seis casos de falla provenientes de diver-
sas industrias distribuidos de la siguiente forma: dieciseis casos de fractura, diez casos de
desgaste, diez casos de corrosion y diez casos de flujo plastico.
De acuerdo al resultado del proceso de validacion para ejes, el motor de inferencia bayesiano
fue el que tuvo los mejores resultados comparados con la respuesta del conocimiento experto
humano, escogiendose este para la implementacion del sistema experto para identificacion
de mecanismos de falla en los otros elementos de maquina (rodamientos, engranajes, cuerpos
de caldera y cojinetes).
Palabras clave: Analisis de fallas, sistema experto, inferencia basada en reglas, infe-
rencia difusa ,inferencia bayesiana.
Abstract
The main goal in this project were the design, implementation and evaluation of an ex-
pert system for identify failure mechanism of machine elements such as shafts, bearings,
gears, bearings and bodies boiler.
For the development of this project were implemented three diferent inference engines (rule
based, fuzzy inference and Bayesian inference) for identify failure mechanisms in shafts due
this machine element has got much more information in the literature and case studies com-
pared with the other machine elements.
Were evaluated quantitatively all the results that each inference systems using :index of
agreement, kappa index, weighted kappa index; and ratios of agreement (sensitivity, false
negative ratios, specificity, false positive ratios, positive predictive value , negative predicti-
ve value and ROC (Receiver Operating Characteristic) the results were compared with the
human expert response in the identification of failure mechanisms in shafts using a base of
forty-six cases of failure from several industries distributed as follows: Sixteen fracture cases,
ten cases of wear, ten cases of corrosion and ten cases of plastic flow).
According to the result of the validation process for shafts, the Bayesian inference engine
had the better performance compared with the response of human expertise and therefore
was chosen for the implementation of the other machine elements expert system (bearings,
gears, bearings and body boiler) expert system.
This research was developed at the National University of Colombia (Bogota) and had par-
ticipation of several companies in the following industrial sectors: oil and gas, automotive,
food, civil construction, aviation industry and mining among others, who established some
requirements at initial phase in this project.
Keywords:failure analysis, expert system, rule based inference, fuzzy inference , baye-
sian inference
Contenido
Agradecimientos VII
Resumen IX
Lista de abreviaturas XV
1. Introduccion XXIII
2. Aspectos preliminares 1
2.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3. Marco teorico 3
3.1. Analisis de fallas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2. Fractografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2.1. Fractura fragil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2.2. Fractura ductil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2.3. Fractura progresiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3. Desgastografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.1. Desgaste Adhesivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.2. Desgaste Abrasivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3.3. Desgaste Erosivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.4. Fretting o ludimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.5. Cavitacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.6. Picadura Superficial . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.3.7. Erosion por descarga electrica . . . . . . . . . . . . . . . . . . . . . . 14
3.4. Corrosion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4.1. Corrosion generalizada . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4.2. Corrosion galvanica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4.3. Corrosion preferente en soldaduras . . . . . . . . . . . . . . . . . . . 16
3.4.4. Corrosion por gradiente de concentracion . . . . . . . . . . . . . . . . 16
3.4.5. Corrosion por rendija . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4.6. Corrosion bajo depositos . . . . . . . . . . . . . . . . . . . . . . . . . 16
xiv Contenido
5. Resultados experimentales 39
5.1. Casustica de validacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2. Resultados obtenidos analisis de falla por fractura en ejes . . . . . . . . . . . 44
5.3. Resultados obtenidos analisis de falla por desgaste en ejes . . . . . . . . . . . 45
5.4. Resultados obtenidos analisis de falla por corrosion en ejes . . . . . . . . . . 46
5.5. Resultados obtenidos analisis de falla por flujo plastico en ejes . . . . . . . . 47
6. Analisis de resultados 48
E. Anexo: Diagramas FTA (Fault Tree Analysis) para modos de falla en ejes, en-
granajes, rodamientos, cojinetes y tuberias de caldera 97
Bibliografa 131
Lista de abreviaturas
A continuacion se presentan las abreviaturas utilizadas en el presente documento.
Abreviaturas
Abreviatura Termino
aF Apariencia fibrosa.
aS Agrietamiento superficial
aGuz Apariencia granular con una zona.
cC Carga constante
cOzd Coloraciones oscuras zona de desgaste
cU Corrosion uniforme
cP Corrosion por picadura
cV Carga variable
dAb Desgaste Abrasivo
dAd Desgaste Adhesivo
dCzd Dano concentrado zona de desgaste
de Dano en estras o cuneros
dM Desprendimiento de material
dPd Distorsion permanente doblado
dPr Distorsion permanente rotacion
dSc Dano superficial concentrado
dSh Dano superficial homogeneo
dSr Dano en sentido de rotacion
dT Fractura Ductil Torsion
eM Eje macizo
ePd Eje pared delgada
f45 Fractura a 45 grados
fatSup Fatiga Superficial
fcef Fractura Corrosion Esfuerzo flexion
fcet Fractura Corrosion Esfuerzo Torsion
fcff Fractura Corrosion Fatiga flexion
fcft Fractura Corrosion Fatiga Torsion
xvi Contenido
Abreviatura Termino
fFatf Fractura Fatiga Flexion
fFatt Fractura Fatiga Torsion
fff Fractura Fragil Flexion
fft Fractura Fragil Torsion
fpt Flujo plastico torsion
fpf Flujo plastico flexion
FTA Fault Tree Analysis
fTe Fractura transversal al eje
fTee Fractura Torsion eje estriado
lud Ludimiento o Fretting
mA45 Multiples agrietamientos a 45 grados
mC Medio corrosivo
mP Marcas de Playa
mR Marcas radiales
nD No deformacion
pC Pared colapso elipticamente
pCe Pared colapso con arrugamiento
pMs Perdida o modificacion de la superficie
pMsc Perdida o modificacion de la superficie corroida
plf Pandeo de lamina flexion
plt Pandeo de lamina torsion
pR Presencia de residuos corroidos
RCA Root Cause Analysis
rSsr Rayado en superficie sentido de rotacion
ROC Receiver Operating Characteristic
sC Signos de calentamiento
sCs Signos de corrosion superficial
tM Transferencia de material
zAt Zona de apariencia tersa
Lista de Figuras
3-1. Tabla de contingencia usada para calcular ratios de acuerdo para cada cate-
gora[70] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
D-7. Tabla de contingencia para calculo de ratios de acuerdo fractura fragil flexion
inferencia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
D-8. Tabla de contingencia para calculo de ratios de acuerdo fractura fragil torsion
inferencia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
D-9. Tabla de contingencia para calculo de ratios de acuerdo fractura fatiga flexion
inferencia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
D-10.Tabla de contingencia para calculo de ratios de acuerdo fractura ductil torsion
inferencia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
D-11.Tabla de contingencia para calculo de ratios de acuerdo fractura corrosion
esfuerzo flexion inferencia clasica . . . . . . . . . . . . . . . . . . . . . . . . 95
D-12.Tabla de contingencia para calculo de ratios de acuerdo fractura corrosion
fatiga flexion inferencia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . 95
D-13.Resultados ratios de acuerdo para el motor de inferencia clasico en analisis de
falla por fractura para ejes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
1. Introduccion
Todo componente mecanico de un sistema ha sido disenado para cumplir con algun objetivo
especfico dentro de un proceso o mecanismo, sin embargo, dichos elementos estan expuestos
a fallas de diversa ndole, las cuales pueden estar asociadas a alguna de las siguientes con-
diciones de aparicion: diseno inapropiado, procesos de manufactura inadecuados, condicion
de servicio fuera de especificacion o mantenimiento inapropiado [1].
Para el desarrollo de este proyecto se realizo una investigacion de campo mediante una en-
cuesta a varios sectores industriales que manifestaron algunos requerimientos para el diseno.
Seguido se realizo un estudio del estado del arte de los sistemas expertos aplicados a analisis
de fallas y determinacion de mecanismos de falla basados en diversos metodos de inferencia
el cual mostro que no existen reportes de comparacion entre los tres sistemas que se traba-
xxiv 1 Introduccion
jaron en este proyecto para un mismo elemento o proceso; se escogieron tres metodos que
se destacaban en sistemas expertos aplicados a procesos de diagnostico e identificacion, los
cuales son presentados a continuacion:
La metodologa que se empleo en este proyecto de investigacion, podra ser utilizada para la
implementacion y aplicacion de sistemas expertos e inteligencia artificial para el diagnostico,
interpretacion e identificacion de sistemas complejos en ingeniera en industrias que requie-
ran este tipo de procedimientos dentro de sus procesos.
Cabe resaltar que dentro del estado del arte de los sistemas expertos aplicados al analisis de
fallas, la literatura no reporta comparacion de los motores de inferencia utilizados en este
proyecto de investigacion, para definir de los tres cual presenta el mejor desempeno compa-
rado con el conocimiento de un panel de expertos humanos, en la literatura se encontro que
los sistemas expertos utilizados utilizan otras tecnicas y en otros sistemas o mecanismos
que no permiten comparar los resultados reportados con los de este proyecto, por lo cual la
validacion se concentro en la comparacion con respecto al resultado que el panel de expertos
arrojo en los casos de falla analizados.
2. Aspectos preliminares
2.1. Antecedentes
Para el desarrollo del sistema experto basado en reglas con un motor de inferencia clasico,
la literatura demuestra que podran ser programados en lenguajes imperativos como C# [3],
pero es mas comun implementarlos con lenguajes declarativos como Prolog y CLIPS.
Con respecto a CLIPS (C Language Integrated Production System) existen varias aplicacio-
nes y casos de exito en diagnostico medico como el presentado en [4] para identificacion de
alergias, diagnostico de enfermedades del ojo [5] y diagnostico de fallas en vehculos [6].
Se busca determinar cual puede ser de las alternativas escogidas, el mejor motor de inferencia
(clasico, difuso o bayesiano) de acuerdo a su cercania con los resultados obtenidos por un
panel de expertos humanos en la identificacion de modos de falla en elementos de maquina.
3. Marco teorico
En el presente captulo se abordara de forma general la teora asociada a:
1. Analisis de falla y FTA (Fault Tree Analysis).
2. Fractografa, desgastografa y corrosion.
3. Sistemas expertos basados en inferencia clasica, inferencia difusa e inferencia bayesiana.
De manera general y como se define en [30] una falla es un evento que interrumpe el normal
funcionamiento de un proceso o sistema, afectando dentro de la organizacion cualquiera de
los siguientes ejes:
1. Produccion.
2. Calidad del producto o servicio.
3. Seguridad de las personas.
4. Medio ambiente.
Dentro de la filosofa (Root Cause Analysis) (RCA)1 existen diversas tecnicas que usadas
en conjunto o de manera individual, que permiten analizar y corregir fallas para evitar su
futura aparicion.
1
Para mas informacion y entrenamiento en RCA, el autor recomienda el curso (Introduction to Root Cause
Analysis (RCA)) ofrecido por GP Allied ver: http://www.gpallied.com/training/private/introduction-to-
root-cause-analysis-rca/
3.1 Analisis de fallas 5
Una de las tecnicas de analisis dentro de RCA muy utilizada se llama Fault Tree Analysis,
en adelante FTA, conocida en espanol como metodo de analisis de arbol de fallas, el cual
de acuerdo a [33] busca responder la pregunta, Que condiciones pudieron haber causado la
falla?.
El metodo FTA utiliza un diagrama logico top-down que permite tomar acciones correcti-
vas con respecto a la falla, para eliminarla de raz, en la Figura 3-2 se presentan los smbolos
principales utilizados en diagramas FTA y una descripcion general de cada uno de ellos.
En la Figura 3-3 se muestra una estructura generica de un diagrama FTA para un evento o
resultado hipotetico llamado A, el cual depende para su aparicion de las ecuaciones logicas
para los eventos iniciales que se muestran en el mismo.
6 3 Marco teorico
En el anexo E se muestran diferentes FTA para cada modo de falla de los elementos de
maquina de este proyecto, de acuerdo al esquema general de fallas de cada uno de ellos que
se encuentra en el anexo B.
3.2. Fractografa
La palabra fractografa etimologicamente tiene su origen en las palabras del latn fractus
que quiere decir fractura y grafa derivada del griego grapho que significa tratamiento des-
criptivo [34].
En la Figura 3-5 se presentan los principales tipos de fractura y en la Figura 3-6 los metodos
de inspeccion empleados para su identificacion.
Figura 3-9.: Marcas de playa en una superficie de fractura por fatiga a flexion en eje.
10 3 Marco teorico
3.3. Desgastografa
Es el estudio de las superficies que han sufrido modificacion de las mismas por efecto del
contacto con otro elemento o material desgastandola, debido a la interaccion de ambas su-
perficies o elementos, en la Figura 3-10 se presentan algunos tipos de desgaste.
Para mitigar este tipo de desgaste se recomienda hacer tratamiento termico a las superficies
y prestar especial atencion al sistema de lubricacion para evitar su aparicion.
Una forma de mitigar este tipo de desgaste es realizando tratamientos termicos de los cuer-
pos para elevar sus durezas.
3.3.5. Cavitacion
La cavitacion se caracteriza como una perdida de material de la superficie, debido a la for-
macion y rapido colapso de burbujas de gas o vapor en un fluido dentro de una tubera o
recipiente, algunas veces es llamada corrosion por cavitacion o erosion por cavitacion [38, 39].
Utilizar aditivos antiespumantes o utilizar materiales con gran resistencia a la fatiga en las
zonas afectadas, podran ser algunas medidas que minimicen este tipo de desgaste.
La picadura superficial o fatiga superficial (pitting) es un tipo de desgaste que suele apare-
cer en elementos en donde hay elevadas presiones cclicas de contacto entre elementos como
ejes, rodamientos o engranajes [41], en la Figura 3-16, se presenta un ejemplo de picadura
superficial. Se caracteriza por la perdida de material en forma de cavidades.
14 3 Marco teorico
3.4. Corrosion
De acuerdo a [42] la corrosion se define como el ataque destructivo de un material como pro-
ducto de la reaccion del material con su entorno, en la Figura 3-18 se presentan diferentes
3.4 Corrosion 15
tipos de corrosion.
Un ejemplo se da cuando en medios atmosfericos hay piezas de aceros inoxidables que estan
en contacto con aceros al carbono, siendo estos ultimos corrodos con mayor rapidez que los
inoxidables.
De forma general un sistema experto esta conformado por un bloque de interaccion con el
usuario, una base de conocimientos y un motor de inferencia, ver Figura 3-20.
En la Figura 3-21 se presenta una sugerencia para el proceso de diseno de un sistema experto.
relaciones booleanas entre los mismos; un ejemplo de esta representacion podra ser para
un sistema experto que sugiere que vestuario usar seria: SI hora==noche Y clima==frio
ENTONCES vestimenta=Chaqueta.
En [44] se presentan detalladamente los diferentes tipos de reglas de inferencia para sistemas
expertos basados en reglas deterministas, el cual define reglas de inferencia modus ponens,
en donde se examina la premisa de la regla y si resulta cierta entonces la conclusion pasa
a formar parte del conocimiento, (ver Figura 3-22) y reglas de inferencia modus tollens en
donde se examina la conclusion y si es falsa, se concluye que la premisa tambien lo es (ver
Figura 3-23).
Figura 3-22.: Modus Ponens [44]. Figura 3-23.: Modus Tollens [44].
A pesar de que los sistemas de inferencia clasicos pueden ser implementados utilizando len-
guajes de programacion imperativos (BASIC, C, Fortran, Pascal, Perl, Java, Python entre
otros), la literatura demuestra que es mucho mas frecuente implementarlos en lenguajes
declarativos como CLIPS (C Language Integrated Production System) [4, 5, 6] o Prolog
(PROgrammation en LOGique) [7, 8, 9].
En los sistemas de inferencia difusos tambien existen las clausulas SI, Entonces, sin embargo,
la forma de evaluar el problema resulta diferente.
3.5 Sistemas Expertos 19
A modo de ejemplo cuando se refiere a la velocidad de un vehculo se podra decir que esta
es: muy lenta, lenta, media, medio rapida, rapida o muy rapida, en lugar de decir que es
80km/h, en sistemas difusos es muy subjetivo este tipo de clasificacion debido a que 80km/h
podra ser una velocidad muy lenta si el contexto es velocidades en aviones, o muy alta si se
compara con la velocidad de un peaton.
Ejemplo: el carro tiene una velocidad muy rapida con velocidad (carro) = 0,6 quiere decir
que la velocidad del carro pertenece en un 60 % al grupo de velocidad muy rapida.
Suponiendo que dos proposiciones a y b no se influyen entre si, se puede reescribir sus
20 3 Marco teorico
P (b | a)P (a)
P (a | b) = (3-3)
P (b)
Si se prescinde las probabilidades a priori de la variable b, la Ecuacion 3-3 puede ser reescrita
como se muestra en la Ecuacion 3-4.
As, en 3-6 dadas unas condiciones conocidas a y b se puede calcular la probabilidad con-
dicional de c, utilizando el teorema de Bayes, con base en tablas de probabilidad previas
obtenidas a partir de conocimiento estadstico de las relaciones evidencias-salidas o expe-
riencia y estimacion de experto en el tema [68].
3.5 Sistemas Expertos 21
Figura 3-25.: Red bayesiana que describe la probabilidad de padecer un infarto [50].
En la Figura 3-25 se muestra a manera de ejemplo una red bayesiana extrada de [50] que
muestra las relaciones que existen entre un conjunto de variables (deporte, alimenation, pre-
sion sangunea, habitos relacionados a fumar) y sus probabilidades para sufrir un infarto
cardaco.
Supongase que en el contexto medico, se tiene un caso en el que un paciente presenta los
siguientes sntomas o evidencias, de acuerdo a la red de ejemplo:
1. Practca deporte (Dep).
2. Tiene una alimentacion no equilibrada (noeq).
3. No fuma.
4. Tiene la presion sangunea alta.
=
P (inf arto = si | presion = alta, f umador = no)
P (presion = alta | deporte = si, alimentacion = noeq = no)
(3-8)
P (f umador = no)
P (deporte = si)
P (alimentacion = noeq)
Para realizar dicho calculo en redes mas complejas como las que planteo este proyecto, existen
diversos algoritmos que se pueden dividir principalmente en dos grupos: algoritmos exactos
y algoritmos aproximados.
Dentro de los algoritmos exactos se destacan: el algoritmo por numeracion que se discute a
fondo en [64], el algoritmo por eliminacion de variables presentado en [50], el algoritmo de
Pearl discutido en [63] y el algoritmo de arboles de union que se analiza en [65].
En los algoritmos aproximados se destacan el algoritmo de Belprop y Gibbs, los cuales son
presentados en [51].
Para conocer a fondo la formulacion y sustento matematico de las redes bayesianas se puede
consultar [52], en donde se presenta detalladamente y a profundidad el marco teorico de las
redes bayesianas y sus aplicaciones.
Dentro de las medidas de pares existen diversos metodos como las tablas de contingencia
como la Tabla D-1, que se presentaran para cada uno de los sistemas expertos y para cada
uno de los modulos evaluados para ejes.
Tambien suele utilizarse el ndice de acuerdo que se calcula utilizando la Ecuacion 3-10 con
base en las tablas de contingencia.
Pk k
i=1,j=1,i=j nij X
Indice de acuerdo = = pij (3-10)
N i=1,j=1,i=j
El inconveniente del ndice de acuerdo es que no tiene en cuenta los acuerdos debidos a la
casualidad, por lo cual aparece otro ndice llamado ndice kappa que resulta apropiado para
este tipo de analisis, es decir, con kappa se enmienda la situacion en la que los datos utili-
zados para la validacion no estan distribuidos uniformemente en las categoras seleccionadas.
po pc
= (3-11)
1 pc
En donde po es la proporsion de acuerdo observado y pc es la proporsion de acuerdo esperado
debido a la casualidad, siendo este la suma de las proporciones marginales de la diagonal
principal de la tabla de contingencia [70] y se calcula utilizando la Ecuacion 3-12, siendo esta
la sumatoria del productos de la suma de las frecuencias relativas de la fila i y la columna j.
k
X
pc = pi pj (3-12)
i=1,j=1,i=j
Otro ndice que se puede usar es el de ponderado, que se diferencia del clasico porque
ademas de corregir los acuerdos por casualidad, penaliza los desacuerdos siendo una herra-
mienta mas que permite comparar y validar sistemas expertos.
qc qo qo
= =1 (3-13)
qc qc
24 3 Marco teorico
Pk
0 i=1,j=1 vij poij
qo = (3-14)
vmax
Pk
0 i=1,j=1 vij pcij
qc = (3-15)
vmax
Reemplazando 3-14 y 3-15 en 3-13 se obtiene finalmente el indice kappa ponderado w [70].
Pk
i=1,j=1 vij poij
w = 1 Pk (3-16)
i=1,j=1 vij pcij
Donde poij es la proporcion de acuerdo observada para la celda ij, pcij es la proporcion de
acuerdo debido a la casualidad de la celda ij y vij es el peso correspondiente a la celda ij [70].
Dentro de los procesos de validacion de sistemas expertos tambien son utilizados los ratio de
acuerdo que se calculan con base en una matriz 2x2 para cada categora, para este proyecto
cada categora es un modo de falla y se utiliza una tabla como la mostrada en la Tabla D-1
del anexo D.
Tabla 3-1.: Tabla de contingencia usada para calcular ratios de acuerdo para cada cate-
gora[70]
Referencia o experto estandar
D D
D a b a+b
Sistema experto en prueba D c d c+d
a+c b+d a+b+c+d
los datos de la Tabla 3-1, se pueden hallar: el ndice de acuerdo de ratios (Ecuacion 3-17),
sensibilidad (Ecuacion 3-18), ratio de falso negativo (Ecuacion 3-19), especificidad (Ecuacion
3-20), ratio de falso positivo (Ecuacion 3-21), valor predictivo positivo (Ecuacion 3-22), valor
predictivo negativo (Ecuacion 3-23) y area bajo ROC (ecuacion 3-24).
a+d
Indice de acuerdo = (3-17)
a+b+c+d
La sensibilidad mostrada en la Ecuacion 3-18, mide la proporcion en la que el sistema experto
de prueba concordo con el experto estandar (grupo de expertos), identificando correctamente
la presencia de un modo de falla (verdadero positivo), sobre la suma de casos en las que
coincidieron el sistema de prueba con el experto y el numero de casos en las que el sistema
de prueba fallo identificando el modo de fallo verdadero positivo, si el valor es 1 significa
que el sistema de prueba no cometio errores de interpretacion de casos verdaderos positivos,
por lo cual a mayor resultado de sensibilidad mejor es el resultado del sistema de experto en
prueba.
a
sensibilidad = (3-18)
a+c
El ratio de falsos negativos mostrado en la Ecuacion 3-19, mide el nivel de desacuerdo entre
el sistema de prueba y el experto estandar, un valor de 0 indica que el sistema experto de
prueba identifico correctamente en todos los casos la ausencia de un modo de falla cuando en
realidad no lo haba, un valor mayor de cero indica que en algun caso el sistema de prueba
arrojo un modo de falla cuando no lo haba.
d
especificidad = (3-20)
b+d
26 3 Marco teorico
El ratio de falsos positivos mostrado en la Ecuacion 3-21, mide el nivel en el que erroneamente
se interpreto un modo de falla bajo analisis.
a
Valor Predictivo Positivo = (3-22)
a+b
El valor predictivo negativo mostrado en la Ecuacion 3-23, similar a su contraparte positiva
identifica en esta ocacion, la veces en las que el sistema experto de prueba identifico que
no haba un modo de falla cuando en realidad si lo haba de acuerdo al experto estandar,
valores altos representan menores diferencias en la correcta identificacion de ausencia de un
modo de falla en particular.
d
Valor Predictivo negativo = (3-23)
c+d
El area bajo ROC (Receiver Operating Characteristic) representa la probabilidad de una
respuesta acertada del sistema experto de prueba, comparada con el sistema experto estandar
[70] y se calcula como se muestra en la ecuacion 3-24
Sensibilidad+Especificidad
Area o analisis ROC = (3-24)
2
En resumen un sistema experto se considerara mejor que otro si:
- Los ndices de acuerdo son mayores.
- El ndice y w son mayores.
- El ndice ROC Receiver Operating Charasteristic es mayor.
- Los ndices de ratio falso positivo y falso negativo son menores.
- Los ndices predictivo positivo y predictivo negativo son mayores.
4. Metodologa de investigacion aplicada
La metodologa usada en este proyecto de investigacion siguio los cinco pasos sugeridos en
[55], que comprendio los siguientes pasos:
Para definir y delimitar el problema de investigacion se realizo un trabajo de campo, del que
que hicieron parte cuarenta y dos empresas de diversos sectores industriales, de donde se des-
taco la participacion del sector oil & gas con un 36 % del total de las industrias participantes.
Con base en los requerimientos levantados en la encuesta se delimito el alcance del proyecto,
en el Anexo A existe un analisis de los resultados que marco la directriz dentro del proyecto,
como por ejemplo el uso de la plataforma como del tipo standalone, que no tendra co-
nectividad con bases de datos ni con software comercial existente por limitaciones en el uso
de licencias para el desarrollo del mismo, siendo esta investigacion una gua para futuras
implementaciones en sistemas mas complejos.
En los esquemas generales de falla se presentan cuales son las condiciones necesarias y pro-
bables, para diferentes modos de falla en cada elemento de maquina, en donde tamben se
incluyen las acciones correctivas para cada modo de falla presentado, con estos ultimos se
obtuvieron los diagramas FTA para cada modo de falla.
28 4 Metodologa de investigacion aplicada
En el diseno de la estructura de los sistemas expertos la unica variable fue el motor de in-
ferencia, debido a que los tres utilizaron la misma interfaz grafica y base de conocimientos,
siendo solo la inferencia que utilizaban cada uno de ellos lo que los diferenciaba.
Para el desarrollo de cada uno de los motores de inferencia (Basado en inferencia clasica,
inferencia bayesiana e inferencia difusa), se aplicaron los pasos dos a cinco de la propuesta
que presenta [55] y que se mencionan en este apartado.
Para cada mecanismo de falla sin importar que motor de inferencia se estaba evaluando, se
realizo un FTA generico que sirva como gua, para que una vez identificado el mecanismo
de falla el usuario pueda realizar correcciones, con base en el diagrama para evitar la futura
aparicion de dicho mecanismo de falla. En el Anexo E se presentan para los cinco elementos
de maquina los FTA generados.
Debido a que para la validacion es necesario contar con gran variedad de casos, la valida-
cion de los tres motores se efectuo para ejes, ya que es el elemento que contaba con mayor
cantidad de casos de falla analizados por expertos, en total cuarenta y seis; una vez iden-
tificado el mejor motor de inferencia fue implementado en los otros elementos de maquina
(rodamientos, engranajes, cojinetes y tuberas de caldera).
La diferencia primaria entre CLIPS y Prolog es que CLIPS utiliza un sistema de encade-
namiento de reglas hacia adelante, razonando de hechos a conclusiones y Prolog utiliza un
sistema de encadenamiento de reglas hacia atras, razonando desde las conclusiones buscando
los hechos; generalmente los sistemas con encadenamiento hacia adelante son mejores para
sistemas de control y planeacion y los sistemas con encadenamiento hacia atras resultan
mejores para sistemas que requieren diagnostico.
1
ver: http://lists.gnu.org/archive/html/users-prolog/2003-11/msg00003.html consultada en agosto de 2012
4.1 Sistema experto basado en reglas 29
De igual forma [68] corrobora que los sistemas de encadenamiento hacia atras como prolog
son utilizados preferentemente en sistemas de diagnostico, por lo cual se selecciono Prolog
como el lenguaje para implementar el motor de inferencia basado en reglas de inferencia
clasicas.
Tomando como base lo presentado en la Figura 3-20 se presenta en la Figura 4-1 la estruc-
tura utilizada para el sistema experto basado en inferencia clasica: el frontend o interfaz de
usuario desarrollado en Microsoft Visual C# y el motor de inferencia desarrollado en (Amzi!
Prolog + Logic server)[69].
s i g n o s c o r r o s i o n ( no ) ,
c a r g a v a r i a b l e ( no ) ,
c a r g a c o n s t a n t e ( no ) .
\ label { sintomasprolog }
Con base en lo anterior se definieron para la fractura fragil por flexion en ejes las condiciones
para que se manifieste, las cuales solo pueden tener dos opciones (yes) para identificar que
esta presente y (no) para identificar que es ausente para dicho modo de falla; esta informa-
cion se obtuvo a partir del Anexo B, la cual fue replicada para cada modo de falla en ejes.
Una vez consignado en prolog las condiciones para identificar cada modo de falla de acuerdo
a los sntomas o evidencias, se procedio a escribir un codigo que iba haciendo una pregunta
para cada sntoma o evidencia que almacenara para el diagnostico posterior a continuacion se
presenta el codigo de ejemplo para la primera pregunta asociada a si hubo o no manifestacion
de fractura transversal en el eje:
f r a c t u r a t r a n s v e r s a l (X) :
ask ( f r a c t u r a t r a n s v e r s a l , X,
Hay f r a c t u r a t r a n s v e r s a l en e l e j e ? ) .
\ label { preguntasprolog }
Utilizando un codigo como el presentado, se iban realizando las otras preguntas que el usua-
rio iba contestando dependiendo si observaba o no dicho sntoma o evidencia.
prompt(P ,V) ,
!.
prompt value (P , V) :
write (P) ,
r e a d s t r i n g (VS) ,
s t r i n g t e r m (VS , V ) .
\ label { inferenciaProlog }
Prolog va almacenando las respuestas con la funcion assert en la base de conocimiento que
a la final se compara con los sntomas o evidencias de cada modo de falla, arrojando como
resultado el que coincidio con todas las condiciones almacenadas previamente.
La interfaz de usuario de inicio y un ejemplo del sub modulo de fractura en ejes se presenta
en las figuras 4-2 y 4-3 respectivamente.
En la Figura 4-2, se puede seleccionar el modulo de interes a evaluar para ejes. En la Figura
4-3 se observa como para cada una de las condiciones consignadas en prolog se creo mediante
radioButton o checkBox una forma de identificar si estaban presentes o ausentes, como
ejemplo se observa que el primer radioButton esta asociado a la presencia o ausencia de
la fractura transversal en el eje.
Teniendo en cuenta las conclusiones y consideraciones presentadas en [61, 45, 62], que su-
gieren que el modelo de Tagaki-Sugeno dadas sus caractersticas va mas orientado hacia
sistemas de control difuso (tecnicas adaptativas y de optimizacion), mientras que el modelo
Mamdani es mas utilizado en razonamiento difuso, se opto por la busqueda de casos de exi-
to de sistemas de diagnostico que utilizaran motores de inferencia con el modelo de Mamdani.
Para el desarrollo del sistema experto difuso para analisis de fallas en ejes, utilizando
MATLAB
, R se tomo cada uno de los modos de falla (Anexo B) y se creo, basado en
reglas difusas, un sistema al que se le pasaban los parametros (evidencias) que venan desde
la interfaz grafica que cabe resaltar fue la misma en los tres sistemas.
4.2 Sistema experto basado en inferencia difusa 33
Como ejemplo se presenta el desarrollo del sistema correspondiente al modo de falla por frac-
tura corrosion-esfuerzo a flexion en ejes, destacandose que todos los modulos en el sistema
experto difuso fueron creados usando la misma metodologa con base al Anexo B, siguiendo
los siguientes pasos:
1. Para este ejemplo en particular (fractura por corrosion esfuerzo a flexion) identificacion de
entradas :Fractura transversal al eje (fTe), medio corrosivo (mC), Zona de apariencia Tersa
mas zona de fractura final (zAt), Marcas de playa (mP), Marcas radiales (mR), signos de
corrosion superficial (sCs) y carga constante (cC).
2. Seleccionar el set difuso para cada una de las entradas, que estara comprendido entre
[0, 100] que representa el porcentaje de presencia.
Figura 4-5.: Funcion de membresa para la salida (fractura corrosion esfuerzo a flexion).
Al finalizar el proceso descrito a traves de los cinco pasos, se obtuvo un sistema como el
mostrado en la Figura 4-6 para la fractura corrosion-esfuerzo flexion, recuerdese que las
funciones de membresa utilizadas para este ejemplo fueron las mismas para las entradas del
resto de mecanismos de falla, segun corresponde de acuerdo al Anexo B. En el Anexo C se
4.3 Sistema experto basado en inferencia bayesiana 35
listan todas las reglas para los demas mecanismos de falla del sistema de inferencia difuso
para ejes.
Los pasos uno a cinco fueron desarrollados para cada uno de los veintiun modos de falla para
ejes (entradas, reglas y salidas) de acuerdo al Anexo B y cada uno de ellos se almaceno como
un archivo *.fis (fuzzy inference system).
Para mas informacion sobre el algoritmo de eliminacion de variables se puede consultar [50].
Se utilizo una metodologa de implementacion similar a la presentada en [66, 67] que com-
prendio los siguientes pasos:
1. Busqueda de informacion.
2. Adquisicion y Analisis de conocimiento.
3. Modelamiento e implementacion.
El modelamiento de la red bayesiana fue basado en el Anexo B para ejes, teniendo en cuenta
las apreciaciones de un conocimiento experto.
En la Figura 4-7 se muestra un ejemplo de un nodo hijo (modo de falla), que tendra 2 nodos
padres (evidencias) y las tablas de probabilidad condicional para el ejemplo en particular.
El motor de inferencia bayesiano de este proyecto usando la misma estructura, utilizo para
el Anexo B una tabla de probabilidad condicional para cada uno de los modos de falla para
ejes, las tablas fueron creadas a partir de las apreciaciones del conocimiento experto.
Cada nodo padre tiene una probabilidad del 50 % de estar presente (evidencia=T) o no (evi-
dencia=F), en donde el nodo hijo (modo de falla) a partir de los nodos padre utiliza una
tabla que permite calcular la probabilidad de presencia dependiendo de si un nodo padre
esta presente (1) o ausente (0), como ejemplo para el modo de falla 1, se podra decir que
la probabilidad de que dicho modo este presente dado que la evidencia 2 esta presente, pero
la evidencia 1 no lo esta (fila 3) es del 20 %, las cuales se fijan con base en el conocimiento
experto.
4.3 Sistema experto basado en inferencia bayesiana 37
Cada modo de falla del sistema tiene su propia red bayesiana, en donde se calcula la pro-
babilidad de presencia con base en el algoritmo de eliminacion de variables, al finalizar el
calculo para cada nodo hijo (modo de falla), se compararon los valores de probabilidad de
cada uno de los modos de falla de acuerdo a las evidencias, seleccionando el que tuviera la
probabilidad de salida mayor, siendo este el mas probable modo de falla dadas las evidencias
consignadas.
El motor de inferencia bayesiano fue implementado en MATLAB
con R una interfaz grafica
similar a la empleada en el sistema de inferencia clasico y esta se muestra en las figuras 4-8
y 4-9.
38 4 Metodologa de investigacion aplicada
Cada uno de los sistemas expertos implementados para ejes (clasico, difuso y de inferencia
bayesiana), tiene una estructura como la mostrada en la Figura 5-1, la cual inicia con una
pantalla general en la que el usuario puede seleccionar mediante botones el modulo a evaluar
(fractura, desgaste, corrosion, flujo plastico); dentro de cada uno de los modulos se realizan
preguntas que buscan determinar para dicho modulo, el mecanismo de falla presentado de
acuerdo a la informacion consignada en el modulo en el que el usuario se encuentra, una vez
el sistema arroja el resultado, el usuario en dicha pantalla mediante un boton puede acceder
al FTA del mecanismo de falla identificado para conocer detalles del mecanismo de falla.
Las preguntas y puntos que se realizan en cada uno de los modulos para ejes junto a las
posibles respuestas se presentan a continuacion:
- Modulo de fractura:
1. Identifique el tipo de fractura presentada.
a. Fractura transversal al eje.
b. Fractura en angulo a cuarenta y cinco grados.
c. Multiples agrietamientos que forman conos de cuarenta y cinco grados.
5. La pieza que esta analizando opero en medios corrosivos diferentes al aire atmosferico?:
a. Si.
b. No.
- Modulo de desgaste:
1. Existe perdida o modificacion de la superficie del eje por contacto (deslizante o rodadura)
constante con otro elemento?:
a. Si.
b. No.
- Modulo de corrosion:
1. Identifica pe rdida de superficie producto de la corrosion?:
a. Si.
b. No.
Los casos que se utilizaron para la validacion fueron casos desarrollados como consultora
industrial, por el grupo de investigacion de analisis de fallas, integridad y superficies de la
Universidad Nacional de Colombia, a diversas industrias que solicitaron en su momento los
servicios de analisis de fallas; dentro de los casos analizados se encuentran casos resueltos de
expertos como el Ing.Juan Carlos Martinez, Ing. Irma Inrida Angarita, Ing. Edgar Espejo
Mora y el Ing. Jonny Obando (experto especialista en tratamientos termicos y analisis de
fallas externo a la universidad).
En total se tomaron 46 casos de los cuales, dieciseis casos fueron para validar el modulo de
fractura, diez casos para desgaste, diez casos para corrosion y diez casos para flujo plasti-
co), estos casos estaban distribuidos por industria como se muestra en la Tabla (5-1) para
fractura, Tabla (5-2) para desgaste, Tabla (5-3) para corrosion y Tabla (5-4) para flujo
plastico.
5.1 Casustica de validacion 43
La metodologa de validacion esta basada en procedimientos como los descritos en [15, 70,
71, 72], este analisis de resultados fue desarrollado para ejes comparando las respuestas de
cada uno de los tres sistemas expertos con la respuesta que un consenso de expertos, llama-
dos en adelante experto estandar, obtuvo tras un analisis de caso de mecanismo de falla en
particular para cada modulo (fractura, desgaste, corrosion y flujo plastico).
Luego para cada motor de inferencia se promediaron los ndices de sus cuatro modulos para
obtener un ndice promedio por sistema, que fue utilizado para la comparacion de los siste-
mas de inferencia.
Las siglas que se utilizaran en las tablas para los ndices de validacion se muestran a conti-
nuacion:
- iAp: Indice de acuerdo de grupo.
- : Indice kappa.
- w : Indice kappa ponderado.
- iA: Indice de acuerdo ratio.
- S: Indice de Sensibilidad.
- fn: Indice de falsos negativos.
- E: Indice de especificidad.
- fp: Indice de falsos positivos.
- p+: Indice predictivo positivo.
- p-: Indice predictivo negativo.
- ROC: Analisis ROC (Receiver Operating Characteristic).
determinar en su orden cual estuvo mas cercano a la identificacion del panel de expertos con
respecto a los casos analizados.
Con base en la Tabla 6-4 se analizaron cada uno de los indicadores obteniendo los siguientes
resultados:
1. El ndice de acuerdo de pares (iAp) mostro que la inferencia bayesiana presento el mayor
indice con un 96,9 %, el mas bajo fue para la inferencia clasica con un 69,4 %, este ndice
refleja la proporcion en la que el sistema experto en estudio estuvo de acuerdo con el experto
estandar, debido a que se halla sumando la diagonal de frecuencias relativas de las tablas de
contingencia.
2. El ndice y el ndice w estan relacionados con las situaciones en las que un siste-
ma experto no arrojo ninguna respuesta, con base a las evidencias ingresadas o arrojo una
respuesta errada con respecto al experto estandar, entre mas bajo sea este indicador mas
situaciones como la descrita anteriormente se presentaron, para el ndice el motor con el
ndice mas bajo fue el motor de inferencia clasico con un 64 %, este indice esta relaciona-
do con la completitud de la base de reglas; a pesar de utilizar el mismo esquema general
de fallas para ejes, el sistema clasico demostro que dadas las diferentes combinaciones de
entrada de evidencias, en algunas ocasiones a pesar de haberse estructurado la base de re-
glas de acuerdo a los esquemas, por factores aleatorios no en todas las ocasiones en que se
esta analizando un caso se cumpliran las mismas evidencias para un mecanismo de falla dado.
Con respecto al ndice w que penaliza con base en la matrz de pesos las equivocaciones en
resultados errados, modifico los ndices de de cada uno de los motores de inferencia, el mo-
51
tor menos afectado fue el sistema con inferencia bayesiana que paso de un indice = 96 %
a un indice w = 95, 9 %; el motor de inferencia que presento mayores variaciones fue el
sistema de inferencia clasico, que paso de un ndice = 64 % a un ndice w = 59 %, esta
variacion representa mayores equivocaciones por parte del sistema clasico comparadas con
casi mnimas equivocaciones del sistema de inferencia bayesiano; el sistema de inferencia
difuso tambien tuvo variaciones significativas pero menores que las del sistema clasico.
3. El ndice de acuerdo de ratios (iA), a diferencia del ndice de acuerdo de pares (iAp),
compara la proporcion de acuerdo de los casos en los que se diagnostico la presencia y au-
sencia de un mecanismo de falla dado, es decir, el ndice de acuerdo de grupo tienen en
cuenta las veces que el sistema experto coincidio con el experto estandar en la presencia de
un mecanismo de falla dado, mientras que el ndice de acuerdo de ratios (iA) tiene en cuenta
ademas las veces que se diagnostico la no presencia del mismo, por lo cual, este ndice refleja
una mejora en los resultados comparado con el ndice de acuerdo de pares, para cada uno de
los motores de inferencia, el cambio mas significativo lo tuvo el motor de inferencia clasico
que paso de un ndice de acuerdo de pares iAp = 69,4 % a un ndice de ratios iA = 93,5 %, el
ndice de acuerdo de ratios para el motor de inferencia difuso fue de iA = 97,1 % y el motor
de inferencia bayesiana una vez mas con el mejor ndice igual a iA = 99 %.
7. El indicador de falsos positivos (fp) demostro que el sistema de inferencia clasico tuvo
52 6 Analisis de resultados
mayores variaciones con respecto al experto estandar con un 2,8 %, identificando un meca-
nismo de falla cuando en realidad no estaba presente, este valor obtenido del sistema clasico
es bastante alto comparado con el 0,7 % que obtuvo el sistema de inferencia difuso y el 0,2 %
que obtuvo el motor de inferencia bayesiano.
8. El valor predictivo positivo es la relacion entre el numero de veces que se interpreto co-
rrectamente un modo de falla, sobre el numero de veces que dicho modo de falla aparecio en
los resultados [70], el menor ndice lo obtuvo el sistema de inferencia clasico con un 78,1 %,
el motor de inferencia difuso obtuvo un 91,7 % y el motor de inferencia bayesiano obtuvo el
mejor indicador con un 98,3 %.
Similar al valor predictivo positivo el valor predictivo negativo representa la relacion entre
el numero de veces que se interpreto correctamente la ausencia de un modo de falla, sobre
el numero de veces que dicho modo de falla aparecio en los resultados, el mejor indicador lo
tuvo el motor de inferencia bayesiano con un 99,4 %, seguido del motor de inferencia difuso
que obtuvo un 97,4 % y por ultimo el motor de inferencia clasico con un 95,3 %.
9. El valor ROC se puede asumir como la probabilidad de que el sistema arroje una res-
puesta acertada, comparada con la respuesta que dara un experto estandar, el mayor ndice
lo obtuvo el motor de inferencia bayesiano con un 98,2 %, seguido del motor de inferencia
difuso con un 93 % y por ultimo el motor de inferencia clasico con un indice de 86 %.
A pesar de que el sistema clasico solo obtuvo un 86 % en ROC, este indicador demuestra
que los sistemas de inferencia clasica pueden ser utilizados como se ha hecho en los ultimos
tiempos como sistemas de inferencia para diagnostico e interpretacion en sistemas complejos;
pero si se compara con otros motores de inferencia como el difuso o el bayesiano, el sistema
de inferencia clasico se encuentra por debajo del desempeno que estos ultimos demuestran
en su respectivo orden, siendo el bayesiano el mas cercano a la respuesta que un experto
estandar dara.
Debido a los resultados anteriores, el motor de inferencia bayesiano se utilizo para la im-
plementacion de los modulos correspondientes a identificacion de mecanismos de fallas de
rodamientos, engranajes, cuerpos de caldera y cojinetes usando la informacioon de los anexos
B y E.
53
El analisis de fallas es un proceso que se aleja del concepto determinista, por las diver-
sas interpretaciones que el analista puede tener frente a la presencia de evidencias ante un
caso en analisis, por lo cual, a pesar de que los sistemas basados en inferencia clasica se
han utilizado con exito en muchas aplicaciones, es mas aconsejable recurrir a tecnicas proba-
bilsticas como las redes bayesianas o tecnicas inteligentes como el motor de inferencia difuso.
En resumidas cuentas el motor de inferencia bayesiano fue el que tuvo el mejor desempeno,
seguido del motor de inferencia difuso y por ultimo el motor de inferencia clasico, este resul-
tado parte del analisis de cada uno de los indicadores de validacion antes mencionados con
base en la Tabla 6-4.
En los casos analizados los asociados a fractura en ejes fueron los casos en donde el siste-
ma clasico presento mayores variaciones (errores de comision y omision) comparado con el
sistema difuso y el sistema bayesiano, esto debido a que la identificacion de fractura en ejes
es un proceso complejo que abre la posibilidad de varias interpretaciones y debido a que el
sistema clasico es restrictivo en cuanto a la forma que evalua las reglas, si alguna de ellas no
se cumple el sistema no concluye en su respuesta a pesar de que todos los motores contaron
con las mismas condiciones de completitud y consistencia en la base de conocimientos, siendo
esta condicion una de las limitantes del sistema clasico comparado con el sistema bayesiano
que fue el que tuvo el mejor comportamiento, que en caso de no cumplirse alguna de las con-
diciones, la probabilidad de que determinado modo de falla este presente va disminuyendo
pero puede arrojar un valor de probabilidad lo suficientemente alto como para deducir que
probablemente el modo de falla presentado es el que esta bajo estudio.
Solo con fines informativos, si se comparan los tiempos de desarrollo de los tres sistemas,
el sistema experto basado en inferencia clasica fue el que tomo mas tiempo en la imple-
mentacion aproximadamente tres meses y medio comparado con los dos meses y medio de
implementacion del sistema experto difuso y un mes y medio que tomo programar el sistema
experto de inferencia bayesiana, para un total de casi 7 meses y medio en la implementacion
de los tres sistemas para ejes.
54 6 Analisis de resultados
El proceso de validacion cuantitativa para los tres sistemas, tomo aproximadamente 2 meses
mientras se recopilaba la casustica de validacion y se coordinaba con el equipo experto o
referencia estandar.
Un indicador adicional esta relacionado con los errores de omision y los errores de comision.
Los errores de omision son aquellos donde el sistema experto con los datos de entrada no
arroja ninguna respuesta concluyente y los errores de comisiomision son aquellos donde el
sistema experto con los datos de netrada arroja una respuesta errada a la esperada.
7. Conclusiones y trabajo futuro
Sistemas expertos como el presentado en este proyecto, podran ser muy utiles en la tareas
de identificacion de mecanismos de falla en elementos de maquina de la industria en general,
debido a que se convierten en una herramienta de identificacion para usuarios inexpertos y
un mecanismo de ayuda para los expertos que buscaran una segunda opinion.
Se han disenado, implementado y validado tres motores de inferencia usando tecnicas clasi-
cas, difusas y basadas en redes bayesianas aplicados a elementos de maquina como sistemas
expertos para identificacion de mecanismos de falla en elementos de maquina.
El modulo de fractura de ejes tenia el esquema de falla mas complejo como se menciono y
fue el modulo en el que se presentaron mas errores de omision; el motor de inferencia clasico
tuvo un 50 % de error de omision y el difuso un 43,75 %, el motor de inferencia bayesiano no
cometio errores de omision.
56 7 Conclusiones y trabajo futuro
El motor de inferencia bayesiano de los 46 casos de falla analizados, solo cometio 2 errores de
comision en el modulo de fractura y ningun error de omision en todos los casos, en definitiva
fue el que menos errores cometio comparado con los otros dos sistemas expertos.
Sin importar que indicador de validacion se analice, el mejor desempeno lo tuvo el motor de
inferencia bayesiano, seguido por el motor de inferencia difuso y en ultimo lugar el motor de
inferencia clasico.
Como trabajos futuros con base en los resultados obtenidos en la validacion del motor de
inferencia bayesiano, se podra implementar la metodologa de diseno propuesta en este pro-
yecto en procesos especficos de upstream como:
- Analisis de fallas en sistemas de bombeo electro sumergible (ESP) o en bombas de cavidad
progresiva (PCP) para operaciones de artificial lift en la industria petrolera.
-Interpretacion y diagnostico de mediciones de formacion para analizar la presencia de hi-
drocarburos durante operaciones de Logging While Drilling (LWD), Measurement While
Drilling (MWD) y drilling engineering, junto al analisis de falla en herramientas especficas
de cada operacion.
Pregunta cinco: Cree usted que un sistema experto en analisis de fallas de elementos de
maquina, sera una herramienta util dentro de su organizacion? (Optimizando tiempos, pro-
cesos, etc), resultados en la Tabla A-5.
Tabla A-5.: Cree util un sistema experto para analisis de falla en su organizacion?
Porcentaje Respuesta
SI 98 41
NO 2 1
Total 100 42
Pregunta seis: Con respecto a la forma de ejecucion del software usted preferira que este
corriera de forma, resultados en la Tabla A-6.
Pregunta ocho: En un sistema experto para el analisis de fallas en elementos mecanicos usted
buscara que, resultados en la Tabla A-8.
Pregunta nueve: Conoce usted o es posible para usted, tener acceso a informacion con res-
pecto a las propiedades mecanicas (e.g. tipo de material, dureza, tipos de carga aplicada,
etc. ) de los elementos de maquina que hacen parte de sus procesos? resultados en la tabla
A-9.
- Pregunta dos: A pesar de que muchas organizaciones (50 %) tienen definidos dentro de
sus planes de mantenimiento planes de contingencia, existen organizaciones que aun no tie-
nen preparado una estructura de analisis de fallas ante la aparicion de una de ellas, por lo
cual mostrar un Fault Tree Analysis (FTA) despues de identificar un mecanismo de falla
resultara util para seguir un procedimiento de revision de mecanismo de falla en dichas
organizaciones.
- Pregunta tres: Esta pregunta buscaba identificar la formacion academica de los futuros
usuarios del sistema, personal con formacion tecnica (10 %), tecnologa (17 %) e ingeniera
(74 %), el sistema fue desarrollado para usuarios con formacion en ingeniera ya que es el
nivel de formacion predominante en los futuros usuarios.
- Pregunta cuatro: arrojo que de las empresas que realizan identificacion de mecanismos de
falla, el 57 % de las mismas cuenta con expertos en el area, el 43 % restante considera que
sus equipos de trabajo no son personal experto. El sistema experto apoyara a este segundo
grupo de usuarios.
- Pregunta cinco: el 98 % de los encuestados considera que un sistema experto para identificar
mecanismos de falla dentro de las organizaciones es util. Validando la necesidad de disenar
e implementar un sistema de este tipo.
- Pregunta seis: el 52 % de los encuestados esperaba integracion de este sistema con software
comercial del tipo Computarized Maintenance Management System, en adelante CMMS,
sin embargo, por motivos relacionados a licenciamiento de software y limitaciones financie-
ras del proyecto, el sistema experto no corre ni se integra con bases de datos ni CMMS,
correra como un sistema stand alone, es decir un ejecutable que abre la interfaz grafica
para alimentar con evidencias el sistema y al finalizar arrojar un diagnostico del probable
mecanismo de falla, junto a un diagrama de Fault Tree Analysis (FTA) para el mecanismo
de falla detectado, el FTA sirve de de gua para corregir las posibles causas de raz para
evitar reaparicion del mecanismo de falla presentado.
- Pregunta siete: Las tintas penetrantes como mecanismo de inspeccion con un 19 % obtuvo
A.2 Analisis de resultados encuesta de requerimientos 63
el indice mayor, este utiliza la inspeccion visual como metodo de diagnostico; solo el 3 % de
las industrias utilizan tecnicas avanzadas como la microscopa electronica, que dentro de la
ingeniera forense tienen un papel importante porque permiten analizar a mayor profundidad
piezas falladas.
Este item dentro de las consideraciones del proyecto limito el alcance hasta la inspeccion
visual, descartando otros metodos para alimentar con datos el sistema como la metalografa,
microscopa electronica u otras tecnicas debido al acceso limitado que tienen la mayora de
industrias en cuanto a pruebas de laboratorio.
- Pregunta ocho: Las industrias encuestadas esperaban que el sistema les ayudara en el
diagnostico del mecanismo de falla (29 %), adicional que lo identificara (26 %) y que se va-
liera de fotografas para identificar las evidencias para cargar el sistema (23 %) ; un 20 %
de los encuestados buscaba que el sistema llevara estadsticas, sin embargo, dicha funcion
solo cobra importancia dentro de un CMMS para determinar indices como el Mean Time
Between Failure(MTBF), para sistemas reparables o el Mean Time To Repair (MTTR)
para sistemas no reparables. De acuerdo a la conclusion de la pregunta seis el sistema experto
no correra bajo un CMMS Computarized Maintenance Managements System, por lo cual
llevar las estadsticas de falla resultaba poco practica en este proyecto de investigacion.
- Pregunta nueve: El 64 % de los encuestados declaro que tiene acceso a informacion con
respecto a las propiedades mecanicas de sus procesos, por ejemplo, el tipo de carga a las que
estan sometidas las piezas o estaban sometidas antes de fallar, este resultado permitio pre-
guntar dentro de las evidencias por tipos de carga de la pieza previa a la falla, y en el Fault
Tree Analysis recomendar revisiones de durezas de las piezas y tipos de materiales para
prevenir futuras apariciones del mecanismo de falla presentado.
64 A Anexo: Investigacion de campo para levantamiento de requerimientos
Campo Descripcion
Marco de referencia Nacional.
Universo Organizaciones (clientes) que han solicitado
servicios industriales de analisis de fallas de
la Universidad Nacional de Colombia, sede
Bogota y organizaciones de diversos campos
de la industria sin relacion alguna con la Uni-
versidad, ejemplo contactos del tesista.
Tamano de la muestra 42
Procedimiento de muestreo Muestreo incidental o de conveniencia
Tecnica de obtencion de la infor- Encuesta personal online por medio de hiper
macion vnculo enviado por correo electronico
Fecha de realizacion del trabajo Febrero de 2012 - Junio de 2012
de campo
Figura B-3.: Esquema general de falla por flujo plastico y corrosion en ejes
B Anexo: Esquema general de fallas para ejes, engranajes, rodamientos, cojinetes y
68 tuberias de caldera
Figura B-5.: Esquema general de falla por perdida de diente en engranajes y engrane
irregular
B Anexo: Esquema general de fallas para ejes, engranajes, rodamientos, cojinetes y
70 tuberias de caldera
1. If (fTe is Evidente) and (zAt is Evidente) and (mC is ausente) then (fAtf is presente).
2. If (fTe is Evidente) and (nD is Evidente) and (zAt is Evidente) and (mP is evidente) and
(mR is evidente) and (mC is ausente) then (fAtf is presente).
3. If (fTe is Evidente) and (nD is PresenciaLeve) and (zAt is Evidente) and (mP is presen-
ciaLeve) and (mR is presenciaLeve) and (mC is ausente) then (fAtf is presente).
4. If (fTe is Ausente) and (nD is ausente) and (zAt is ausente) and (mP is ausente) and (mR
is ausente) and (mC is ausente) then (fAtf is ausente).
5. If (fTe is Evidente) and (nD is Evidente) and (zAt is presenciaLeve) and (mP is evidente)
and (mR is evidente) and (mC is ausente) then (fAtf is presente).
presente).
4. If (fTe is Ausente) and (mC is ausente) and (zAt is ausente) and (mP is ausente) and
(mR is ausente) and (sCs is ausente) and (cC is ausente) then (cEf is ausente).
5. If (fTe is Evidente) and (mC is Evidente) and (zAt is Evidente) and (sCs is ausente) and
(cC is evidente) then (cEf is presente) .
6. If (fTe is Evidente) and (mC is PresenciaLeve) and (zAt is Evidente) and (sCs is ausente)
and (cC is evidente) then (cEf is presente).
7. If (fTe is Evidente) and (mC is Evidente) and (zAt is Evidente) and (cC is evidente) then
(cEf is presente).
8. If (fTe is Evidente) and (mC is Evidente) and (zAt is presenciaLeve) and (sCs is evidente)
and (cC is evidente) then (cEf is presente).
presente).
4. If (f45 is Ausente) and (mC is ausente) and (zAt is ausente) and (mP is ausente) and (mR
is ausente) and (sCs is ausente) and (cC is ausente) then (cEt is ausente).
5. If (f45 is Evidente) and (mC is Evidente) and (zAt is Evidente) and (sCs is ausente) and
(cC is evidente) then (cEt is presente) .
6. If (f45 is Evidente) and (mC is PresenciaLeve) and (zAt is Evidente) and (sCs is ausente)
and (cC is evidente) then (cEt is presente).
7. If (f45 is Evidente) and (mC is Evidente) and (zAt is Evidente) and (cC is evidente) then
(cEt is presente).
8. If (f45 is Evidente) and (mC is Evidente) and (zAt is presenciaLeve) and (sCs is evidente)
and (cC is evidente) then (cEt is presente).
-Desgaste Abrasivo:
1. If (pMs is Evidente) and (rSsr is Evidente) then (dAb is presente).
2. If (pMs is Ausente) and (rSsr is ausente) then (dAb is ausente) .
-Desgaste Adhesivo:
1. If (pMs is Evidente) and (tM is Evidente) then (dAd is presente) .
2. If (pMs is Ausente) and (tM is ausente) then (dAd is ausente) .
3. If (pMs is Evidente) and (tM is Evidente) and (sC is evidente) and (cOzd is evidente)
89
- Ludimiento:
1. If (pMs is Evidente) and (dCzd is Evidente) and (cOzd is evidente) then (lud is presente).
2. If (pMs is Ausente) and (dCzd is ausente) and (cOzd is ausente) then (lud is ausente).
- Fatiga superficial:
1. If (pMs is Evidente) and (dM is Evidente) then (fatSup is presente).
2. If (pMs is Ausente) and (dM is ausente) and (aS is ausente) then (fatSup is ausente).
3. If (pMs is Evidente) and (dM is PresenciaLeve) and (aS is presenciaLeve) then (fatSup is
presente).
- Corrosion uniforme:
1. If (pMsc is Evidente) and (pR is Evidente) and (dSh is evidente) then (cU is presente).
En la Tabla D-1 se muestra la tabla de contingencia que se obtuvo para el modulo de frac-
tura del sistema clasico, esta tabla fue obtenida con base en los resultados de fractura para
el sistema clasico comparado con la respuesta del experto estandard tal como se muestra en
la Tabla 5-5.
dT 0 0 0 0 1 0 1 2
fcef 0 0 0 0 1 0 0 1
fcff 0 0 0 0 0 0 1 1
Ninguno 0 0 0 0 0 0 0 0
Total 2 1 3 0 2 0 8
Utilizando la tabla de contingencia D-1 se hallan las frecuencias relativas de acuerdo a las
respuestas del sistema, as se obtiene la Tabla D-2.
91
Con base en las tablas y en la Eecuacion 3-10, se halla el ndice de acuerdo de medidas de
pares, sumando la diagonal de la tabla de frecuencia relativas, el cual para el modulo de
fractura en el sistema de inferencia clasico se calculo como se muestra en la Ecuacion D-1.
0,375 0,10546875
= = 0,301 (D-2)
1 0,10546875
fFatf 2 4 0 4 4 4 4
dT 4 4 4 0 4 4 4
fcef 4 4 4 4 0 2 4
fcff 4 4 4 4 2 0 4
Ninguno 4 4 4 4 4 4 0
En la Tabla D-4 se muestra la matriz de pesos que fue usada para los modulos de desgaste,
en la tabla se usaron las siguientes abreviaciones:
-fatSup: Fatiga Superficial.
-dAb: Desgaste Abrasivo.
-dAd: Desgaste Adhesivo.
-lud: Ludimiento o Fretting.
Tabla D-4.: Matrz de pesos usada en los modulos de desgaste para los tres sistemas
Sistema Experto
fatSup dAb dAd lud none
fatSup 0 2 2 2 2
dAb 2 0 2 2 2
dAd 2 4 0 4 2
Experto Estandar lud 2 2 2 0 2
none 4 4 4 4 0
En la Tabla D-5 se muestra la matriz de pesos que fue usada para los modulos de corrosion,
en la tabla se usaron las siguientes abreviaciones:
-cU: Corrosion uniforme.
-cP: Corrosion por picadura.
En la Tabla D-6 se presenta la matriz de pesos que se utilizo para los modulos de flujo
plastico, en donse se usaron las siguientes abreviaciones:
Tabla D-5.: Matrz de pesos usada en los modulos de corrosion para los tres sistemas
Sistema Experto
cP Cu
cP 0 2
Experto Estandar cU 2 0
Tabla D-6.: Matrz de pesos usada en los modulos de flujo plastico para los tres sistemas
Sistema Experto
fpt fpf plf plt de none
fpt 0 2 2 2 2 2
fpf 2 0 2 2 2 2
plf 2 2 0 2 2 2
plt 2 2 2 0 2 2
Experto Estandar
de 2 2 2 2 0 2
none 2 2 2 2 2 0
Con base en la Ecuacion 3-16 se calculan los valores como se muestra en las Ecuaciones D-3
y D-4 utilizando la tabla de pesos D-3.
k
X
vij poij = (0 0,0625) + (2 0) + (2 0) + (2 0)
i=1,j=1
+ (2 0) + (2 0) + (4 0,125) + . . . + (0 0) = 2,375 (D-3)
k
X
vij pcij = (0 0,0234) + (2 0,011) + (2 0,003)
i=1,j=1
+ (4 0) + . . . + (0 0) = 2,808 (D-4)
Reemplazando los valores de las Ecuaciones D-3 y D-4 en la Ecuacion 3-16 se encuentra
kappa ponderada w para el sistema de inferencia clasico, modulo de fractura es w = 0,1544.
94 D Anexo: Metodologa usada para realizar los calculos de validacion
Para el calculo de los ratios de acuerdo se llenan las matrices para cada modo de falla, del
sistema de inferencia clasica para fractura de acuerdo a lo que sugiere la tabla para calculo
de ratios de acuerdo (ver Tabla 3-1), obteniendo los datos para fractura fragil flexion (ver
Tabla D-7), fractura fragil torsion (ver Tabla D-8), fractura fatiga flexion (ver Tabla D-9),
fractura ductil torsion (ver Tabla D-10), fractura corrosion esfuerzo flexion (ver Tabla D-
11),fractura corrosion fatiga flexion (ver Tabla D-12).
Tabla D-7.: Tabla de contingencia para calculo de ratios de acuerdo fractura fragil flexion
inferencia clasica
Experto Estandar
fff fff total
fff 1 1 2
Inferencia Clasica fff 2 12 14
total 3 13
Tabla D-8.: Tabla de contingencia para calculo de ratios de acuerdo fractura fragil torsion
inferencia clasica
Experto Estandar
fft fft total
fft 1 0 1
Inferencia Clasica fft 3 12 15
total 4 12
Tabla D-9.: Tabla de contingencia para calculo de ratios de acuerdo fractura fatiga flexion
inferencia clasica
Experto Estandar
fFatf fFatf total
fFatf 3 0 3
Inferencia Clasica fFatf 2 11 13
total 5 11
95
Tabla D-10.: Tabla de contingencia para calculo de ratios de acuerdo fractura ductil torsion
inferencia clasica
Experto Estandar
dT dT total
dT 0 0 0
Inferencia Clasica dT 2 14 16
total 2 14
Tabla D-11.: Tabla de contingencia para calculo de ratios de acuerdo fractura corrosion
esfuerzo flexion inferencia clasica
Experto Estandar
fcef fcef total
fcef 1 1 2
Inferencia Clasica fcef 0 14 14
total 1 15
Tabla D-12.: Tabla de contingencia para calculo de ratios de acuerdo fractura corrosion
fatiga flexion inferencia clasica
Experto Estandar
fcff fcff total
fcff 0 0 0
Inferencia Clasica fcff 1 15 16
total 1 15
Con los valores consignados en cada tabla y con base en las ecuaciones para ratios de acuerdo
presentadas en la seccion 3.6, se obtiene la tabla resumen D-13 para el modulo de fractura
utilizando inferencia clasica, teniendo en cuenta la siguiente nomencaltura:
- iA: (indice de acuerdo).
- S:(sensibilidad).
- fn: (falsos negativos).
- E: (especificidad).
- fp: (falsos positivos).
- p+: (predictivo positivo).
- p-: (predictivo negativo).
96 D Anexo: Metodologa usada para realizar los calculos de validacion
Tabla D-13.: Resultados ratios de acuerdo para el motor de inferencia clasico en analisis de
falla por fractura para ejes
iA S fn E fp p+ p- ROC
fff 0,8125 0,3333 0,6666 0,9230 0,0769 0,5 0,8571 0,6282
fft 0,8125 0,25 0,75 1 0 1 0,8 0,625
fFatf 0,875 0,6 0,4 1 0 1 0,84615385 0,8
dT 0,875 0 1 1 0 0 0,875 0,5
fcef 0,9375 1 0 0,9333 0,06666 0,5 1 0,9666
fcff 0,9375 0 1 1 0 0 0,9375 0,5
TOTAL 0,875 0,3638 0,6361 0,9760 0,0239 0,5 0,8859 0,6699
Se hace enfasis en que el proceso que se describio en este anexo, fue aplicado de la misma
forma para todos los modulos del proyecto y para cada motor de inferencia tal como se lista
a continuacion:
[3] CHEN,Yuchuan; et al. Constructing a nutrition diagnosis expert system, Expert Sys-
tems with Applications journal, No.39,2012.
[4] KARAGIANNIS, St; et al. Design of expert system for search allergy and selection of
the skin test using clips, World Academy of science,Engineering and Technology, 7,
2007.
[5] ABU NASER, Samy; ZAITER, Abu. An expert system for diagnosing eye diseases
using clips, Journal of Theorical and Applied Information Technology, 2008.
[6] AL TAANI,Ahmad T. . An Expert System for Car Failure Diagnosis, World Academy
of Science, Engineering and Technology,Number 12, 2007.
[7] VAZQUEZ, Laura y otros. Expert system dedicated to the detection of failures on
cooling equipment, 15TH International convention and fair Informatica 2013,Havana
,2013.
[8] BRAVO, Marta y otros. Reglas que permiten explotar el conocimiento de los esque-
mas de reles para la localizacion de la seccion en fallo, Revista cientfica ingeniera
energetica, Vol. XXVII, No. 2-3, 2006.
[9] MERRIT, Dennis; Sodetz,Frank y otros. Army Medical Knowlege Engineering System
(AMKES) - A Three-Tier Knowledge Harvesting Environment, Practical Applications
of Java Conference Proceedings, 1999.
[10] AHMAD A.; et al. Rule-Based Expert System for Diagnosis and Symptom of Neu-
rological Disorders Neurologist Expert System (NES),the International Conference on
Communications & Information Technology,2012.
[11] CALDERON, John; ZAPATA, German; OVALLE, Demetrio. Fuzzy Neural Algo-
rithm for Faults Detection and Classification in Electric Transmission Lines Using AN-
FIS,Revista Avances en Sistemas e Informatica, Vol. 4 No. 1,2007.
132 Bibliografa
[12] AZADEH, A.; et al. A fuzzy inference system for pump failure diagnosis to improve
maintenance process: The case of a petrochemical industry,Expert Systems with Appli-
cations journal, No. 37 , 2010.
[13] MENTES,Ayhan; et al.. An application of fuzzy fault tree analysis for spread mooring
systems,Ocean Engineering journal, No. 38, 2011.
[14] CASTILLO, Oscar; MELIN, Patricia; et al.. Hybrid intelligent system for cardiac
arrhythmia classification with Fuzzy K-Nearest Neighbors and neural networks combi-
ned with a fuzzy system,Expert Systems with Applications Jounal, 2012.
[15] PAL, Debabrata; MANDANA, K.M.; et al.. Fuzzy expert system approach for coronary
artery disease screening using clinical parameters,Knowledge-Based Systems Jounal,
2012.
[16] YUCEL,Gulcin ; et al.. A fuzzy risk assessment model for hospital information system
implementation,Expert Systems with Applications journal, No.39,2011.
[18] ANGULO,Cecilio; et al. Fuzzy expert system for the detection of episodes of poor wa-
ter quality through continuous measurement,Expert Systems with Applications journal,
No.39,2012.
[19] LIU,Hu-Chen; et al.. Fuzzy Failure Mode and Effects Analysis Using Fuzzy Evidential
Reasoning and Belief Rule-Based Methodology,IEEE Transactions on reliability , vol.
62, No. 1, 2013.
[21] ABAD-GRAU, Mara M.; IERACHE, Jorge; CERVINO, Claudio. Modelado de siste-
ma experto para triaje en servicios de urgencias medicas, XIII Congreso Argentino de
Ciencias de la Computacion , 2007.
[24] LIAN,Pan; NING, Ning; et al.. Fault diagnosis of the blast furnace based on the Baye-
sian network model,2010 International Conference on Electrical and Control Enginee-
ring, 2010.
[25] XU, Bin Gang. Intelligent fault inference for rotating flexible rotors using Bayesian
belief network,Expert Systems with Applications , No.39, 2012.
[26] WEBER,P; et al. Overview on Bayesian networks applications for dependability, risk
analysis and maintenance areas,Engineering Applications of Artificial Intelligence jour-
nal, 2010.
[27] NEIL, Martin; MARQUEZ, David. Availability modelling of repairable systems using
Bayesian networks,Engineering Applications of Artificial Intelligence journal, 2010.
[28] WUA,Wei ; et al. A knowledge-based reasoning model using causal table for identifying
corrosion failure mechanisms in refining and petrochemical plants,Engineering Failure
Analysis journal, No.25 ,2012.
[29] SPIEGELHALTER, David; DAWID, Philip,et al.. Bayesian analysis in expert sys-
tems,statistical science, Volume 8, Issue 3, pp- 219-247, 1993.
[31] T, Warren Liao; Z-H, Zhan; C.R. Mount. An integrated database and expert system
for failure mechanism identification: Part I and II,Engineering failure analysis journal,
1999.
[32] ASM Handbook Committee. Failure Analysis and Prevention, vol. 11, ASM Hand-
book, p. 686, 2002.
[33] BENBOW, Donald; BROOME, Hugh. The certified reliability engineer handbook,
ASQ quality press,ISBN: 978-0-87389-721-1,pg.101, 2009.
[34] ASM Handbook Committee. Fractography, vol. 12, ASM Handbook, p. 9, 1998.
[36] ESPEJO, Edgar; MARTINEZ, Juan Carlos. Tipos de fractura en elementos mecanicos
(Fractografa) Poster grupo de investigacion AFIS, Facultad de Ingeniera Universidad
Nacional de Colombia,Bogota, 2011.
[38] MCGARRY, Dennis. General Procedures for Failure Analysis, ASM Internatio-
nal,2002.
[39] ASM International Handbook Committee. Friction, Lubrication and wear techno-
logy,Vol. 18,ASM International, p. 449, 1992.
[43] ESPEJO, Edgar. Analisis de superficies corroidas en metales Poster grupo de investi-
gacion AFIS,Facultad de Ingeniera Universidad Nacional de Colombia,Bogota, 2011.
[44] CASTILLO, Enrique; GUTIERREZ, Jose; HADI, Ali. Sistemas expertos y modelos de
redes probabilsticas,Facultad de Ingeniera Universidad de Cantabria,1997.
[48] SILER, William; BUCKLEY, James. Fuzzy Expert systems and fuzzy reasoning,John
Wiley & Sons, 2005.
Bibliografa 135
[49] RIVERA, Israel; PEREZ, Patricia; PIMENTEL, Jesus. Knowledge base for Monitoring
of the Blood Parameters,Research journal on Computer science and computer enginee-
ring with applications No. 37, 2008.
[51] MURPHY Kevin. The Bayes Net Toolbox for Matlab,Computing Science and Statis-
tics, Volume 33, Frontiers of Data Mining and Bioinformatics, 2001.
[52] NAIM, Patrick; et al. Reseaux Bayesiens ,Eyrolles Ed., troisieme edition, 2011.
[55] KHANDANI, Seyyed. Engineering design process, Industry Initiatives for Science and
Math Education-solectron, 2005.
[56] ESPEJO, Edgar; MARTINEZ, Juan Carlos. Modos de falla comunes en ejes Poster
grupo de investigacion AFIS, Facultad de Ingeniera Universidad Nacional de Colom-
bia,Bogota, 2011.
[57] ESPEJO, Edgar; GARCIA, Jim. Modos de falla comunes en rodamientos Poster gru-
po de investigacion AFIS, Facultad de Ingeniera Universidad Nacional de Colom-
bia,Bogota, 2013.
[58] ESPEJO, Edgar; MARTINEZ, Juan Carlos. Modos de falla comunes en engranajes
Poster grupo de investigacion AFIS, Facultad de Ingeniera Universidad Nacional de
Colombia,Bogota, 2013.
[59] ESPEJO, Edgar; GARZOn, Manlio. Modos de falla comunes en cojinetes Poster gru-
po de investigacion AFIS, Facultad de Ingeniera Universidad Nacional de Colom-
bia,Bogota, 2013.
[60] ESPEJO, Edgar; MARTINEZ, Juan Carlos. Modos de falla comunes en tuberas y
cuerpos de caldera Poster grupo de investigacion AFIS, Facultad de Ingeniera Univer-
sidad Nacional de Colombia,Bogota, 2011.
[61] ZADEH, Lotfi A.. Fuzzy Logic Toolbox for use with MATLAB User Guide version
2,MathWorks Inc. COPYRIGHT 2002.
136 Bibliografa
[62] RIVERO, Adolfo. Estudio Comparativo sobre los Modelos Difusos de Mandani y de
Sugeno,Tesis para optar el titulo de licenciado en matematicas, Universidad Centrooc-
cidental Lisandro Alvarado,2010.
[63] KORB, Kevin; NICHOLSON, Ann. Bayesian Artificial Intelligence,Chapman & Ha-
ll/CRC Press LLC,ISBN 1-58488-387-1, 2004.
[64] RUSELL, Stuart; NORVIG, peter. Artificial intelligence a Modern Aproach, Prentice
Hall, 2010.
[67] NABENDE, Peter. An expert system for diagnosing heavy duty diesel engine faults,
Master thesis, Department of computer science, Makerere university, 2006.
[69] MERRITT, Dennis. Building Expert Systems in Prolog, Amzi! inc., On-line edi-
tion,2001.
[70] PALMA, Jose; MARIN, Roque. Inteligencia Artificial: Metodos, tecnicas y aplicacio-
nes, Universidad de Murcia, Mc Graw Hill ,II ed, 2008.
[72] KELES,Ali ; et al. Expert system based on neuro-fuzzy rules for diagnosis breast can-
cer, Expert Systems with Applications journal, No. 38,2011.
[73] CIMA, Centro de Investigacion del Medio Ambiente. Manuales No.6: Manual para la
elaboracion de encuestas: Diseno, ejecucion y tratamiento de los datos, primera edi-
cion,2009.