Trabajo realizado por:  Fray Alberto Herreño Rocha

Empresa:  INTERCOLOMBIA

Título del trabajo:  SISTEMA DE DIAGNOSTICO BASADO EN LÓGICA

FUZZY PARA CONDICIÓN DE TRANSFORMADORES
Categoría:  Equipos de Alta Tensión y Subestaciones
Fecha:  15/02/2015
AGENDA

 Motivación
 Que es el análisis de condición ACE ?
 Desafíos del ACE en el mantenimiento
 Fundamento de la lógica difusa
 Sistemas de inferencia difusos
 Desarrollo del sistema de diagnóstico para transformadores
 Implementación en SAP/R3
 Que sigue?
 Conclusiones
 MOTIVACIÓN

 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 y de la experiencia.

 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 .
“… para saber que tengo que hacer, lo primero que debo saber
es: cómo están las cosas”.
 ANÁLISIS DE CONDICIÓN DE EQUIPOS - ACE
Que es?
El análisis de condición ACE, es un proceso de análisis y síntesis para
estimar la condición de un componente o pieza del equipo de acuerdo
con un conjunto de criterios.

Criterios

Proceso
Equipo

Análisis
Condición
Síntesis

Estimación
 DEFINICIÓN DEL INDICADOR DE CONDICIÓN DE
EQUIPOS - CI

 Los indicadores son una “métrica resumen”.

 Como definir adecuadamente un indicador de condición CI.

1. Definir los objetivos de las decisiones de

mantenimiento.
2. Definir el objeto del análisis de condición.
3. Estructurar los indicadores de condición.

Aplicable

CI Disponible
Costo-efectivo
 FUNDAMENTOS DE LÓGICA DIFUSA

Fue introducida como un mecanismo de

representación de la vaguedad e imprecisión de
los conceptos empleados en el lenguaje
natural.

Los conjuntos difusos fueron definidos como

una extensión de los conjuntos clásicos al
introducir un grado µ para expresar la
pertenencia de un elemento a un conjunto
como un número real en el intervalo de 0 a 1
→ µ: [0,1].

Se denomina lógica difusa a los mecanismos de inferencia basados en

reglas que emplean términos lingüísticos representados por conjuntos
difusos.
 FUNCIONES DE MEMBRESÍA
Fuzzificación
A que color pertenece la franja roja?

 En nuestro razonamiento la información está en forma de variable

lingüística, cada uno de estos términos se conoce como etiqueta
lingüística y se representa por medio de un conjunto difuso.
 Cada entrada de un FIS es modelada como una variable lingüística a
partir de la asignación de las funciones de membresía. →
FUZZIFICACION
 FUNCIONES DE PERTENENCIA
Ejemplos

Función Gaussiana
“alrededor de”
Función Triangular
“alrededor de”

Función Campana Función Trapezoidal

“entre un rango” “entre un rango”
 OPERACIONES EN LÓGICA DIFUSA

 Al igual que en la lógica clásica, en la lógica borrosa existen tres

operaciones básicas sobre conjuntos: la unión, la intersección y
el complemento.

 t-normas y t-conormas: son operadores binarios que establecen

modelos genéricos para las operaciones de intersección y unión,
los cuales deben cumplir ciertas propiedades.
 Las t-normas representan la intersección de dos conjuntos
borrosos.

 Las t-conormas representan la unión de dos conjuntos borrosos.

 T-conormas → UNIÓN DIFUSA

T-normas → INTERSECCIÓN DIFUSA

OPERACIONES EN LÓGICA DIFUSA
 SISTEMAS DE INFERENCIA DIFUSOS
Base de reglas
Difusas
SI A : ENTONCES : B
Salida

Entrada
Motor de inferencia
Difusa
Fuzzificación 1. Operador difuso Defuzzificación
2. Implicación
3. Agregación

 Un sistema de inferencia difuso (FIS) es una herramienta computacional

basada la teoría de los conjuntos difusos y el razonamiento difuso.
 La principal ventaja es que las reglas de inferencia se pueden definir
precisa y consistente a partir del conocimiento y la experiencia del
personal.
 Permite el manejo la incertidumbre de la información de entrada
mediante la definición de uno o más conjuntos difusos.
 SISTEMAS DE INFERENCIA DIFUSOS
Sistema Mamdani basado en reglas

Existen varios métodos para elaborar un FIS tales como: método

Sugeno, método Mamdani, método Takeshi, entre los mas famosos.

El método de Mamdani es el más usado en aplicaciones de sistemas

de diagnóstico basado en reglas, dado que tiene una estructura muy
simple de operaciones “mín-max”.

Paso 1: Evaluación del antecedente en cada regla (fuzzificación).

Paso 2: Obtener la conclusión en cada regla.
Paso 3: Agregar la conclusión de cada regla.
Paso 4: Cuantificación del conjunto de salida (desfuzzificación).
SISTEMA MAMDANI BASADO EN REGLAS

0. Seleccionar función de
pertenencia → µ
 SISTEMAS DE INFERENCIA DIFUSOS
Ejemplo
Es necesario determinar la condición dieléctrica del aceite de un
transformador a partir de los resultados de las pruebas de aceite de
rigidez dieléctrica en [kV] y el factor de potencia en [%] a 25°C. A
partir de nuestra experiencia elaboramos las siguientes reglas de
diagnóstico:
Regla 1:
Si la Rigidez Dieléctrica es BUENA, Y, el Factor de Potencia es
BUENO, ENTONCES, la Condición Dieléctrica del aceite es
BUENA.
Regla 2:
Si la Rigidez Dieléctrica es BUENA, Y, el Factor de Potencia es
MALA, ENTONCES, la Condición Dieléctrica del aceite es
REGULAR
Regla 3:
Si el Factor de Potencia es MALA, ENTONCES, la Condición
Dieléctrica del aceite es MALA
 SISTEMAS DE INFERENCIA DIFUSOS

 Fuzzificación
RD: 48.5 kV
𝜇𝑅𝐷 𝐵𝑈𝐸𝑁𝑂: 0.7
. .
PF% @ 25°C: 0.75%
𝜇𝑃𝐹% 𝐵𝑈𝐸𝑁𝑂: 0.55
𝜇𝑃𝐹% 𝑀𝐴𝐿𝑂: 0.44 . .
 Agregación
Regla 1

.
Si la Rigidez Dieléctrica es BUENA, Y, el
Factor de Potencia es BUENO,
ENTONCES, la Condición Dieléctrica del
aceite es BUENA

𝑅1: 𝑡. 𝑛𝑜𝑟𝑚 [𝜇𝑅𝐷 𝐵𝑈𝐸𝑁𝑂 AND 𝜇𝑃𝐹% 𝐵𝑈𝐸𝑁𝑂]

R1: min(𝜇𝑅𝐷 𝐵𝑈𝐸𝑁𝑂; 𝜇𝑃𝐹% 𝐵𝑈𝐸𝑁𝑂)

R1: min(0.7; 0.55)
R1: 0.55
 SISTEMAS DE INFERENCIA DIFUSOS
Desfuzzificación
 Método del Centroide  Solución al ejemplo

‫𝑥𝑑 𝑥 𝐴𝜇𝑥 ׬‬
𝑥𝐴
‫𝑥𝑑 𝑥 𝐴𝜇 ׬‬

 Método de las alturas

i yi µ(yi) yi*µ(yi)
𝑘 𝑥𝑘 𝜇𝐴𝑘 𝑥𝑘 1 0 0.44 0
𝑥𝐴 2 0.13 0.44 0.05

𝑘 𝜇𝐴𝑘 𝑥𝑘 3
4
0,25
0.38
0
0.44
0
0.16
𝜇
5 0.64 0.44 0.28 𝜇
6 0.75 0 0
7 0.9 0.55 0.51
8 1 0.55 0.55
∑ 2.88 1.57

Defuzzificación → Cuantificación del conjunto de salida para obtener una

solución a un problema de decisión, queremos obtener como salida es un
número y no un conjunto borroso.
EL MÉTODO CLÍNICO DE DIAGNÓSTICO
 Enfoque por sistemas funcionales.
 Establece enfermedades (modos de falla) y sus patologías
(manifestaciones).
 Determina rutina de chequeos y pruebas diagnósticas
eficaces para cada enfermedad.
 Considera los hábitos de vida (rutinas de operación).
 Valida el diagnóstico con mas de una patología detectada.
 No detecta desviaciones en los chequeos o pruebas
diagnósticas sino que diagnostica presencia o evolución de
enfermedades.
 Establece consecuencias en otros sistemas.
 Recomienda terapia integral minimizado efectos en otros
sistemas.
 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?
 CAPACIDADES DEL TRANSFORMADOR

a. Capacidad Electromagnética: capacidad de transferir en forma

electromagnética energía a condiciones específicas, 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.
MODOS DE FALLA POR PERDIDA DE CAPACIDAD
 VARIABLES A CONSIDERAR
ALGORITMO
Indice de Criticidad
Falla Térmica Papel
Falla Térmica Aceite
Falla Sistema de Enfriamiento
Falla Descargas Parciales
Falla Arco Eléctrico
Falla Deformación Axial Devanados
Falla Deformación Radial Devanados
Falla Pérdida Capacidad Mecánica Papel
Falla Degradación Aceite Aislante
Falla Contaminación Aceite Aislante
Falla Contaminación Aceite Aislante OLTC
Falla Contaminación Humedad Aceite
Falla Contaminación Humedad Papel
Falla Dieléctrica Aislamiento Devanados
Falla Dieléctrica Aislamiento Bujes
Inspecciones Periodicas
PRUEBA PREDICTIVA VARIABLES CLAVES
DGA Monóxido (CO), Dióxido (CO 2)
DGA Etileno (C2H4), Etano (C2H6)
Monitoreo temperaturas Temperatura Aceite, Devanados, Nivel de Cargabilidad
DGA, Descargas Parciales
Hidrógeno (H2), Metano (CH4), Nivel de DP (UHF)
UHF
DGA, Descargas Parciales
Acetileno (C2H2), Hidrógeno (H2), Nivel de DP (UHF)
UHF
SFRA, Impedancia Indice de Correlación (Banda kHZ)
SFRA, Impedancia Indice de Correlación (Banda kHZ)
Cromatografía Líquida 2FAL, Total Furanos, Monóxido (CO), Dióxido (CO 2)
Fisico-químicas Tensión Interfacial, Número de Neutralización
Rigidez Dieléctrica, Factor Potencia Aceite, Contenido de
Físico-químicas
Partículas
Físico-químicas Rigidez Dieléctrica, Contenido de Humedad
Físico-químicas Contenido de Humedad, Saturación Relativa RS%, Temperaturas
Físico-químicas, Respuesta Contenido de Humedad Aceite, Saturación Relativa RS%,
Dieléctrica, Monitoreo Temperaturas, Contenido Humedad Papel
Factor de Potencia PF%, Factor de Potencia Devanados, Factor de Potencia Aceite,
Respuesta Dieléctrica Contenido Humedad Papel
Factor de Potencia PF%,
Factor de Potencia, Capacitancia
Capacitancia, Monitoreo
Inspecciones Visuales Varias
SISTEMA DE DIAGNOSTICO INTEGRAL TRANSFORMADOR
 RUTINA FUZZY PARA EL ANÁLISIS DE DGA

De acuerdo con MCC los modos de falla que se pueden detectar a través del DGA serian
de dos naturalezas térmicas y dieléctricas:
 Falla térmica en los devanados con compromiso de aislamiento sólido
 Falla térmica fuera de los devanados, en el aceite.
 Descargas parciales en el aislamiento
 Arco eléctrico de alta energía
 RUTINA FUZZY PARA EL ANÁLISIS DE DGA
“Falla Térmica Aceite”

Funciones Membrecía Etileno C2H4

Funciones Membrecía Índice Falla Térmica Aceite
µ [p.u]
Normal Bajo Medio Alto Significativo
1,0
10 25 45 65 85 100 125 135

0,8

0,6

0,4

0,2
[ppm]
0,0
0 20 40 60 80 100 120 140 160 180

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

Funciones Membrecía Etano C2H6 Reglas de Diagnóstico

RUTINA FUZZY PARA EL ANÁLISIS DE DGA
“Falla Térmica Aceite”

Para el caso de un transformador con

unas concentraciones de Etileno (C2H4)
de 100 ppm y Etano (C2H6) de 75 ppm
se obtiene un resultado de un Índice
de Criticidad por Falla Térmica Aceite
de 58.39%
 IMPLEMENTACIÓN EN SAP/R3

 Se desarrollo herramienta para correr las rutinas fuzzy en SAP por medio de
transacciones ZPMALGO y ZPM_CALIFICA.
 Variables de entrada a las rutinas a través de los “documentos de medida”
 Parámetros de funciones de membresía para fuzzificación a través de
“características del equipo”.
 Se desarrollaron funciones especiales para leer en SAP y utilizar en los códigos
del programa de cada rutina los documentos de medida y características
técnicas de un equipo.
 DESPLIEGUE DEL DIAGNOSTICO EN SAP/R3
ALGORITMO CÓDIGO ALGORITMO CÓDIGO
EJEMPLO
PRINCIPAL PRINCIPAL SECUNDARIOS SECUNDARIO
Falla Térmica Aceite T.ACE
Análisis de Falla Térmica Papel T.PAP 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//
Físico-Química Condición 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//
Humedad en
Aceite Cuba Temperatura
T.TRF
Transformador en el
muestreo
Discrepancias de
fechas entre datos de FECHA
ppm y temperaturas

 Calificación 0: Equipo FALLADO o con pérdida de sus funciones principales.

 Calificación 1: Equipo CRITICO. Riesgo de pérdida de alguna de sus funciones en el
corto plazo.
 Calificación 2: Equipo CUESTIONADO. Riesgo de pérdida de alguna de sus funciones
en el mediano plazo.
 Calificación 3: Equipo SEGUIMIENTO. Se observa desviación en alguna de las
variables que evalúan su condición que debe ser verificada.
 CONCLUSIONES
 Los sistemas de evaluación de condición basados en lógica difusa
permite la elaboración de modelos matemáticos y algoritmos para
el manejo del conocimiento el cual es en general lingüístico y
subjetivo, y basados en el conocimiento y experiencia.
 Son eficaces para capturar y documentar el “know-how” relevante
del personal de mantenimiento con experiencia, y con riesgo de
perderse cuando estos se retiran de la compañía.
 Los sistemas de diagnóstico de condición deben estar enfocados en
detectar posibles modos de falla en evolución, más que indicar si
alguna variable medida está o no desviada respecto de algún valor
de referencia.
 Resulta de vital importancia que el diseño de los sistemas de
diagnóstico de condición estén en armonía con los estudios de MCC,
para que la detección de los modos de falla establecidos en estos.