Resumen
La utilización de la metodología de mantenimiento centrado en confiabilidad (RCM), representa una herramienta tecnológica que nos permite desarrollar estrategias de mantenimiento basadas en el principio básico del entendimiento de las funciones de los sistemas y equipos, lo que permite disponer de un plan optimizado adaptado al contexto operacional presente. En este trabajo, propone el desarrollo de un sistema automatizado que permita detectar las fallas funcionales, analizarlos modos de fallas y las consecuencias de los mismos y generar las tareas que permitan proactivamente eliminar o atenuar las consecuencias de los mismos, utilizando como herramienta un Sistema Clasificador Difuso (SCD), el cual combina los aportes de la Lógica Difusa basados en aprendizaje automático de maquina (Machine Learning).
1. Instrucción
Como para el aprendizaje automático el uso de la metodología de Mantenimiento Centrado en Confiabilidad (RCM), los Sistemas Clasificadores Difusos (SCDs) y la Lógica Difusa como tal, permite que un sistema, por sí mismo — sin intervención humana y en forma automatizada —, aprenda a descubrir patrones de fallas, tendencias y relaciones en los datos, gracias al conocimiento obtenido durante el desarrollo de una análisis de RCM.
La realización de un modelo utilizando este conocimiento nos permite la identificación, clasificación y manejos de las fallas de plantas, sistemas y equipos conformado un control inteligente, que reconocerá de una manera sistemática:
- Utilizar la información obtenida de los análisis de mantenimiento centrado en confiabilidad (RCM).
- Se elaborarán sistemas expertos y sistemas de control inteligente con los resultados del RCM.
- Se realizará una base de conocimiento (experiencia real), que contenga los modos de fallas, para el análisis, diagnósticos y acciones a tomar (en forma lógica), por los operadores, cuando se les presente alguna falla.
- Se podrá dar entrenamiento al personal nuevo sobre el sistema.
1.1 Lógica Difusa
El término difuso se refiere a cosas que no están claras o son vagas. En el mundo real, muchas veces nos encontramos con una situación en la que no podemos determinar si el estado es verdadero o falso, la lógica difusa proporciona una flexibilidad muy valiosa para el razonamiento. De esta manera, podemos considerar las imprecisiones e incertidumbres de cualquier situación.
En el sistema booleano, 1.0 representa el valor de verdad absoluto y 0.0 representa el valor falso absoluto. Pero en el sistema difuso, no hay lógica para la verdad absoluta y el valor falso absoluto. Pero en la lógica difusa, hay un valor intermedio demasiado presente que es parcialmente verdadero y parcialmente falso, como se muestra en la figura No. 2.
En la Lógica difusa los valores de verdad se consideran “Lingüísticos”, ya que son de la forma: cierto, muy cierto, más o menos cierto, no muy cierto, no muy falso, casi falso, etc.; haciendo posible así que expresiones de la forma “más o menos alto”, “bastante frío” o “no muy lleno” puedan ser formuladas matemáticamente y procesadas por una computadora para, mediante la aplicación de reglas y procesos de inferencia, poder obtener conclusiones y extraer conocimiento de manera similar a como lo hace la Lógica tradicional.
La lógica difusa surge entonces como una forma de extensión de la lógica binaria introduciendo el concepto de “verdad parcial” para representar el hecho de que una proposición puede tener diferentes grados de verdad, es decir, que no tiene que ser, por necesidad, totalmente falsa o totalmente verdadera.
Se caracteriza por su facilidad para adaptarse a casos particulares con pocas variaciones de parámetros, su habilidad para combinar en forma unificada expresiones lingüísticas con datos numéricos y el no requerir de algoritmos muy sofisticados para su implementación. Ejemplo un sujeto X mide 1,53m de altura, como se observa en la gráfica siguen (figura No. 2), el sujeto X es:
- Bajo con un grado de pertenencia de 0,7.
- Mediano con un grado de pertenencia de 0,3.
Las etapas de desarrollo de proyecto de lógica Difusa “fuzzy” se muestra a continuación:
Existen tres componentes básicos en un sistema de lógica difusa: el fusificador, la base de reglas, y el defusificador:
- La componente de fusificador. Este es el mecanismo de conversión de una entrada a valores difusos mediante la definición de conjuntos difusos y sus funciones de pertenencia. A este procedimiento se le denomina fusificación.
- La base de reglas. Aquí deberá extenderse la discusión para explicar cómo se evalúan las reglas en el sistema de lógica difusa.
- Finalmente, el defusificador, es el mecanismo empleado para convertir los valores difusos de la salida a un valor tajante utilizable por la aplicación.
1.2 El Mantenimiento Centrado en Confiabilidad (RCM)
El RCM es una metodología que permite determinar cuáles son las tareas del mantenimiento optimas para un sistema o equipo además de determinar dónde aplicarlas, y cuándo aplicarlas, con el fin de mantener la confiabilidad requerida. Se define la Confiabilidad como la probabilidad de que un dispositivo ejecute satisfactoriamente una función específica por un período de tiempo, bajo condiciones de operación dadas.
El principio básico del RCM obliga a entender las funciones del sistema. Luego, hay que saber cómo esas funciones pueden perderse a través de la definición de fallas funcionales. Además, hay que asegurarse de tener un conocimiento exhaustivo del modo de falla de los equipos. Los cuatro objetivos básicos del RCM son:
- Preservar las funciones del sistema.
- Identificar las fallas funcionales.
- Priorizar la importancia de los modos de falla.
- Seleccionar las estrategias y/o tareas de mantenimiento específicas.
Estos cuatro objetivos conforman una pirámide (Figura No. 6), cuya base son los diferentes tipos de tareas mantenimiento a aplicarse con el fin de mantener las funciones del sistema, las cuales pueden ser:
Es por esto que un Análisis de RCM permite la adquisición de conocimiento al analizar todas las Funciones, fallas funcionales, modos de fallas y sus efectos de los sistemas y/o equipos en estudios:
2 Sistema Difuso para el Manejo de Fallas Basado en el RCM
El manejo de fallas apoyado en el análisis de RCM se basa en el diseño del conjunto de reglas genéricas de control que permiten realizar las estrategias u operaciones de mantenimiento extraídas de esta metodología utilizando conjuntos difusos basadas en dichas reglas.
La figura No. 8, muestra la operación del sistema el cual recibe varias entradas numéricas y entrega varias salidas numéricas. El bloque Difusor se encarga de convertir las entradas en conjuntos difusos, que son entregados al bloque Máquina de Inferencia; este bloque, apoyado en un conjunto de reglas de la forma IF…THEN… almacenadas en la Base de Reglas, produce varios conjuntos difusos para que el bloque Concresor los tome y los convierta en salidas numéricas concretas.
La metodología para el desarrollo de este sistema es el siguiente:
- Definición de las Fallas Funcionales y Base de Conocimiento.
- Variable Difusas y Conjuntos Difusos.
- Reglas de Control.
- Algoritmo de Decisión.
2.1 Definición de las Fallas Funcionales y Base de Conocimiento
La primera tarea a realizar será el diseño de la base de conocimiento que permitirá definir el conjunto de reglas, necesarias para realizar las estrategias u operaciones de mantenimiento según el análisis RCM (realizado conjuntamente con los expertos de operación, mantenimiento e ingeniería). En la Figura 9 y 10, se especifican las relaciones y dependencia que existen entre los diferentes elementos considerados por el RCM, tales como estados funcionales, fallas funcionales, equipos, modos de falla, entre otros.
2.2 Variable Difusas y Conjuntos Difusos
En esta sección, se define el conjunto de variables difusas que son usadas en las reglas de control.
Es necesario mencionar que para la definición de las variables difusas se tomó en cuenta las variables de interés analizadas por los operadores y mantenedores las cuales permiten describir el estado del sistema y/o equipo de gas de proceso, cada variable difusa está relacionada con una magnitud específica localizada en planta específicamente con un instrumento de medición en específico, creando las tablas que vinculan cada una de las variables lingüísticas con los instrumentos del sistema y/o equipo, con esta tabla es posible ubicar físicamente cada variable lingüística con ayuda de la identificación (TAG) de los instrumentos asociados. Así entonces se pueden tomar variables como:
- Temperatura.
- Presión.
- Humedad.
- Vibraciones Radial y Axial.
- Nivel.
- Alarmas debidas a diversas condiciones del Proceso.
- Estado de señales de arranque y posición de válvulas, etc.
Ejemplo de un conjunto difuso para una variable lingüísticas se presentan en la forma ilustrada en la figura 11.
2.3 Reglas de Control
En esta sección se hace mención al grupo de reglas de control, que arrojarán de acuerdo a sus pesos la información a interpretar y así proceder a la obtención de las tareas de mantenimiento idóneas.
Debe mencionarse que la redacción de las reglas está orientada a la detección de estados anómalos (Anormalidades) en los sistemas y/o equipos de acuerdo a los valores lingüísticos que vayan tomando las variables difusas, de este modo la estructura general que siguen las reglas es la siguiente:
Si <Prop.1> OpLog ….<Prop.N> entonces <Prop.Resultante>.
Las reglas de control cumplen con la finalidad de tomar las variables lingüísticas de entrada y de acuerdo a su valor lingüístico, direccionar el suceso a la variable lingüística de salida específica, luego esta variable de salida al pasar por el proceso de defuzzificación tomará un valor que de acuerdo su magnitud tendrá asociada un grupo de posibles fallas. La figura 10, ilustra un ejemplo representativo del proceso de defuzzificación llevado a cabo para una regla dada, cuyos valores lingüísticos de entrada estén representados por funciones trapezoidales como las empleadas por el sistema y cuyos valores lingüísticos de salida estén representados por funciones triangulares, en esta figura se observa cómo se activa la salida ante la presencia de una entrada perteneciente al rango de valores cuyos grados de pertenencia sean máximos (la unidad).
2.4 Algoritmo de Decisión
En el sistema difuso existe un bloque relacionado con el proceso, el cual representa el punto de partida y el objeto estudiado como tal, de ella dependen las opciones presentadas por el sistema conocidas como: Condiciones del proceso (Condiciones de operación en la figura) y Valores del proceso (Estado actual del proceso), estas dos opciones como ya se mencionó se emplean para la Creación del Sistema Difuso y para la adquisición de las entradas que luego serán fuzificadas. Una vez cumplidas las dos opciones anteriores entonces el bloque denominado Sistema Difuso se encargará de evaluar las entradas para obtener las salidas que serán interpretadas por el Módulo interpretador el cual interactuará con las bases de datos correspondientes para la adquisición y generación de información que luego será manipulada por el bloque de consulta a través del cual se llegará a las fallas presentes para identificar los modos de fallas respectivos y así entonces llegar a la tarea de mantenimiento recomendada.
Básicamente el programa sigue un algoritmo simple que se ilustra en la figura 13, para llegar a la tarea de mantenimiento, por supuesto que el desempeño de este algoritmo se logra con ayuda del conocimiento adquirido.
2.5 Abreviaturas y Acrónimos
Algunas abreviaturas específicas utilizadas son:
- RCM: Mantenimiento Centrado de Confiabilidad.
- SCD: Sistemas Clasificadores Difusos.
- FL: Sistema Difuso.
3 Conclusiones
El uso de las herramientas ofrecidas por la inteligencia artificial representa una alternativa efectiva para la automatización industrial. El sistema difuso propuesto, puede ser parte de un todo, en un esquema de automatización de la Gerencia de Mantenimiento debido a:
- Disponibilidad de un conjunto de reglas de control que permiten relacionar gran número de variables manteniendo un nivel de comprensión lingüístico accesible y comprensible por parte de cualquier usuario haciendo posible la participación del mismo en la modificación y mejoramiento de la base de reglas.
- Presencia de algoritmos sencillos que aprovechan la característica de la lógica multivaluada para simplificar el proceso de selección de tareas, permitiendo la inclusión de algoritmos basados en el razonamiento lógico convencional.
- Interacción con el usuario, al ser este último factor importante en el proceso de selección de los resultados definitivos.
- Como parte de la mejora de este sistema se puede implementar en conjunto con Algoritmos Genéticos, con el fin de poder optimizar las reglas y adicionalmente, permitir que el sistema aprenda y genere sus propias reglas en el transcurso de su funcionamiento.
Referencias
- [1] Cerrada L., Mariela, Diseño de un Sistema Clasificador Difuso, Informe Técnico, Postgrado en Ingeniería de Control, Universidad de Los Andes, 1997.
- [2] Alberto Delgado, Inteligencia Artificial y Minirobots, ecoe ediciones, 1998.
- [3] Francisco Morant Anglada, Félix García Padilla, José Simó Ten, Curso: Sistemas de Control Inteligente, Universidad de Oriente, 1993.
- [4] Miguel Cerrolaza, William Annicchirico, Algoritmos de optimización estructural basados en simulación genética, Universidad Central de Venezuela, 1996.
- [5] Stuart Russell, Peter Norvig, Inteligencia Artificial: Un enfoque moderno, Prentice Hall, 1996.
- [6] Smith, Anthony M., Reliability-Centered Maintenance, McGraw-Hill., 1993.
- [7] Moubray, John, Reliability-Centered Maintenance, Industrial Press.
- [8] Gonzalez, Carlos, Lógica Difusa, Una Introducción Practica.
Autor: Arquímedes Ferrera
E&M Solutions Group
Correo: arquimedes.ferrera@eymsolutions.com
Felicitaciones Arquímedes por tu excelente articulo.
Soy docente en la Universidad Fermín Toro (UFT), en Barquisimeto, Venezuela y me gustaría usar
tu artículo en mi cátedra de Inspección y Análisis de Fallas como material de apoyo.
Espero tu autorización