MATERIA:

ADMINISTRACIÓN Y TÉCNICAS DE MANTENIMIENTO

MAESTRO:
DR. GERARDO LARA ARRIAGA

ALUMNO:
ALEXIS HUMBERTO CONTRERAS RAMIREZ

TEMA:
UNIDAD 5: LUBRICACION

CARRERA:
INGENERÍA ELECTROMECÁNICA

1
6.5 DETECCION DE GRIETAS CON ELECTROMAGNETISMO.
Si una grieta en la superficie o una grieta cerca de la superficie están presente en
equipos de metal, tiene el potencial de crecer hasta una longitud crítica, lo que
podría afectar la integridad estructural. De ahí que los métodos para detectar grietas
son una parte fundamental de los programas de garantía de calidad en el vuelo para
el equipo del motor comercial, militar y de cohete. Varios métodos de ensayo no
destructivos se utilizan para detectar grietas en equipos de metal. Dos ejemplos son
la inspección de corrientes inducidas, que utiliza el principio del electromagnetismo
para detectar grietas de superficie o cerca de la superficie, la inspección penetrante
fluorescente, que utiliza tinte fluorescente y la inspección visual bajo luz negra para
detectar sólo grietas en la superficie.

Figura POD es el área bajo la curva normal.

El tamaño de la grieta es un factor que afecta la capacidad de detección. Grietas en
la superficie de mayor tamaño, por ejemplo, tienden a producir una mayor respuesta
de señal CE y emiten una fluorescencia más brillante que las grietas superficiales
más pequeñas. Por lo tanto, como aumenta el tamaño de la grieta, la probabilidad
de detección tiende a aumentar. Dados datos de END (ensayos no destructivos)
generados a través de un experimento controlado, un modelo lineal generalizado es
comúnmente usado en la industria aeroespacial para determinar la grieta de tamaño
típico que se puede detectar con una probabilidad dada bajo la operación del
sistema de END estándar.
En esencia, un GLM es una generalización del modelo de regresión lineal clásico
que puede dar cabida a una estructura de error no normal. Por ejemplo, la forma
teórica de un GLM con una sola variable de predicción es:
𝑔 (𝑦 ) = 𝛽 + 𝛽 ∙ 𝑥 + 𝜀

donde:
y es la variable de respuesta
x es la variable de predicción
g es la función que vincula la variable de respuesta con la variable de predicción
β0 y β1 son los coeficientes del modelo
εi es el término de error que sigue una de las distribuciones en la familia exponencial
(por ejemplo: normal, binomio, Poisson).
La función de enlace apropiada y la distribución asumida del término de error
dependen de la naturaleza de la variable de respuesta. Por ejemplo, cuando la
variable respuesta es continua con una estructura de error normal y la función de
enlace identidad g(y) = y se utiliza, el resultado es el modelo de regresión lineal
simple clásico con fórmula de predicción:
𝑦 = 𝑏 +𝑏 ∙𝑥

dónde:

está la respuesta promedio para un valor dado de variable de predicción x

b0 y b1 son los coeficientes estimados del modelo.

CURVA RESULTANTE POD

Los datos generados por un sistema de inspección CE son continuos. Cuando una
sonda CE explora a través de una grieta superficial o una grieta cerca de la
superficie, el instrumento de prueba CE procesa la señal y la muestra como una
cantidad mensurable. La respuesta de la señal CE medida para grietas del mismo
tamaño puede variar debido a otras características físicas de la grieta, como la
profundidad y la variabilidad inherente en el proceso de inspección de la CE. Esta
variación se supone que se distribuye normalmente en una escala logarítmica. Por
lo tanto, un modelo común que se ajusta a los datos CE es el modelo de regresión
lineal simple:
 ln(𝑎) = 𝑏 + 𝑏 ∙ ln(𝑎)
Donde

está la respuesta de la señal CE medida y a es el tamaño de la grieta

conocida.
La teoría de la probabilidad normal se utiliza para determinar el POD para un tamaño
de grieta dado. En general, la probabilidad está representada por el área bajo la
curva normal. Por lo tanto, POD equivale al área bajo la curva normal por encima
del valor más pequeño de la respuesta de la señal medida que puede ser
considerada un hallazgo. Por ejemplo, si una respuesta de la señal medida por
encima de 1 se considera un hallazgo, entonces POD equivale al área bajo la curva
normal más allá de uno como se ilustra en la Figura 40. POD se puede calcular para
cada tamaño de grieta y se representó para establecer lo que se conoce
comúnmente como una curva POD como se ilustra en la Figura 41. La "curva POD"
resultante se utiliza para estimar el tamaño de la grieta típica que puede ser
detectada con una probabilidad dada.
Los datos generados por un sistema de inspección FP son binarios. Es decir, la
grieta fue encontrada o no encontrada durante la inspección visual. Una posible
función de enlace de datos binarios que se utiliza a menudo con datos de la
inspección FP es la función de enlace logito:

𝑝
𝑔(𝑦) = ln( )
1−𝑝

Cuando se utiliza el enlace logito, el modelo es conocido como un modelo de

regresión logística. Un posible modelo predictivo que se ajusta a los datos de
inspección FP es:
𝑝
ln = 𝑏 + 𝑏 ∙ ln(𝑎)
1−𝑝
Donde
p = POD. Tenga en cuenta que el modelo se puede expresar en términos de POD.
Esto es:
exp(𝑏 + 𝑏 ∙ ln(𝑎)
𝑃𝑂𝐷 =
1 + exp(𝑏 + 𝑏 ∙ ln(𝑎)

Por lo tanto, el modelo de regresión logística es la propia curva de POD (y tendrá

un aspecto similar a la Figura 41), mientras que el modelo lineal simple es el primer
paso para generar la curva de POD.
En general, cada GLM tiene sus propias suposiciones subyacentes, una de los
cuales se ocupa de la distribución del término de error. Como se señaló
anteriormente, el modelo de regresión lineal simple que asume el término de error
normalmente se distribuye. El modelo de regresión logística asume el término de
error seguido de una distribución binomial. Si alguno de los supuestos subyacentes
no se sostienen, entonces el modelo predictivo no es válido y puede ser totalmente
confuso. Por lo tanto, se requiere un conocimiento básico de los supuestos del
modelo. Dos normas ASTM están disponibles como recurso. La próxima revisión de
E2586, Práctica para el cálculo y el uso de estadísticas básicas, incluirá la regresión
lineal simple. ASTM E2862, Práctica para el análisis de probabilidad de detección
para datos de prueba y error, analiza GLM para datos binarios que se aplican a
POD. El libro de McCullagh y Nelder, Modelos lineales generalizados es útil como
referencia para cualquier persona que pueda estar interesada en aprender más
sobre los GLM.