SISTEMA DE DIAGNÓSTICO INTEGRAL BASADO EN LÓGICA FUZZY PARA

ESTABLECER LA CONDICIÓN DE LOS TRANSFORMADORES DE POTENCIA

ALBERTO HERREÑO ROCHA

Especialista Equipos Subestaciones
Dirección Mantenimiento
Intercolombia S.A
faherreno@intercolombia.com

Categoría
Equipos de Alta Tensión y Subestaciones

RESUMEN
Dentro de la estrategia del gerenciamiento del ciclo de vida de un activo es de vital importancia el
aseguramiento de la condición del mismo. La estrategia de mantenimiento ha incorporado dentro de los
planes de mantenimiento un sin número de tareas de mantenimiento predictivas, agrupadas básicamente en
pruebas, inspecciones y monitoreo en línea, que junto con la información operativa del entorno donde está
instalado en transformador, entrega información para que a través de un proceso de diagnóstico sea
estimada su condición. La principal dificultad que se presenta en el diagnóstico es que la gran mayoría de la
información es cualitativa y los criterios para interpretar los resultados de las pruebas de diagnóstico son
muy variables y dependen en gran medida de las características constructivas del transformador. A través de
la lógica fuzzy ó lógica difusa es posible construir un sistema de diagnóstico que condense la base de
conocimiento adquirida a través de la experiencia del analista y poder de una manera sistemática y muy
próxima al esquema mental de un experto, interpretar los datos y observaciones a través de un modelo
matemático que admite tanto variables numéricas como lingüísticas de atributos. El presente trabajo muestra
el desarrollo de un sistema de diagnóstico basado en reglas construido a partir de técnicas softcomputing
basadas en lógica fuzzy, para establecer la existencia o no de los modos de falla establecidos en los
estudios de MCC (Mantenimiento Centrado en Confiabilidad) y cuantificar un índice de condición único para
cada transformador, los cuales fueron programados y quedaron como una rutina de calificación automática
del módulo PM de SAP/R3.

PALABRAS CLAVES.
Condición, modo de falla, lógica fuzzy, regla de diagnóstico, algoritmo, índice de condición, transformador de
potencia, aislamientos, sistema experto, método clínico.

1. INTRODUCCIÓN superación de sus límites operacionales, más que

Una de las primeras preocupaciones del efecto
adverso del envejecimiento de los equipos es la
afectación de la disponibilidad global del servicio
de energía eléctrica. Sin embargo, el
envejecimiento de equipos sigue siendo un gran
desafío para la industria eléctrica, especialmente
en vista del cambiante ambiente de negocios, la
necesidad de incrementar la competitividad de las
economías de los países y la aparición de nuevos
jugadores en el negocio de energía eléctrica.
Cuando los equipos más viejos fueron renovados
en el pasado, la principal razón de cambio fue por
el crecimiento de la carga que originaba la
1
por llegar al final del tiempo de vida útil del equipo,
de este modo los equipos fueron retirados de
servicio antes de alcanzar su vida técnica.
Los retos antes mencionados demuestran la
importancia del mantenimiento de los sistemas
actuales de transmisión, lo que implica que
procedimientos eficaces deben ser desarrollados
especialmente para la evaluación de la condición
de los equipos, ya que este tipo de información es
esencial para la toma de decisiones en el
mantenimiento. Es importante traer a colación el
sentido común: “… para saber que tengo que
hacer, lo primero que debo saber es: cómo están
las cosas”.
En el corto plazo, el conocimiento preciso de las
condiciones técnicas del sistema y sus activos
pueden ayudar a detectar equipos propensos a
fallo, y generar los tiempos óptimos para las
intervenciones de mantenimiento, limitaciones de
capacidad o retiro del servicio de tal forma que el
riesgo de interrupciones imprevistas pueda ser
controlado. La evaluación de la condición de los
equipos resulta fundamental para el proceso de
planeación del mantenimiento, ya que ayuda en la
identificación de las reales necesidades de
intervención de mantenimiento o reemplazo a corto
y mediano plazo, optimizando recursos y de esta
manera, la eficiencia económica de mantenimiento
puede ser asegurada.
2. DESAFÍOS DEL ASEGURAMIENTO DE LA
CONDICIÓN DE LOS EQUIPOS EN EL
MANTENIMIENTO
Los procedimientos de evaluación de la condición
se asemejan en gran medida al método clínico del
diagnóstico médico, que es típicamente un
problema de decisión multicriterio, donde la
información de varias fuentes tiene que ser
combinada, ponderada integradamente y casos tareas de mantenimiento innecesarias.
correlacionada con el fin de llegar a una sola
conclusión, por ejemplo un índice que describe la
condición técnica (salud) de una componente de
un transformador de potencia y los modos de falla
(enfermedad) susceptibles de presentarse. En este
proceso la incertidumbre surge tanto desde los
algoritmos de evaluación utilizados con el fin de
combinar las diversas fuentes de información, así
como de la propia información de entrada en sí,
por ejemplo debido a las variaciones y complejidad
en los mecanismos de envejecimiento, la
comprensión incompleta de las esfuerzos
aplicadas al equipo durante el servicio o las
limitaciones en la medición de los parámetros con
los cuales se manifiestan (técnicas predictivas).
La principal tarea de un analista o un software de
apoyo al análisis de condición es la de convertir
estos datos en información con valor para el
proceso de mantenimiento, como por ejemplo:
cómo está el equipo?, que modos de falla podrían
evolucionar en él?, que acciones de mantenimiento
requiere?, cuando hay que hacerlas?, su vida útil
remante?, sus límites o restricciones operacionales
y que riesgos involucran la condición actual del
activo.
2
Nuestra estrategia de mantenimiento ha definido a
partir del MCC una serie de inspecciones y tareas
de mantenimiento predictivo para determinar
cuándo un equipo tiene o está desarrollando un
modo de falla que no le permitirá desempeñar sus
funciones y de allí determinar las acciones de
mantenimiento necesarias para evitar que esto
ocurra. Sin embargo, cuando debemos utilizar la
información resultante del mantenimiento
predictivo para este propósito, los esquemas de
“diagnóstico” que se adoptan generalmente tienen
la tendencia a focalizar la evaluación en analizar
aisladamente y puntualmente cada dato, buscando
más que un diagnóstico, detectar que tan desviado
está el resultado de una prueba del valor de
referencia definido como “normal”, y no nos indica
cuales son los posibles mecanismos de falla en
evolución y cuáles de sus funciones están en
riesgo de perderse a futuro, es decir no indica que
“enfermedad” padece el equipo y por tanto no le
permite definir acertadamente las acciones de
mantenimiento adecuadas que se requieren para
la patología detectada y recuperar la buena
condición del equipo, y por el contrario tiende a dar
falsos diagnósticos y generar en la mayoría de
3. FUNDAMENTOS DE LA LÓGICA FUZZY O
DIFUSA
La teoría de conjuntos difusos fue introducida en
1965 por Lofti A. Zadeh como un mecanismo de
representación de la vaguedad e imprecisión de
los conceptos empleados en el lenguaje natural.
Expresiones del tipo “ese hombre es alto”, “hoy
hace calor” o “voy a tardar un rato” son habituales
en nuestro lenguaje. Sin embargo no es fácil
precisar qué entendemos por “alto”, “calor” o “un
rato”. Difícilmente nos pondremos de acuerdo en
precisar a partir de qué altura puede considerarse
alta a una persona, o a partir de qué temperatura
se dice que hace calor, o cuánto tiempo supone
esperar un rato. Sin embargo paradójicamente los
seres humanos no encontramos dificultades en
razonar con estos conceptos imprecisos.
En el análisis de condición de equipos también se
presenta estos conceptos imprecisos del tipo “el
factor de potencia de este aislamiento esta
regular”, “la humedad en el aceite del
transformador está un poco alta”, etc.
Los conjuntos difusos fueron definidos como una
extensión de los conjuntos clásicos que permitiera
modelar la imprecisión de los conceptos que
manejamos los humanos, la modificación
fundamental propuesta por Zadeh consiste en
introducir un grado de pertenencia, esto es,
expresar la pertenencia de un elemento a un
conjunto como un número real en el intervalo [0,1].
Un grado de pertenencia ‘0’ indica que un
elemento no pertenece a un determinado conjunto,
mientras que un grado de pertenencia ‘1’ indica
que el elemento pertenece totalmente al conjunto.
Valores intermedios indican una pertenencia
parcial de un elemento al conjunto.
Se denomina lógica difusa a los mecanismos de
inferencia basados en reglas que emplean
términos lingüísticos representados por conjuntos
difusos. Dado un conjunto de reglas que relacionan
una serie de variables y dado un conjunto de
valores iniciales (en general expresados como
conjuntos difusos) de algunas de estas variables,
el objetivo de estos mecanismos de inferencia es
deducir el valor (expresado en forma de un
conjunto difuso) del resto de variables.
3.1 UTILIDAD DE LA APLICACIÓN DE LA
LÓGICA DIFUSA EN EL DIAGNOSTICO DE
CONDICIÓN
Cuando un transformador entra en operación
muchos factores de estrés actúan
simultáneamente dentro del transformador, lo que
aumenta la complejidad y no es posible construir
un modelo preciso para el análisis de condición ya
que siempre tenemos un “concurso” de modos de
falla, en donde la condición puede estar afectada
por uno de ellos con carácter dominante o por
varios actuando simultáneamente.
Así mismo, la imprecisión y la incertidumbre es
inherente a cualquier problema diagnóstico
complejo y rara vez ocurre que una sola
observación o medición entregue la información
necesaria para se haga el diagnóstico de una falla
inminente con absoluta certeza. La evaluación de
la condición está basada en el conocimiento y
experiencia, en la práctica, una gran cantidad de
know-how relevante es llevada en su mente por el
personal de mantenimiento con experiencia, y si
bien las compañías se esfuerzan por capturar y
3
documentar este conocimiento, el obstáculo más
importante para este proceso es la ausencia de
adecuados modelos matemáticos y algoritmos
para capturar el conocimiento, ya que es en
general lingüístico y subjetivo. Por lo tanto, debido
a su similitud con los sistemas humanos los
sistemas de razonamiento difuso son
especialmente adecuados para este propósito.
La principal ventaja del modelado del conocimiento
y la experiencia práctica en un sistema difuso es
que la incertidumbre-inherente en evaluación de la
condición pueden ser incorporados en una forma
definida con precisión, de modo que situaciones
similares son evaluados de forma coherente y de
la misma forma, minimizando los casos de falso
diagnósticos, que con llevan a un alto porcentaje
de los sobrecostos al proceso de mantenimiento.
A pesar de las avanzadas técnicas de diagnóstico
que hoy en día están disponibles para el
diagnóstico de todo tipo de equipos en sistemas de
transmisión, el problema de su interpretación para
determinar su condición sigue siendo el punto frágil
de los procesos de mantenimiento basados en
condición (CBM), con el agravante de no ser
visualizados como prioridad en los planes de
mejoramiento.
3.2 SISTEMAS DE INFERENCIA DIFUSOS
Un sistema de inferencia difuso (FIS) es una
herramienta computacional basada en los
conceptos de la teoría de los conjuntos difusos y el
razonamiento difuso. En general, proporciona un
mapeo no lineal de algunos variables de entrada
en algunas variables de salida. La principal ventaja
de la incorporación de razonamiento difuso es que
las reglas de inferencia se pueden definir de una
manera precisa y consistente a partir del
conocimiento y la experiencia del personal,
mientras que la incertidumbre que se origina a
partir de la información de entrada es considerada
mediante la definición de uno o más conjuntos
difusos para cada entrada. El estructura básica de
un FIS (Fig.1) se compone de tres componentes
conceptuales: un conjunto de reglas de inferencia
llamado base de reglas, un diccionario que
define los conjuntos difusos utilizados para
modelar las proposiciones en los antecedentes y
las conclusiones de las reglas, y un mecanismo
de razonamiento que lleva a cabo el
procedimiento de inferencia a partir de las reglas y
la información de entrada dad
dadaa para derivar una resultado es una indicación de la similitud de cada
salida razonable una de las variables lingüística a los respectivos
valores lingüísticos definidos para cada caso
caso..
Base de reglas
Difusas Las funciones de membresía típicas que se usan
SI A : ENTONCES : B en los sistemas de diagnóstico basados en reglas
Salida son la triangular, la trapezoidal, la gaussiana y la
tipo campan
campanaa cuyas formas y expresiones
Entrada
Motor de inferencia matemáticas se muestran en la Fig. 2 y fueron
Difusa utilizadas en el desarrollo del sistema
Fuzzificación 1. Operador difuso Defuzzificación implementado en SAP/R3.
2. Implicación
3. Agregación
a) Forma triangular

0
31
Figura 1 .Estructura Sistema Inferencia Fuzzy (FIS)
+
0 1
) 13
3,
    ,- 0
!" 

01

*
El proceso de inferencia dentro de un FIS aplicado
,3
3-
)- 0 ,
al desarrollo de un sistema experto de diagnóstico
de condición basado en reglas se puede dividir en ( 0
4-
cinco etapas las cuales describimos a
continuación.

1. Fuzzificación: nuestro razonamiento parte

de información que está en forma de variable
lingüística cuyos valores pueden expresarse en
términos del lenguaje natural. Cada uno de estos
términos se conoce como etiqueta
tiqueta lingüística y se
representa por medio de un conjunto difuso
definido sobre el universo de discurso de la
variable. Por ejemplo, la temperatura de un
transformador puede ser catalogada como “baja”,
“normal”, “alta” o “muy alta” .y cada uno de estos b) Forma trapezoidal
0
31
términos es una etiqueta lingüística que puede
+
0 1
describirse como un conjunto difuso.
)
), 0 1 13
3,
#$%&'" 

  1 ,3
3-
Por lo tanto es necesaria que ccada ada entrada de un
*. 0

) -3
3.
FIS se
sea modela
modelada
da como una variable lingüística a
). 0 -
( 0
partir de la asignación de las funciones de

4.

 toma sus valores de un conjunto propio de
membresía
membresía,, es decir que una variable lingüística

valores lingüísticos   ,, , , … . . ,, , cada

 ,  ,, 

,  
   ⋮
   
 definido en el
uno de ellos está descrito por un conjunto difuso

dominio de la entra da

entrada .

Por lo cual el primer paso en el proceso de

cada variable de entrada

 para todos
inferencia es evaluar el grado de pertenencia de

correspondientes conjuntos difusos , .

los
El

4
c) Forma Gaussiana
 @@=A E
grados de pertenencia a los conjuntos difusos

81
99:171 



  <  B
= ? C involucrados tienen que ser agregados. Para ello,
las operaciones de intersección difusa difusa,, unión
difusa, y la negación difusa son empleados - en
analogía con la lógica clásica
clásica,, donde la conjunción,
disyunción y operador de negación se utilizan para
combinar proposiciones.

Dadas N observaciones sobre variables

lingüísticas,”xx1 es A1’´” ....
... “xxN es AN’”
”, el conjunto
difuso que define la observación global que incluye
a todas las variables es la conjunción difusa T-

1 A1’) ∧ (x2 es A2’) ∧ ... ∧ (xN es AN’)”, cuya función

d) Forma campana norm de todas las observaciones, es decir, “(x1 es
-156171 

 

0 - D
1;> >
1
de pertenencia es:

G´ II
 ,
 ,
MM , …
OO PP
 J&K LLGG´N 
  ,
 G´´E 

  ,
O  R
Figura 2. Formas de funciones de membresía
2. Agregación
Agregación: el cconcepto
oncepto de proposición
difusa es el corazón de las reglas de diagnóstico y
está asociado a una expresión lingüística que
relaciona diferentes variables. Una proposición
difusa se representa por un conjunto difuso
definido sobre el producto cartesiano d dee los
universos de discurso de sus variables lingüísticas.
Una regla difusa es una expresión del tipo:
SI «proposición difusa» ENTONCES
«proposición difusa»
Donde la proposición de la izquierda se denomina
antecedente o premisa y la de la derecha se
con
conoce
oce como consecuente o conclusión. Una regla
difusa representa una relación difusa entre el
antecedente y el consecuente.
Por lo general, un FIS contará con varias entradas
entradas,,
e
enn este caso, una regla de inferencia difusa
involucrar
involucrara a más de un una variable llingüística
ingüística en
su
suss antecedente
antecedentes.. Con el fin de evaluar la similitud
de los datos que figuran en el antecedente, los
5
 … … GG´Q 
R
El resultado de la agregación por lo tanto puede
ser considerado como el activador de la regla en
particular, ya que describe el grado en que el
antecedente es satisfecho por las var
variables
iables de
entrada consideradas en la regla
regla.
3. Implicación: la
lass técnicas de razonamiento
lógico permiten deducir conclusiones a partir de un
conjunto de reglas lógicas y un conjunto de
observaciones. Los métodos de inferencia más
importantes en la lógica pro
proposicional
posicional clásica se
conocen como modus ponens y modus tollens tollens.
El método de inferencia modus ponens establece
que dada una regla “si x es A entonces y es B” y
una observación “x es A” se puede obtener la
conclusión “y es B”, es decir, que la proposició
proposiciónn “y
es B” es necesariamente cierta. Por su parte, el
método modus tollens establece que, dada una
regla “si x es A entonces y es B” y una observación
“y es no B”, se puede obtener la conclusión “x es
no A”, es decir, que la proposición “x es A” es
necesar iamente falsa. La utilización de modus
necesariamente
ponens para obtener conclusiones se conoce
como inferencia hacia adelante (forward inference)
mientras que el uso de modus tollens se
denomina inferencia hacia atrás (backward
inference).
Como ya se había indicado una regla difusa
representa una relación difusa entre el
antecedente y el consecuente, cuya función de acumulación debe ser matemáticamente modelada
pertenencia viene dada por la expresión: como un conjunto difuso unión es decir, mediante

G→T 
, U  VG 
, T U
Donde I se denomina operador de implicación y
puede, como en los casos de la conjunción,
disyunción y negación, ser representada por
diferentes funciones, que son generalización de la
implicación en la lógica clásica donde se define
como:
6→W ≡ ¬ 6 ∨ W ≡ 6 ∧ W ∨ ¬ 6 En muchas aplicaciones, y en especial los
Sustituyendo los operadores de conjunción,
disyunción y negación clásicos por sus
correspondientes operadores difusos T-norm y
T-conorm para intersección, unión y complemento
difuso, se obtienen expresiones que permiten
definir funciones de implicación para el
razonamiento difuso así:
el uso de la operación lógica de unión difusa
llamada T-conorma.
5. Defuzzificación: las conclusiones
extraídas mediante los mecanismos de inferencia
descritos en el apartado anterior se representan
mediante conjuntos difusos. Al final del cuarto
paso, cada variable de salida del FIS se describe
por un conjunto difuso acumulado.
sistemas expertos de diagnóstico de condición, es
necesario utilizar valores discretos para
representar las variables, es decir, no es posible
utilizar una representación difusa como resultado
de la inferencia, lo que obliga a sustituir estas
conclusiones difusas por un valor discreto
significativo.
Sin embargo, la salida final de un FIS debe ser

G→T 
, U  J[&&K IJ&K G 
, T U, 1 0 G 
P
Existe variedad de funciones de implicación
difusas propuesta por varios autores siendo las
más común y utilizada en los sistemas difusos
basados en reglas la propuesta por Zadeh
conocida como max-min, así:
presentada en valor numérico para una mejor
interpretación del resultado. Por esta razón, los
conjuntos difusos acumulados deben ser
transformados mediante la aplicación adecuada
operadores de defuzzificación.
Se denomina proceso de defuzzificación al
mecanismo que permite obtener el valor

G→T 
, U  51
I5:7G 
, T U, 1 0 G 
P
El proceso de implicación que ha sido descrito
anteriormente. para FIS ha sido diseñado para
aplicaciones de ingeniería, las T-norma que se
utilizan para la implicación, con el operador mínimo
(min) es la más utilizada. Al final de este paso, un
conjunto difuso (o más, en caso de que la regla
tiene múltiples conclusiones) es determinado para
las consecuencias de cada regla.
4. Acumulación: en los dos pasos anteriores
cada regla ha sido tratada por separado. Como
resultado, más de un conjunto difuso se pueden
haber generado para cada yk salida del FIS. Esta
función es denotado como el procesamiento
paralelo y es característico de FIS El proceso de
acumulación tiene como objetivo la combinación
de todos los conjuntos borrosos generados para
cada variable de salida. Puesto cada regla de la
base de reglas son tratados por igual, por tanto la
6
significativo que representa de manera discreta a
un conjunto difuso.
Métodos de defuzzificación: A continuación
describiremos brevemente los métodos de
defuzzificación más comunes empleados en los
FIS.
El máximo y la media de los máximos son
métodos son fáciles de determinar, pero no lo
siempre representan el conjunto difuso subyacente
de salida de una manera adecuada.
El método de defuzzificación por el cálculo del
centroide, también llamado centro de gravedad
(COG) o el centro del área (COA) ofrece una
buena representación del conjunto difuso, pero
requiere el cálculo de la integral de la función de
pertenencia del conjunto de salida. Un buen
equilibrio entre la simplicidad de cálculo y el
significado de la representación se logra cuando el
conjunto difuso A puede ser descompuesto en
varios subconjuntos Ak. Este caso es típico para
un sistema de inferencia basado en reglas. En este
caso el centro de gravedad de la xk subconjuntos
se puede determinar con antelación. Cada
subconjunto Ak por lo tanto se puede reducir en un
singleton, y el método centroide la fuzzificación se
puede simplificar, esta metodología de cálculo es
conocido como de altura defuzzificación.

a) Método del máximo

G 
∶ G 
  51
G U ∀ U ∈ _
d) Método de altura defuzzificación

∑ab
a Ge 
a 

G  
∑ab Ge 
a 
p.e: xA =4.1
p.e: xA =6.2

b) Método media de los máximos


1

G  `
a ∶ G 
a   51
G U ∀ U ∈ _
7
Figura 3. Métodos de Desfuzzificación

ab
3.4 MOTOR DE INFERENCIA DIFUSO TIPO
MAMDANI
p.e: xA =7
El método de Mamdani es el más usado en
aplicaciones, dado que tiene una estructura muy
simple de operaciones “mín-max” y por tanto es
el más utilizado para el desarrollo de sistemas de
diagnóstico de condición basado en reglas con
variables lingüísticas.

Para explicar cómo se desarrolla un FIS

fundamentado en el modelo de Mamdani, vamos a
tomar un ejemplo sencillo que acontece muy a
menudo el desarrollo del proceso de análisis de
condición de equipos y que se muestra en la Fig.4.
c) Método del centroide

c
G 
.

G 
Para el ejemplo es necesario determinar la

c G 
.

condición dieléctrica del aceite de un

transformador a partir de los resultados de las
pruebas de aceite de rigidez dieléctrica en [kV] y
p.e: xA =6.2 el factor de potencia en [%] a 25°C. A partir de
nuestra experiencia elaboramos las siguientes
reglas de diagnóstico:

7
 Figura 4. Ejemplo de un FIS Tipo Mamdani

Regla 1: Así mismo se definieron como funciones de

Si la Rigidez Dieléctrica es BUENA, Y, el Factor de Potencia es
membresía para calcular el grado de pertenencia de
BUENO, ENTONCES, la Condición Dieléctrica del aceite es
BUENA. 0 a 1 a cada variable lingüística, las funciones tipo
Regla 2: rampa creciente para la rigidez dieléctrica (a mayor
Si la Rigidez Dieléctrica es BUENA, Y, el Factor de Potencia es valor más bueno) y tipo rampa decreciente para el
MALA, ENTONCES, la Condición Dieléctrica del aceite es
factor de potencia (a mayor valor más malo).
REGULAR
Regla 3:
Si el Factor de Potencia es MALA, ENTONCES, la Condición Una vez definido los elementos de nuestro FIS,
Dieléctrica del aceite es MALA desarrollaremos el modelo Mamdani en los

8
siguientes pasos: Algunos de los operadores de acumulación más
utilizados son el máxi
máximo,
mo, la suma o el OR
Evaluación del antecedente en cada re regla
gla:: Dadas probabilístico. En la Fig 4. correspondiente al
las entradas (valores numéricos) se obtienen los ejemplo, se usa el máximo (max).
distintos valores de pertenencia para cada una de
ellas. A esto se le llama fuzzificación de la entrada. Cuantificación del conjunto de salida salida:: cuando
cuando
Si el antecedente de la regla tiene más de un intentamos obtener una solución a un problema de
término, a continuación se aplica algún opera dor (T
operador T- decisión, lo que queremos obtener como salida es
un número y no un conjunto borroso. Siguiendo con
norma o T conorma) obteniendo un único valor de
T-conorma
el ejemplo del condición del aceite aislante
aislante,, no nos
pertenencia. Veamos el ejemplo:
sirve que nos digan que tenemos algunos
resultados fuera de rango
rango,, lo que queremos es que
Al fuzzificar el primer término del antecedente de la
nos digan qué tan crítica o nó es la condición
regla 1 (rigidez dieléctrica buena), se tiene que para
dieléctrica del aceite par
paraa determinar si se requiere
el valor medido de 48.5 kV, obtengamos el valor de
una acción de mantenimiento sobre el
pertenencia 0,7. Al fuzzificar el segundo término del
transformador
transformador..
antecedente (factor de potencia bueno), se tiene
que pa
para
ra un valor medido de 0.75% obtengamos el Por tanto, tenemos que transformar el conjunto
valor de pertenencia 0,55. borroso obtenido en el paso anterior en un número
que nos dé una idea de que tan crítico está el
Por último, ya que los dos términos del antecedente aceite. Para ello utilizamos e ell método de
están unidos por una disyunción (rigidez dieléctrica desfuzzificación más utilizado que es el del
buena y factor de potencia bueno), es necesario centroide (altura)
(altura),, que calcula el centro del área
hacer la agregación
agregación,, para lo cual hemos aplicado definida por el conjunto borroso obtenido en el paso
un operador difuso AND
AND,, en este caso se emplearía anterior, como se muestra a continuación en la Fig
el T
T-norm
norm del mínimo (min) a los dos valores de 5.
pertenencia anteriores obteniendo el valor de
pertenencia a la regla 1 de 0,55.

Obtener la conclusión en cada regla

regla: a partir del
consecuente de cada regla y del valor del
antecedente obtenido en el paso anterior, aplicamos
un operador borroso de implicación teniendo así un
nuevo conjunto borroso.

Dos de los operadores de implicación más usados

son el mínimo (min), que trunca la función de
pert
pertenencia
enencia del consecuente, y el producto, que la
escala. En la Fig. 4 correspondiente al ejemplo, se
usa el operador mínimo (min).
i yi µ(y
( i) yi**µ(yyi)
Los anteriores pasos se realizan para cada una de 1 0 0.44 0

∑b U ∗ U
 
2

U&! 
las tres reglas de nuestro FIS del ejemplo de la 0.13 0.44 0.05

∑b UU 
3 0,25 0 0


Fig.4.

4 0.38 0.44 0.16
5 0.64 0.44 0.28
Agregar conclusiones
conclusiones: la
lass salidas obtenidas para 6 0.75 0 0
7 0.9 0.55 0.51
cada regla en el paso anterior (obtener conclusión),
8 1 0.55 0.55
se combinan en un único conjunto borroso de salida ∑ 2.88 1.57
del FIS utilizando un operador de acumulación
borrosa. Figura 5 – Defuzzificació
Figura Defuzzificaciónn por método del centroide (altura)
Cálculo para el ejemplo.
9
Como se observa en la Fig 6, para nuestro ejemplo
en índice de criticidad para la condición del aceite
nos ha dado un 54% de índice de criticidad de la
condición dieléctrica del aceite, lo que implica que
con los resultados de las últimas pruebas la
condición del aceite podría catalogarse como
aceptable.
Como se puede ver del ejemplo un FIS del tipo
Mamdani es el que más se ajusta para el desarrollo
de un sistema de análisis de condición de equipos
basados en reglas y fue el seleccionado para hacer
el desarrollo del sistema a ser implementado en
SAP/R3 para la calificación de los equipos
inductivos.
4. ESTADOS DE LA CONDICIÓN DEL
TRANSFORMADOR DURANTE SU CICLO DE
VIDA.
La operatividad funcional de un transformador debe
estar determinada por habilidad de mantener las
siguientes capacidades fundamentales:
a. Capacidad Electromagnética: referida a la
capacidad de transferir en forma electromagnética
energía a condiciones específicas, incluyendo
condiciones permitidas de sobreexcitación y
sobrecarga, sin que se presente
sobrecalentamiento, excesivas perdidas, aparición
de puntos calientes localizados, excesiva
generación de gases, vibración y ruido.
b. Capacidad del circuito de corriente de
conducir la corriente de carga: incluyendo
conductores de las bobinas, contactos OLTC y
conexiones internas a bujes.
c. Capacidad soportar esfuerzos dieléctricos:
bajo la influencia de esfuerzos operativos
específicos y considerando un nivel de deterioro
normal.
d. Capacidad de soportar esfuerzos mecánicos:
bajo los efectos de corrientes de falla circulando a
través del transformador.
Una falla ocurre cuando la capacidad de soportar
esfuerzos de un transformador respecto de alguna
10
de las propiedades claves es excedida por los
esfuerzos operativos de la red. En algunos casos el
transformador puede mantener su operatividad aún
en estado de avería, como es el caso de
sobrecalentamiento o generación de gases pero con
el riesgo de falla inminente en el corto plazo si no se
tomas acciones correctivas o se restringe sus
capacidades.
La capacidad de soportar esfuerzos de un
transformador disminuye naturalmente durante su
vida debido a varios procesos de envejecimiento,
que se presentan en los periodos normales de
operación, es decir libre de fallas (degradación
esperada). Sin embargo este se puede deteriorar
más rápidamente de lo normal (degradación
inesperada) bajo influencia de agentes aceleradores
de la degradación.
El grupo de trabajo de CIGRE WG12.18 “Life
Management of Transformers” ha sugerido que se
haga la distinción entre las anormalidades
reversibles (referidas como defectos) e irreversibles
(fallas) y a partir de allí se definen cuatro estados
posibles de la condición de un transformador,
considerando además la afectación de su
confiabilidad en el tiempo:
a. Condición Normal: no se evidencia ningún
problema, esto significa una condición libre de
defectos, o la condición específica de un equipo
nuevo.
b. Condición de Defecto: la vida del transformador
y su confiablidad puede verse afectada
adversamente en el largo plazo. Es un estado
anormal que puede ser reversible, involucra
reducción de la capacidad del transformador para
soportar esfuerzos.
c. Condición de Avería: en el corto plazo la
confiabilidad puede ser reducida. Esta condición
puede o no ser mejorada por una acción preventiva
o correctiva de ser necesaria. Generalmente
involucra estados irreversibles y existe riesgo
inminente de falla.
d. Condición de Falla: el equipo no puede
permanecer en servicio. Involucra pérdida total de la
función. Una acción correctiva es requerida antes
que el equipo pueda retornar en servicio.
4.1 MODELO DE FALLA FUNCIONAL
Un modelo de falla funcional para un transformador
debe responder las siguientes preguntas:
⋅ Cuales defectos y falla pueden presentarse en
los componentes de un transformador y su
relación con el desempeño de un subsistema
funcional en particular?
⋅ Cuál es la ruta de evolución de un defecto hacia
una avería con afectación de la función y
posteriormente a falla?
El modelo de falla debe considerar además las
interrelaciones entre un posible defecto/avería y los
esfuerzos reales en la operación por un lado y por el
otro la capacidad de soportar los esfuerzos del
transformador.
En el modelo propuesto el transformador se
considera que consiste de los siguientes sistemas
funcionales y componentes relevantes:
a. Circuito Electromagnético
b. Circuito transporte corriente de carga.
c. Sistema Dieléctrico
d. Estructura Mecánica
e. Sistema de Enfriamiento
f. Bujes
g. Cambiador de Tomas OLTC.
h. Sistema de Protecciones y Monitoreo.
Es importante que se observe que el aceite aislante
es considerado como una parte vital del
transformador, pero no se considera como un
componente separado, forma parte del sistema
dieléctrico y el cual es el responsable por la
integridad de la condición del aislamiento, es decir
su condición dieléctrica.
5. OBJETIVO DEL SISTEMA DE DIAGNOSTICO
DE CONDICIÓN INTEGRAL
Considerando nuestra filosofía de mantenimiento
que se deriva de la metodología del Mantenimiento
Centrado en Confiabilidad (MCC), esta debe estar
orientada a “preservar la función de los
equipos”, y en este caso en particular la de los
transformadores de potencia.
11
Por lo tanto la función objetivo del sistema de
diagnóstico integral de la condición de
transformadores debe ser, a partir de la tareas de
mantenimiento predictivo e información operativa,
realizar el diagnóstico la real capacidad de
operatividad funcional de un transformador, la cual
debe estar determinada por habilidad de mantener
sus capacidades fundamentales: térmica,
dieléctrica, mecánica y electromagnética, y
algunas secundarias como son las asociadas a sus
dispositivos de protección y monitoreo, otras con la
preservación del medio ambiente.
Para lo anterior se han definido monitorear estas
capacidades mediante rutinas que nos entregaran
para cada una un índice de criticidad que estará
entre 0-100%, dando indicación de que tan afectada
o no esta y por tanto una idea cuantitativa de que
tan probable sea la perdida de una de las funciones
del transformador.
En la tabla 1 se muestran las criticidades definidas a
desarrollar por el sistema de diagnóstico integral de
condición basado en lógica difusa (fuzzy).
CAPACIDAD CRITICIDAD
Falla Térmica Papel
TÉRMICA Falla Térmica Aceite
Falla Sistema Enfriamiento
Falla Descargas Parciales
ELECTROMAGNÉTICA
Falla Arco Eléctrico
Falla Deformación Axial Devanados
MECÁNICA Falla Deformación Radial Devanados
Falla Perdida Capacidad Mecánica Papel
Falla Degradación Aceite Aislante
Falla Contaminación Aceite Aislante
Falla Contaminación Aceite Aislante OLTC
DIELÉCTRICA Falla Contaminación Humedad Aceite
Falla Contaminación Humedad Papel
Falla Dieléctrica Aislamiento Devanados
Falla Dieléctrica Aislamiento Bujes
Tabla 1 – Índices de Criticidad del Sistema de Diagnóstico
Integral Transformadores
Así mismo en la tabla 2 se muestra cada una de las
subrutinas desarrolladas, indicando a que criticidad
de apunta y cuáles son las técnicas predictivas y las
 variables que utilizan como entrada a la rutina. más importante, por tanto será la que tomaremos
como ejemplo para mostrar cómo ha sido el
Infortunadamente dada la extensión del tema desarrollo e implementación en SAP del sistema de
dejaremos hasta aquí, ya que nuestro objetivo es diagnóstico integral de la condición de los
mostrar en este trabajo la utilidad de la lógica difusa transformadores.
en el desarrollo de sistemas de diagnóstico de
condición basados en reglas, para lo cual utilizaremos Inicialmente se debe determinar de acuerdo con los
las rutinas desarrolladas para el análisis de la estudios de MCC cuáles son los modos de falla que
información de condición resultante del análisis de se buscan detectar con esta técnica predictiva, para
gases disueltos (DGA). con ellos agrupar las variables más sensibles a ellas
ALGORITMO PRUEBA VARIABLES y así desarrollar una rutina de diagnóstico para cada
ÍNDICE CRITICIDAD PREDICTIVA CLAVES uno.
Falla Térmica Papel DGA Monóxido (CO), Dióxido (CO2)
Falla Térmica Aceite DGA Etileno (C2H4), Etano (C2H6) De acuerdo con MCC los modos de falla que se
Falla Sistema Enfriamiento Monitoreo
Tempe Aceite-Devanados pueden detectar a través del DGA serian de dos
Nivel de Cargabilidad
naturalezas térmicas y dieléctricas:
Falla Descargas Parciales DGA Hidrógeno (H2), Metano (CH4)
Acetileno (C2H2), Hidrógeno
Falla Arco Eléctrico DGA Falla térmica en los devanados con compromiso
(H2) ⋅
Falla Deformación Axial Devanados
SFRA ,
Índice Correlación (Banda kHz)
de aislamiento sólido
Impedancia
⋅ Falla térmica fuera de los devanados, en el
SFRA , Índice Correlación (Banda kHz)
Falla Deformación Radial Devanados
Impedancia aceite.
Cromatografía 2FAL, Total Furanos, Monóxido ⋅ Descargas parciales en el aislamiento
Falla Perdida Capacidad Mecánica Papel
Líquida (CO), Dióxido (CO2 ⋅ Arco eléctrico de alta energía
Tensión Interfacial, Número
Falla Degradación Aceite Aislante Fisicoquímicas
Neutralización.
Rigidez Dieléctrica, Factor de Así mismo es necesario establecer cuáles son las
Falla Contaminación Aceite Aislante Fisicoquímicas Potencia Aceite, Contenido señales que la rutina de análisis de los resultados
Partículas
de gases disueltos debe entregar. En general todas
Fisicoquímicas Rigidez Dieléctrica, Contenido
Falla Contaminación Aceite Aislante OLTC
Humedad, Contenido Partículas las rutinas fuzzy del sistema de diagnóstico de
Contenido Humedad, condición integral deben tener como resultado los
Fisicoquímicas
Falla Contaminación Humedad Aceite Saturación Relativa, siguientes aspectos:
Temperaturas
Fisicoquímicas, Contenido Humedad,
Monitoreo, Saturación Relativa, ⋅ Indicación cuantitativa de la criticidad de
Falla Contaminación Humedad Papel
Respuesta Temperaturas, % Humedad ocurrencia del modo de falla bajo análisis.
Dieléctrica Papel
Factor de
⋅ Indicación de cómo están evolucionando las
Factor de Potencia Devanados, variables claves predictivas que describen el
Potencia,
Falla Dieléctrica Aislamiento Devanados Factor de Potencia Aceite, %
Respuesta
Humedad Papel modo de falla en estudio (creciente,
Dieléctrica
Factor de
decreciente, estable, pick-up).
Falla Dieléctrica Aislamiento Bujes
Potencia, Factor de Potencia, ⋅ Naturaleza del modo de falla en evolución
Capacitancia, Capacitancia (térmica, dieléctrica, mecánica, química ,etc)
Monitoreo
Tabla 2 – Variables claves subrutinas del Sistema de Diagnóstico
Integral
Con esta información entregada por la evaluación
del modo de falla que hace cada rutina fuzzy facilita
6. DESARROLLO DE LAS RUTINAS FUZZY PARA el diagnóstico y permite la adecuada asignación de
EL ANÁLISIS DE GASES DISUELTOS – DGA - las acciones de mantenimiento necesarias según el
nivel de evolución del modo de falla bajo estudio.
Dentro de las técnicas predictivas existentes para
establecer la condición del transformador, está el Así mismo es posible asignarle la prioridad dentro
análisis de gases disueltos en el aceite (DGA), la cual de la cual se debe atender la ejecución de las
es quizá hasta el momento la técnica más efectiva y acciones de mantenimiento definidas.
12
Para el desarrollo de las rutinas fuzzy para el
diagnóstico de condición a partir de los resultados
de DGA se utilizó la estructura de un sistema de
inferencia difuso tipo Mamdani, utilizando para la
fuzzificación la función de membresía tipo
gaussiana, definido una función µ1 para la frontera
izquierda de cada variable con parámetros σ1 y a1
propios y otra función µ2 para la frontera derecha
con sus parámetros σ2 y a2 propios respectivos.
serán las variables de entrada a la subrutina. Los
valores de las concentraciones de los gases en ppm
son fuzzificados hallando el grado de pertenecía al
conjunto lingüísticos de los niveles de
concentración, que para este caso fueron definidos
en cinco (5) así: “Normal”, “Bajo”, “Medio”, “Alto” y
“Significativo”.
En las figuras 6 y 7 se muestran la asignación de los
límites de las funciones de membresía para las

 !gg 
  0 <? B C
1 @= E concentraciones de Etileno (C2H4) y el Etano (C2H6)
2 respectivamente.

La base de conocimiento de cada rutina se basa en µ [p.u]

Normal Bajo Medio Alto Significativo
reglas del tipo IF…THEN y el método de 1,0
10 26 50 70 90 105 135 145
defuzzificación empleado para el cálculo 0,8
cuantificable de la salida (índice de criticidad) fue el 0,6
del método del centro de gravedad.
0,4

A continuación describiremos en detalle el 0,2

[ppm]
desarrollo de una de las subrutinas de la rutina 0,0
principal para el análisis de DGA, la cual sigue todos 0 20 40 60 80 100 120 140 160 180

los pasos del desarrollo de un sistema de inferencia µ0-Normal µ1-Bajo µ2-Medio µ3-Alto µ4-Signif.

fuzzy (FIS) descritos anteriormente, las demás Figura 6- Funciones de membresía para el Etileno (C2H4)
subrutinas mantienen el mismo esquema. µ [p.u]
Normal Bajo Medio Alto Significativo
1,0
6.1 SUBRUTINA DIAGNOSTICO “FALLA 10 25 45 65 85 100 125 135

TÉRMICA EN ACEITE” 0,8

0,6
El desarrollo de la subrutina se fundamente en el
0,4
método del “gas clave” descrito en la norma
IEC60599 y para la definición de los rangos de las 0,2
funciones de membresía a partir de las bases de [ppm]
0,0
datos del histórico de DGA, se adoptó la 0 20 40 60 80 100 120 140 160 180
metodología propuesta por Michel Duval en el µ0-Normal µ1-Bajo µ2-Medio µ3-Alto µ4-Signif.
documento de CIGRE TB-296 “Recent
Figura 7- Funciones de membresía para el Etano (C2H6)
Developments in DGA Interpretation”.
El conjunto de salida para la criticidad por “Falla
Generalmente la evolución de una falla térmica en el Térmica en Aceite” se ha definido como un indicador
aceite está asociada a problemas de de criticidad en el rango de 0 a 1 el cual también se
sobrecalentamientos localizados por presencia de han definido cinco (5) conjuntos lingüísticos
puntos calientes ya sea en las conexiones, “Normal”, “Bajo”, “Medio”, “Alto” y “Significativo”,
contactos del selector del OLTC o fallas en el como se muestra la definición de sus límites en la
núcleo. Cuando esto ocurre la energía térmica figura 8.
asociada a la falla produce la descomposición del
aceite (pirolisis) generando gases combustibles. Para la elaboración de las reglas del motor de
inferencia se tuvo en cuenta la combinación de
Para este caso los gases predominantes que se todas las cinco variables lingüísticas para cada
generan son el Etileno (C2H4) y el Etano (C2H6) entrada y la implicación o conclusión de la regla fue
cuyas fechas de análisis y concentraciones en ppm
13
tomada de la experiencia de los expertos,
mostrándose aquí una de las bondades de los A continuación se muestra en la Fig 8 el desarrollo
sistemas fuzzy, que consiste es su facilidad para la gráfico de la rutina difusa, aplicada para un caso
estructuración y síntesis de la experiencia del con concentración de Etileno (C2H4) de 100 ppm y
personal de mantenimiento de Etano (C2H6) de 75 ppm. La rutina fue
µ [p.u] desarrollada en Matlab.
Normal Bajo Medio Alto Significativo
1,0
10 18 34 44 58 68 83 96
0,8
Obsérvese que el conjunto de salida se obtiene
mediante la acumulación de los conjuntos de salida
0,6
para cada una de las reglas del motor de inferencia.
0,4

0,2
[ppm]
0,0
0 20 40 60 80 100

µ0-Normal µ1-Bajo µ2-Medio µ3-Alto µ4-Signif.

Figura 8- Funciones de membresía para la salida del

Índice de Criticidad “Falla Térmica Aceite”

La estructura lingüística de cada regla fue como se

muestra en algunas de las reglas descritas a
continuación como ejemplo:

Regla 22:
Si los ppm de Etileno (C2H4) es NORMAL, Y, los ppm de Etano
(C2H6) es ALTO, ENTONCES, el Índice de Criticidad para
“FALLA TÉRMICA EN ACEITE” es ALTO.
…….
Regla 12:
Si los ppm de Etileno (C2H4) es MEDIO, Y, los ppm de Etano
(C2H6) es ALTO, ENTONCES, el Índice de Criticidad para
“FALLA TÉRMICA EN ACEITE” es ALTO.
…….
Regla 7
:Si los ppm de Etileno (C2H4) es ALTO, Y, los ppm de Etano
(C2H6) es ALTO, ENTONCES, el Índice de Criticidad para
“FALLA TÉRMICA EN ACEITE” es SIGNIFICATIVO.
…..

En la tabla 3 se muestra el resultado de la

construcción del motor de inferencia para esta rutina
con sus 25 reglas de diagnóstico.

Etano (C2H6)
C2H6
Signif. Alto Medio Bajo Normal
C2H4 2
Figura 8 – Desarrollo gráfico de la subrutina “Falla Térmica
Etileno (C2H4)

Signif. Signif. Signif. Signif. Signif. Signif.

Aceite”, para el caso de C2H4: 100 ppm y C2H6: 75 ppm
Alto Signif. Signif. Alto Alto Alto
Tenga en cuenta para el ejemplo que los conjuntos
Medio Signif. Alto Medio Medio Medio
difusos asociados a la variable lingüística que se
Bajo Signif. Alto Medio Bajo Bajo activa en la fuzzificación están sombreados en
amarillo y la regla cuyo conjunto de salida de activa
Normal Signif. Alto Medio Bajo Normal
en la implicación esta sombreado de azul oscuro.
Tabla 3 – Reglas de diagnóstico subrutina “Falla Térmica Aceite”
14
6.2 SUBRUTINA DIAGNOSTICO
TÉRMICA EN PAPEL”
Considerando que el Monóxido de Carbono (CO) y
el Dióxido de Carbono (CO2) son generados
cuando existe pirolisis de la celulosa del papel de
los aislamientos del transformador y por tanto las
fechas y concentraciones en ppm de estos gases
son las variables de entrada para la subrutina fuzzy
de valoración de la criticidad para el modo de falla
denominado “Falla Térmica en Papel”.
“FALLA Infortunadamente el Monóxido de Carbono (CO) no
se genera al interior del transformador de forma
exclusiva por pirolisis de la celulosa, sino que su
generación también está asociada a reacciones
químicas entre el aceite aislante y materiales
usados al interior del transformador distintos a la
celulosa, como lo son los elastómeros de base
nitrilo, algunos tipos de pinturas y fibras sintéticas
fenólicas, entre otras. Este origen “indeseado” del
CO distorsiona el diagnostico de modos de falla
térmica asociados al papel.

En las figuras 9 y 10 se muestran la asignación de Dióxido de Carbono

los límites de las funciones de membresía para las CO2
concentraciones de Monóxido de Carbono (CO) y el Normal Bajo Medio Alto Signif.

Monóxido de Carbono
CO
Dióxido de Carbono (CO2) respectivamente.
Normal Normal Normal Normal Normal Bajo
µ [p.u]
Normal Bajo Medio Alto Significativo
Bajo Normal Bajo Bajo Bajo Medio
1,0
100 150 400 600 800 1200 1400
300 Medio Medio Medio Medio Medio Alto
0,8

0,6 Alto Alto Alto Alto Signif. Signif.

0,4 Signif. Alto Alto Signif. Signif. Signif.
0,2
[ppm] Tabla 4 – Reglas de diagnóstico subrutina “Falla Térmica Papel”
0,0
0 200 400 600 800 1000 1200 1400 1600

µ0-Normal µ1-Bajo µ2-Medio µ3-Alto µ4-Signif.

Por lo tanto, es importante resaltar que en esta
rutina fue necesario realizar al final un chequeo
Figura 9- Funciones de membresía para el Monóxido de
Carbono (CO)
cruzado con la rata de incremento de la
concentración Total de Gases Combustibles
µ [p.u] (TDGC) con el propósito de discriminar que la
Normal Bajo Medio Alto Significativo
1,0
3000 6000
generación de los gases combustibles CO y CO2
6500 10000 12000
sean asociados con un modo de falla que involucre
0,8
calentamiento al interior del transformador.
0,6

0,4

0,2
[ppm]
0,0
0 2000 4000 6000 8000 10000 12000 14000

µ0-Normal µ1-Bajo µ2-Medio µ3-Alto µ4-Signif.

Figura 10- Funciones de membresía para el Dióxido de Carbono

(CO2)

Todas las etapas de desarrollo del FIS para esta

subrutina fueron realizadas siguiendo el mismo
Figura 11 – Rutina chequeo por TDGC para verificar generación
procedimiento indicado en el numeral anterior. En la “indesada” de CO
tabla 4 se muestra las reglas de diagnóstico para el
motor de inferencia de la subrutina.
15
6.3 SUBRUTINA INTEGRADORA DIAGNOSTICO
“FALLA TÉRMICA GENERAL”
Para evaluar un índice de criticidad por “Falla
Térmica General” se desarrolló una subrutina fuzzy
que combina los resultados de las subrutinas para
“Falla Térmica en Aceite” y “Falla Térmica en
Papel”.
Los índices de criticidad de estas dos subrutinas
son las entradas de esta rutina, y el desarrollo del
FIS para el modo “Falla Térmica General” sigue el
mismo procedimiento El índice de criticidad térmico
general nos da una idea de cuál es el desempeño
térmico del transformador y permite focalizar las
acciones de mantenimiento sobre aquellos
componentes del equipo que están asociados a la
temperatura como son por ejemplo: las conexiones,
los contactos del OLTC, el núcleo, control del flujo
de dispersión, desempeño del sistema de
enfriamiento, el manejo de la cargabilidad de la
unidad, etc. descrito anteriormente.
6.4 SUBRUTINA DIAGNOSTICO “FALLA
ELÉCTRICA DESCARGAS PARCIALES”
La actividad de descarga parcial (PD) en el
transformador produce un alto nivel de generación
de Hidrógeno (H2) y además un nivel considerable,
de Metano (CH4). Las fechas y concentraciones en
ppm de estos gases se utilizan como entrada para
el modelo difuso desarrollado para medir la
criticidad eléctrica PD en el transformador y que
hemos denominado “Falla Eléctrica Descargas
Parciales”.
6.5 SUBRUTINA DIAGNOSTICO “FALLA
ELÉCTRICA ARCO”
El arco eléctrico se considera una de las más
graves preocupaciones y modo de falla más severo
en transformadores. Tanto el Hidrógeno (H2) y
como el Acetileno (C2H2) son los principales gases
indicadores para la actividad de formación de arcos
eléctricos. El FIS para el diagnóstico del índice de
criticidad por el modo de falla “Falla Eléctrica
Arco” se desarrolla utilizando estos gases como
insumos para el modelo en el que la salida es la
criticidad por arco eléctrico.
16
6.6 SUBRUTINA INTEGRADORA DIAGNOSTICO
“FALLA ELÉCTRICA GENERAL”
Para evaluar un índice de criticidad por “Falla
Eléctrica General” se desarrolló una subrutina fuzzy
que combina los resultados de las subrutinas para
“Falla Térmica en Aceite” y “Falla Térmica en
Papel”.
El índice de criticidad eléctrico nos sirve para darnos
una idea general de la condición dieléctrica del
transformador, la cual está íntimamente ligada a la
condición de sus aislamientos tanto el sólido como
el líquido.
Típicamente la presencia de los modos de falla
eléctricos suelen estar asociados a problemas de
contaminación del aislamiento por partículas,
humedad, sustancias polares y presencia de
burbujas de gas. Así mismo problemas de
equipotencialización de partes internas del
transformador y presencia de alto estrés dieléctrico
en zonas localizadas de la parte activa.
6.7 SUBRUTINA INTEGRADORA “CRITICIDAD
DIAGNOSTICO INTEGRAL POR DGA”
Finalmente una vez evaluados y cuantificados cada
uno de los cuatro índices de criticidad para los
modos de falla a ser detectados por el análisis de
gases disueltos, es necesario cuantificar en un solo
indicador la condición del transformador.
Considerando que en el transformador lo que se
tiene en realidad en un “concurso de modos de falla”
ya que no es posible afirmar y además no ocurre en
la realidad, de que sobre un transformador solo
actué un solo modo de falla a la vez, y por tanto se
hace necesario desarrollar una rutina fuzzy que
integre todos los modos de falla que se pueden
detectar por el DGA, para que de esta forma se
pueda cuantificar en un índice general de criticidad
de 0 a 100% la condición del transformador, a este
indicador es el que denominamos “Índice Criticidad
Diagnóstico Integral – DGA- “.
En la figura 12 se muestra el esquema general de
toda la rutina para el diagnóstico integral de la
condición del transformador utilizando la información
entregada por los análisis de gases disueltos DGA.
Se observa como las distintas subrutinas se
entrelazan entre sí par
para
a ir sistemáticamente realizar automáticamente la calificación de la
elaborando un indicador único de la criticidad por condición de todos los transformadores, ac
actividad
tividad
condición. que en su momento se realizaba en forma manual
por los analistas de la Dirección Gestión
Mantenimiento, con un consumo importante de
recurso.
Considerando que las herramientas (toolbox) de
lógica Fuzzy que dispone el Matlab® no están
disponibles p
para
ara ambientes distintos a este y que el
SAP/R3 tiene limitaciones de procesamiento
matemático, era necesario convertir las rutinas
desarrolladas en Matlab
Matlab®® a expresiones que
manejaran las operaciones aritméticas y lógicas
básicas y que una vez fuese posibl posible
e esta
conversión, su implementación en SAP/R3 seria
factible.

Debido a que el SAP/R3 no dispone de un ambiente

para la programación de las rutinas, fue
desarrollado en conjunto con la Dirección
Informática un aplicativo en ambiente web para que
Figura 12 – Esquema general de la rutina para diagnóstico fuera la interface para la programación de las
integral por DGA.
rutinas fuzzy en SAP/R3, y a la cual se accede a
través de la transacción ZPMALGO, La Fig. 14
En la Fig. 13 se muestra el esquema general de muestra un pantallazo del aplicativo desarrollado en
todo el sistema de diagnóstico integral de la donde se observan las diferentes áreas de trabajo
condición de transformadores que fue desarrollado y para la construcción de las rutinas fuzzy
en donde se observa todas las subrutinas y rutinas
creadas para diagnosticar todos los posibles modos
de falla que puedan afectar las capacidades de un
transformador y por consiguiente posibles pérdida
pérdidass
de sus funciones.

7. IMPLEMENTACIÓN DE LAS RUTINAS FUZZY

EN SAP/R3

Una vez diseñado el sistema de diagnóstico integral

y definido cuales serían las variables a considerar
en el desarrollo de cada rutina, fueron las rutinas
primero desarrolladas en Matlab® para realizar el
ajuste y sintonía de las reglas de diagnóstico.

Una vez verificado que los resultados que arrojaban Figura 14 – Interface para desarrollo en SAP/R3 de las rutinas
los diagnósticos de cada rutina se planteó el desafío fuzzy de diagnóstico de condición.
de que estas fueran incorporadas al módulo PM del
SAP/R3 y que estas corrier
corrieran
an de forma automática Junto con el desarrollo fueron desarrolladas
cada vez que se ingresara al equipo nueva funciones especiales para la consulta y escritura de
información resultante del mantenimiento predictivo la información de resultados de pruebas e
a través de sus puntos de medida, y de esta forma inspecciones almacenados en SAP/R3 para cada
equipo
quipo en sus puntos de medida.
17
Figura 13 – Esquema general del sistema Fuzzy de diagnóstico Integral de la condición
de transformadores de potencia implementado en SAP/R3

18
Los parámetros para la fuzzificación de los valores uno de ellos.
de entrada a las rutinas que son tomados de los Sin embargo en nuestro proceso de ma mantenimiento
ntenimiento
puntos de medida de los equipos son almacenados también es necesario entregar una calificación de
en SAP/R3 en forma de características técnicas, las los equipos, la cual no se hace a través de un índice
cuales son creadas para cada familia de equipos. continuo de 0 0-100,
100, sino que están definidos en
valores discretos en una escala de calificación con 5
Por lo tanto para la consulta desde las rutinas de niveles así
así::
estos parámetros también fueron creadas funciones
es
especiales
peciales para la consulta de características ⋅ Calificación 0: Equipo FA
FALLADO
LLADO o con pérdida
técnicas. de sus funciones principales.
⋅ Calificación 1: Equipo CRITICO
CRITICO.. Riesgo de
Para cada una de las etapas del proceso de pérdida de alguna de sus funciones en el corto
inferencia difusa de cada rutina fueron desarrolladas plazo.
líneas de código, las cuales contienen solamente ⋅ Calificación 2: Equipo CUESTIONADO
CUESTIONADO.. Riesgo
expresiones aritméticas básicas (+; --; **; /) y de pérdida de alguna de sus funciones en el
funcion
funciones
es lógicas como AND, OR, min, max.max.,, >, <, mediano plazo.
=. ⋅ Califica ción 3: Equipo SEGUIMIENTO
Calificación SEGUIMIENTO.. Se
observa desviación en alguna de las variables
A manera de ejemplo mostramos en la Fig. 15 que evalúan su condición que debe ser
algunos segmentos de línea de código verificada.
desarrollados para una rutina fuzzy
fuzzy..
Para control de la información que requiere el
algoritmo en SAP se han definido los siguientes
códigos de ayuda:

⋅ Calificación 99:: El equipo no tiene Documentos

de Medida suficientes para realizar la
calificación.
⋅ Calificación 8: El equipo no tiene asignados los
Puntos de Medida necesarios para realizar la
calificación.
⋅ Calificación 7: El equipo no tiene asignado o sin
información d dee las Características Técnicas
necesarias para realizar la calificación.
⋅ Calificación 6: Existen discrepancias en las
Figura 15 – Segmento de líneas de código de una rutina fuzzy en
fechas de los Documentos de Medida usados
SAP/R3. en alguna de las rutinas del algoritmo.

7.1 INTERPRETACIÓN DE LOS RESULTADOS Por lo tanto es necesaria la creación de una rutina
DEL SISTEMA INTEGRAL DE DIAGNOSTICO qu
quee tome los índices de criticidad integrados y
DIFUSO entregue una calificación unificada del
transformador enmarcada dentro de la escala de los
Cada subrutina fuzzy del sistema de diagnóstico 5 niveles.
integral entrega un índice de criticidad de 0 a 100%
para el modo de falla que está evaluando. Estos El resultado de la calificación del algoritmo en SAP
índices parciales son agrupados de acuerdo a la Calificación
es almacenado en el punto de medida ““Calificación
capacidad que se desea evaluar (térmica, del equipo”, tal y como se muestra en la Fig. 16,, en
Fig.16
electromagnética, dieléctrica, mecánica) y se donde se ingresa el valor de la calificación total y
entrega un índice de criticidad integrado para cada tiene un campo de texto que es donde se ingresa el
19
 código de diagnóstico, donde mediante códigos se algunos de estos códigos a manera de ejemplo.
indica los resultados de las calific
calificaciones
aciones parciales
de las subrutinas, indicando cuales posibles modos ALGORITMO CÓDIGO ALGORITMO CÓDIGO
EJEMPLO
PRINCIPAL PRINCIPAL SECUNDARIOS SECUNDARIO
de falla pueden estar en evolución, justificando así
Falla Térmica Aceite T.ACE
el valor de la calificación del equipo. Análisis de Falla Térmica Papel T.PAP 2
2-
Gases Disueltos DGA
Transformador Descarga Parcial DP DGA=T.PAP/DP//
Arco Eléctrico ARC
Análisis de la Condición Dieléctrica
DIE
Condición Aceite Cuba
OIL 3 OIL=DIE//
3-OIL=DIE//
Físico-Química
Físico Química Condición Físico-
Físico
Aceite Cuba FQ
Química Aceite Cuba
Desviación ultimo
resultado [ppm] DELTA
respecto a la media
No se conoce la
Temperatura de la T.M
Análisis del Muestra
Contenido de
HUM No se conoce 3-HUM=DELTA/
HUM=DELTA/
HUM=DELTA//
Humedad en
Aceite Cuba Temperatura
T.TRF
Transformador en el
muestreo
Discrepancias de
fechas entre datos de FECHA
ppm y temperaturas

Tabla 5 – Algunos códigos de diagnóstico del sistema integral

de diagnóstico

8. CONCLUSIONES Y RECOMENDACIONES
Figura 16 – Estructura del Punto de Medida “Calificación del
equipo” Los sistema
sistemas de evaluación de condición basados
en lógica difusa permite fácilmente la elaboración de
En el campo de Texto será ingresado en Código de modelos matemáticos y algoritmos para el manejo
Diagnóstico, en donde se reportara las anomalías del conocimiento del análisis de condición, ya que
detectadas por cada uuna
na de las rutinas del algoritmo este es en general lingüístico y subjetivo, además
tal y como se muestra en la Fig.Fig.17
17 Cuando una de estar basad
basado en el conocimiento y experiencia.
rutina tenga una calificación parcial correcta no se Por lo anterior son muy eficaces para capturar y
reportara nada en el códi
código.
go. documentar gran cantidad de knowknow-how
how relevante
que es llevada en su mente por el personal de
Rutinas Secundarias mantenimiento con experiencia
experiencia,, y con riesgo de
Separadas por “/”
perderse cuando estos se retiran de la compañía.
DGA=T PAP/ARC//3-OIL.TAP
2--DGA=T
DGA=T-PAP/ARC OIL.TAP//3-BUJ
BUJ INSP=9-
BUJ//2-INSP=9
INSP=9-M.OLTC/2
M.OLTC/2-CUB
M.OLTC/2-CUB
Los sistemas de diagnóstico de condición deben
Rutina Principal estar enfocados en detectar posibles modos de falla
Rutinas Principales en evolución en un transformador, más que
Separadas por “//” preocuparse por indicar si alguna variable medida
Figura 17 – Ejemplo estructura del código de diagnóstico del en los mantenimientos predictivos está o no
sistema integral de diagnóstico
diagnóstico..
desviada respecto de algún valor de referencia, sin
ninguna observación de su asociación a algún modo
Dado a que el espacio de texto de los puntos de de falla
falla.
medida de SAP/R3 es limitado a número
determinado de caracteres, se establecieron una Resulta de vital importancia que el diseño de los
serie de códigos nenemotécnicos
motécnicos para explicar el sistemas de diagnóstico de condición estén en
resultado de cada rutina. En la tabla 5 se muestran armonía con los estudios de MCC, para que lla a

20
detección de los modos de falla establecidos en
estos y sus tareas de mantenimiento predictivo,
sean la función objetivo de estos y pueda darse al
proceso de mantenimiento señales oportunas de
que acciones de mantenimiento requieren los
equipos.
9. REFERENCIAS BIBLIOGRÁFICAS
1. Mendel, J. M., Fuzzy logic systems for
engineering: a tutorial, Proceedings of the IEEE,
Vol. 83, N. 3, pp. 345-377, 1995.
2. L. A. Zadeh. “The concept of a linguistic variable
and its application to approximate reasoning.
Part II”. In: Information Sciences 8.4 (1975), pp.
301–357.
3. Pedrycz, W., Gomide, F., An Introduction to
Fuzzy Sets. Analysis and Design, MIT Press,
1998.
4. Ross, T. J., Fuzzy Logic with Engineering
Applications, McGraw-Hill Inc., 1995.
5. International Electrotechnical Commision.
Mineral oil-impregnated electrical equipment in
service - Guide to the interpretation of dissolved
and free gases analysis. Standard IEC 60599.
Geneva, 2007.
6. CIGRE Joint Working Group D1.01 & A2.11.
Recent developments in DGA interpretations.
Paris, 2006.
7. "IEEE guide for the interpretation of gases
generated in oil-immersed transformers," IEEE
Std C57.104-2008.
8. S. Mofizul Islam, T. Wu, and G. Ledwich, "A
novel fuzzy logic approach to transformer fault
diagnosis," Dielectrics and Electrical Insulation,
IEEE Transactions on, vol. 7, pp. 177-186,
2000.
9. Abu-Siada A., Islam S., 2012, A new approach
to identify power transformer criticality and asset
management decision based on dissolved gas-
in-oil analysis. IEEE Transactions on Dielectrics
and Electrical Insulation, 19, 1007-1012.
21
10. T. Krontiris and G. Balzer. “Fuzzy and neuro-
fuzzy models for condition assessment of power
systems equipment”. In: Proceedings of the 16th
International Symposium on High Voltage.
(Cape Town, Aug. 24–28, 2009). 2009.
11. M. Duval and A. dePablo. “Interpretation of gas-
in-oil analysis using new IEC publication 60599
and IEC TC 10 databases”. In: IEEE Electrical
Insulation Magazine 17.2 (2001), pp. 31– 41.
10. HOJA DE VIDA DE LOS AUTORES
ALBERTO HERREÑO ROCHA
Ingeniero Electricista graduado con mención Cum
Laude y Laureate Thesis de la Universidad Industrial
de Santander. Labora en Interconexión Eléctrica
E.S.P desde 1995. Ha sido miembro del Doble
Client Committee on Insulating Materials y
participante del Grupo de Trabajo WG12.18 “Life
Management of Transformers” de CIGRE. Se ha
desempeñado como Analista en el área de
transformadores de potencia en el análisis de
condición de equipos y decisiones sobre su ciclo de
vida. Experiencia de 20 años en campos como
interventoría de pruebas en fábrica de
transformadores, diseño e implementación de
diagnóstico de condición integral, análisis e
interpretación de pruebas eléctricas, preparación de
especificaciones técnicas de compra y reparación
de transformadores. A partid del año 2012 ejerce
como Especialista de Equipos de Subestaciones y
en el año 2014 fue trasladado a Intercolombia S.A,
la nueva filial de ISA en el país.