Академический Документы
Профессиональный Документы
Культура Документы
nica
Fecha de 2008-05-01
publicacin
Autor:
Asesores:
Dr. Juan Frausto Sols
Dr. Eduardo Preciado Delgado
Aprobada por:
Dedicatoria
AmiamadaVernica,quiensupobrindarmesucario,soportarmiestrsy
finalmenteentenderqueserequieredesacrificiosparaobtenerprosperidad.
Amishijos,FabianyCamila,porserelcombustibleeinspiracinparaaguantaranen
losmomentosmsdesesperados.
Amispadres,poreldondelavida,suamorymiformacin.
Amissuegros,porsuapoyototaleincondicional.
Amisasesoresquienesnomeabandonaronpeseamisnimosydesnimos.
AlInstitutodeInvestigacionesElctricas,porbrindarmelaoportunidadylas
condicionesadecuadasparamidesarrollo.
Amisprofesores,portodossusconsejosysuamistad.
ADios,porlacreacindetodo.
Reconocimientos
GraciasalapoyoylosconocimientoscompartidospormisasesorestantoenelIIEpor
partedelDr.EduardoPreciadoDelgado,comoenelITESMatravsdelDr.JuanFrausto
Sols.
Gracias a todos aquellos que sirvieron como fuentes de conocimiento de primera
mano,quienescompartieronsuextensoconocimientosobreturbinasconlapacienciaque
mi inexperiencia requiri: Ing. Jos Antonio Ramrez Sols, M. C. Carlos Alberto Mario
Lpez,Ing.VctorManuelCristalinasNavarro,M.C.JuanJosRiveraGrijalva,ytodoslos
compaerosinvestigadoresdelaGerenciadeTurbomaquinaria,quedeunaformauotra
apoyaronestetrabajo.
GraciasmuyespecialesalDr.JorgeAguirreporsuapoyotantocomoresponsabledel
proyecto nmero 13091, Desarrollos en diagnstico de turbomaquinaria, as como
supervisordelsoftwaredesarrolladoenestainvestigacin.
Gracias tambin a otros miembros del IIE, quienes tuvieron la atencin y apoyaron
con su experiencia en reas afines a la diagnosis de turbinas, entre los cuales destacan
investigadores de la talla del Dr. Jos Miguel Gonzlez Santal, quien es ampliamente
reconocidoporsuconocimientoenelreaysiempremehaimpulsadoaexigirmelomejor
demi,oelDr.PabloHctorIbargengoitiaGonzlez,quientantoenvivooatravsdesus
investigacionespusoclaridadsobremuchospuntosdurosdeestetrabajo.
Graciasaquienesayudaronentodaslasrevisionesdeestetrabajo.
Gracias igualmente a quienes fundamentaron la ciencia y la tecnologa aplicadas en
estainvestigacin.
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Prefacio
Nuestraactualidadreflejaunaseriedeproblemasestrechamenterelacionados,pues
lacrecientedemandaporservicioscomoaguapotable,energaelctricaotransporte,as
comolanecesidaddetransformaryfabricartodotipodeartculoshandesencadenadola
complicadasituacindelcalentamientoglobal.Unodelosprincipalesfactoresalrespecto,
es el uso de combustibles fsiles como fuente principal para la generacin de energa
elctricaentodoelorbe.Todavezque,pesealaexistenciadealternativasdegeneracin
(plantaselicas,geotrmicas,hidroelctricas,mareomotrices,debiomasa,solares),tales
opciones fallan en cuanto a: capacidad insuficiente para responder a la demanda,
problemasdefactibilidadtcnicaoeconmica,ascomodisponibilidadoconfiabilidad.De
estamanera,siendolaenerganuclearlanicaalternativaviableparasustituirlaquema
decombustiblesfsilesenplantastermoelctricas,conantecedentescomoelaccidente
deThreeMileIslanden1979[WALKER2004]oeldesastredeChernobilen1986[HAWKES
1986],hanllevadoanodespreciarlosriesgosrelacionados,locualcomplicasumanejoy
enconsecuenciahalimitadolaproliferacindemscentralesnucleares.
Bajo esta realidad, la problemtica se concentra en dos tareas: aumentar el
rendimientode lasplantastermoelctricasyreducir laemisindecontaminantes,tanto
gasescomolquidos.Portodoesto,yen cumplimientoconlosvaloresexpresadosenla
misin y visin del Instituto de Investigaciones Elctricas (IIE), se ha seleccionado
desarrollar una herramienta de apoyo para el estudio de estado de equipos rotativos
remotos.Paraello,tomandocomobaselaexperienciadelIIEeneldiagnsticodeturbinas
devapor,sehadesarrolladounaplataformacapazdedeterminarlapresenciadefallasa
travs del modelado de la turbina y sus elementos, se representa el comportamiento
esperadoy,mediantelatransformacindelassealesrecolectadasdelsistema,secalcula
el comportamiento real del equipo. Con ambos resultados se procede a aplicar una
tcnica de diagnstico que permita detectar las desviaciones e inferir los desperfectos
existentes. Buscando mejorar la certeza y calidad de los resultados del anlisis, como
complemento,seejecutaunarevisindelasreglasdediagnstico,conbaseenelregistro
histricodediagnosisrealizadasyempleandounalgoritmogenticoparalainclusinde
reglasnuevas,lascualesseevalancomocandidatasparalamejoradelproducto.
Estedocumentorepresentalosesfuerzosdemsdeunaoenelreadediagnstico,
enbuscadelaadecuadaarquitecturaparaunainfraestructuradediagnsticoremotoque
permitaladeteccindefallasencentralesconturbinadevapor.Elprincipalretodecrear
esta infraestructura es la conjugacin del conocimiento de ingeniera mecnica para un
producto de ciencias computacionales. De hecho, el material del respaldo terico
involucradoenestainvestigacin,sedistribuyeentrespartes;inicialmenteseabordanlos
enfoquesyestrategiasabordadasporproyectoscomputacionalesdediagnstico;luegose
exponen las alternativas para detectar defectos en turbocomponentes, conforme a la
ingeniera mecnica; posteriormente se describen algunos casos destacables sobre la
aplicacinconjugadadeambasciencias.
i
DiagnsticoAutomticodeTurbinasdeVaporenLnea
ndice
Captulo1 Introduccin.............................................................................................1
1.1 Antecedentes.........................................................................................2
1.2 Motivacin.............................................................................................5
1.3 Problemtica..........................................................................................6
1.4 Objetivos................................................................................................7
1.5 Alcancesylimitaciones...........................................................................8
1.6 Hiptesis................................................................................................8
1.7 Contribuciones.......................................................................................9
1.8 Organizacindelatesis..........................................................................9
Captulo2 Fundamentosdediagnstico.................................................................10
2.1 Elproblemadediagnstico..................................................................11
2.2 Profundidaddeldiagnstico.................................................................12
2.3 Enfoquesdeldiagnstico......................................................................14
2.3.1 Diagnsticobasadoensistemasexpertos..........................................15
2.3.2 Diagnosisprobabilstica.....................................................................17
2.3.3 Diagnsticoporredesneuronales.....................................................18
2.3.4 Diagnsticoporclasificacin.............................................................21
2.3.5 Diagnsticobasadoenmodelos........................................................24
2.3.6 Diagnsticobasadoencasos.............................................................27
2.3.7 Diagnsticoorientadoaobjetosyontologas....................................29
2.3.8 Diagnosisporsimulaciones................................................................30
2.3.9 Diagnsticoconalgoritmosgenticos...............................................31
2.3.10 DiagnsticoconenfoqueSAT............................................................32
2.4 Diagnosticabilidad................................................................................33
2.5 Diagnsticocomounelementodemejora...........................................34
2.6 Herramientasdediagnstico................................................................36
2.7 Afinidadentrediagnsticoypronstico...............................................39
2.8 Evaluacindesistemasdediagnstico.................................................40
2.9 Conclusionesdelcaptulo.....................................................................41
Captulo3 Diagnosisdesistemasmecnicos...........................................................42
3.1 Turbomaquinaria..................................................................................43
3.2 Generalidadessobreturbinas...............................................................43
3.3 Ciclostermodinmicos.........................................................................47
3.3.1 CicloRankine.....................................................................................47
3.3.2 CicloBrayton.....................................................................................49
3.4 Generacindeenergaconturbinas.....................................................51
3.4.1 Ciclocombinado................................................................................53
3.4.2 Cogeneracin....................................................................................55
3.4.3 GeneracindeenergaenMxico.....................................................56
3.5 Monitoreodeldesempeodeturbinas................................................57
3.5.1 Condicionesdeoperacin.................................................................57
ii
DiagnsticoAutomticodeTurbinasdeVaporenLnea
3.5.2 Adquisicindedatosenequiposrotativos........................................59
3.6 Enfoquesdeldiagnsticodeturbinas...................................................62
3.6.1 Anlisistermodinmico.....................................................................62
3.6.2 Anlisisdevibraciones......................................................................65
3.6.3 Anlisisestructural............................................................................66
3.6.4 Inspeccinconboroscopa................................................................67
3.6.5 Estudioporimgenes........................................................................69
3.6.6 Estudiodelubricantes.......................................................................70
3.7 Mtodosacadmicosdediagnsticodeturbinas.................................71
3.8 MtododediagnsticodeturbinasdevaporenlneadelIIE................74
3.9 Conclusionesdelcaptulo.....................................................................76
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor.............................77
4.1 Naturalezamultidisciplinaradeldiagnstico........................................78
4.2 Representacindesistemasdediagnsticodeturbinas.......................79
4.3 Monitoreodeturbinasdevapor...........................................................80
4.4 Problemasdeinstrumentacin.............................................................81
4.5 Correccindereferenciasdelfabricante..............................................81
4.6 Diagnosisautomticadeturbinasdevapor..........................................82
4.7 Combinacindeenfoques....................................................................83
4.8 Conclusionesdelcaptulo.....................................................................84
Captulo5 Diseodelsistema..................................................................................85
5.1 Elementosdeunainfraestructuradediagnstico.................................86
5.2 Anlisisdelaproblemticatcnica.......................................................87
5.3 Diseodelainfraestructuradediagnsticoremoto.............................89
5.4 Metamodelos......................................................................................92
5.5 Diseodeloselementosdedefinicindelsistema...............................93
5.6 Diseodeloselementosparaelcomportamientoesperado................93
5.7 Diseodeloselementosparalapreparacindeldiagnstico...............94
5.8 Diseodeloselementosparaefectuareldiagnstico..........................95
5.9 Diseodeloselementosparaevaluareldiagnstico............................96
5.10 Procesodediagnosis............................................................................97
5.11 Conclusionesdelcaptulo.....................................................................98
Captulo6 Pruebasalsistema..................................................................................99
6.1 Incorporacindedatos......................................................................100
6.2 Pruebasalsistema..............................................................................101
Captulo7 Conclusionesytrabajofuturo..............................................................106
7.1 Naturalezadelosresultados..............................................................107
7.2 Comparacindemtodos..................................................................107
7.3 Diagnosticabilidad..............................................................................107
7.4 Trabajosfuturos.................................................................................108
iii
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Listadefiguras
Figura11Esquemaconceptualdeunsistemadediagnsticoautomticoremoto............5
Figura21Neuronaartificialdedosentradas...................................................................18
Figura22Redneuronalartificialsimple...........................................................................19
Figura23Patronesdecombinacindesealesendistintascompuertaslgicas.............20
Figura24Clasificacinporhiperplanos,empleadaenSVM.............................................21
Figura25Clasificacinconmltiplesclases.....................................................................22
Figura26Diagnosisporimgenes...................................................................................23
Figura27Funcionamientogeneraldeldiagnsticobasadoenmodelos..........................24
Figura28Sistemadecompuertaslgicas........................................................................24
Figura29Sntomaenunsistemadecompuertas............................................................26
Figura210Visingeneraldelciclodelrazonamientobasadoencasos............................27
Figura211MetodologadeimplementacindeCBR.......................................................28
Figura212Algoritmogentico........................................................................................31
Figura213Unpodmetrocomoejemplodediagnsticoenlnea...................................34
Figura214Pruebademximaabsorcindeoxgeno.......................................................35
Figura215Abstraccindeunsistemadecontrol............................................................36
Figura216EjemplodesistemaparamodelarconLYDIA..................................................37
Figura217Evaluacindelaconfiabilidadconbaseenexperimentos..............................40
Figura31Ejemplodeturbinadevapor............................................................................44
Figura32Comparacinentreturbinasdeimpulsoyreaccin..........................................45
Figura33CicloRankinecaractersticodelasturbinasdevapor.......................................47
Figura34GrficaTSdelcicloRankineconvencional.......................................................48
Figura35CicloBraytonabierto.......................................................................................49
Figura36CicloBraytoncerrado.......................................................................................49
Figura37GrficaTSdelcicloBraytonideal....................................................................50
Figura38Barcodevaporbritnico..................................................................................52
Figura39Ciclocombinadodegasyvapor.......................................................................53
Figura310Ciclocombinadoconenergasolarintegrada.................................................54
Figura311Cogeneracindeenergaselctricaytrmica................................................55
Figura312CapacidadefectivainstaladadegeneracindeCFE.......................................56
Figura313Cargaenciclodeparoyarranquetpicodeunaturbina.................................58
Figura314Temperaturasenciclodeparoyarranquetpicodeunaturbina...................59
Figura315Ejemplodeadquisicindevelocidadesduranteunarranque.........................60
Figura316EsquemadelsistemaPI..................................................................................61
Figura317EsquemadelsistemaSICAD...........................................................................62
Figura318Ejemplodeturbinacondosextracciones.......................................................63
Figura319EjemplodediagramadeMollier....................................................................64
Figura320PantalladeunaaplicacindeCADyelementofinito......................................66
Figura321Boroscopadeunaturbinaindustrial..............................................................67
Figura322Boroscopamanualdetuberas......................................................................67
Figura323Robotparaboroscopaentuberas................................................................68
iv
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Figura324Termografaparaeldiagnsticodechumaceras............................................69
Figura325Anlisisdefracturaenturbinasdegas...........................................................70
Figura326PantalladeeSTPE...........................................................................................73
Figura327MetodologapropiadelIIE.............................................................................75
Figura41Desempeodelastcnicasdediagnstico......................................................83
Figura42Deteccindefallasengeneradores.................................................................84
Figura51Modeloencascadaconcorrecciones...............................................................86
Figura52Estado'A'contraEstado'B'..............................................................................87
Figura53Seleccindeopciones......................................................................................89
Figura54Diagramaconceptualdelaarquitecturadelasolucin....................................90
Figura55Diagramamodulardelasolucin.....................................................................91
Figura56Alcancedelsistemadediagnstico..................................................................91
Figura57Basededatosmetamodelada.........................................................................92
Figura58Procesodediagnstico....................................................................................97
Figura61Pantalladeaccesoalaherramientadedescripcindesistemas....................101
Figura62Pantallaprincipal...........................................................................................102
Figura63Accesoalapginadesolicituddediagnstico...............................................103
Figura64Resultadodeldiagnstico..............................................................................104
v
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Listadetablas
Tabla21Profundidaddediagnstico..............................................................................13
Tabla22Comportamientoesperadoparaunsistemadecompuertas.............................25
Tabla23Unsntomadefallaenunsistemadecompuertas............................................25
Tabla24CdigoenLYDIAdelejemplodecompuertaslgicas.........................................38
Tabla31Unidadesdeturbinadevaporenelmundo,coneficiencia...............................51
Tabla32Capacidadefectivainstaladaygeneracindeunidadestermoelctricas...........56
Tabla33Efectodeloscambiosencondiciones,conformeaCotton................................72
Tabla51ConjuntodeinstruccionesdeLDX.....................................................................94
Tabla61Conjuntosdedatosdeprueba........................................................................100
Tabla62Pruebasdestressalaherramientadedescripcin..........................................101
Tabla63Resultadossobresencillez...............................................................................103
vi
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1 Captulo1
Captulo1 Introduccin
Unaparteintegraldelmantenimientotantopreventivocomopredictivo,involucralas
tareasdeanlisisodiagnsticoparadisminuirlosriesgosycontarconlainformacinpara
planificarelsuministroderefaccionesylassuspensionesenlosserviciosnecesarias.Bajo
laexpectativadereducir loscostos(producidospor interrupcionesen laproduccin, los
accidentes,elretrasoenlaentregaderefaccionesylosdecrementosenlaeficiencia),el
diagnsticodebieseserunadelasactividadesmsempleadasenlasplantasindustriales.
Entonceselestudiodeldiagnsticoresultaatractivoporelfuerteimpactoeconmicoque
representaendiversasaplicacionescomolasplantasgeneradorasdeenerga.
Por otra parte, la implementacin de mtodos de diagnstico es interesante en
trminos tcnicos de diversos campos, derivando trabajos como el actual, donde se
enfrentan los retos del diagnstico de turbinas de vapor, en una visin combinada de
ingenieramecnicaycienciascomputacionales.
Elpresentecaptulointroducelosaspectosquedanpieaestainvestigacin,desdesus
antecedentes, descripciones tanto de la problemtica abordada, como la solucin
planteada, detallando objetivos, alcances y limitaciones. Igualmente se exponen de una
manerageneral,tantolosaportestcnicoscomocientficosdeltrabajo,concluyendocon
unabreveestructuracindeldocumento.
1
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1.1 Antecedentes
La raza humana destaca por su bsqueda de conocimiento que mejore sus
condicionesdevida,susoportunidadesdexito.As, laexploracindemecanismosque
conduzcan a mejorar la salud ha ocupado enormes esfuerzos en el transcurso de la
historia. La evidencia al respecto nos remonta a tiempos tan remotos como el ao 500
AC.,dondelosmsantiguosmdicoschinosconocidoscomoBianQue(tambinllamado
Tai Yueren), ganaron una enorme reputacin por su habilidad de reconocer las
enfermedades,enespecialporsushabilidadesaltomarelpulso,ascomosusterapiaspor
acupuntura. Continuando la historia, en los tiempos de los antiguos griegos, Hipcrates,
el padre de la medicina, estableci la relacin entre la herencia de un paciente y sus
padecimientos y Pitgoras not la asociacin entre el metabolismo y algunas alergias
heredadas.Enelmedievo,destacanlastcnicasrabescuyosmdicosicnicossonRhazes
yAvicena,ambosconinclinacionesopuestasencuantoaltratamientodeenfermedades.
Mientras Rhazes resalta la importancia del caso individual, incorporando el historial
clnico, Avicena buscaba soluciones generales a las epidemias, como lo manifiestan las
cincuentapartesdesuCanondemedicina.DurantelosiniciosdelsigloXX,WilliamOsler
redefini la prctica mdica al fundamentar los actuales principios del diagnstico y
tratamientodeenfermedades,basndoseenlaidentificacindelosmalesapartirdesus
manifestaciones.Estosconceptosdanpiealamedicinadenuestrosdas,dondeesposible
detectar enfermedades a partir de la informacin recabada mediante una multitud de
anlisisclnicosqueincluyen:ultrasonidos,rayosX,genticos,sanguneos,cardiacos,etc.
Perodadoquelanecesidaddeconocimientonoselimitaalasupervivenciaelemental,
y las aplicaciones en medicina no excluyen otros estudios que empleen el concepto de
diagnstico, es posible ofrecer un enfoque ms general, bajo el cual se define al
diagnsticocomounaactividadquepermiteidentificarelestadodeunsistemaestudiado,
determinandolossntomasdefallaodeterioroyconello,reconocerlasfallaspresenteso
futuras en dicho sistema. Dicho concepto se complementa al definir el trmino sistema
comounconjuntodeelementosconunfincomn.Bajoestecontextodedefiniciones,
un sistema equivale al paciente en mbitos mdicos y de manera similar, se pueden
aplicarmuchasanalogasconotrostrminoscomosntoma,tratamientooenfermedad.
Cadamtodo,tcnicaoherramientadediagnsticosueleconcebirseconunpropsito
dedicado y, pasado cierto tiempo, bien sea para ampliar sus capacidades, implementar
otra instancia similar, o simplemente para copiar la solucin dentro de un contexto
distinto,hageneradounprocesoquehallevadodelaespecializacinalageneralizacin
deldiagnstico.Enloscamposcomputacionalesexistelaevidenciadetalproceso,dentro
de la evolucin de los sistemas expertos, implementaciones que pretenden copiar la
habilidad de un experto humano en la realizacin de una tarea, las cuales iniciaron con
ampliaafinidadhaciaaplicacionesmdicasypocoapocohanidoextendindoseaotras
reas,partiendodelassolucionesyacreadas.
Cadacasodeestudiopermiteenfocarymejorarlosdiversoselementosdeunsistema
de diagnstico: modelos, mtodos, tcnicas, herramientas, etc., por esto suelen tener
2
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
3
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
Dadoquelainformacintempranaquesuelenpublicarlosfabricantesesmsbiende
mercadotecnia,enfocadaaresaltarlascaractersticaspositivas,tieneunvalormuyescaso
para otros fines fuera de la evaluacin de mercado y por ende complica las
implementaciones de sistemas de diagnstico. Pese a ello, la documentacin que
acompaa al equipo suele contemplar las curvas de funcionamiento ideal, as como el
modelo de referencia. Ambos datos son necesarios para una evaluacin efectiva de los
componentes [COTTON 1998], pero pierden certeza con el tiempo y se requiere de
ajustes, que por su complejidad, han derivado en diversas investigaciones en reas de
ingenieramecnica[PRECIADO2000]yafines.
Para el diagnstico de elementos mecnicos, existen dos enfoques principales,
diferenciadospor laformaen laqueserealizan conrespectoalaoperacindelequipo,
porunaparte,eldiagnsticofueradelneapermitelainspeccindelequipocuandonose
encuentra operando, mientras que el diagnstico en lnea debe entenderse como un
proceso de monitoreo que va analizando la informacin del sistema mientras est en
operacin.Eldiagnsticoenlnea,conbaseenlascondicionesdeoperacin,determinala
presenciadefallasqueafectanlaproduccin.
Bajoesteenfoquelostrabajosdeingenieraderivadostantodelasevaluacionescomo
los ajustes para recalcular los modelos de referencia, han sido explorados por varias
instituciones. En Mxico, se puede mencionar que existen proyectos en universidades e
institutoscomo:laUniversidadNacionalAutnomadeMxico(UNAM),laUniversidadde
Guanajuato,elInstitutoTecnolgicoydeEstudiosSuperioresdeMonterrey(ITESM)yel
InstitutodeInvestigacionesElctricas(IIE).EnelreadeTurbomaquinariadelIIE,sehan
desarrollado mltiples proyectos relacionados con mantenimiento predictivo y
diagnsticodeequiposrotativos.
Variascompaasfabricantesdeturbinasyfirmasespecializadasofrecenalgntipode
serviciodeevaluacinremota,quepermitelaidentificacindeproblemas,disminuyendo
lanecesidaddediagnsticosfueradelnea.Sinembargolamayoradeejemplostienenun
limitado conjunto de funciones y sufren de un efecto de caja negra, es decir, por el
hermetismodelsistema,tiendeadejaraloperadorconunavagainformacindedetalle
deldiagnsticoeincapacitadoparaprofundizarelanlisis.
Comocasitodoennuestrosdas,elanlisisremotoqueseofrece,tiendeaaprovechar
las tecnologas Web, como medio para transportar la informacin extrada del equipo.
Estaprcticaescadavezmscomnynecesaria,loquehapropiciadoelcrecimientode
lastecnologasrelacionadasalainstrumentacinadecuadaparaestosfines.
Los modelos de conectividad, deteccin de problemas, protocolos de identificacin,
transporteyalmacenamientodeseales,ascomoalgunosesquemasdecontroldeflujo
de datos infieren en la implementacin de los servicios industriales de diagnstico. Se
puede ir desde lo muy general y estandarizado, hasta casos muy particulares que
requierantrabajarenlaespecificacin.
4
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1.2 Motivacin
ComopartedelasmedidasdemejoraparalaGerenciadeTurbomaquinariadelIIE,se
identificaron y evaluaron distintas oportunidades, priorizando sobre los potenciales
beneficios esperados y la factibilidad tcnica de cada opcin. As se determin como
prioritaria la creacin de un conjunto de servicios que permitiese el anlisis remoto de
elementosrotativos,tomandocomocasodeestudiolasturbinasdevapor.
ComopartedelaexperienciadelIIEalrespectoseencuentranmsde2,000reportes
de diagnstico de turbocomponentes que ha emitido la Gerencia de Turbomaquinaria.
Cabe resaltar que si bien existen diversos grupos que analizan turbinas de vapor, en
Mxico,sloelIIEofreceanlisisdeestadosobrelasetapasdemenorpresin,locuales
posible por las metodologas desarrolladas. En complemento, es elevado el grado de
certezaquehanofrecidolosreportesdelIIE,yaquehistricamentenohahabidograndes
desviaciones entre los resultados del reporte y las inspecciones realizadas al abrir la
mquinadiagnosticada.
Fundamentalmente se pretende obtener una infraestructura para implementar
proyectos de anlisis remoto, ofreciendo con ello la posibilidad de experimentar con
diversastcnicasdediagnsticoenlapartemecnicadelagerencia.Sinembargonodebe
hacerse de lado aquellas tcnicas de anlisis en campo, locales, es decir no
necesariamenteremotos.
Alenfocarlosesfuerzosenestarama,elfundamentosobrediagnsticoescrticoyse
requierelaexploracindeopcionesparaseleccionarunasolucinadecuada,todavezque
se busca sustentar futuros proyectos, donde se desarrollen anlisis de sistemas que
conceptualmenteseansimilaresalqueseilustraenlafigura11.
Figura11Esquemaconceptualdeunsistemadediagnsticoautomticoremoto.
Conunenfoquegeneralconrespectoalasaplicacionesfuturas,sebuscaconsolidar
una infraestructura cuyas caractersticas permitan abordar una multitud de casos de
diversossistemasysubsistemas,coneldoblepropsitodeimplementarnuevosproductos
de anlisis y afinar las tcnicas de diagnstico, funcionando como una opcin rentable,
contecnologapropiaparaelsectorelctriconacional.
5
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1.3 Problemtica
Lainfraestructuradeuncentrodeinvestigacinposibilitaaprovecharmsymejores
oportunidades. En lo referente al anlisis de turbinas de vapor, el Instituto de
Investigaciones Elctricas posee un capital intelectual capaz de afrontar los retos del
anlisis de equipos, incluyendo evaluar las condiciones, recalcular los modelos de
referenciayestimarloserroresporfallasenlossensores.
Sinembargo,alcarecerdeunainfraestructuraquesoporteeldiagnsticoremoto,se
arriesga la competitividad, tanto en el rea de Turbomaquinaria, como en otras
relacionadas, dadas las herramientas de diagnstico remoto que ofrecen algunas firmas
especializadas,normalmenteasociadasalosfabricantes.
Por tanto, se toma como una oportunidad para explorar, analizar e implementar un
conjuntodeherramientasyserviciosquepermitanconformarunmodelodeanlisisycon
ello integrar una plataforma incremental con el potencial para incorporar mejoras
paulatinasalprocesodediagnstico.
El alcance inmediato estar limitado al diagnstico en lnea de turbinas de vapor,
aprovechandolastcnicasexistentes,enparticularlasdesarrolladasporlosespecialistas
delreadeTurbomaquinariadelIIE.
Unacaractersticaindeseabledemuchasaplicacionesdeingeniera,esquesuelenser
complicadasdeactualizaroampliar.Unasolucindediagnstico,porejemploselimitaa
unconjuntodefallas,yampliarloocambiarlopuederesultarenunatareamsdifcilque
abordar nuevamente el problema desde la nada. Por ello, se intenta implementar un
modelo dinmico de diagnstico, donde se dispondrn de versiones para cada
representacindelconocimiento(KnowHow),demaneraquepuedaimplementarseuna
mejoraenelproceso.
Debido a la necesidad de procesar seales de diversas fuentes, y multiplicar las
opcionesdefuentesdeinformacin,debe disponerdeunmecanismodeintegracinde
datos flexible, que pueda procesar seales de instrumentacin, como las versiones del
sistema SICAD del IIE, o instrumentos de monitoreo y diagnstico porttiles ms
comerciales como pudiesen ser: ADRE de Bently Nevada o VIBSCANNER de Prftechnik
AG, entre otros. La naturaleza de estas mltiples fuentes y el hecho de no cerrar los
modelosoconfiguracionesdelamaquinariaadiagnosticar,hacennecesarioconsiderar:a)
la definicin o modelado del sistema en estudio, b) la representacin del proceso de
preparacindelosdatosqueelalgoritmodediagnsticopuedarequeriryc)elmtodode
diagnsticoens.Cadaunadeestasconsideracionesinvolucraunreto.
6
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1.4 Objetivos
La presente investigacin dentro del rea de diagnstico, est enfocada a cubrir el
desarrollo de una infraestructura para el diagnstico remoto en lnea de turbinas de
vapor.Losatributosprincipalesbuscanrepresentardeunamaneraflexiblealsistemaylos
elementos del proceso de diagnstico, desde el sistema en s, sus fuentes de datos, los
mtodos de anlisis y las reglas para el diagnstico. Este proceso debe ser lo
suficientemente amplio y flexible para expresar el conocimiento (KnowHow) de los
expertos del IIE en diagnstico de turbinas, inestimable y en continua evolucin, por lo
cualdebeseradaptable.
Para evaluar tales atributos de flexibilidad y adaptabilidad, se comparar la
implementacin en el sistema de diagnstico de una metodologa desarrollada en el IIE
para el diagnstico en lnea de turbinas de vapor contra un modelo acadmico similar
7
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1.5 Alcancesylimitaciones
ElproyectobuscadesarrollarunainfraestructuraWeb,capazdeapoyarelanlisisde
diversos equipos en planta, mas dadas las condiciones de tiempo restringido, se ha
tomadocomobaseelmtododediagnsticodeturbinasdevaporenlnea,desarrollado
enlaGerenciadeTurbomaquinaria.
Porotraparte,noseincluyeroncomopartedelalcancelaspruebasencampo,porla
incertidumbre en cuanto a la disponibilidad en las centrales tanto para experimentar
empleando sus instrumentos ni sobre las condiciones para implementar la diagnosis
correspondiente.
1.6 Hiptesis
Mediantelostrabajosdeestatesissebuscaestablecerlavalidezdelahiptesis:Por
unacombinacindedatosmetamodeladosdelsistemayunlenguajedediagnosis,puede
generarseunainfraestructuradediagnsticoadaptableadiversossistemasdeturbinasde
vapor.
Este argumento se expresa asumiendo que los datos obtenidos de las turbinas en
lnea deben de colectarse y generar un modelo del comportamiento real del sistema, a
partir de instrucciones codificadas en un lenguaje adecuado para un procesamiento de
seales, anterior a la aplicacin de un diagnstico. Adems, resulta necesario
implementar un modelo que permita hacer la representacin metamodelada del
comportamientoesperadoparalaturbinadevapor.
Paraaceptarorefutarlahiptesisplanteada,seharnpruebasconconjuntodedatos
representativosdelapresenciaoausenciadefallascaractersticas,demostrandolavalidez
o inconsistencia de los resultados de la diagnosis basada en la comparacin de los
comportamientosesperadoyreal.
8
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo1 Introduccin
1.7 Contribuciones
Esteproyectosehaconcentradoendesarrollarunainfraestructuracapazdedescribir
elconocimientosobrediagnsticodeturbinasymedianteladocumentacinyanlisisdel
proceso, se establece como un punto de partida para la mejora de tales mtodos de
diagnstico.
La contribucin mayor de este trabajo consiste en incorporar un lenguaje de
diagnsticoparaelprocesamientodelassealesprovenientesdesistemasmecnicosen
lnea,paraelclculodelcomportamientorealdetalessistemas.
1.8 Organizacindelatesis
Eldocumentosedivideensietecaptulos,iniciandoporelpresente,elcualsirvecomo
prembulo general al proyecto. En el Captulo 1, Introduccin, se definen los aspectos
generalescomolosorgenes,losobjetivosylaproblemtica.
El Captulo 2, Fundamentos de diagnstico, expone la visin sobre el diagnstico,
partiendo desde un enfoque general, exponiendo los enfoques y terminologa del rea
desdeunavisindecienciascomputacionales.
DentrodelCaptulo3,Diagnosisdesistemasmecnicos,seestableceelcontextode
ingeniera mecnica, manifestando los trminos acordes al ambiente de sistemas
mecnicos.Enestaseccinseilustranlosprincipiosdelaevaluacindeturbinasdevapor.
En el Captulo 4, Estado del arte de turbinas de vapor, complementando las
definiciones anteriores, aborda la base terica sobre la que se basa el estudio del
diagnstico de turbinas de vapor actual. Adems, al revisar los resultados de
investigacionesrecienteseneltema,semanifiestanlosparmetrosfundamentalesparala
construccindelainfraestructuraadesarrollar.
DentrodelCaptulo5,Diseodelsistema,seexponenlosdetallesnecesariosparala
construccin del software. Se inicia con la normativa de diseo y se desarrollan los
diversosaspectosdelaaplicacin,desdelaarquitecturahastalosmodelosdedatosylas
interfaceshombremquina(HMI).
EnelCaptulo6,Pruebasalsistema,sedescribenlaspiezasdelsoftwareylaspruebas
bsicas a la infraestructura desarrollada. Estas pruebas no van dirigidas a estudiar las
herramientas de diagnstico, sino a garantizar que la infraestructura trabaja segn el
diseo. Adems se registran las pruebas dirigidas a estudiar la adaptabilidad de la
infraestructura,lautilidaddelmodeloyelniveldecomplejidadquerepresenta.
El Captulo 7, Resultados y trabajos futuros, cierra este documento presentando y
concluyendo sobre los resultados de esta investigacin y manifestando algunos posibles
trabajosfuturos.
9
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2 Captulo2
Captulo2 Fundamentosdediagnstico
La naturaleza del diagnstico, pese a ser tan bsico como el instinto natural de
supervivencia, resulta complejo en el sentido de estar compuesto de varios elementos
ademsdelosnumerosospuntosdevistadesdelosquehasidoanalizado.Conlafinalidad
de lograr una adecuada implementacin, resulta necesario analizar en lo posible los
componentes y enfoques del problema de diagnstico, definiendo sus conceptos, para
unificarcriterios.
Este captulo busca exponer los conceptos relativos al problema de diagnstico y
algunas reas asociadas, partiendo desde los principios del anlisis mdico, y
desarrollandounavisingeneralqueintegrelosconceptosenotroscampos.Luego,bajo
unavisin decienciascomputacionales,seincluyeunadiscusinacerca delosenfoques
mscomunesalabordarsolucionesparaelproblemadediagnstico,haciendomencin
devariasdelasherramientascomputacionalesmsempleadasenlaimplementacinde
sistemas.
Complementariamente, se hace una breve revisin de los temas que definen la
evaluacindesistemasdediagnstico.Finalmenteseconcluyeconunbreveresumendel
captulo.
10
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.1 Elproblemadediagnstico
La necesidad de conocer las causas de los fenmenos, es el instrumento que, en la
historia dela humanidad,mshaorilladoagenerarciencia.Algoennuestra naturaleza,
quizelinstintodeconservacin,noshacebuscarlascausasdelosmales,paraevitarloso
corregirlos. De esta manera, como seres humanos resulta natural la curiosidad por
analizarlasenfermedades,losfallos,losaccidenteseinterpretarlosconargumentoenlas
observaciones realizadas, formulando relaciones entre los elementos que originaron la
situacin y los efectos observables, generando as recetas o reglas para atender un
padecimiento,eliminarunriesgoocorregirunafalla.
Por otra parte, el diagnstico mdico establece a partir de sntomas, signos y los
hallazgos de exploraciones complementarias, qu enfermedad padece una persona.
Generalmente una enfermedad no est relacionada de una forma biunvoca con un
sntoma,esdecir,unsntomanoesexclusivodeunaenfermedad.
Todoestodalugaralabsquedadelarepresentacindelconocimientoparaformar
unprocesoqueposibilitebuenosresultados,losmtodosquellevenalaautomatizacin
deesteproceso,alaevaluacinymejoradelassoluciones,aformulacionesgeneralesque
apliquen a muchos casos de anlisis, y a explorar tcnicas que permitan ocupar menos
informacin,ocalculardatosquenosiempreesposibletenerparaestasevaluaciones.
Losconceptosprincipalesinvolucradosenelproblemadediagnsticoclnicoson:
Diagnosisesladeterminacindelanaturalezadeunaenfermedad.
Paciente(osistemaestudiado)queeslapartecentraldecualquierrepresentacin
omodeloparaeldiagnstico,eselindividuoanalizado.
Sntomaquerepresentaladesviacindelcomportamientotpico.Eneldiagnstico
clnicolatemperaturaelevadaesunsntomaclsico.
Padecimiento,esdecirlaconsecuenciadelossntomas,englobalascaractersticas
ydependiendodelpadecimiento,puedeserposibleubicarlasposiblessoluciones
olasrepercusionesfuturasenelpaciente.
Tratamiento,eselconjuntodeaccionesqueconducirnacorregirodisminuirlos
efectosdelpadecimientoofalla.
Prognosis, el conocimiento anticipado de algn suceso, es la descripcin del
estadoolossucesosfuturosquepresentarelpaciente.Tpicamenteseanticipael
desarrollodelpadecimientoylosefectosdeltratamientomdico.
Algeneralizarlosconceptosdeldiagnstico,simplementedebecontemplarsequeun
pacientehumanoposeeelementosregenerativosqueenmuchoscasospuedendisminuir
ocontrarrestarlosefectosdealgunospadecimientos.
11
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Sinembargo,deunamaneraglobal,losconceptosaplicanconmnimasadecuaciones,
por ejemplo, en el caso de sistemas financieros, la prognosis aborda los efectos
monetariossobreinversionesodecisionestomadas.
Enambientesdondeelpacienteesunamquina,lospadecimientossetraducencomo
fallas y el tratamiento se efecta como ajustes o reparaciones a realizar. El trmino
sntoma en sistemas mecnicos, comprende las manifestaciones fuera de lo esperado
en la instrumentacin, es decir combinaciones de vibraciones, presiones, temperaturas,
flujo,etc.
Estas manifestaciones anormales o sntomas, no resultan obvias para quien sea
ajeno al trabajo de mantenimiento de la mquina, lo cual implica que se requiere de
expertos en el anlisis del sistema, capaces de aportar el conocimiento para poder
determinarlaexistenciadetalessituaciones.
Eltratamientoenturbinassellevaacaboduranteelmantenimientoyunbuenanlisis
permite anticipar los daos que presenta o presentar la mquina cuando este
mantenimiento llegue. Esto es muy valioso pues se pueden solicitar las piezas con
anticipacin, limitar o incluso frenar la produccin del equipo para evitar riesgos o
disminuirlosdaosocasionadosporlafalla.
2.2 Profundidaddeldiagnstico
Lassolucionesalproblemadediagnsticoofrecendiferentesnivelesdedetallesobre
las fallas, los elementos involucrados, la gravedad, el tratamiento propuesto o los
cuidados para prevenir desencadenar otras fallas a partir del estado actual del sistema.
[FENSEL1996]
A manera de analoga, cuando un mdico atiende a un paciente, su diagnstico
dependerengranpartedelainformacinque seaportebienseaporlossntomasque
manifieste el propio paciente, la valoracin fsica que el mdico realice y los anlisis de
laboratorioadecuados.
Losescenariosalrededordeunaenfermedaddevasrespiratoriaspuedenservirpara
ilustrarlasituacin.
Sielmdicodebedarunaconsultatelefnica,suanlisisnicamentecontarconla
descripcindelmalestarsegnloexpliqueelpropiopaciente.Porlalimitadainformacin,
serdifcilubicarunpadecimientoespecfico, resultandoeneldiagnstico,porejemplo,
deunresfriadoogripecomn.Dadoqueestonoessinoladescripcingenricaparaun
conjuntodepadecimientos,puedeoriginarqueeltratamientoresultepocoefectivo,pues
seemplearanmedicamentosigualmentegenricos.
Porotraparte,sielpacienteasisteaconsulta,elmdicopodrhacerunavaloracin
fsica,mediantelacualsepuedenidentificarmssntomas.Deestaforma,basndoseen
ciertos sonidos del pecho, pigmentacin de ojos, presencia de inflamacin en nariz y
garganta.Conelloesposibleubicardemejormaneraelpadecimiento,comopudieseser,
12
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
A manera de resumen se ilustra la tabla 21, con los niveles de profundidad del
ejemplo, yendo desde lo genrico o poco profundo, hasta lo especfico o de mucha
profundidad.
Ladiferenciaentreempleartratamientosgeneralesyespecficos,puedeevitarriesgos
deemplearunmedicamentopocoefectivoque alarguelarecuperacin,oenelcaso de
emplear concentraciones demasiado agresivas, puede causar daos colaterales en el
pacientecomoproblemashepticos,cardiacosoinclusocoguloscerebrales.
Conesteejemplosedesprendequealgunassoluciones,porlogeneraloambiguode
sus resultados, pueden resultar ineficientes, principalmente si los alcances involucran
ciertos tipos de decisiones que se tomaran con los datos del diagnstico. Con ello se
deriva uno de los retos del problema de diagnstico: lo difcil que puede resultar
especificarlaprofundidadrequeridaenunasolucinparahacerdiagnstico.
Con la analoga expuesta, la especificacin sobre el nivel de detalle que debe
proporcionarundiagnstico,puededefinirseenfuncindelconjuntodepadecimientoso
enfermedades, con sus correspondientes tratamientos y las explicaciones relacionadas.
Comodesventaja,dadoqueeldiagnsticoanivelgenricopudiesecontemplarunmayor
13
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
nmerodepadecimientos,elvolverespecficoaunsistemadediagnsticopuedelimitarlo
encuantoaloscasosqueaplica.
La mayora de las soluciones dan profundidades mixtas, esto es, ofrecen un nivel
general para ciertas fallas y otro especfico para otras. En trminos comerciales o de
benchmarking, las soluciones omiten mencionar la profundidad, principalmente en
aquellasfallasquepuedenanalizarseadistintosnivelesdeprofundidad.
2.3 Enfoquesdeldiagnstico
Dentro de las soluciones computacionales al problema de diagnstico es posible
ubicardiferentesenfoquesuorientaciones.Esimportantedestacarquenoexisteningn
mtodo de diagnstico sin asunciones, es decir todos parten de algn principio para
abordar el problema, simplificndolo mediante la limitacin de caso, la eliminacin de
restriccionesosimplementellegandoasolucionesparciales.
Algunos de estos sistemas llegan a suponer falsamente la utilidad de los resultados
peseanoaportarningnelementodeapoyoalaprognosisotomadedecisiones,biensea
porlaprofundidaddeldiagnstico,laambigedaddelasfallasoloinciertodelanlisis.
Por otra parte los sistemas computacionales para diagnstico igualmente suelen no
reflejarcorrectamenteelcomportamientodelossistemasfsicosdebidoaerroresenlas
representaciones de los componentes, condiciones y variables no consideradas o
comportamientos irregulares del sistema real. Esto sin considerar los problemas de
instrumentacin,loscualesseanalizarnposteriormente.
Bajo estos principios, es posible encontrar una larga lista de enfoques, cada uno de
ellosconventajasydesventajasasociadasconlassuposicionesconlasqueseabordanlos
problemas.
Primeroquenadadentrodelascomunidadescientficasqueabordanelproblemade
diagnsticohasidomuymarcadalaconcentracinendosgruposmayores:FDIyDX.FDI
sonlassiglaseninglsdeDeteccinyAislamientodeFallas,mientrasDXesunacrnimo
dediagnstico.LacomunidadFDIbasalosfundamentosdesussolucionesendisciplinas
de ingeniera tales como la teora de control y toma de decisiones estadstica. Por su
parte,lacomunidadDXbasalosfundamentosdesusenfoquesdesolucinenloscampos
decienciascomputacionaleseinteligenciaartificial.
Lasdoscomunidadesposeenxitosyretos,quehanhechodeseablelamezcladesus
enfoques y por ende resulta un tema recurrente de algunos proyectos, as como en los
congresos y talleres de ambas comunidades, tales como el Taller Internacional sobre
Principios de Diagnstico (en ingls International Workshop on Principles of Diagnosis)
quevienedesarrollndoseanualmentedesde1989.
As pues, dentro de los enfoques que es posible encontrar cabe mencionar algunos
miembros de la taxonoma que han sido importantes para el diagnstico en general o
aplicadosacamposcercanosalasturbinasdevapor.
14
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.1 Diagnsticobasadoensistemasexpertos
Desde la concepcin de la computacin, uno de los grandes atractivos ha sido la
generacin de programas de computadora que representen y razonen con base en el
conocimiento de un especialista, para solucionar problemas u ofrecer consejo para la
toma de decisiones. Este tipo de programas son denominados sistemas expertos y han
sido,desdefinalesdelaSegundaGuerraMundial,unadelasreasmsimportantesdela
inteligenciaartificial(AI).
Tales sistemas normalmente involucran la experiencia de un humano como
fundamentoparadefinirtareas,reglasyexplicacionessobrelossucesosdeunprocesoo
elanlisisdelainformacin.
Porprincipio,seasumequeexistealguien,unapersonadenominadaexperto,quien
no requiere ser capaz de construir por s mismo los sistemas basados en computadora,
pero si debe de ser capaz de ejecutar la tarea, saber como se ejecuta la tarea, ser
igualmentecapazdeexplicarcomoseejecutalatarea,tenereltiempoparaexplicarcomo
seejecutalatareayestarmotivadoparacolaborarenlaconstruccindelsistema.
El desarrollo de sistemas expertos implica una diferencia sobre otros tipos de
programasparasolucindeproblemas,quetradicionalmenteinvolucranparareflejarlas
caractersticasdeunsistematantopiezasdecdigocomoalgunafuentededatos.Enlos
sistemas expertos toda la representacin del sistema estudiado queda en datos, no en
cdigo.
Otra diferencia es que no se emplean soluciones algortmicas, sino una solucin de
problemas por heurstica o mtodos aproximados. Una heurstica es esencialmente una
reglaqueenvuelveelconocimientosobrecomo resolverproblemasenun dominio.Son
mtodosaproximadosenelsentidodequenorequierendatosperfectosparatrabajary
las soluciones derivadas pueden proponerse con diversos grados de certidumbre.
[JACKSON1990]
El proceso de construccin de sistemas expertos es tambin denominado ingeniera
del conocimiento y es considerada Inteligencia artificial aplicada. Bajo este punto de
vista, el responsable de transferir el conocimiento del experto al sistema experto es un
ingeniero del conocimiento y su rol exige muchas herramientas para asegurar la
correctainterpretacindelainformacindelexperto.
Alserelexpertolapiezaclaveparaladefinicindelsistemaexperto,siempreexistirn
dudassobreCunexpertoeselexperto?ySerepresentcorrectamentelaexperiencia
delexperto?
Los mecanismos de implementacin de sistemas expertos han evolucionado desde
lograr la ms elemental representacin del conocimiento del mundo desde una
perspectiva de un dominio muy especfico, hasta la construccin de reglas, emulando
aprendizajeyraciocinio.
15
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Laimplementacindetalessistemashaigualmentevariadoconlosaos,unodelas
opciones ms comunes es la implementacin de programas en lenguajes lgicos como
LISP o PROLOG, donde a travs de establecer reglas y hechos se logra representar la
naturalezadelsistemayesposiblesolicitarresultadossobreelpaciente.
Otras implementaciones, a partir de 1980, emplean como base sistemas expertos
vacos,normalmentedenominadosshell(eninglscscara),esdecirsinunabasede
conocimiento. Tales herramientas usan diversas estrategias de reglas y hechos para
generar la base de conocimientos. De esta manera puede mencionarse que un sistema
expertodalugaraotros,formandounaevolucin.DENDRAL(sistemaexpertoenLISPpara
lainterpretacindeestructurasmoleculares)diolugaraMYCIN(sistemaexpertoenLISP
para la deteccin de enfermedades en la sangre) que a su vez ha derivado en muchos
otros sistemas expertos e incluso versiones shell compactas como EMYCIN (Essential
MYCIN)
Algunos shells importantes de la actualidad son: CLIPS (C Language Integrated
ProductionSystem),FuzzyCLIPS,JESS(JavaExpertSystemShell), TMYCIN(TinyMYCIN)o
PESS(PrologExpertSystemShell)[GIARRATANO1994,KAZAROV1998].
La crtica general de este tipo de herramientas es que suelen ser utpicas e
inadecuadasparalamayoradelassituacionesreales,porloinflexibledelmanejodesus
reglasylaambigedadinherentealapresenciadeloshechos.Estohahechoquepesea
lasdiversasevolucionesdeestetipodeherramientas,muchosdesarrolladoresoptenpor
modelarconotrasalternativas.
16
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.2 Diagnosisprobabilstica
Cuando, como suele suceder en la mayora de los casos reales de diagnstico, los
fenmenosnosondeterministas,seechamanodeherramientasquepermitanintroducir
caractersticasdeincertidumbreoaleatoriedadenelmodelo.Lateoradeprobabilidades
unateoramatemticaquepermiteelmanejodefenmenosaleatorios,permitiendoque
unexperimentoofrezcaresultadosdiferentesconlasmismasentradas.
Para el modelado de sistemas reales, se establecen estadsticas que permitan la
generacindedistribucionesdeprobabilidadquereflejenlascaractersticasdelsistema.
Lasherramientasprobabilsticastienenfuertesfundamentosenlateoradeconjuntos.
Conlosfundamentosdeprobabilidadtalescomolaprobabilidaddiscreta,lacontinua
ylacondicional,sepuedemanifestardediversasformaslaincertidumbredelsistema.
El teorema de Bayes establece el uso de probabilidades en dos momentos: una
probabilidadapriori,normalmentebasadaenestimacionesdeestadsticashistricas,sin
ninguna experimentacin y una probabilidad a posteriori, es decir mejorada tras de un
procesodeexperimentacin.
Con esta mejora las herramientas pueden realizar mejores aproximaciones de los
sucesos futuros, tal como sera una diagnosis de un sistema en funcin de un modelo
probabilstico. De esta forma, un sistema experto que se gua por reglas del tipo
SIENTONCES,puedeahoraincluirunanlisiscondicionadoalasprobabilidadesparacada
eventodadasunaseriedesucesososntomaspreviamenteidentificados.
Las redes bayesianas emplean un modelo de variables aleatorias mediante grafos
dirigidos, su implementacin permite ir actualizando las probabilidades ante nuevas
evidencias,generandomejoressolucionesconformemsejemplosleseansuministrados.
Como defecto de la diagnosis basada en herramientas probabilsticas, debido a la
naturaleza de la ley de los grandes nmeros, su fineza depende de que se cuenten con
suficientesejemploscomoparaimitarlascondicionesrealesdelsistema,incluyendoenla
muestratantolassituacionesmenosprobables,comoelreflejodecuanfrecuentessonlos
casosmsprobables.
17
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.3 Diagnsticoporredesneuronales
Las redes neuronales artificiales (ANN), constituyen un enfoque totalmente
matemtico de los problemas que bsicamente busca copiar un modelo biolgico, el
sistemanervioso.As,seemulaelcomportamientodelaneuronaylainterconexinentre
neuronasporimpulsos.Paralocual,semodelaconsiderandotresfuncionesprincipales:
Una funcin de propagacin o excitacin, por lo general consistente en la
sumatoria de las entradas, multiplicada por el peso de su interconexin (valor
neto).Sielpesoespositivo,sedicequelaconexinesexcitatoria;siesnegativo,
sedenominainhibitoria.
Unafuncindeactivacin,quemodificaalaanterior.Puedenoexistir,siendoen
estecasolasalidalamismafuncindepropagacin.
Una funcin de transferencia, que se aplica al valor devuelto por la funcin de
activacin.Seutilizaparaacotarlasalidadelaneuronaygeneralmentevienedada
porlainterpretacinqueserequieraenlassalidas.Comnmenteseempleanlas
funcionessigmoide(valoresenelintervalo[0,1])ylahiperblicatangente(valores
enelintervalo[1,1]).
Dentro de los principios de ANN, el trmino perceptrn se refiere a una neurona
artificial y tambin como unidad bsica de inferencia en forma de discriminador lineal,
que suele formar parte de una red neuronal artificial. Un perceptrn puede clasificar
datos que sean linealmente separables. En el caso de un perceptrn con dos entradas
deberpodertrazarseunanicalneaqueseparelasdosclasesquepermiteidentificarel
perceptrn.
Figura21Neuronaartificialdedosentradas
Lafigura21ilustraunaneuronaartificialcondosentradas(X1,X2),unasalida(Y)ylas
funciones matemticas que emplea, donde, se ocupa como funcin de excitacin la
sumatoria()de lasentradasmodificadasmediantelasfuncionesdepeso(w1,w2),yse
ocupaunsigmoideconbaseenunconjuntodereferencia().
Al eslabonar capas de estas neuronas en una red, se manifiesta una salida para un
conjuntodeentradasconformandounafuncinmatemticamscompleja.
18
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Figura22Redneuronalartificialsimple
UnproblematpicodelasANN,esquenoestrivialinterpretarlaformaenqueinfiri
un resultado, por lo que se pierde un nivel de detalle en la explicacin del diagnstico.
Otro detalle es que las redes neuronales requieren de entrenamiento, que puede ser
supervisadooautomtico.Lacombinacindefuncionesmatemticasdelasneuronasde
unaredneuronalhaceposiblelasmsatractivascaractersticasdelasANN,comoson:el
aprendizaje,latoleranciaafallosylaflexibilidad.
Ilustremos el funcionamiento de las ANN, mediante el uso de funciones booleanas,
porsusimplezadeclculo.Simplementedebeasociarselaideadeque,apartirdeunnivel
dado de intensidad de seal (en TTL es 2.4v), se obtiene un valor de 1 lgico, y a
intensidades inferiores, se considera un 0 lgico. Dado esto, es posible relacionar la
combinacindedossealespormediodeunpatrn.Enlafigura23seexponenalgunas
funciones, todas son linealmente independientes y con ello, un perceptrn es capaz de
aprenderlas.
Sin embargo, este aprendizaje no surge de la nada, y es necesario realizar un
entrenamiento,quepuederealizarsedemanerasupervisadaalimentandounconjuntode
datos a travs de los cuales se habilita la memoria de la red, estableciendo los criterios
paralaidentificacindepatronesmediantelasfuncionesinternas.
19
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Figura23Patronesdecombinacindesealesendistintascompuertaslgicas
20
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
algoritmo utilizado para el entrenamiento de una red multicapa. Se inicializa la red con
unaseriesdepesosaleatoriosytrashacerlospasarporlaredsecomparalasalidaconel
patrn que deseamos que aprenda el perceptrn. La diferencia entre entradassalidas,
estimacindelerrorovaloresdeltaseutilizanparaderivarloserroresdelospesosdelas
sucesivascapasdelaredhaciendopasarestosvaloresretrgradamentealadireccinde
activacindelared.
Existeunafuncinmatemticapararealizarestamodificacindepesos.Elobjetode
laecuacinesbuscarunmnimodelespaciodelafuncinndimensionaldelospesos.En
elperceptrnestatcnicadedescensodegradientedalugaraunasolucinnica.Enlas
redes multicapa est el problema de la presencia de mnimos locales de modo que no
existe un Teorema de Convergencia del Perceptrn. Se recurre a determinados
parmetros de ajuste emprico denominados "tasa de aprendizaje" y "velocidad de
aprendizaje". Por tanto, para implementarse, esta tcnica exige que las funciones de
transferenciaentrenodosseandiferenciales.
2.3.4 Diagnsticoporclasificacin
Para algunos casos, el alcance de las soluciones de diagnstico basta con separar lo
buenodelomalo,esdecirpoderdiferenciarentrediversasclasesdeelementos.Aspues
losmtodosdeclasificacinseintegrancomotcnicasdediagnsticoenciertoscasos.
Elprincipiodeestonosllevaalaimplementacindemtodoscomo:lasmquinasde
soportevectorial(SVM),queempleanaprendizaje,algoritmosdeclasificacinbasadosen
entropa de la informacin, mediante la cual se construyen rboles de decisiones. Cabe
mencionar que los algoritmos de clasificacin ms publicados son C4.5 e ID3 de Ross
Quinlan.
Figura24Clasificacinporhiperplanos,empleadaenSVM
21
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
lmitesyseparanloselementosentreclases.Enlafigura,seaprecianaplicadasdemanera
redundantetresfuncionesdetaltipo,separandoloselementosendosclases.
Alclasificar,estetipodetcnicaspermitediferenciarentrebuenosymalos,pero
igualmente puede simplemente marcar elementos con alguna caracterstica, que
posteriormenteseasocieaunsntoma.
Laclasificacinpuedeextenderseaestablecermsdeunlmiteatravsdemltiples
hiperplanos,generandorangos.Enlafigura25semuestraunejemplodeclasificacinen
nivelesorangosmltiples.
Los clasificadores generan subconjuntos y con ello pueden representar eficientes
soluciones,peronormalmenteslosirvencomounpasoenelprocesodediagnosis.Por
ejemplo, mediante un clasificador inteligente pueden separarse por tipos las seales
extradasdeunsistemayconelloaplicarsedistintosalgoritmosdediagnosissegneltipo
desealespresente.
Figura25Clasificacinconmltiplesclases
Otrousotpicodelosclasificadoresenelreadediagnsticoeselprocesamientode
imgenes.Enestecasoseempleanalgoritmosdonde,apartirdediferenciasdecolores,
identificacin de lneas, patrones de formas, luz y sombra, entre otras, se determinan
ciertascualidadescomo:movimiento,temperatura,coloroforma.
Tras eso, se genera informacin clave para la evaluacin de estado del sistema, de
manera que el uso de clasificadores es indispensable para muchos procesos de
diagnstico. En lafigura 26sepresentaunejemplo dediagnosisporclasificacin,en la
cual se procesa una fotografa trmica, separando los distintos tonos y colores. Como
ejemplo, un mtodo permite analizar el desgaste de una pieza tomando en cuenta el
nmerodereasobscurasquepresentaunaimagenpreviamentetratadapararesaltarlos
impactosdelatemperaturaaplicada.
22
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Figura26Diagnosisporimgenes
23
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.5 Diagnsticobasadoenmodelos
El razonamiento que ha llevado hasta el diagnstico basado en modelos puede
simplificarsecomolocalizarlasanormalidadesentreelcomportamientoqueseesperadel
sistemayelcomportamientoquepresenta.[HAMSCHER1992]
Figura27Funcionamientogeneraldeldiagnsticobasadoenmodelos
Figura28Sistemadecompuertaslgicas
Paraestesistemasetienentresentradas(X0,X1,X2)ydossalidas(Y0,Y1),conunpar
desalidasofuncionesintermedias(YA,YB).
24
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Entonces,setieneque: YA=X0+X1
YB=X1 X2
Y0=YA YB=(X0+X1)(X1 X2)
Y1=YAYB=(X0+X1)(X1 X2)
Conestasfuncioneslgicas,segeneraunatabladeverdadqueasociaelconjuntode
valoresesperadosporcadaconjuntodeentradas.Latabla22muestralatabladeverdad
delcomportamientoesperadoparaelsistemadecompuertaslgicasdelejemplo.
Tabla22Comportamientoesperadoparaunsistemadecompuertas
X0 X1 X2 YA YB Y0 Y1
0 0 0 0 0 1 1
0 0 1 1 0 0 1
0 1 0 1 0 0 1
0 1 1 1 1 1 0
1 0 0 1 0 0 1
1 0 1 1 0 0 1
1 1 0 1 0 0 1
1 1 1 1 1 1 0
Los sntomas seran anormalidades registradas entre las salidas que presente el
sistemarealylomanifiestoenlatabladeverdad.
Por ejemplo para el caso de una entrada con todas las entradas en cero, las salidas
esperadassonY0=1,Y1=1,detalformaque,sialinspeccionarlassalidasseencuentrauna
combinacin de Y0 = 0, Y1=1, se tiene una anormalidad, en otras palabras, un sntoma,
comosereflejaenlatabla23.
Tabla23Unsntomadefallaenunsistemadecompuertas
Con ese sntoma, con base en el diagrama que se ilustra a continuacin, resulta
identificablequelafallapudieseestarenG2,unacompuertaNXOR.
Sin embargo a la vez es engaoso, pues falta determinar YA y YB para afirmar esta
hiptesis, ya que si en lugar de haberse daado G2, estuviese un dao en un par de las
otras compuertas, los efectos serian similares. Estas seran entonces dos fallas a
considerarparaelmismosntoma.
25
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Figura29Sntomaenunsistemadecompuertas
Normalmente se toman varios sntomas para determinar una falla. Bajo este
fundamento, la diagnosis ha sido descrita como el conjunto de descripcin del sistema
(SD, por sus iniciales en ingls), observaciones del sistema estudiado (OBS), a partir del
cual se generan hiptesis sobre anormalidades en el sistema, normalmente descritas
comofuncionesoexpresionesdelgicadepredicados.
Matemticamente, un diagnstico para (SD, COMPONENTES, OBS), es un conjunto
mnimoCOMPONENTEStalque:SDOBS {AB(c)|cCOMPONENTES },es
consistente, donde AB es el predicado de anormalidad, tal que AB(c) significa que el
componentecesanormalofalla.
Laideaesmantenerelconjunto decomponentesanormalestanpequeocomosea
posible,incluyendouncomponenteslosisupresenciaesrequeridaporunsntomaen
OBS.
A partir de las observaciones y con el conocimiento de las funciones internas del
sistema,puedeigualmentecalcularseelconjuntointernodesalidasparciales(INT),elcual
sirveparaubicarfallascuandolasanormalidadesapartirdelconjuntodeobservaciones
OBS sealan un conjunto de posibles fallas. Mediante inspecciones al sistema puede
identificarse el valor real que presenta en cierto punto interno y cotejarse contra el
conjuntoINT.
Otrastcnicasinfieren losvaloresrealesapartirdelmismoconjuntodefuncionesy
adoptanlacomparacinentreloesperadoylocalculadoconbaseenvaloresreales.
Entodocaso,lasanormalidadesosntomassedetectancomoresultadodefunciones
decomparacin,quecomnmentesondesigualdadesescalares,sinembargopuedehaber
casos donde se adopten otros modelos comparativos: mezclas de incrementos y
decrementos, manejo de rangos, aplicacin de funciones estadsticas o calificadores
cualitativos.
Se considera que la diagnosis basada en modelos por s sola es utpica, dada la
fragilidaddelprincipiodequeunnicomodelopuedadescribirelcomportamientoquese
esperadeunsistemareal.
26
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.6 Diagnsticobasadoencasos
Dentrodelasestrategiasdelainteligenciaartificial,existentcnicasparadeterminar
soluciones con base en problemas similares del pasado (denominados casos) para
encontrarsolucinalproblemaactual(casodereferencia)1[AAMODT1994].Unatcnica
muyrecurrenteendiagnosisautomtica,consisteendeterminarlospatronesquedefinen
aunelementosano,condaosdediversostipos,totalmentedaados,etc.
Enlaprcticaestosueledesempearsemediantediversosmtodos,unode losms
populareseselrazonamientobasadoencasos(CBR),unodelosparadigmasdesolucin
deproblemasquemshaavanzadoenlosltimostiempos.
Suenfoquedeinferenciaresideencalcularlacercanaentreelementos,paraformar
subconjuntos oclases,paraposteriormenteestablecer individuosquedescribanalresto
delosmiembrosdedichaclase.Estosmiembrosquerepresentanalrestosedenominan
prototiposyseasocianalamemoriadecasos(CM).
Para resolver un problema, se compara un caso nuevo con los prototipos,
estableciendo a que caso se asocia y con ello se determina si los casos establecidos
describencorrectamentealnuevo,sifaltaunaclasenuevayseproponeunasolucinque
puedeinvolucrarrecalificarlosprototipos.
Figura210Visingeneraldelciclodelrazonamientobasadoencasos
1
Noconfundireltrminocasodereferencia,empleadoeneldiagnsticobasadoencasos,coneltrmino
demodelodereferenciadeldiagnsticobasadoenmodelos.
27
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Figura211MetodologadeimplementacindeCBR
EstaimplementacininiciaporlaRecuperacindecasos,queconsisteenseleccionar
"buenos" casos; es decir, aquellos que tengan el potencial de hacer predicciones
relevantesacercadelnuevocaso.Unbuencasoennuestroproblemasera,porejemplo,
aquel que mostrara el mismo tipo de mediciones en toda la serie de pruebas, o en la
mayora,quelasqueseestnpresentandoenlaspruebasactuales.Luegoderecuperarun
conjunto de casos a partir de cierto criterio es necesario seleccionar el o los casos ms
prometedores.
UnavezquesetieneunasolucinaproximadainiciaelprocesodeAdaptacin,yesto
ocurre porque en muy pocas ocasiones la nueva situacin coincide exactamente con las
antiguas, de manera que la solucin antigua debe arreglarse para que se acomode a la
nueva.
SellegaalaCrticayjustificacin,cuandolasolucinaproximadayahasidoadaptada
alanueva.Puedeconsiderarselaetapadevalidacindelasolucin.Sinembargo,existen
muchasincgnitasparatenerlacapacidadrealdevalidarunasituacin,porlotanto,se
hace una justificacin en la que se compara y contrasta la solucin propuesta con otras
solucionessimilares.
Una solucin se critica proponiendo situaciones hipotticas para probar su solidez o
ejecutandounasimulacinparaverificarlosresultados.Enalgunasocasionesesnecesario
recuperar casos adicionales y esto implica realizar otras adaptaciones llamadas
reparaciones.
Lasolucinseejecutayseanalizanloseventosqueocurrenduranteocomoresultado
delaejecucin.Silosresultadossonlosesperados,noesnecesariomayoranlisis,perosi
fueron diferentes a los esperados, es necesario explicarlos. Esta explicacin requiere
averiguarqucauslaanomalayqupudohabersehechoparaevitarla.
28
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.7 Diagnsticoorientadoaobjetosyontologas
Tomando en cuenta que el diagnstico tiene en general, mucho que ver con la
interpretacin de hechos y sucesos en un contexto definido, se establece que el
conocimiento de un sistema estudiado puede servir para inferir su estado, siempre y
cuandopuedairsereuniendounadescripcinadecuadadeloselementosdelsistema.
Con el paradigma computacional de construccin de soluciones por un modelo
orientado a objetos, se disea el sistema conceptualizando todas las entidades que
intervienen,tantofsicascomovirtuales,susatributosyaccionesdeinteraccin.
Lasherramientasdeontologas,tienensufundamentoenprincipiosdelingstica,al
formular razonamientos basados en construcciones donde se exponen quines son los
individuos, las clases que definen qu son estos individuos, qu cualidades tienen los
individuos, las relaciones entre los mismos, as como las situaciones que generan
interaccinentrelosindividuos.
Conbaseenestopuedengenerarreglasdediagnsticoorientadasalaextraccinde
propiedadesodatosrealesdelsistemaenvivoyplantearinferenciassobreelestadodel
sistemaenfuncindelcontextopreviamenteestablecido.
EstetipodeenfoquesseaplicamuchoenambientesWebydeextraccinmasivade
datos que de manera implcita o explcita, manifiestan suficiente informacin para
clasificar,losmtodosdeclasificacinsuelenasociarsecomotcnicasdediagnstico.
Estastcnicasseempleanigualmenteparaladeteccindeproblemasencdigosde
programasdecmputo,fallasenlaconfiguracinderedesyambientescolaborativosde
aplicacionesrobticasydeWeb.
29
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.8 Diagnosisporsimulaciones
Antediversosescenarios,unsistemapuedereaccionardediversasformas,incluyendo
opcionesqueconduzcanafallas.Laexperimentacinsueleserlanicaformadeexplorar
estassituaciones, sin embargo, no en todos los casos es posible hacer experimentos en
directoconelsistema,enespecialporlosriesgosalaintegridaddeoperadoresyusuarios,
ademsdelasinfactibilidadestcnicasyeconmicas.
Perodadoquetodosistemapuedeabstraerseyrepresentarse,esposibleestudiarlo
bajo reproducciones del comportamiento del sistema. Bajo este principio, es posible
generar modelos que pueden depender exclusivamente de las entradas del sistema
(modelo determinista, que siempre obtiene la misma salida para cierto conjunto de
valores de entrada), o presentar variaciones estocsticas con base en representaciones
delambientedelsistemaestudiado.[JACKSON1990]
La simulacin es una de las herramientas ms comunes en los ambientes de
ingeniera, bien sea como herramienta de clculo o como parte de un laboratorio de
pruebas controladas. Los modelos deterministas ofrecen la capacidad de calcular o
aproximarlosresultadosdesituacionesdondelaincertidumbreesmnima,osuimpacto
esdespreciablecomo:astronoma,ociertosmodelosdequmicayfsica.Mientrastanto,
dadalanaturalezadediversossistemasmuydifcilesdellevaramodelosdeterministaso
donde no se tiene certeza de las interacciones, existe el modelado estocstico que
introducevariacionestantoaleatoriascomoprobabilistaspararepresentarlasvariaciones
nodeterministasdelsistema.Contodoestoes posibleestudiarelsistemabajopruebas
que pueden considerarse destructivas, pues llevan al modelo del sistema a
experimentar valores no seguros de operacin. De la misma forma se pueden repetir
experimentosquenoimplicanloscostosyriegosdeaplicarlossobrelossistemasreales,o
incluso en muchos casos son imposibles de realizar por infactibilidades econmicas,
tcnicas,ticasolegales.
Medianteunasimulacinpuedenestimarselascondicionesyelcomportamientodel
sistema ante diversos escenarios donde se modifiquen diversas variables de estudio,
normalmente asociadas a la configuracin del sistema como: el tiempo, la velocidad, la
temperatura,etc.Sinembargo,lassimulacionestienencomodesventajaqueenmuchos
casosnorepresentanconfidelidadalsistema,oentretodaslasejecucionesocorridasno
sellegaaanalizarloscasosquepuedensercrticosparalatomadedecisiones.
Elusodeldiagnsticoporsimulacinesintensivoenanlisisenaeronutica,industria
automotriz,plantasnucleares,bioqumicaygentica.
30
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.9 Diagnsticoconalgoritmosgenticos
Una de las herramientas ms populares dentro de las ciencias computacionales son
losalgoritmosgenticos.Estosalgoritmossonunaclaseespecialdealgoritmosevolutivos,
que han sido diseados para encontrar soluciones aproximadas para problemas de
optimizacinydebsquedas.Seconocencomobsquedasglobalesheursticaslascuales,
imitando la evolucin biolgica, buscan mezclar individuos y poblaciones hasta localizar
ciertascaractersticasenlapoblacinoenlosindividuos.
Al reproducir la evolucin biolgica y su fundamento genticomolecular, los
algoritmos genticos (GA) emplean tcnicas de: herencia, mutacin, seleccin y
recombinacin(tambindenominadacruzamiento),ademsdeempleartrminoscomo:
fenotipo,genotipo,cromosomas,generacinydescendencia.
LaimplementacindeGAusasimulacionescomputacionalesenlascualesseemplean
funciones estocsticas para generar poblaciones, emular mutaciones y dependiendo de
loscriteriosdediseo,hastalaseleccindeindividuosquegenerarannuevoselementoso
soluciones.
Figura212Algoritmogentico
31
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.3.10 DiagnsticoconenfoqueSAT
Sibienhastaestepuntosehaexpuestolaexistenciadediversasformasdeatacarel
problema de diagnstico, an existen muchas tcnicas alternas, las cuales involucran
aspectos como la evaluacin cualitativa, la exploracin de herramientas basadas en
satisfactibilidad booleana (SAT), la creacin de lenguajes que aplican descripciones
ontolgicasofrmulascomplejas,ascomolagammademezclasentrelastcnicas.
El enfoque SAT puede darse por lo cercano del sistema estudiado con una
representacin en lgebra de Boole (en anlisis de circuitos lgicos por ejemplo), o
lograndounainterpretacincercanaalplanteamientodelproblemaSAT.Paratalescasos
seplanteansolucionesbasadasenalgoritmosdesolucinparcialogeneraldelproblema
SATcomoGreedySAT(GSAT),LSAT,SASAT,GASAT,entreotras.Estorepresentalamezcla
de distintas herramientas de punta en el rea de sistemas como algoritmos genticos o
recocidosimulado.
Lagranlimitantedelenfoqueesqueestadiagnosispermitedetectarcasosconfallas,
esdecirseparalosbuenosdelosmalos,peronopermitelaevaluacindenivelque
otrastcnicasaprovechan.
MezclandoelenfoqueSATaundiagnstico basadoenmodelos,es posibleabstraer
las comparaciones de grandes conjuntos de variables en una evaluacin de
satisfactibilidadygenerarunmodelodediagnosispormltiplesetapas.
Adems, los problemas de diagnstico que pueden traducirse a uno de
satisfactibilidad,poseenunalinealidadanalticayporellosepuedenocuparinstrumentos
deoptimizacinparalabsquedadesoluciones.
32
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.4 Diagnosticabilidad
En la jerga de sistemas computacionales resulta comn definir las caractersticas o
parmetros de calidad en funcin de las capacidades o habilidades que un elemento
puede desarrollar, y se tiene como prctica comn usar trminos como: operabilidad
(habilidad para operarse), durabilidad (habilidad para soportar cambios), e inclusive
algunosinexistentesenelcastellanocomotestabilidad,delinglstestability(habilidadde
resistirpruebas).
Tal es el caso de la propiedad de un sistema de poder ser diagnosticado, o
diagnosticabilidad (del ingls diagnosticability). Esta habilidad es tratada como un punto
decomparacinentresistemasestudiados,esdecir,ilustrasiunobjetopuedemodelarse
de forma que su representacin permita conocer el estado de salud del objeto o si la
incertidumbreestalquenoesposibleconfiarenningnmodelo.
Segn el caso, se suele definir alguna escala para interpretar la diagnosticabilidad,
normalmente asociado a la probabilidad de que un diagnstico sea acertado. La
diagnosticabilidad representa la incertidumbre de los resultados del diagnstico. As, un
sistemase dice que es diagnosticable si, para cualquier comportamiento del sistema, es
posibledeterminarsinambigedadundiagnsticonico.
El problema de la diagnosticabilidad es importante cuando se disea un sistema
debidoaque,porunapartesebuscareducirelnmerodesensoresparareducircostos,al
tiempoque,porotraparte,sebuscaaumentarelnmerodesensoresparaaumentarla
probabilidaddedetectarcomportamientosdefalla.
Los algoritmos para determinar la diagnosticabilidad emplean los datos del modelo
que describe al sistema (metamodelo), por ende solo puede calcularse para diagnosis
basadaenmodelos.
33
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.5 Diagnsticocomounelementodemejora
Enelmundoreal,lossistemaspuedenanalizarsemientrasoperanocuandoestnsin
carga de trabajo. El diagnstico en lnea o durante operacin, permite observar el
comportamientodelpacienteencondicionestpicas,permitiendoapreciarlascondiciones
dainas o de peligro, los vicios, los esfuerzos, adems de que dependiendo de la
naturalezadelsistema,puedeserlanicamaneradeobtenerciertainformacin.
En el caso de anlisis clnico, existen dispositivos porttiles como los monitores de
ritmo cardiaco, podmetros, monitores de glucosa, los cuales permiten recaudar
informacin y en muchos casos sirven como herramientas para determinar la condicin
delpaciente,loqueesunclaroejemplodediagnsticoenlnea.Bajoesteesquema,por
ejemplo, un podmetro puede registrar la cantidad de actividad que ha manifestado el
pacientedurantesurutinadiaria,locualpermiteestablecersisushbitossonsanos,sin
embargoelniveldeesfuerzorealolacondicinfsicaintegralsonaspectosimposiblesde
determinarmedianteesteproceso.
Figura213Unpodmetrocomoejemplodediagnsticoenlnea
Cabe mencionar que algunas veces el diagnstico en lnea requiere que las
condiciones de operacin se encuentren dentro de un margen controlado, alguna
secuenciadeaccionesoanteciertosestmulos,perotodoestodeacuerdoaparmetros
dediseo opromediodela operacindelsistema.Porejemplo,enelcasodelpaciente
humano, es posible incluir como instrumento de control, realizar un ejercicio sencillo
comosubirescalonesduranteunosminutosaliniciarcadajornada.
Por su parte, el diagnstico fuera de lnea requiere de mayor informacin. Muchas
veces la recoleccin de datos requiere una exploracin invasiva, lo cual requiere de
condiciones ajenas al desempeo habitual del objeto de estudio. Tales condiciones
pueden incluir aspectos como: transporte del individuo a instalaciones que posean la
instrumentacin adecuada, aislamiento de factores ambientales, control estricto de
variables,entreotros.Latransportacinenocasionespuededeberalhechodecontarcon
elequipoypersonalcapacitadoparalarecoleccineinterpretacindelainformacin.
34
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Continuandoconlaanalogadeldiagnsticoclnico,paraobtenerlainformacinsobre
la capacidad atltica de un paciente, un examen de esfuerzo, es la mejor manera de
determinarlacapacidaddeabsorcindeoxgenodeunindividuo,quereflejalacondicin
real del paciente en cuanto a la operacin del sistema respiratorio y su corazn. Para
dichaspruebasserequieredeespecialistasencardiologaomedicinadeldeporte,equipos
para someter a un esfuerzo controlable (caminadora, bicicleta fija) e instrumentos para
censar:ritmocardiaco(normalmentemedianteelectrocardiogramas),velocidadyflujode
aire. Todo ello va ms all del accionar normal, sin embargo ofrece datos que permiten
afondarsobrelacondicinfsicadelpaciente.[SLEAMAKER1989,WAGGENSPACK2006]
La siguiente figura ilustra la aplicacin de una prueba de mxima absorcin de
oxgeno. Aqu se observa cuan distinto del accionar normal del individuo es una prueba
fueradelnea.
Figura214Pruebademximaabsorcindeoxgeno
35
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Porotraparte,conbaseaunpuntodevistafueradelnea,sepuedeanalizarlamejor
tcnicaderespiracinolacapacidadptimadecarreradeuncompetidor,conbaseensus
nivelesdeoxigenacin.
Figura215Abstraccindeunsistemadecontrol
2.6 Herramientasdediagnstico
El diagnstico en sus diversos enfoques, ha empleado mltiples tcnicas para su
implementacinensistemasdecmputo.Dentrodelastcnicasquemstiemposehan
asociado al diagnstico automatizado, pueden destacarse las diversas evoluciones del
desarrollo de sistemas expertos, la construccin de redes neuronales artificiales y los
desarrollosdeinteligenciaartificialconfundamentosprobabilsticos.
Adems,otrasherramientasexplotanelprocesamientodeimgenes,paradeterminar
caractersticaspormediodesegmentacindecolores,igualmentesetiendealamezclade
tcnicasymtodos,formandosistemasbasadosenmodelosconenfoquesprobabilsticos,
porejemplo.
El lenguaje de diagnstico con ms referencias es LYDIA, desarrollado en la
Universidad Tecnolgica de Delft en Holanda, para la representacin cualitativa y
cuantitativa,principalmentematemtica,desistemasdediagnsticobasadoenmodelos.
Los modelos as construidos, reflejados en trabajos de maestra de dicha universidad,
implicanposeerclaridadsobreelsistema.Susinvestigaciones,peseaincluirunagamma
variadadeaplicaciones,hanusadomodelosrelativamentesimples.
La mayor ventaja que ofrece este esquema de construccin de sistemas de
diagnstico es la capacidad incremental y de mantenimiento que se ofrece al tener una
infraestructuradediagnosisquesemodificaenunbreveespacio,contrarioalocomplejo
36
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
de otras opciones. Por otra parte las herramientas de soporte han ido amplindose y
tiendenaintegrarmayorescapacidadesdesalidaypresentacindedatos.
Tomando nuevamente como ejemplo a los sistemas de compuertas, es posible
ilustrar la diagnosis basada en modelos mediante LYDIA, donde pude describirse el
sistema en un enfoque muy similar al orientado a objetos, para luego con base a las
propiedades de las compuertas, procesarse bajo un anlisis matemtico de las
propiedades como entradas, salidas y los elementos (compuertas para el caso) que
constituyenalsistema.
Enlafigura216seexponeunejemplodesistemadecompuertas.
Figura216EjemplodesistemaparamodelarconLYDIA
Suimplementacinlogradescribirlasmltiplescompuertasenunsistema(Polycell),
permitiendosudiagnosisconbaseencaractersticasdeprobabilidad desaludparacada
componente.
El cdigo en LYDIA incluido en la tabla 24 sirve para el diagnstico del sistema
ejemplo.[PIETERSMA2007]
37
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
Tabla24CdigoenLYDIAdelejemplodecompuertaslgicas
systemAngate(
boolx1,x2,//inputs
boolh,//health
booly)//output
{
//explicitfaultmode:stuckatzero
y=(h?(x1andx2):false);
}
systemOrGate(
boolx1,x2,//inputs
boolh,//Elath
booly)//output
{
//explicitfaultmode:stuckatzero
y=(h?(x1orx2):false);
}
systemPolycell(
boolx1,x2,x3,x4,x5,//inputs
boolh1,h2,h3,h4,h5,//healths
booly1,y2)//outputs
{
//declareintermediateoutputs
boolz1,z2,z3;
//declarecomponents
systemAngatem1,m2,m3;
systemOrGatea1,a2;
//connectcomponents
m1(x1,x2,h1,z1);
m2(x3,x4,h2,z2);
m3(x2,x5,h3,z3);
a1(z1,z2,h4,y1);
a2(z2,z3,h5,y2);
//definehealthprobabilities
probability(h1=true)=0.99;
probability(h2=true)=0.99;
probability(h3=true)=0.99;
probability(h4=true)=0.99;
probability(h5=true)=0.99;
}
38
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.7 Afinidadentrediagnsticoypronstico
Existenenloshumanoslanecesidaddebuscarindiciosquenospermitananticiparlas
situaciones,enespeciallosproblemas,envirtuddebuscardisminuirlosefectosmediante
lapreparacinantecontingencias.Assehanrealizadoestudiossobrelossistemasafinde
predecirlascondicionesquesepresentarnenunfuturo.
Las tcnicas de prediccin suelen requerir modelos temporales, con fundamento de
unauotramaneraenlosmodelosdeMarkov.Porejemplo,lasredesneuronalespermiten
desarrollar modelos temporales basados en la estacionalidad, mediante la
retropropagacin, creando modelos autorregresivos (AR), los cuales pueden
implementarseconlospopularesmtodosdeBoxyJenkinsqueimplementanmodelosAR
conmediasmviles(ARMA),cuyoenfoqueesquelosdatossonestacionalesyconstantes
tantoenubicacincomoescala.Elmtodooriginalcontemplatresetapas:Identificacin,
EstimacinyVerificacin;enlaprimerasediferencialainformacinporestacionalidady
severificalafuncindeautocorrelacin,mientrasquelaestimacinconsisteencomparar
los modelos tentativos con base en criterios como la estacionalidad, invertibilidad,
parsimoniaylaafinidad.[BOX1970].Apartir deestosmodelossederivan losmodelos
autorregresivosconmediasmvilesintegradas(ARIMA).
Deestamaneraesposibleidentificartantolasituacinactualcomofuturadeciertos
sistemas, siendo de gran aplicacin en estudios meteorolgicos, hidrolgicos,
astronmicos y en la prevencin y estimacin de tratamientos de enfermedades
progresivas.
No solo los modelos de Markov emplean matrices de transicin; otros enfoques de
modelos temporales pueden modelar reglas y probabilidades para estimar los estados
subsecuenteseneltiempo.Talesenfoquesconllevanaladiagnosisdefallassecuenciales,
causadaspordeterioroofactoresquepuedenpredisponerlafalla.
As,muchosejemplosdesistemasdediagnsticopuedenpresentarcaractersticasde
prediccin(cuandotieneninformacinconalgntipodeestacionalidad)odepronstico
(porsimulacionesomodelosestadsticos).
39
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.8 Evaluacindesistemasdediagnstico
Eltrminomejoresmuyambiguodentrodelossistemasdediagnosisautomtica,
pues puede existir un sistema de resultados muy precisos, pero con un tiempo de
diagnosis inadecuado, mientras otro procesamiento es rpido pero con una posibilidad
muyaltadeerrarlasestimaciones.
As, los sistemas de diagnstico como cualquier otro sistema, deben evaluarse para
determinarlacalidaddelosresultados.
Ninguna comparacin sera til sin unificar los criterios de evaluacin. Por ello,
dependiendo de los parmetros de calidad que se requieren del sistema, su
procesamientoysusresultados,esnecesarioconsideraryespecificarladiagnosticabilidad
del sistema, la usabilidad, el tipo de entradas, los tiempos de ejecucin y enmarcar la
evaluacinpreviamente.
Portenerunadependenciadelasmediciones,esrecomendableenloposibleevaluar
laconfiabilidaddelmtododediagnsticoporseparadodelaintegracinconelsistema
real.
Esta confiabilidad normalmente se describe de forma probabilstica, con base en un
conjuntodediagnsticosexperimentalesdelaherramienta,bajocondicionescontroladas
deentrada.Normalmenteseestimalaeficaciaporcuadrantes,comoseilustraenlafigura
217,peropuedentomarsedependiendode lanaturalezayprofundidad deldiagnstico
implementado, como una probabilidad dependiente de las condiciones de los
experimentos.
Figura217Evaluacindelaconfiabilidadconbaseenexperimentos
40
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo2 Fundamentosdediagnstico
2.9 Conclusionesdelcaptulo
Enlaimplantacindesistemasdediagnsticohayunadiversidaddeenfoques,porlo
que es necesario considerar adecuadamente las herramientas y las abstracciones del
sistemaalestudiarlo.
Para cada enfoque de diagnstico, se asumen distintos principios, que si bien
posibilitan la implantacin de las tcnicas y herramientas, implican el riesgo de admitir
modelosfalsosdelproblema,generandoresultadospococonfiables.Lasrepresentaciones
o modelos para abordar el problema de diagnstico varan dependiendo de las
herramientasytcnicasquelasimplementen.
Mientras las redes neuronales artificiales emplean modelos matemticos para
establecerunaimitacindelsistemanervioso,losenfoquesbayesianossustentantcnicas
con modelos probabilsticos, al tiempo que el uso de clasificadores puede distinguir
propiedadesqueidentifiquentiposdeelementos,mientrasqueeldiagnsticobasadoen
modelos se logra al desarrollar una comparacin cualitativa o cuantitativa entre un
modelodelcomportamientoesperadodelsistemayelcomportamientoobtenidoapartir
delecturasenelsistemareal.
Dependiendo de las herramientas cambia la interpretacin del diagnstico, por
ejemplo, en el caso del diagnstico basado en modelos, es el resultado de aplicar una
comparacinentreloscomportamientos,ubicandolasanormalidadeseinterpretandoen
loposiblesuorigenytratamiento,mientrasqueusandoclasificadoresinteligentespuede
significardistinguirentrebuenosymalos.
Especificaryevaluarlossistemasdediagnstico requiereestablecerciertoscriterios
como la profundidad de diagnstico, el nivel de error aceptable y otros parmetros de
calidaddelsoftware.
41
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3 Captulo3
Captulo3 Diagnosisdesistemasmecnicos
42
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.1 Turbomaquinaria
En los campos de ingeniera mecnica se emplea el trmino turbomaquinaria para
describir a aquellas mquinas que transfieren energa entre un rotor y un fluido,
incluyendotantoturbinascomocompresores.Mientrasunaturbinatransfiereenergadel
fluido al rotor, un compresor transfiere energa del rotor al fluido. Los dos tipos de
mquinasestngobernadasporlasmismasrelacionesbsicas,incluyendolasegundaley
delmovimientodeNewton1ylaecuacindeenergadeEulerparaflujoscompresibles2.
Lasbombascentrfugastambinsonturbomquinasquetransfierenenergadeunrotora
un fluido, usualmente un lquido, mientras que turbinas y compresores usualmente
trabajanconungas.
Elestudiodeturbomaquinariarequierefuertesnocionesdefsica,abordandotpicos
como: movimiento, termodinmica, transferencia de masa y energa, presin,
temperatura, entalpa, entropa entre otros. A manera de breviario, es necesario
presentar algunas generalidades sobre turbinas, sin la ambicin de abordar todo el
conocimientosobreturbomaquinaria,sinoconcentrarlosaspectosmssignificativospara
eldiagnsticoenlneadeturbinasdevapor.
3.2 Generalidadessobreturbinas
Para lograr la generacin de movimiento que hace posible la generacin de energa
elctrica, se emplean turbomquinas denominadas turbinas, en las cuales se hace pasar
un fluido en forma continua, tal fluido le entrega su energa a travs de un rodete con
paletas o labes. Las turbinas constan de un conjunto mvil de elementos denominado
rotor,elcual,impulsadoporelfluido,arrastraelejeenelqueseobtieneelmovimiento
de rotacin. La parte fija de la turbina se conoce como estator y debe ser lo
suficientemente resistente y pesada como para soportar las fuerzas que envuelve tal
transformacindelaenerga
El trmino turbina suele aplicarse a la mayora de las turbomquinas motoras, pero
tambin,porserelcomponenteprincipal,sesueleemplearestetrminoenelconjunto
deturbinaconectadaaungeneradorparalaobtencindeenergaelctrica.
Los gneros ms importantes de turbinas son: hidrulicas y trmicas. Las turbinas
hidrulicas son aquellas cuyo fluido de trabajo no sufre un cambio de densidad
considerable a travs de su paso por el rodete, stas son generalmente las turbinas de
aguaquesonlasmscomunes.Porsupartelasturbinastrmicassonaquellascuyofluido
detrabajosufreuncambio dedensidadconsiderableatravsdesupasoporelrodete.
Estassepuedenclasificarenturbinasdevaporyturbinasdegas.
1
Lavariacindelmomentolinealdeuncuerpoesproporcionalalaresultantetotaldelasfuerzasactuando
sobredichocuerpoyseproduceenladireccinenqueactanlasfuerzas.
2
En dinmica de fluidos, las ecuaciones de Euler son las que describen el movimiento de un fluido
compresible no viscoso. Su expresin corresponde a las ecuaciones de NavierStokes cuando las
componentesquedisipansondespreciablesfrentealasqueconvergen.
43
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Lasturbinasdevaporsonempleadasparalageneracindeelectricidadenplantasde
podertrmico,talescomolasnucleares,odecombustiblesfsilescomocarbnoaceite
combustible. Antiguamente se conectaba la turbina directamente a dispositivos
mecnicos como la hlice de un barco (un ejemplo clsico es el Turbinia, uno de los
primerosbarcosdevapor),perolamayoradelasaplicacionesactualesempleanengranes
de reduccin o algn paso elctrico intermedio, el cual alimenta a un motor elctrico
conectadoalacargamecnica.
Para entender correctamente el funcionamiento de la mayora de las turbinas de
vapor,esindispensabledefinireltrminolabe,queescadaunadelaspaletascurvas
deunaruedahidrulicaodeunaturbina.Existendostiposdelabes:fijosymviles,los
fijosestnafianzadosalestator,mientraslosmvilesalrotor.Lacombinacindeambos
generauncanal,atravsdelcualserealizalatransferenciadeenergaaprovechandola
expansindelvapor.
Industrialmente,lasturbinasdevaporseclasificandependiendodelascondicionesde
presin para las que se dise. La forma en la que se interconectan para aprovechar al
mximo la potencia del vapor hace que se combinen, conectando la fuente de vapor
directamente a una turbina de alta presin y se hace circular hacia otras turbinas de
menor presin. Como se muestra en el ejemplo de la figura siguiente, dentro de las
turbinas de vapor existen turbinas de alta, media y baja presin, que tpicamente no se
encuentrancomoelementosseparados,sinoarmadasenunsistemamayorquecontina
denominndoseturbina.
Figura31Ejemplodeturbinadevapor
Porotraparte,comoseresumeenlasiguientefigura,lasturbinaspuedenclasificarse
en funcin a la forma en la que la energa se extrae, esto es si son de impulso o de
reaccin. En la turbina de impulso o accin, el flujo se inyecta mediante el estator, que
44
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
consisteenunconjuntodetoberasenlascualeslaaltapresinybajavelocidaddelflujoa
laentradasetransformaenbajapresinyaltavelocidadalasalida.Estastoberasestn
puestasenunaposicintalqueproporcionanelfluidoaloslabesmvilesconunngulo
definido,produciendouncambioenladireccindelflujo,haciendogirarelrotor.
La turbina de reaccin est constituida por un juego de labes fijos o toberas y un
juegodelabesmviles.Sinembargo,ocurreunacadadepresinenloslabesmviles
que estn dispuestos en forma de toberas. El flujo de gases o vapor que entra en los
labesfijosdeunaetapadereaccinlohaceatravsdetodasucircunferencia,porloque
sedicequeesdeadmisintotal.Enloslabesfijos,elfluidoesaceleradomientrasquesu
presinyentalpadisminuyendebidoaladisposicindetoberadeloscanalesformados
por cada par de labes. El flujo que sale de estos, entra al conjunto de labes mviles
cuyos canales tienen tambin forma de tobera, haciendo que el fluido incremente su
velocidadrelativaconrespectoaloslabesmientrasquelapresinyentalpadisminuyen.
La energa producida por el cambio en el momento de los gases, es absorbida por los
labesmvilesytransmitidaalejeenformadetrabajotil.
Tpicamentelasturbinasenlasseccionesdealtapresinsondeimpulsoylasetapas
debajapresinsondereaccin.Lasiguientefiguracomparaambostiposdeturbinas.
Figura32Comparacinentreturbinasdeimpulsoyreaccin.
Paradeterminarlaeficienciayeldesempeo,esnecesariodividirlaturbinaconelfin
de localizar los problemas y situar las correcciones pertinentes, por eso para su anlisis
45
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
hayvariaspolticasparataldivisin.Lamaneramsclsicaespormediodeetapas,donde
unaetapaseconsideraalparconformadoporunconjuntodetoberasolabesfijosyun
conjuntodelabesmviles.Enunaetapaseproduceunacadadepresinporlocuales
necesariovigilarlosvaloresde presinytemperaturaalaentradaysalidadetaletapa.
Otro trmino empleado para dividir la complejidad de la turbina es el de seccin o
cilindro,queserefiereacadaunadelasturbinasqueintegranelsistema,assetienenpor
ejemplo,seccionesdealtapresin,intermediapresinybajapresin.
Laturbinadegasesunaturbinadereaccincuyofluidodetrabajoconsisteenungas.
Comnmente se marcan diferencias entre las turbinas a gas y el resto de las turbinas,
debidoalosaspectosfsicosdelfluidoconelqueoperan.Sibienotrasturbinasfuncionan
consustanciasenestadogaseoso,suscaractersticasdediseosondiferentes,y,mientras
que en la turbina de gas no se espera un posible cambio de fase, cuando se habla de
vaporesesindispensableconsiderartalescambios.
En la turbina de gas, la mayor parte de sus estudios se reducen al anlisis de
temperaturas, donde existen dos principios de operacin: primero, que mayor
temperatura implica mayor poder y segundo, a mayor temperatura se economiza
combustible.Porsuparte,elanlisisdeturbinasdevaporrequiereconsiderarpresionesy
temperaturas,loqueengeneralpuedeconsiderarsecomounretomayor.
Eneldiseodeplantas,lapotenciamarcacasitodaslasdiferenciasconrespectoalos
sistemas de turbinas, estableciendo en la mayora de los casos, las opciones de
combustible, los accesorios necesarios, e incluso la ubicacin y las dimensiones de la
plantadegeneracin.
Unaplantanuclearporejemplo,sejustificacuandolapotenciarequeridaesdevarios
GW, pero arrastra una planeacin mucho ms delicada y envuelve muchos requisitos
difciles de reunir como una fuente de agua permanente, suficientemente amplia como
para refrigerar el reactor nuclear (esto crece conforme a las caractersticas del reactor,
pero tpicamente se requiere de un lago profundo), una zona assmica de suelo firme y
accesoauncombustiblenuclearsuficientementepotente.
Lasturbinasdevaporporcombustiblesfsilesofrecenmenorcapacidaddepotencia,
pero se justifican en virtud de que al comparar los costos y dificultades durante su
instalacin, mantenimiento y operacin, as como los riesgos asociados, pues son muy
inferioresasuscontrapartesempleadasenplantasnucleares.
Ilustrandoesto,enMxico,deacuerdoadatosdelaComisinFederaldeElectricidad
(CFE),lanicacentralnucleoelctricaesLagunaVerde,enelestadodeVeracruzycuenta
condosunidadesgeneradorasde682.5MWelctricoscadauna(estplaneadoextender
enelcortoamedianoplazoaunams),querepresenta2.74%delacapacidadinstalada
porlaCFE,ycontribuyeconslo4.61%delageneracinnacional,contralosmsde2/3
de la generacin por combustibles fsiles (Este dato varia pues las unidades
termoelctricas constituyen adems el mecanismo de respaldo cuando se requiere
disminuirlaproduccinenalgunaplanta).
46
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.3 Ciclostermodinmicos
Unodelosprincipiosmsfundamentalesparaelanlisisdeturbomaquinaria,reside
en identificar las caractersticas ideales del comportamiento fsico para el objeto de
estudio, dado que para la operacin de la mayora de las turbinas existe un cambio de
temperaturas,estaidentificacinconsisteesdistinguir losprocesostermodinmicosque
regresanalsistemaasusestadoinicial,llevndoloporejemplodesdeunpuntomximoal
mnimodetemperaturayderegreso,ubicandoconelloelciclotermodinmicoquerigela
fsica del aparato. Los ciclos termodinmicos se representan mediante grficas
relacionando un par de variables, bien sea temperatura contra entropa (grfica TS), o
presincontravolumen(grficaPV),dependiendodecualdelasvariablesreflejamejorla
presenciadelosprocesos.
3.3.1 CicloRankine
Una turbina de vapor se caracteriza por el Ciclo Rankine (ilustrado en las figuras
siguientes),elcualconstadecuatroprocesosmayores:
Proceso 12: Se presenta una expansin (idealmente isoentrpica, es decir con
entropaconstante)delfluidoenlaturbina,desdelapresindelacalderahastala
presindelcondensador.
Proceso23:Haytransmisindecalordesdeelfluidodetrabajoalrefrigerante,a
presinconstanteenelcondensador,hastaelestadodelquidosaturado.Sedice
queellquidoestsaturadosialagregarenerga(calor),unafraccindelpasaa
lafasevapor.
Proceso34:Enelprocesodecompresin(tambinidealmenteisoentrpica)enla
bomba,seaumentalapresindelfluidomedianteuncompresorobomba,alque
seleaportaundeterminadotrabajo.
Proceso 41: Existe una transmisin de calor hacia el fluido de trabajo a presin
constanteenlacaldera.
Figura33CicloRankinecaractersticodelasturbinasdevapor.
47
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Figura34GrficaTSdelcicloRankineconvencional
ExistenvariacionesalcicloRankinequebuscanmejorarelrendimiento,entreellasse
encuentraelcicloRankineconrecalentamiento,medianteelcualesposibleconseguirun
aumento del rendimiento total. Esto es debido a que se puede tener una presin de
caldera ms alta sin que suponga una reduccin de la fase del vapor a la salida de la
turbina.Ahelvapornoseexpandedirectamentehastalapresindelcondensador,sino
que lo hace en dos etapas. En la primera el vapor se expande hasta una presin
intermedia entre la de la caldera y la del condensador. Posteriormente, se vuelve a
introducir en la caldera, recalentndose. Despus del recalentamiento se vuelve a
expandirenlasegundaetapadelaturbinahastalapresindelcondensador.Dentrodel
ciclo Rankine con recalentamiento, se le denomina turbina de alta presin a la primera
etapadelaturbinayalasegundaetapaturbinadebajapresin.
Otra variacin es el denominado ciclo Rankine regenerativo. En esta variacin se
introduceunnuevoelementoalciclo,uncalentadorabierto.Esteelementoconsisteenun
intercambiadordecalorporcontactodirectoenelcualsemezclandoscorrientesdeagua
para dar una corriente de temperatura intermedia. De las dos corrientes que entran al
calentador una proviene de una extraccin de vapor de la turbina y la otra del
condensador (sufre la expansin total). Como las presiones en el calentador han de ser
iguales,seaadeunabombadespusdelcondensadorparaigualarlapresindelaparte
delvaporquehasufridolaexpansincompletaaladelaextraccin.
EnuncicloRankinereal, lacompresindela bombaylaexpansinenlaturbinano
son isoentrpicas, esto es, estos procesos son noreversibles y la entropa es
incrementadaduranteambosprocesos.Estohacequelapotenciarequeridaporlabomba
seincrementeydisminuyelapotenciageneradaporlaturbina.Adems,hacemsdifciles
einterdependienteslosclculos.
48
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.3.2 CicloBrayton
ElmodeloparalasturbinasdegassedescribeporelciclotermodinmicodeBrayton,
integrado por tres elementos: compresor de gas, quemador o cmara de combustin y
turbinadeexpansin,comoseilustraenlafigurasiguiente.
Figura35CicloBraytonabierto.
Figura36CicloBraytoncerrado.
AlcontrariodelcicloRankine,querecuperaelflujocondensadoparaemplearloenla
generacin de vapor que inicia el ciclo, en el ciclo Brayton, el aire empleado se libera
49
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
comogasescalientesexhaustos,hacindolouncicloincompletooabierto,sinembargo,a
travsdeunintercambiadordecalor,esposibleformarunciclocerrado,comoseilustra
enlasiguienteanterior.
Encondicionesideales,comosemuestraenlagrficaTSdelafigurasiguiente,est
compuestoporcuatroprocesos:
Proceso12.Compresinisentrpicaenuncompresor.
Proceso 23. Adicin de calor al fluido de trabajo a presin constante en un
intercambiadordecalorounacmaradecombustin.
Proceso34.Expansinisentrpicaenunaturbina.
Proceso 41. Remocin de calor del fluido de trabajo a presin constante en un
intercambiadordecaloroenlaatmsfera.
Figura37GrficaTSdelcicloBraytonideal.
AligualqueenelcicloRankine,existenvariantesdelcicloBrayton,talescomoelciclo
Braytonconregenerador,elcicloBraytondemltiplesetapas,tantodecompresincomo
deexpansin,olacombinacindeuncicloBraytonconuncicloRankineparadarlugaral
denominado ciclo combinado. Todas estas variantes buscan optimizar uno o varios
factoresfsicoscomopresinotemperatura,fundamentalmenteparamejorarelusodel
combustible.
50
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.4 Generacindeenergaconturbinas
El uso ms extensivo de las turbinas de vapor es la generacin de energa elctrica,
donde puede encontrarse operando sola o en combinacin con turbinas de gas. La
operacinindependienteescomnenplantasdegeneracindecombustiblesfsiles,las
cuales, pese a su indeseable contaminacin, son las ms comunes en el mundo,
produciendomsdelamitaddelaenergaelctricamundial.EnpasescomoChina,esto
llega a niveles tan altos como 80% de su generacin elctrica mediante el uso de
combustiblesfsiles,principalmentecarbn.
Para generar energa, la turbina requiere un suministro de vapor adecuado para su
operacin.Lafuentedevaporenlasplantasdecombustiblesfsilesesllamadagenerador
devaporocaldera.Paranoverinterrumpidosufuncionamiento,laprcticamscomnes
instalar la planta cerca de algn yacimiento abundante de combustible. Otro
requerimientodetalesplantassueleserunafuentedeaguatantoparalageneracindel
vapor,comoparaelenfriamientodelsistema.
Ademsdeloverstilqueesencuantoalasdiversasfuentesdevaporqueexisten,el
principalatractivodelasturbinasdevaporeslapotenciaquepuedengenerar,enespecial
conlasventajasqueofrecenlosavancestecnolgicosenlamateriadesarrolladosenlos
ltimosaos,enfocadosporunaparteamejorarlaeficienciayporotroladoadisminuir
lasemisionesdecontaminantes.
Enelmundo,losrangosdepotenciayeficienciadelasturbinasdevaporcontinanen
aumento, sin embargo para ofrecer una idea de las capacidades se ofrece en la tabla
siguiente una breve recopilacin de las turbinas japonesas y alemanas ms eficientes.
[LEYZEROVICH2007]
Tabla31Unidadesdeturbinadevaporenelmundo,coneficiencia.
51
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Por otra parte, adems de distinguir a las turbinas de vapor por el mtodo de
generacin de vapor, tambin se diferencian dependiendo de los arreglos que
complementan su funcin. As existen: turbinas de condensado, turbinas de
recalentamiento, y turbinas de extraccin. Las turbinas de condensado emplean vapor
parcialmentecondensado,sonlasmscomunesenlasetapasiniciales,especialmenteen
generacinnuclear.Porsuparte,enunaturbinaderecalentamiento,elflujodevaporsale
deunaseccinaaltapresindelaturbinayesregresadoalacalderadondeselevuelvea
sobrecalentar. El vapor entonces regresa a una seccin de presin intermedia de la
turbina y contina su expansin. Finalmente, la turbina de extraccin, que tiene
aplicacionesmsdiversasfuerade lageneracindeenerga,operamientraselvapores
liberadoendiversasetapasyaprovechadoendistintosprocesosindustriales.Estevapor
tambin puede ser enviado a calentadores de agua para mejorar la eficiencia del ciclo.
[LICHTY1967]
Estataxonomageneralponeenevidencialasmltiplesopcionesexistentesencuanto
ageneracindeenerga,sinembargocabemencionarlasaplicacionesmenospopulares
de las turbinas de vapor como: mecanismo de propulsin de barcos de vapor y
submarinosnucleares,produccindepapel,alimentosyacero.Elanlisisdeestetipode
aplicacinquedafueradelalcancedeestainvestigacin,sinembargoesvalidoreferiruna
vertienteparafuturosproyectos.
Figura38Barcodevaporbritnico
52
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.4.1 Ciclocombinado
En la generacin de energa se denomina ciclo combinado a la coexistencia de dos
ciclos termodinmicos en un mismo sistema, uno cuyo fluido de trabajo es el vapor de
aguayotrocuyofluidodetrabajoesungasproductodeunacombustin.
Enunacentralelctricaelciclodegasgeneraenergaelctricaempleandoalmenos
una turbina de gas, mientras el ciclo de vapor de agua lo hace mediante una o varias
turbinasdevapor.Elprincipiosobreelcualsebasaesutilizarlosgasesdeescapeaalta
temperaturadelaturbinadegasparaaportarcaloralacalderaogeneradordevaporde
recuperacin,laquealimentaasuvezdevaporalaturbinadevapor.Laprincipalventaja
de utilizar el ciclo combinado es su alta eficiencia, ya que se obtienen rendimientos
superioresalrendimientodeunacentraldeciclonicoymuchomayoresquelosdeuna
deturbinadegas.Enlasiguientefiguraseilustraelconceptodeciclocombinado.
Figura39Ciclocombinadodegasyvapor.
53
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
electricidad por quema de combustibles fsiles. Bsicamente las emisiones son de CO2,
dado que las emisiones de NOX y SO2 son insignificantes, por tanto no contribuyen a la
formacindelluviacida,talesefluentesgaseososdependendeltipodecombustibleque
sequemeenlaturbinadegas.[LEYZEROVICH2007]
Durantelosltimosaos,enlasplantasdegeneracintermoelctricamodernasseha
experimentadounincrementogradualenlaeficiencia,debidoavariosfactores,comola
introduccindecicloseficientesylaexperimentacinconnuevosmaterialesenlabesy
carcasas. Ambas modificaciones permiten trabajar con mayores temperaturas, bajo las
cuales,esposiblerecuperarmayorcalorparagenerarmsymejorvaporqueseemplea
msefectivamenteenlasturbinasdevapormodernas.
Otro ejemplo de desarrollo prometedor, se presenta en recientes esfuerzos por
consolidarplantasdegeneracinconsistemasdeciclocombinadointegradosconenerga
solar,produciendovapordeunaformadual,tantoporelreciclajedelasemisionesdeuna
turbinadegas,comoporungeneradorsolardevapor,integrandounenormegenerador
devaporcompuesto,delcualseobtienevapordediferentescapacidades,queseinyecta
envariasetapasdeunaturbinadevapor.Esteconceptodeciclocombinadointegradocon
energasolarseilustraenlasiguientefigura.
Figura310Ciclocombinadoconenergasolarintegrada.
54
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.4.2 Cogeneracin
Durantelageneracindeenergaelctrica,esposibleproducirsimultneamenteotras
formasdeenergaaprovechable,dondelacombinacinmscomneslaobtencinpara
fines tiles de energas elctrica y trmica, partiendo de un nico combustible, tales
sistemas se denominan de cogeneracin. En la figura siguiente se plasma un esquema
conceptualsobrelacogeneracin.
Figura311Cogeneracindeenergaselctricaytrmica.
Lasaplicacionesdelacogeneracinaprovechanelvapor,parausosindustrialesopor
ejemploenlacalefaccinyobtencindeaguacalientesanitariaparasitiosuniversitarios,
hospitales,etc.Conestossistemassemejoralaeficienciaenergtica,consiguiendoconel
mismo combustible ms energa, repercutiendo en una serie de ahorros y entre ellos la
disminucindelasemisionesdecontaminantes,especialmenteCO2.
El conflicto ms grande de la cogeneracin, est en los costos relacionados con la
salidadeoperacin,puestoque,sienplantassincogeneracin,talescostosrepresentan
losegresosporconceptodelasopcionesquecubranlademandaenloqueseregresaa
operar,encogeneracinimplicatodoloasociadoacubrirlademandaparacadaservicio,
es decir en el caso de una cogeneracin de energa elctrica y trmica, se tiene que
considerarelmanejodealternativasparacubrirlasnecesidadesdeelectricidadydecalor.
Por ltimo, otras modalidades sobre la cogeneracin, son: la trigeneracin, y
tetrageneracin.Latrigeneracinesunaopcinenlaqueseutilizaelcalorresidualpara
producir fro mediante un mtodo de absorcin, adems de las energas elctrica y
trmica. Si bien es poco comn, en la tetrageneracin, adems de las energas de la
trigeneracin,seobtienealgntipoenergamecnicaresidualaprovechable,porejemplo
enlaobtencindeairecomprimido.
55
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.4.3 GeneracindeenergaenMxico
Mxico es un pas rico en recursos naturales y por ende la generacin de energa
elctrica permite diversificar los tipos y ubicaciones de las centrales elctricas, sin
embargo, al igual que en la mayora de pases, las alternativas a la generacin por
combustiblesfsilesapenasrepresentanunaopcindeapoyoantelacrecientedemanda.
Este hecho se refleja en el grfico de pastel de la siguiente figura, en el cual se
representancadaunodelostiposdegeneracinexistentesenMxicohastaseptiembre
de2007.
Figura312CapacidadefectivainstaladadegeneracindeCFE
56
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.5 Monitoreodeldesempeodeturbinas
Desde un punto de vista tcnico, es posible medir la calidad de operacin de una
planta mediante ciertos indicadores representativos, nombrados disponibilidad y
desempeo. La disponibilidad envuelve todo lo que logra mantener a los equipos en
produccin. Dado que un equipo tiene algn nivel de importancia para la red de
generacin en la que se encuentra integrado, los costos por falta de disponibilidad se
miden en funcin de los costos asociados a remplazar la produccin del equipo, por
ejemplo si cierta turbina est encarga de proveer una cantidad de MW y no est
disponible, la red requiere suministrar una generacin similar, lo que se traduce en
emplear equipos menos eficientes, ms costosos de mantener, ms contaminantes, o
simplementereducirseaadquirirenergadeotrascompaasacostosquepuedenllegara
quebrantarcualquierpresupuesto.
Sibienlaprcticacomnhacealgunosaosseconcentrabacasiexclusivamenteenla
disponibilidad para evitar sus costos, hoy da las presiones por el problema del
calentamiento global han impulsado la bsqueda de mejorar el rendimiento del
combustible,altiempoque,lanecesidaddeaprovecharturbinaspequeascomosistemas
derespaldoparalareddegeneracinelctrica,hacenquelaoptimizacindeldesempeo
delasturbinasseaimportante.
El desempeo se asocia a la eficiencia calculada entre otras formas, por la relacin
entre las cantidades de potencia generada y de combustible necesario para tal
generacin, mientras otra opcin simplemente manifiesta la potencia y la cantidad de
combustibleparaobtenerla.
Diversosproyectossehandesarrolladoapartirdelanlisisdedesempeodeequipos
rotatorios, partiendo en cierta medida de la naturaleza del sistema, sin embargo tal y
como se destac al hablar de los mtodos generales de diagnstico, todo modelo de
anlisis recurre a ciertos aspectos que se asumen para desarrollar tal mtodo. Para
turbomquinas,talesasuncionesseconcentranenasuntosfsicos,porejemploconsiderar
despreciableciertaprdidadepresinenalgnmomento.Estassuposicionessimplificany
vuelvenfactibleelanlisisdecondicindelequipo.
3.5.1 Condicionesdeoperacin
Se debe diferenciar entre las posibles situaciones que enfrenta una mquina en su
operacin,porelloelestudiodeturbomaquinariaimplicaanalizardiversascondicionesde
operacin del equipo para determinar el estado de la mquina. La mayor parte de las
metodologas para el diagnstico de equipos rotativos requieren la existencia de un
conjuntodecondicionesespecficasparaeldiagnstico,talescomooperaraciertorango
de velocidades, a uno o varios niveles determinados de carga, igualmente puede
requerirse que el vapor presente ciertas propiedades como temperatura, grado de
condensacin,ounflujoespecfico.
Bsicamente pueden distinguirse dos clases de condiciones de operacin: aquellos
momentos en que los procesos termodinmicos operan a un nivel de produccin y
57
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Figura313Cargaenciclodeparoyarranquetpicodeunaturbina
Elmonitoreodelosciclosdearranqueyparoresultaexhaustivoyformapartedela
operacin tpica de las plantas de generacin de energa, en el caso de turbinas de gas
suele realizarse con base en el tiempo que establece el fabricante como espacio entre
mantenimientos mayores, mientras que en turbinas de vapor, participa en las tareas de
monitoreo de las condiciones estructurales del equipo. Sin embargo para establecer el
estadoactualdeunequiporotativo,la informacinmsimportanteseconcentraen los
puntosestables,loscualesproveeninformacinsobreelcomportamientorealdelequipo
aciertascondicionesdeoperacincalculables.
Un problema asociado a los estados transitorios, es la presencia de retrasos en los
efectos fsicos en diversas piezas de la turbina. Poniendo como ejemplo los efectos del
ciclodearranqueyparo,paraincrementarlacarga,sedebendepresentaraumentoenla
velocidad,locualrequiereunincrementoenelflujo,quetantoporlatemperaturaenel
vaporcomoporlafriccin,implicaunaumentodetemperaturaydadalacombinacinde
momentos, ejerce un efecto de presin y fuerzas, es decir, prcticamente todas las
variablesregistran incrementos.Pero obviamentenotodoseincrementaalparejoenel
sistema, primero se presentan los incrementos en los instrumentos de la entrada de
58
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Figura314Temperaturasenciclodeparoyarranquetpicodeunaturbina.
As, dado que los incrementos en las variables marcan condiciones crticas de
esfuerzo,exponen lasdebilidadesdelequipo,permitiendopronosticarsituacionescomo
los tiempos para mantenimiento o las fallas ms prximas, pero introducen demasiado
ruido para determinar adecuadamente el estado del equipo, por lo que deben
seleccionarseciertascondicionesdeoperacinparaexplorareldesempeodelequipoy
conelloestimarlasfallas.Tpicamentelosfabricantesrecomiendanelregistroadiversos
nivelesdecarga,bajolasmismascondicionesdevapor.
3.5.2 Adquisicindedatosenequiposrotativos
Parapoderlograrreunirlainformacinnecesariaparaevaluarlaturbina,senecesita
una infraestructura tanto de hardware como de software que renan ciertas
caractersticas que garanticen la calidad de la informacin recolectada, misma que se
identificamedianteparmetroscomolafidelidad,confiabilidad,disponibilidad,precisiny
exactituddelosdatos.Laadquisicindedatoshaexperimentadoevoluciones,dirigidasa
laestandarizacin,lamejoradelacalidaddelaadquisicin,lacompatibilidad,ladeteccin
de problemas, la conectividad y las capacidades para adaptarse sin requerir grandes
cambios.
As han nacido estndares tanto de facto comooficiales o de iure, para los diversos
aspectos tcnicos envueltos en la adquisicin de datos, como: transferencia de la
informacinenredesinformticas,tratamientodesealesanalgicas,conectoresfsicos,
formatosdeinformacin,encriptacindedatos,entreotros.
59
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Figura315Ejemplodeadquisicindevelocidadesduranteunarranque.
Lossistemasentiemporealtienencaractersticasmuyespecialesconrelacinalresto
de los sistemas, pues esta clase de sistema requiere ejecutar cada accin con una
frecuencia requerida, y que ciertas tareas se ejecuten antes que otras. Dentro de las
opciones de recoleccin de datos, existen las aplicaciones de Control de Supervisin y
AdquisicindeDatos(SCADA),loscualespermitenlaadquisicindedatosdesdemltiples
puntos, concentrndolas en un destino estratgico, para control o supervisin. Las
opcionesparaimplementaraplicacionesSCADAvandesdelosdesarrollosindependientes,
tanto en hardware como en software, hasta la compra de mdulos de un sistema
comercialqueinclusoseintegrealossistemasinformticosfinancierosdelaempresa.
Entrevariosfactores,lossistemasSCADAhanimpulsadolaevolucindelossistemas
de adquisicin de datos, los cuales recolectan informacin, digitalizndola y son
tpicamentereconocidosporsuacrnimodeDAQ,(DataAcquisitioneningls),dentrode
loscualesexistendiversosproveedores.
La compaa National Instruments (NI) es uno de los proveedores populares en los
desarrollos industriales de sistemas que no adquieren un sistema completo de SCADA,
puesofrecen opcionesmodularestantodehardwarecomodesoftware.Suconceptoes
generarinstrumentacionesvirtualesconbaseensusproductos,principalmenteLabView,
una herramienta de programacin visual con base en un paradigma de desarrollo por
componentes, es decir, se ocupan piezas previamente desarrolladas, que implementan
60
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
funciones,principalmenteparaeltratamientodeseales.NIademsproducetarjetasde
adquisicin de datos, hardware para la integracin y tratamiento de seales incluyendo
audioyvideo,recoleccindesealesdevibracinademsdeintegracincondispositivos
transductoresdetemperatura,presin,velocidad,etc.
OtroejemplodeproveedoresOSISOFT,compaacuyosoftwaredeinstrumentacin
deplantas(PI),permitelaintegracindedatosdelasplantasysussolucionessontanto
modularescomointegralesypuedencubrirtantolapartehardwarecomoelsoftware.A
continuacinseilustraunejemplodeinstrumentacinconelsistemaPI.
Figura316EsquemadelsistemaPI
ElsistemaPIpermitelaintegracinparaempleardatosexternosobrindarlosdatos
recolectados hacia otras aplicaciones, como algunas versiones del VSCORT desarrollado
porelIIEparaelcontrolyoptimizacindelrgimentrmicocontermoeconoma,conla
finalidad de racionalizar el uso de energa. Su desarrollo es totalmente ad hoc o a la
medida,paracadaunidadenlaqueseimplanta,locualrequiereunanlisisexhaustivodel
comportamientotermodinmicodelosequipos.
Por otra parte, el IIE ha desarrollado su propia plataforma de recoleccin de datos,
bajo el nombre de SICAD (Sistema Computarizado para Anlisis Dinmico), cuya
arquitecturaestbasadaenlatecnologadeNationalInstrumentsparalaadquisicinde
datos e implementa una integracin de datos e interfases visuales para el anlisis de
vibraciones.
ElSICADseutilizaenlarealizacindelbalanceo demaquinariarotatoria,permitela
adquisicindelosvectoresdevibracinydelasformasdeondadurantelosarranques,los
parosylascondicionesestablesdelasmquinasypuededesplegarenpantalladiversos
tiposdeformatosgrficosdevibracinenlnea,entreellos,losdiagramasdeespectrosy
61
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
los diagramas polares de respuesta; con estos ltimos el analista determina la posicin
fsicaenelrotorenquedebensercolocadoslospesosparabalancearelequipo.
Este desarrollo ha permitido integrar diversas metodologas, algunas propias del IIE,
talescomoeldesarrollodeherramientasavanzadasparabalanceoderotores,queemplea
tcnicasdebalanceopor influencias(BALIN),mediantelascualesesposibleplantearlas
correccionesmecnicasincrustandooremoviendopesosenelrotor.
Figura317EsquemadelsistemaSICAD
DentrodelascaractersticasquehanevolucionadosconlasversionesdelSICAD,como
en el resto de productos similares, han sido la reduccin del tamao y la mejora de la
fidelidadyvelocidaddeadquisicindedatos.
3.6 Enfoquesdeldiagnsticodeturbinas
Sibienesposibleafirmarqueelanlisistermodinmicoeselprincipalelementopara
la diagnosis de turbinas, existen varios principios para el estudio de condiciones. Los
enfoques,usosycomplementospuedenvariar,elnicoelementocomneselmonitoreo
continuoylaextraccindedatosdelsistema.
3.6.1 Anlisistermodinmico
Bajo la perspectiva de calcular el comportamiento con base en la fsica del ciclo
termodinmicodelaturbina,esposiblecomparareseclculocontraeldesempeodela
turbina bajo ciertas condiciones de operacin controladas. Para obtener el
comportamiento calculado, deben considerarse las especificaciones del fabricante y el
arreglodeaccesoriosqueinfieraenlatermodinmicadelequipo.Conestoenmente,es
posibleanticiparunconjuntoaproximadodevaloresparalasvariablesfsicasdelequipo
(temperatura, presin, eficiencia, etc.). Tal conjunto de datos sirve como uno de los
elementos de referencia ante los valores obtenidos del monitoreo del equipo en
funcionamiento. Con base en esta referencia, es posible establecer cuan acorde a las
62
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
caractersticasesperadasseencuentraelequipoenestudio,yconelloseubicanlasraces
delosproblemas,tantoexistentescomopotenciales.
Elanlisistermodinmicoeslabasedelmantenimientodelasplantasdegeneracin
elctrica,sinembargosibienlosprincipioscoinciden,existendiferenciasenaspectosque
van desde el nivel de profundidad, los modelos, las simplificaciones del problema hasta
aspectosdelainformacindisponibleparaelanlisis.Dentrodelassimplificacionesms
comunes est el dividir el equipo, dependiendo del mtodo de anlisis por ejemplo, en
secciones y etapas. En una turbina de impulso, una etapa es cada conjunto de labes
mvilespreviosaunaextraccin,mientrasque, paraturbinasde reaccin, unaetapaes
cadafiladelabes.Enlafigurasiguienteseilustraunejemplodeturbinaconunparde
extracciones,porloquepresentadosetapas.
Figura318Ejemplodeturbinacondosextracciones.
63
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Todo este anlisis puede evaluarse conforme a funciones lineales, pero resulta
complejo por el nmero de variables y clculos que pueden requerir, sin embargo si se
llega a un nivel relativamente simplificado, que no consuma tiempos muy elevados
(mayoresacincominutos,quegenerenineficiencias,porejemplo),talesmodelospueden
aprovecharse en la evaluacin remota de elementos, tal y como lo ofrecen algunos
serviciosporpartedelosfabricantesdeturbomaquinaria.
Figura319EjemplodediagramadeMollier.
Otra forma de hacer clculos es mediante las tablas de vapor, que describen las
caractersticas del vapor, mediante lo cual es posible cruzar los valores para el flujo,
dependiendo del estado del mismo, saturado o sobrecalentado. Las tablas de vapor
existenparapresinytemperatura.
64
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.6.2 Anlisisdevibraciones
Otrastcnicasquepermitendeterminarelestadodelosequiposrotativos,involucra
el estudio de seales de vibracin. Tales diagnsticos pueden dividirse en genricos y
analticos.
Losmtodosgenricosseempleanparaevaluarrpidamentelacondicingeneralde
las mquinas con una cantidad limitada de mediciones globales o generales. Es
comparable con la prctica mdica de tomar temperatura, presin sangunea y otros
sntomasperceptiblesdesdeelexteriordelorganismo.
Atravsdelosmtodosanalticosseevalalacondicindecomponentesindividuales
de una mquina para identificar daos en el proceso que se presentan de manera
incipiente, inclusive es posible determinar sus causas y adoptar medidas correctivas. La
profundidad de diagnstico crece, por tanto es equiparable a la aplicacin mdica de
tomografas,ensayosradiogrficos,ultrasonidos,etc.
En el caso de turbomaquinaria, se busca detectar la presencia de vibraciones
mecnicas, que son las oscilaciones perceptibles y medibles en la superficie de las
mquinas, elementos constructivos, sus funciones, etc. As las vibraciones se detectan
mediante la medicin de seales, las cuales se procesan y se estudian en cuanto a
frecuencia, forma de onda, velocidad, intensidad, periodicidad entre otros. Tal anlisis
determinaelnmeroylascaractersticasdelassealespresentesenlasealcompuesta.
Cadarotacinimplicamuchascombinacionesdemovimientosqueesposibleanalizar
medianteelestudiodevibraciones,susvelocidadesyporendesusfrecuencias,asqueun
comportamientoerrticoproducesealesyresonanciasquepuedenestudiarse,biensea
por anlisis numrico puro o al graficarse. Igualmente, cada movimiento rotatorio
describe algn modo de oscilacin o rotacin, los cuales pueden describir un
comportamientoqueseencuentredentrodeloesperadoo,casoopuesto,representarun
estado de anormalidad, ya que cuando una estructura vibra, existen patrones de
oscilacindeacuerdoconalgunaformamodal.
Sinembargo,dado queunsistemasueletenerunnmero casiinfinitodemodos, la
evaluacin de formas modales es un trabajo complejo dentro del estudio de elementos
rotativos,puesdeben desarrollarsemodelosmatemticosque representen lastorsiones
existentes en el rotor bajo un conjunto de condiciones, normalmente expresado por la
velocidad derevoluciones.Dichastorsionesinvolucran losesfuerzosylafatigasobrelos
componentes, y dado que esta informacin permite calcular la vida til remante, se
presentacomopartedelosserviciosmsavanzadosencuantoalanlisisydiagnsticode
turbinas.
65
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.6.3 Anlisisestructural
Otra rea de ingeniera mecnica que suele apoyar la deteccin de problemas en
turbomaquinaria es la mecnica estructural, en la cual, por medio de complicados
modelosseidentificanlospuntosdefatigayseelaboranmodelosdefractura,mediante
los cuales se realizan clculos y simulaciones que pronostican las fallas del equipo
originadospordesgaste.
Lastcnicasbasadasenherramientasdecmputoquesoportanestetipodeestudios,
vanencaminadasaldesarrollodemodelosparaelclculodeelementofinito,enloscuales
se aplican tcnicas de diseo asistido por computadora (CAD), para modelar la pieza en
estudioyseintroducenlascaractersticasdecadamaterial.Talesmodelosexigenmucho
tiempo de modelado, consumen muchos recursos informticos y suelen procesarse en
tiempos relativamente largos, por lo que no suelen aplicarse para el diagnstico
automatizado. Como ejemplo, en la figura siguiente, se ilustra una pantalla de una
aplicacindeelementofinitoparaelanlisisdeunlabe.
Figura320PantalladeunaaplicacindeCADyelementofinito.
Lasmejorasenelhardwaredecomputadorashanpermitidolaevolucindelanlisis
estructural,enespecialalcombinarlosmodelosdeelementofinitoconelprocesamiento
de seales colectadas durante ciclos transitorios de arranques y paros. Este tipo de
anlisis permite diagnosticar y evitar fallas, al hacer una deteccin oportuna de los
elementosquepresentannivelesinadecuadosdefatiga.
Alcombinarselastcnicasdeelementofinitoconelanlisisdevibracionesesposible
realizar simulaciones para determinar los daos futuros, pieza por pieza o en toda la
turbina.
66
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.6.4 Inspeccinconboroscopa
Delamismaformaquelosestudiosdelaparoscopa,dondeunacmaraseintroduce
en el cuerpo para determinar problemas en los rganos internos de un humano, as
existen instrumentos similares en el rea mecnica llamados boroscopios. Este tipo de
equipo consiste en una cmara instalada en una estructura delgada a manera de cable,
por medio del cual se ofrecen perspectivas del interior de turbocomponentes,
permitiendounanlisispticosinnecesidaddeabrirelequipo.
La tcnica, denominada boroscopa, se aplica introduciendo un boroscopio de cable
flexible por un barreno o por un hueco de verificacin cercano a la zona a analizar,
permitiendolavisualizacinalotroladodelcomponentepticodelboroscopio.Dentrode
los aspectos ms importantes de la boroscopa es garantizar el trnsito adecuado de la
cmaraparaobtenerimgenesdetodoslosespaciosquepudiesenpresentardao.
El boroscopio permite reconocer puntos conflictivos y puntos problemticos de un
modo muy sencillo y rpido y as poder tomar las medidas preventivas oportunas, sin
necesidaddetenerquerealizarcostososdesmontajes.Lassiguientesfigurassonfotosde
lainspeccinporboroscopadetuberasdeaguaydeunaturbinaindustrial.
Figura321Boroscopadeunaturbinaindustrial.
Figura322Boroscopamanualdetuberas.
67
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Enelcasodetuberas,dadoqueporlosngulos,lastonalidadesdelosmaterialesyla
pocailuminacin,secomplicaelpoderdistinguirconcertezaalgunosdaosmenorespor
corrosin, fracturas u otros desperfectos mayores. En estos casos, para garantizar el
adecuadomuestreo,seusaunatcnicaqueempleaelrastreodeproblemaspormediode
un robot, el cual recorre la tubera, tomando muestreos del interior. En la figura se
muestraunrobotquerecogeimgenesatravsdelatubera.
Figura323Robotparaboroscopaentuberas.
Medianteestetipodeequipo,esposiblerecopilarlainformacindecadasegmento
deltubo,proporcionandolasbasesparagenerarunmodelotridimensionaldelatubera,
con el cual se puede estudiar la presencia de fallas de diversos tipos, principalmente
fracturas,corrosinyproblemasdesellado.Losproblemasasdetectadossuelenrequerir
demantenimientocorrectivoencuantoasoldadura,sustitucindesegmentosdetuboo
laaplicacindesellosyadhesivos.
Este proceso de deteccin es muy lento por la naturaleza del robot, sin embargo
eliminalaincertidumbresobrelaubicacindecadaproblema.
68
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.6.5 Estudioporimgenes
Una tcnica adecuada para la deteccin de algunos problemas en turbomaquinaria,
principalmente en aquellas de mayores temperaturas tales como las turbinas de gas o
algunas turbinas de vapor modernas, consiste en emplear cmaras especiales para
plasmar mediante coloridas imgenes la presencia o ausencia de energa calrica
(termografas).Acontinuacinseilustraunejemplodeaplicacindetermografasparael
diagnsticodefallasenchumaceras.
Figura324Termografaparaeldiagnsticodechumaceras.
69
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Figura325Anlisisdefracturaenturbinasdegas.
3.6.6 Estudiodelubricantes
Para que la rotacin sea adecuada, en cada soporte o chumacera debe existir un
lubricante (tpicamente aceite) que evite el rozamiento y los problemas de friccin.
Existenpruebasespecficasparadeterminarelestadodellubricante,lascualesseenfocan
en dos objetivos: por una parte buscan determinar la presencia de sedimentos, en
particular metlicos en el aceite, lo que sera indicio de problemas de rozamiento y por
otroladodeterminarsiellubricanteesadecuadoparalascondicionesdeoperacin.
Laspruebasdelubricantespermitendetectartempranamenteproblemasquesuelen
pasar por alto en el rotor, lo cual evita problemas ms severos y muchos de los
mantenimientosmayoresanticipados.Mecnicamentesevigilaladegradacindelaceite,
cuidando en los instrumentos que las temperaturas presentes en el lubricante
permanezcandentrodelrangoadecuadoparaoperacin,delamismamanera,mediante
filtros se analiza la presencia de sedimentos que alteren al lubricante, y por ltimo a
travs de muestreos regulares se realizan pruebas a fondo sobre propiedades fsicas
especficascomolaviscosidad.
70
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.7 Mtodosacadmicosdediagnsticodeturbinas
Eldiagnsticodeturbinasconbaseenmodelostermodinmicosconsisteenubicarlas
fallas a cargas parciales, con base en el anlisis termodinmico, principalmente en las
etapasdondeseinyectadirectamenteelvapordesdelacaldera,esdecirenlassecciones
dealtapresin,comovaporsobresaturadoyenlaseccionesdeintermediapresincomo
vaporrecalentadocaliente.
Elanlisistermodinmicobuscaestudiareidentificardesviacionesenlascondiciones
de operacin, que conlleven a establecer reglas, bajo las cuales se pueda manifestar la
presenciadefallas.Talesreglassefundamentanenlasdiferenciasentrelasestimaciones
calculadas por medio del modelo termodinmico a partir de los valores nominales de
operacin, contra los clculos a partir de los valores efectivos en la instrumentacin del
sistema.
Lateoratermodinmicapermitellegaraconstruirmodelosparacualquiermquina,
donde la experimentacin permite ajustar tales modelos. Despus de mucha
experimentacinenloslaboratoriosdediversosfabricantes,KennethC.Cottoncondens
su experiencia de 55 aos en el anlisis de turbinas, creando el libro Evaluating and
Improving Steam Turbine Performance, que hoy da sirve para como una de las
referencias ms slidas para la operacin de plantas con turbinas de vapor. En Mxico,
porejemplo,sirvede fundamentoparalosmtodosdeanlisisdeturbinasdevaporde
LAPEM.
Suimportanciaradicaenlosobjetivosquelogra,puesbuscadeterminarlosefectosde
la operacin de plantas generadoras sobre la eficiencia de la turbina, tasas de calor y
potencia de salida. Adems plantea tcnicas de diagnstico con base en el anlisis
termodinmico de la expansin del vapor para ubicar puntos de operacin y tipos de
dao,estudiandoeldeterioroyproponiendolainterpretacindeldiagnsticoconbaseen
datoshistricos.
Apartirdetodoloanterioresposibleresumirloenunametodologaqueregistralos
problemas, documentndolos como datos estadsticos, los cuales se utilizan en futuros
anlisis. Tales anlisis caracterizan la mquina para compararlos contra los datos que, si
bien normalmente forman parte de los documentos que el fabricante otorga, pueden
calcularse, ajustando las curvas de expansin del vapor con base en los valores
recolectados durante la operacin a diferentes cargas parciales, es decir para distintos
nivelesdecargadelaturbina.
Los datos obtenidos de la caracterizacin de la turbina, permiten manifestar los
efectos de los cambios en las condiciones de la turbina, refiriendo los resultados de
pruebacomodiferenciasconrespectodelconjuntodereferenciascalculadas.Estopuede
resumirse como un conjunto de reglas ante combinaciones de las diferencias de las
variables,similaraloquesepresentaenlatablasiguiente.Enestatablaserepresentan
los cambios en las variables de velocidad de flujo, presin en cuatro extracciones: 1)
entrada(PT)y2)salidadelaprimeraetapa(P1ra),3)entradadevaporrecalentadocaliente
71
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
IncrementaTT
IncrementaTHRH
IncrementaA1ra(SPE)
HPTB
IncrementaAHRH(SPE)
IPTB
DisminuyeA1ra(Depsitos
ydesprendimientos)
HPTB
DisminuyeAHRH(Depsitos
ydesprendimientos)
HPTB
DisminuyeA2da(Depsitos)
HPTB
IncrementaA2da
(Deformaciones)
HPTB
DisminuyeALP(Depsitosy
daos)
Lasdiferenciasconlasreferenciassemanifiestancomooperacionesdecomparacin,
donde puede aumentar (), disminuir (), no cambiar (), o no importar (), para una
condicin.
Porotraparte,elmtododeCottonsebasaendatoshistricos,fundamentalmente
encalificarcadafalla,catalogandocadacaso.Conestainformacin,esposiblerealizarlos
72
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
Figura326PantalladeeSTPE.
73
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.8 MtododediagnsticodeturbinasdevaporenlneadelIIE
Los clientes del IIE como la Comisin Federal de Electricidad (CFE) o Petrleos
Mexicanos (PEMEX), tienen grupos dedicados al mantenimiento de plantas. Como
ejemplo,laCFEcuentaconelLaboratoriodePruebasdeEquiposyMateriales(LAPEM),el
cualespecificamuchosdelosaspectosdemantenimientoparalasplantashidroelctricas
y termoelctricas, adems de verificar la calidad de los suministros fabricados en el
extranjero y certificar la calibracin de equipos de medicin. Por esto, los servicios de
diagnstico solicitados suelen requerir de niveles elevados de exactitud, que mejoren la
eficienciadelastcnicasempleadasporlosgruposdemantenimientodelosclientes.
Dentrode lastcnicasdeanlisistermodinmico,laevaluacindelrgimentrmico
enlaetapadebajapresineslomscomplejo,debidoalosclculosdelvapor,quellega
enunestadodevaporhmedo.Lafsicadeestetipodevapordifiere,ademsdequela
turbina de baja presin al ser de reaccin, requiere consideraciones distintas, que
permitanvalorarelcambiodeestadoylasdistintastransformacionesdeenerga.Porotra
parte, para poder hacer mejores estimaciones, es preciso realizar una conciliacin de
parmetros,esdecirrecalcularlosparmetrosdereferenciadeacuerdoconregistrosde
condicionescontroladasparaelequipo.
Porotraparte,dadoqueCFEharequeridotransparentarysimplificarsusprocesosde
adquisiciones, cre en 1995 la especificacin tcnica W120001, para turbogeneradores
de160y350MW.Endichodocumentosedetallanaspectosdeestructura,conectividad,
potencia,suministrosdecombustible,instrumentacinycimentacindeloscomponentes
deunturbogeneradordevapor,incluidaobviamentelaturbina.Tambinsedetallan los
parmetrosaceptadosdeoperacinparacadaniveldecarga.Porlominucioso dedicha
especificacin, es posible considerar tales datos para la construccin de modelos muy
precisosdelcomportamientoesperadodelaturbina.[CFE1995]
DeacuerdoalaexperienciadelgrupodediagnsticodelIIE,ydemanerasimilaralas
tcnicas de Cotton, para elevar la exactitud de los resultados, en lugar de emplear el
cuerpocompleto olaetapacompleta,laturbinasesubdivideengruposdetrabajo,que
normalmenteasocianunpardepuntosdeinspeccin.
Esta metodologa se fundamenta en un esquema basado en modelos, en la cual se
preparan dos conjuntos de datos, una lnea de referencia (comportamiento esperado) y
unalneadepruebaactual(comportamientoreal).Losparmetrosparalaobtencindel
balance trmico de referencia necesitan del ajuste o conciliacin de parmetros e
igualmenteseconcilianlosdatosdelequipo.Paratalesajustes,ascomolaestimacinde
desviacionesseempleaunmodelomatemticoenelsoftwareEES(EngineeringEquation
Solver). Dicha herramienta fue desarrollada por universitarios para emplearse en los
cursosdetermodinmicaysuprincipalcaractersticaesresolverproblemascomplejosque
envuelvanregresioneslinealesynolineales,ecuacionessimultneasnolineales,estudios
deparmetrosdediseo,optimizacinygraficacindepropiedadestermodinmicas.
74
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
ElmtododelIIEsinembargonoesdependientedeningunaherramienta,yaquesus
modelos han sido desarrollados sobre distintas herramientas matemticas de software,
porejemploEESyMatlab.
Amaneradealgoritmo,elmtodopuedeilustrarsedeunaformaresumidamediante
lafigurasiguiente.
Figura327MetodologapropiadelIIE
Resultanotablequelaprincipalventajadeestemtodoesladeteccindefallasenlas
seccionesmscomplejasdeanalizar:intermediaybajapresin.Lascomplicacionesdela
seccin de intermedia presin se asocian al manejo de flujos de vapor recalentado y la
descripcin detallada de las extracciones intermedias del equipo. En la seccin de baja
presinsecomplicaseveramentelaestimacinalincluirlasvariantesdeestadoasociados
a la fsica del fluido por efecto de la condensacin. En tales casos la observacin de
algunasvariacionesabrelasospechadeciertasfallasquedebenconfirmarserepitiendoel
proceso de comparacin, con un conjunto distinto de variables a considerar. As el
proceso se vuelve iterativo en cuanto a hacer comparaciones con base en una
comparacinanterior.
75
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo3 Diagnosisdesistemasmecnicos
3.9 Conclusionesdelcaptulo
Lasturbinasdevaporapoyanenlamayorpartedelageneracinelctricamundial,y
porlacontaminacinqueimplican,hanrequeridomejorarlastcnicasquemonitoreensu
estadoydetectenfallas.Existendiversasformasdeanalizarlasfallas,entreellaselanlisis
termodinmico,muyafnaldiagnsticobasadoenmodelos.
El IIE posee una metodologa de diagnstico propia, que parte de las tcnicas
acadmicas,peroagregalaconciliacindeparmetros,ademsdeproponerconbaseen
unaexperiencia comprobable,reglasparadeterminar lapresencia deciertasfallasenla
turbina,anenlasseccionesdeintermediaybajapresin.
76
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
4 Captulo4
Captulo4 Estadodelartedeldiagnsticode
turbinasdevapor
77
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
4.1 Naturalezamultidisciplinaradeldiagnstico
Bsicamente el problema de diagnstico, como muchos de la inteligencia artificial,
involucratantoelanlisisdelassolucionesdelreadeaplicacin(medicina,electrnica,
mecnica, etc.), como emplear las tcnicas ms adecuadas dentro de las ramas que
permiten la automatizacin (ciencias computacionales, electrnica, etc.), por lo que los
resultados del rea de diagnstico de turbinas estn ms bien dispersos entre diversas
publicacionesycongresos.
Para documentarse en el tema de diagnstico de turbinas de vapor ms all de la
bibliografaespecializadaentermodinmica,sibiennoesextraoencontrarpublicaciones
de inters general, o de reas afines a las ciencias computacionales (IEEE EXPERT, por
ejemplo),quetomencomocasodeestudioalgntipodeturbina,lomscomnyporlo
generaldecontenidomsdetalladoen cuantoaldiagnstico deturbinas,seencontrar
en artculos de congresos y revistas de las asociaciones de ingenieros mecnicos ms
destacadas, tales como los congresos especializados de: IEEE, POWERGEN y ASME
POWER; as como las publicaciones: Journal of Turbomachinery de ASME, IEEE
TransactionsyTurbomachineryInternational.
Igualmente,peseaquelasturbinasdevaportienenfundamentosmaduros,sobrelos
cualesespococomn definiralgototalmentenuevo,esprudente observar loscasosde
xitoyfracasoalllevaracabodiferentesestilosdediagnstico.Elnmerodeexperiencias
descritasesmuyelevado,peroesposibledestacaralgunasdeellas,enelentendidoque
sebuscaponercontextoconrespectoaldiagnsticoautomticodeturbinasdevapor.
El problema con el aspecto multidisciplinario del diagnstico de turbinas, es que al
igual que todo foro de investigacin, las publicaciones al respecto se realizan desde
puntos de vista que se enfocan en tcnicas, herramientas y especialidades, generando
informacinquepuedepasarporaltodetallesimportantesdesdeotraptica.Peseaello,
es posible discutir los aspectos ms recurrentes en cuanto al diagnstico de fallas en
turbinasdevapor.
78
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
4.2 Representacindesistemasdediagnsticodeturbinas
Si bien el almacenamiento de datos ha evolucionado en cuanto a los dispositivos
fsicos,lastcnicasenfocadasalarepresentacindeobjetoshantenidounefectosingular
enlossistemasdediagnstico,pueshanhechofactiblelaimplementacindealgoritmos
fundamentadosenlasemnticaocontextodelasdescripcionesexpresadasalrepresentar
los datos. Los avances al respecto incluyen mltiples artculos sobre representacin
semnticadeelementos,locualseaplicaeninstrumentacionesqueincluyeninformacin
delaunidaddegeneracin,caractersticasdelequipo,estampadetiempo,etc.
Enlosmodelosdediagnsticobasadoenmodelos,unadelastendencias,esseguirel
principiodedescripcindesistemasdeReiter,queempleanrepresentacionesbasadosen
lgica de predicados. La evaluacin se convierte en tales casos en conformaciones de
reglasque,paracasosmuyconcretos,algunosautoreshanorientadoaresolvercomoun
problemadesatisfactibilidadbooleana.Laprincipalasuncinenesteenfoqueeslimitarla
descripcindelsistemaalapresenciaoausenciadepropiedadesyquelaevaluacin de
las condiciones sean reglas sobre la existencia de alguna anormalidad. Otra variante del
enfoquedeReiteresindicarlapresenciadecondicionesnormales,detectandounndice
desaludoafinidadalascondicionesnormales.
Por otro lado, muchas publicaciones de ingeniera mecnica se concentran en
enfoques estticos en cuanto al sistema, abordando casos especficos, sobre los que se
describen mejoras en el anlisis. Por ejemplo, al proponer mejoras a los procesos de
monitoreodecondicionesenturbinas,laimplementacindelsistemaTiger,deIntelligent
ApplicationsLtd.,paraeldiagnsticodeturbinasdegasempleandodiagnsticobasadoen
modeloscualitativos,enloscuales,sibienseempleantcnicasinnovadorasencuantoa
los mtodos basado en reglas, la representacin es esttica, dificultando la
implementacinporejemplodeturbinasdevapor.
Lagranventajadelosenfoquesestticosesqueserestringelaincertidumbreycon
elloseformandescripcionesmuyexactasyexplcitasdelosdetallesdelafalla,ademsde
queselograunamayorcompenetracinconelsistemaqueseanaliza.Enesteaspectoes
similar a los desarrollos de herramientas VSCORT por parte del IIE y la Universidad de
Guanajuato, han llevado a la evaluacin de unidades de generacin, donde cada
implementacin requiere un amplio trabajo de caracterizacin y conciliacin de
parmetros, adems de tiempo para ajustar las interfases de usuario de acuerdo con el
sistemareal.
Estratgicamente, algunos enfoques dinmicos de descripcin de equipos, han
destacadosobrelosmodelosrgidos,allograrresultadossimilaresencuantoalacerteza
del diagnstico, compensando la generalidad de los detalles del diagnstico, con la
habilidaddelsistemadesencillezparaadaptarelanlisisdeequiposdiferentes.Talesel
caso de los desarrollos con base en el lenguaje de diagnstico LYDIA, en los cuales,
aprovechandolaflexibilidadde ladescripcindelosmodelosmatemticosmedianteun
lenguaje, han explorado soluciones en circuitos digitales, sistemas financieros y
optimizacindecomponentesdesoftware.
79
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
Idealmentelarepresentacindeunsistemadebeaproximarsealasnecesidadesdela
aplicacin, sin embargo en algunos casos se observa que las soluciones pueden
artificialmente adaptar un problema a la representacin que requieran las herramientas
dediagnstico,principalmenteelsoftware.Portanto,existendiversaspublicacionescon
respecto a la representacin, tanto en el aspecto del modelado fsicomatemtico del
equipo,comodelalmacenamientodedatos,condiciones,reglas,ascomolasestructuras
deprocesamientonecesariasparalaautomatizacindelproceso.
4.3 Monitoreodeturbinasdevapor
Como se menciono antes, las turbinas de vapor son empleadas en la generacin de
energa tanto solas como en ciclos combinados, teniendo como punto comn que su
funcionamientodebemonitorearseporrazonesprincipalmenteeconmicasparamejorar
elaprovechamientodeloscombustiblesdelacaldera.
EnelcasodelsistemaTiger,losregistrosnocturnosdemonitoreoenlaturbinadegas,
de la planta Exxon Fife Ethylene ofrecen un valor extra a su utilidad desde 1992. Este
sistema de monitoreo consta de tres partes: un shell de reglas de diagnstico, un
manejadorderutinasdechequeoyunmdulodeverificacin.Porsuparte,enCoreadel
Sur,lasplantasdegeneracinempleansistemasmonitoresqueintegranlassealesenun
esquemabasadoenredesbayesianasparaelestudiodeprobablesincidencias,mediante
la aplicacin de una proyeccin de eventos con base en los datos histricos de
mantenimiento.
Tras de una marcada tendencia a principios de los 90s por abandonar las
investigaciones en la generacin elctrica basada en la combustin de combustibles
fsiles,principalmentepornoofrecermejorasenlaeficienciade lasnuevasturbinasde
vapor.Conloscambiosmundialessobrelosrequerimientosdelasplantasconrespectoa
laemisindecontaminantes,hanpromovidolanecesidaddelaverificacinexhaustivade
lascondicionesylosproblemasdeoperacinenplanta.
En este sentido, en tiempos recientes, la industria ha optado por integrar el
monitoreodeestadoasolucionesmayores,porejemplodentrodesistemasPIoincluso,
dependiendodelnivelcrticodelainformacinamonitorear,enmdulosdediversosERP.
Otrapartedelmercadohaoptadoporlamovilidaddelosdispositivosdeextraccin
de datos, generando aplicaciones para dispositivos similares a un organizador personal,
pero con caractersticas industriales. Mediante estos dispositivos se puede calcular el
estadodelequipoensitio, ilustraraloperadorsobre lascondicionesde riesgoo incluso
sugeriraccionesdecontrol.
80
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
4.4 Problemasdeinstrumentacin
Algunasinvestigacionessehancentradoenlacorreccindeproblemasporpartedela
instrumentacin, donde la falla de los sensores, los problemas de conexin fsica de los
instrumentos, el ruido ambiental, la prdida de informacin durante el muestreo de
seales, y los problemas derivado de la calibracin. Estos problemas requieren tanto la
incorporacin de mecanismos de validacin, tanto en hardware como software. En el
hardware, multiplicando los sensores para validar las seales para aumentar as la
disponibilidad y confiabilidad; otra opcin es incorporar hardware que analice minimice
loserroresporpicosocambiosmuyrpidos.Enelsoftware,aplicandoanlisisdeFourier
principalmente, para el manejo de seales, es posible detectar la presencia de patrones
discordesconrespectodeunpatrnesperadoparaciertascondicionesdeoperacin,por
ejemplo un arranque controlado. Mediante el estudio de estos patrones, existen
soluciones de software que tratan las seales, corrigiendo algunos problemas de
instrumentacin, en especial: presencia de eco, ruido esttico, retrazo en la seal y
mezcladeseales.
Otrotrucocomnqueesposibleencontrarenmltiplesaplicacionesindustrialesesla
presenciadeartificiospararellenardatosfaltantesenlaseal,talessolucionesaplanan,
interpolan,ointroducenunvalorpordefecto,encasodedetectarlaausenciadesealen
pequeoslapsos,deestamaneraseevitanerroresenotrosmdulosdecontrol.
Sibienlaeliminacindeproblemasesutpica, laredundanciadesensoresypuntos
de control puede tornarse crtica en trminos de costobeneficio, por lo cual las
estrategiasdeestimacinydeteccindecondicionesirregularesenlasmedicionesesun
temaconstantementeabordado.
4.5 Correccindereferenciasdelfabricante
Losfabricantesproveeninformacinquepuederesultarbsicaparalamayoradelas
tcnicasdediagnstico,enespecialaquellasbasadasenelanlisistermodinmico,aparir
deloscualessederivanunamultituddeherramientasdediagnsticobasadoenmodelos.
Dependiendodelosmodelosmatemticosformulados,seobtienelaprofundidadde
diagnstico. Normalmente a mayor profundidad de diagnstico, mayor complejidad del
sistema, por lo cual, las necesidades en cuanto a profundidad tienden a implicar una
mayor complejidad en el sistema de diagnstico. Con esto en mente, los modelos que
incluyen la correccin de modelos del fabricante, permiten evitar diversos errores
presentesenlaconstruccindesistemas,aproximandosolucionesdediagnsticobasadas
enmodelos,conautocorreccindelasbasesparaladiagnosis.
Los mecanismos de correccin tpicamente emplean herramientas de aprendizaje
automticoparaimplementarlaconsolidacindenuevosdatosqueseconviertenenuna
versincorregidadelasreferenciasdelfabricante.
81
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
4.6 Diagnosisautomticadeturbinasdevapor
Lareduccindecostos,lasimplificacindetareasylaeliminacindeerroreshumanos
ha motivado la automatizacin de los procesos desde la revolucin industrial hasta
nuestrosdas.Sibientodaslasjustificacionesanterioressonvlidas,eldiagnsticoclnico
ofrece muchos ejemplos sobre los riesgos implcitos al confiar en una diagnosis
automatizada.Porejemplo,enalgunoscentrosdedonacindesangreenEstadosUnidos,
existelarenuenciadeaplicarexmenesautomticosdesangre,mismosquepodranpasar
poraltola presenciadealgunasformasde VIH, exponiendo lasaluddequienesreciben
estasangre, ventaja natural del mtodo manual; Sin embargo mientras que un humano
puede ofrecer una cantidad de pruebas de sangre de acuerdo a sus habilidades y
experiencia,elprocesoautomticotienecapacidades10o20vecesmayores.
La automatizacin del proceso de diagnstico ha demostrado sus ventajas en las
implementaciones de diversos sistemas en el mundo, en ellos, el sistema Tiger, el cual
monitorea daos sin necesidad de supervisin, tiene varias caractersticas deseables en
cualquiermecanismodemonitoreo,comoson:velocidad,verificacinyfidelidad.
Igualmente los desarrollos creados por el IIE en cuanto a la deteccin de fallas en
plantastermoelctricasmexicanas,hantenidodistintoscaminos,entreelloselusodeun
enfoque con un conjunto de modelos probabilsticos casuales, con base en redes
Bayesianas, implementado en las plantas de Dos Bocas y Gmez Palacio. Bajo este
enfoque,sevaconformandounareddeprobablesfallas.Conesteesquemasedetermina
lapresenciadefallas,involucrandoelaislamientodecausasyestimandolosefectos.
Otrastcnicasquehandisfrutadodexitoeneldiagnsticodeturbocomponentes,en
especial desde un enfoque ms elctrico que mecnico, son las redes de Petri, el cual,
frente a otros mtodos, el esquema ofrece mayor facilidad para su implementacin,
rapidezdeadaptacinantecambiosdezonadeoperacinybuenarobustez.
Para implementar el sistema de diagnstico se sigue un mtodo que consiste en
obtenerunmodelodecausalidaddelelementoadiagnosticar,utilizandounareddePetri
denominadaredhaciaadelante.Unavezobtenidoestemodelo,seinvierteelsentidode
los arcos de conexin, obtenindose una red de Petri hacia atrs. Con base en la
experienciadelosoperadoressedeterminanlosumbralesdedeteccinyaplicandoreglas
dedisparodelastransicionesdelared,seproducensealesquecambianelestadodela
red de Petri y que se interpretan como firmas de las fallas consideradas. [LO 1997],
[SUAREZ2007]
Enesteyotrostrabajosdeinvestigacinprevios,realizadosenelIIE,sehanexplorado
conxitolastcnicasderedesneuronalesylalgicadifusaparaeldiagnsticodefallas
[RUZ 2005], [AQUINO, H., 2005]. Cada una de estas aplicaciones ha permitido obtener
resultadosmuydispersosencuantoalarobustez,yaquesibiencadacasohavistoxito,
82
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
lastcnicasofrecenmejordesempeoenciertascondiciones,asmientraslosresultados
de un mtodo son satisfactorios un conjunto de informacin, mientras que en otro
conjunto no son concluyentes; pero los resultados de otra tcnica son buenos en este
segundoconjunto,peronotanbuenosenelprimero.
As como se ilustra a continuacin, mientras que puede haber condiciones que
favorecen a una tcnica, no es absoluta la ventaja que puede presentar contra otras
tcnicas.
Figura41Desempeodelastcnicasdediagnstico
4.7 Combinacindeenfoques
Las tcnicas de monitoreo de seales, integradas a la correccin de problemas de
instrumentacinatraemuchosartculosdereasdecontroleinstrumentacinquesuelen
ofrecermejorasparacasosmuyespecficosdeaplicacin.
Porsupartelasinvestigacionesquecombinanlarepresentacindeloselementoscon
lacorreccindedatosdelfabricantehanmanifestadoxitoenelaislamientodefallasen
sistemas industriales como evaporadores. Un caso especial de ello ha llevado a la
deteccin de problemas en el control de los procesos industriales para obtener
concentradodectricos,implementandotcnicasdereingenieradeprocesos.
Porltimo,losfabricantesdeturbinasenelmundocontinanampliandosusservicios
enlneaparaelmonitoreoydeteccindefallasencomponentes.Aquexistenunagama
de tcnicas manuales de deteccin de fallas que van en proceso de mejora ysu posible
automatizacin. Algunas tcnicas dependen completamente de la habilidad humana
conjugadadelusodevisin,clculo,memoria,experienciayconocimientos.Lossistemas
expertosquepretendanemulartalcombinacindebenseroaltamenteespecializadoso
de una complejidad inmensa, pues no consiste solo en diferenciar formas en tres
dimensiones,sinotenerlacapacidaddeinterpretarobjetosenmovimiento.
83
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo4 Estadodelartedeldiagnsticodeturbinasdevapor
Porotrapartelospatronesexistentesentrefallassontansimilaresytandistintosque
pudiesen pasar desapercibidos si se emplea visin, pero ser muy detectables mediante
ecografas.
Figura42Deteccindefallasengeneradores.
4.8 Conclusionesdelcaptulo
Los sistemas mecnicos requieren del manejo de seales para el control y la
estimacindesuestado,altiempoqueexistenproyectosparacorregirlainformacinde
referenciadelosfabricantesdeturbinas,lograrunamejorrepresentacindesistemas.
Al tiempo que se observa una tendencia a integrar enfoques que han tenido cierto
xito,dondesetienequeenalgunoscasosespecficosesmejorunatcnicaqueotra,de
donde se infiere que un resultado ms robusto puede ser alcanzado, mediante la
implementacin de un esquema de diagnstico basado en diferentes mtodos
complementarios, lo cual justifica la necesidad de explorar las propiedades de nuevas
tcnicasenelcampodediagnsticodefallas.
84
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5 Captulo5
Captulo5 Diseodelsistema
85
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.1 Elementosdeunainfraestructuradediagnstico
Laautomatizacindeladiagnosisdependedeadoptardiversassuposicionesyporello
generaunaincertidumbredifcildemanejar.Paramanejarestaincertidumbreydisminuir
lospatronesdedispersin,esnecesarioenfocar losesfuerzosdeldiseoenconcebirun
conjuntoargumentadodesuposiciones.
Porotrapartesiempreexistenparmetrosmsdeseablesparalasolucin,talescomo
son: la robustez, es decir la capacidad de funcionar ante diversos escenarios adversos,
relativamente alejados del diseo; la flexibilidad, que consiste en operar en diversas
situacionesylaadaptabilidad,queimplicalapropiedaddequeconpocoscambiosafronte
nuevasfunciones.
Paralogrartalesparmetros,elsoftwaredebeproducirsesiguiendoalgnmodelode
desarrollo:clsicoomodeloencascada,4GL,porprototipos,enespiral,incremental,etc.
Cada uno de ellos tiene sus ventajas, por ejemplo en el caso del modelo clsico, la
simplicidad y claridad que ofrece lo hacen uno de los modelos ms populares. Al
desarrollarporprototipossibienpuederepresentarmstrabajo,otorgalaposibilidadde
obtener correctamente los requerimientos del cliente o usuario. El modelo en espiral
partedelconceptodeversin,siemprepasandoporunacomunicacinconelcliente,un
estudio de factibilidad, un proceso de ingeniera: anlisis, diseo, construccin rpida y
pruebas. Todos los modelos pueden combinarse o hacerse ciertas adaptaciones
dependiendo del tamao del equipo de desarrollo, la claridad de la especificacin y las
herramientas de desarrollo disponibles. As, como se muestra a continuacin, mientras
que el proceso clsico es idneamente de una sola direccin, existen variantes que
incluyen opcin de regreso a corregir actividades previas. Tal modelo es muy
perfeccionistaycorreelriesgodealargarlas
Figura51Modeloencascadaconcorrecciones
86
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.2 Anlisisdelaproblemticatcnica
Dado que los problemas de la automatizacin del diagnstico pueden volverse
insalvables sin la acotacin adecuada, para obtener una solucin, se busco concentrar
esfuerzossobreunconjuntodeenfoquesprioritariosparasituarlasolucin.
Lafigurasiguienteilustraconceptualmenteunanlisisdelestadooriginalyelestado
deseadobajoelcualseenfocaeldesarrollodelasolucinplanteada.Elestadooriginalo
Estado A, sintetiza las situaciones existentes, siendo dos las principales: repeticin de
tareas durante la implementacin de sistemas de monitoreo de equipos y la potencial
reduccin del nmero de visitas a sitio para realizar diagnstico de turbinas, creando la
capacidadeneltiempoparamejorarlosprocesosdediagnstico.
Figura52Estado'A'contraEstado'B'
87
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
consolidar elementos mecnicos, tomando como el caso base las turbinas de vapor, e
inclusootrosdominiosdediagnstico.
c) Realizarladescripcindelsistemadelcasobasedeestudio(turbinadevapor)yun
casoalternodesoporte.
d) Explorar los mecanismos de representacin del comportamiento esperado de un
sistema,apartirdeladescripcindelsistemayunconjuntodeparmetros,talescomolas
condiciones de operacin y algunas variables ambientales, que intervengan durante el
procesodediagnstico.
e) Seleccionar el mecanismo de representacin del comportamiento esperado, con
baseenelmtododedescripcinseleccionado.
f) Seleccionar un modelo dinmico adecuado para la definicin operativa de los
parmetrosdescriptivos(delascondicionesdeoperacinyalgunasvariablesambientales)
delcomportamientoesperadodeunsistemaadiagnosticar,conbaseenelmecanismode
representacindelcomportamientoesperado.
g) Describirelcomportamientoesperadoparaunconjuntodedatosdeprueba,tanto
paraelcasobase(turbinadevapor),comoparauncasoalternodesoporte.
h) Evaluar las tcnicas de preparacin de datos para el diagnstico, enfocado a
obtener un mecanismo de procesamiento de seales, que transforme los datos
recolectadosdelsistemaenlnea,enunarepresentacindelcomportamientoactualdel
sistemaestudiado.
i) Definirelmecanismodepreparacindedatosparadistintasfuentesderecoleccin
de datos, adecuado para la generacin del modelo de comportamiento actual de un
sistema,enfocadoprincipalmenteasistemasmecnicos.
j) Describir el comportamiento actual de diversas seales monitoreadas por varias
fuentes desde sistemas en lnea, verificando la validez del modelo de comportamiento
actual.
k) Explorarlasdiversastcnicasparaformulareldiagnsticoconbaseenlosmodelos
decomportamientoesperadoyactual.
l) Seleccionar la tcnica ms adecuada para la diagnosis automtica, tomando en
cuentalosmodelosdecomportamientoantesseleccionados.
m)Implementaryevaluarlaautomatizacindelprocesodediagnsticoseleccionado.
n) Evaluar las tcnicas de validacin, evaluacin y retroalimentacin inteligente de
procesosautomatizadossemejantesalmecanismodediagnsticoseleccionado.
o) Definir un modelo de registro y validacin de la diagnosis, enfocado a un
mecanismo de mejora inteligente que incorpore la validacin de los resultados del
diagnstico.
88
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
p) Explorarlasarquitecturas,herramientasymodelosparaimplementarlasinterfases
de usuario adecuadas al sistema de diagnstico definido, cuidando los atributos de
calidad, tanto de la adaptabilidad del mtodo de descripcin del sistema, como de la
reusabilidaddeloscomponentesdesoftware.
q) Evaluarlascaractersticasglobalesdelasolucinimplementada.
Cada uno de estos incisos coincide con las actividades del trabajo de tesis,
representandoretostcnicosmuyrelevantesenespecialelmanejodepiezasflexiblesque
inclusopermitenlarepresentacindeotrossistemas,inclusoajenosalreadeturbinas.
5.3 Diseodelainfraestructuradediagnsticoremoto
Laseleccinyacomododeloselementosdeunasolucinysuintegracin,conforman
la arquitectura del sistema, toda vez que representa la conformacin de la solucin es
crticaparaanalizaraspectoscomocomplejidad,factibilidadylasolidezdelasolucin.
Paratalseleccinseprobarondistintasopciones,comoelusodetomarcomobaseun
sistema experto vaco (Shell), sin embargo, pese su modelado flexible, este tipo de
sistemaslimitanlaimplementacindeinterfacesdeusuarioymuyenespecialenelcaso
de turbinas de vapor, se requiere incorporar informacin grfica de la turbina y resulta
preferibleunmodelomsmatemticoquelgico.
Sehicieronigualmenteintentosporadoptarlaplataformadellenguajedediagnstico
LYDIA, el cual ofrece la implementacin de modelos lgicomatemticos. Este software
permite generar libreras y aplicaciones que si bien no son del todo adecuadas para
soluciones Web, es posible llamarlas mediante un servidor de aplicaciones. La gran
desventaja es que pese a que los responsables de su desarrollo ya tienen contemplado
generarversionesconmodelosdinmicos,hastafebrero,sumodeladoesesttico.
Figura53Seleccindeopciones.
89
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
Finalmente,sehaescogidoempleareldesarrollodemetamodelosdesarrolladosala
medida de este desarrollo, cuya principal ventaja es la flexibilidad en cuanto a la
representacindesistemasycorreelriesgodeemplearmstiempodedesarrollo.
As,lasolucinaimplementarcuentacontresgrandespiezas:unaherramientapara
ladescripcindesistemas,unservicioWebparalaejecucindeprocesosdediagnsticoy
unabasededatos(BD)conlosmetamodelosadecuadosparalaaplicacin.
Como se ilustra a continuacin, se seleccion como lenguaje de desarrollo C# (C
Sharp), y MySQL como base de datos. Ambas opciones se tomaron pensando en la
potencial migracin entre sistemas operativos, principalmente ambientes Microsoft
WindowsyLinux.
Figura54Diagramaconceptualdelaarquitecturadelasolucin.
90
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
Figura55Diagramamodulardelasolucin
Elprocesodediagnsticoconsisteen8etapas,sealizadasenelsiguientediagrama.
Figura56Alcancedelsistemadediagnstico
91
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.4 Metamodelos
Lasbasesdedatosrelacionalesconstituyenelalmacenamientodedatosmsusadoen
nuestros das, para su correcto funcionamiento, los sistemas manejadores de base de
datos (DBMS) requieren organizar la informacin en entidades o tablas, los cuales se
describenatravsdelusodecamposoatributos.Cadacampotienedefinidounconjunto
depropiedadesqueaportan informacinadicional,bienseaparavalidar, presentar,etc.
Talinformacinextra,seconsideracomoelmodelodelmodelodedatos,osimplificado,
metamodelo,ypermiteagregarfuncionalidadesparaelmanejodelainformacin.
Sin embargo aunque este fue el enfoque inicial y el ms empleado de los meta
modelos,existenotrosusosdelmetamodelado;esposiblealmacenarlainformacinde
las piezas de la solucin, generando un diseo basado en metamodelos, tal y como lo
aprovechanlassolucionesempresarialesmodernas,enlascualessetieneninterfasesde
usuario metamodeladas, para las cuales se almacena la configuracin de detalles como
estilos,formatos,roles,permisos,vistasyprocesos.
Figura57Basededatosmetamodelada
Deestamanera,esposiblemencionarcomoprincipioqueunmetamodelopermitela
representacin de informacin adicional sobre los elementos de una solucin, desde
asuntos relacionados con el manejo de la interfaz de usuario, seguridad, validacin de
datos,ocontroldeprocesamiento.
Aslosmetamodelosempleadospermitendescribirelalmacenamiento,laseguridad
tantoenWebcomoenlasherramientasdedescripcinylosdetallestantodedefinicin
comoejecucindelosprocesosdediagnstico.
92
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.5 Diseodeloselementosdedefinicindelsistema
Los sistemas mecnicos a explorar deben poder diferenciarse por un conjunto
relativamentepequeodedatos,bsicamentenombre,descripcin,ubicacin,imagena
emplearcomofondo,alavezquealmacenanlosdatosdeloscomponentes,queesdonde
lossistemasrealmentevaran.Cadacomponentedebecontenertantodatosdelformato
que tiene como de la representacin que aplica, es decir su posicin en el grfico y
detalles como sus unidades de medicin, identificador y valor por omisin. Todos estos
datossedebenintroducirenetapas:
a) Primerosecapturanlosdatosgeneralesdelsistema.
b) Seintroducenloscomponentes,mencionandosuposicin.
c) Trasdeeso,alalmacenar,seejecutaunprocedimientoalmacenadoenlabasede
datosparaconformarlastablasyvistasdetrabajoquecontendrnlainformacin
duranteelprocesodediagnstico.
Medianteestospasos,setienedefinidalainformacindelsistemaenmetamodelos.
5.6 Diseodeloselementosparaelcomportamientoesperado
Tanto el conjunto de datos que integran el comportamiento esperado como la
informacin del comportamiento real requieren de un procesamiento de la informacin
delequipo.Normalmenteestoeslaparteestticade lasimplementaciones desistemas
dediagnstico.
En el caso del sistema, se debe introducir los datos de referencia, con base en las
tablasdetrabajoyageneradasduranteladefinicindelsistema.Conbaseenestosdatos
es posible la generacin del comportamiento esperado, que requiere de un proceso
matemticodeclculo,paraelcualhabavariasopciones.Sepuedeemplearunpaquete
especializadoenclculo,talcomoMatLaboMaple,unaherramientamsvisualdediseo
de algoritmos, estilo LabView o aprovechar las capacidades del sistema manejador de
basededatosparaprocesarinstruccionesenSQL.
En el IIE ya se trabaja en transformar los clculos hacia herramientas como MatLab
con algunas dificultades para la integracin y la eficiencia del procesamiento cuando se
integraasolucionesconinterfacesdeusuariocomplejas.Aprovechandoelprocesamiento
veloz de los servidores de base de datos, se busca hacer un procesamiento remoto de
talestrabajos.
Encualquiercaso,loselementospuedenasociarseafrmulas,datosrecolectadosoa
salidas tanto del comportamiento esperado como del calculado. Este paso podemos
mencionarlo como simbolizacin, y es mediante el cual se definen los componentes del
modelo del sistema. Para su captura se deben incorporar formularios denominados
editores,enloscualessemanejelainformacindesistemas,programasLDX(lenguajede
diagnstico)yconjuntosdereglas.LosdiseossedetallanenformatoUMLenelanexoB.
93
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.7 Diseodeloselementosparalapreparacindeldiagnstico
Parapodermanipularlosdatosdelamquina,esnecesariotransformarlosmediante
unprocesoqueinvolucraelclculomecnicodeloselementosfsicoshastareducirseaun
conjuntocomparablecontraelcomportamientoesperado.Enesenciaeslomismoqueel
clculo para el comportamiento esperado, salvo que adems incluye la eliminacin de
huecosyotrosproblemas.
Tales programas como se comentaba parten de las funciones que incluye el
manejadordeMySQLyseextiendenmediantelibrerasenC.
Por tanto no es necesariamente una gramtica lo que aplica, con un parser, sino la
ejecucindeunaverificacindeSQLvlido.
TallenguajeesdenominadoLDXyposeefuncionesdepicos,promedios,sumatorias,
eliminacin de nulos, eliminacin de picos, comparacin contra tablas, declaracin de
constantesytablastemporales,ysustitucindevalores.
Tabla51ConjuntodeinstruccionesdeLDX
Instruccin Parmetros
prom valores
peak valores,corte,sustituir
max valores
min valores
count valores
count_a valores,a
count_b valores,a,b
count_c valores,a,b,c
table_v valores
table_h valores
constant valor
sum valores
table_xy valores
filter valores
nulls valor,nulo
For contador,inicio,fin
If condicin
while condicin
stop
jump lnea
LDXesunodelosaportesmayoresenestainvestigacin,alincorporarflexibilidaden
el manejo de seales y el resto de la preparacin de datos previo a la ejecucin del
diagnstico.
LainterfazdeusuarioparalacapturadeprogramasdeLDXrequieredeuneditor,con
realcedesintaxis.Ladepuracindeprogramasconsisteendefinirlosdatosdepruebaeir
ejecutandolas instruccioneshastalocalizarunerror.Loserroresdetectanlaubicaciny
unadescripcin.
94
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.8 Diseodeloselementosparaefectuareldiagnstico
Elprocesoparaemitirun diagnstico delestadoquepresentaunaturbina,requiere
identificarpatronesporreglas,sinembargodadoqueenlasreglaspuedeafectaronoel
valordeunavariable,lasopcionessonlaevaluacinvariableporvariable,reglaporregla
olaconformacindegruposoclusters.
Intentandoclarificar,serecurreaunejemploenelcualexisteunsistemadescritopor
conjuntodecincovariables,(A,B,C,D,E).Entalcaso,unareglaeslacombinacindelos
valores(Ai,Bi,Ci,Di,Ei),correspondientesalasoperacionesdecomparacin:incremento
(),decremento()yequivalencia().Adicionalmenteseagregaelvalor({)queindica
queesavariablenoinfiereenlaregla.
As,lossiguientessonejemplosdereglasvlidas:
a){,,,,)
Estareglas,noincluyemscasosque{,,,,).
b){,,,,{}
Eloperador{,incluidoalfinaldelasegundareglahacevlidos:
{,,,,},{,,,,},y{,,,,}.
c){,,,{,{}
Dondesonvlidos:
{,,,,},{,,,,},{,,,,},{,,,,},{,,,,},
{,,,,},{,,,,},{,,,,}y{,,,,}
Assetransformaelproblema,reduciendoloaunalgoritmodebsquedaporgrupos,
se conforman los siguientes clusters: {1111111111}, {1123111233}, {1121111233},
asociando cada uno a una regla. Igualmente pueden generarse ms de un cluster por
regla.
95
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.9 Diseodeloselementosparaevaluareldiagnstico
Comotodoprocesoautomatizado,serequierevalidarquesuoperacinseacorrecta
paraidentificarloscasoscorrectoseincorrectos,afindeubicarelgradodeefectividaddel
diagnstico emitido. Tal validacin est implementada como una evaluacin asistida, es
decir requiere apoyo por parte del usuario. Para tal parte se puede evaluar de dos
maneras:traslaejecucinseincluyeunacasilla deverificacineneldiagnstico, lo que
permiteprocederconelprocesodevalidacindelmodelodediagnstico.
As,paracadacorrida,seingresaelvalordeverdaderoofalso.Conbaseenlasfallas
emitidasenelreporte,seasociaunaciertoofalloalasreglasquedanpieatalvalor.Tras
deestoseevalaelregistrodecadacombinacinevaluada,originandounacalificacino
probabilidaddeaciertoparacadaconjuntodereglas.
Opcionalmente se debe agregar la generacin automtica de reglas de diagnstico
candidatas,esdecir,generarconbaseenelsiguientealgoritmogentico,unconjuntode
reglasquepudiesemejorarelproceso.
1) Con base en evaluaciones anteriores, cada conjunto de reglas preexistente,
asignar una ponderacin del nmero de aciertos de cada conjunto y las
ocasionesenquehaprocedido.
2) Seleccionarcomocandidatosaquellosconjuntosconbajapuntuacin.
3) Procesar una mutacin de tales candidatos, modificando los operadores en
dichasreglascandidatas.
4) Con base en la efectividad histrica del actual conjunto de reglas, generar un
subconjunto adicional de reglas. Esto es, si el conjunto ha sido completamente
efectivo, no se requieren nuevos elementos, si ha sido completamente
inefectivo, se requieren tantos elementos nuevos como elementos tenga el
conjuntoactualdereglas.
5) Consolidar un nuevo conjunto de reglas, a partir de las reglas vigentes, las
mutaciones y en su caso el conjunto de reglas nuevas, sustituyendo las reglas
que fueron marcadas como candidatas por sus mutaciones y anexando el
subconjuntoadicionaldereglasnuevas.
6) Integrado el nuevo conjunto, se evala la eficiencia, efectuando el ltimo
procesodeanlisiscon
LosdiseossedetallanenformatoUMLenelanexoB.
96
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
5.10 Procesodediagnosis
Mediante el diagrama de flujo de datos (DFD) ilustrado den la siguiente figura, se
representaelprocesocompletodediagnstico.
Figura58Procesodediagnstico
Elpasoinicialeselmodeladodelsistema,conbaseenlainformacinprovistaporel
usuario, para generar la descripcin del sistema, los datos de referencia y las reglas.
97
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo5 Diseodelsistema
Posteriormentesedeberealizarunaconfiguracin,queaportalosdatosdelaconexinde
datos.Trasdeelloesposibleprocederalarecoleccindedatos,queprocesanlasseales
directas del sistema, hasta dejarlas listas para la preparacin de los datos reales. La
preparacin transforma los datos en un conjunto de datos tratados para su uso en las
tareasdeclculo.
Hasta aqu, el proceso ha preparado los datos, mayoritariamente capturando la
informacin en metamodelos, y ejecutando rutinas de LDX para su ajuste. Pero a
continuacin se procesan dos acciones de clculo, de las cuales se desprenden los
comportamientosesperadoyreal.
Elsiguientepasoeselanlisis,conbaseenunaevaluacinporclusters,seterminasi
existeungrupodesntomasquecaractericelapresenciadefallas.
Posterior a este anlisis, se evala la validez de las reglas a travs de un algoritmo
gentico que formule la integracin de nuevas reglas, produciendo un diagnstico
validadoyunconjuntomodificadodereglas.
5.11 Conclusionesdelcaptulo
La infraestructura se divide en tres piezas: herramienta de descripcin de sistemas,
base de datos con metamodelos y servicios Web para diagnstico. La herramienta de
descripcindesistemasdebeeditarlainformacinyalmacenarlaenlosmetamodelosde
laBD,mientraslosserviciosWebprocesanlasolicituddeejecucionesdediagnsticocon
baseenlosdatosalmacenadosenlaBD.
Parabrindarflexibilidad,lasolucinusaunlenguajedediagnsticoLDX,quepermite
el procesamiento de datos normalmente un archivo con datos recolectados desde la
turbina. Existe un conjunto de reglas el cual debe editarse, para definir la estrategia de
diagnstico.
98
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
6 Captulo6
Captulo6 Pruebasalsistema
Laelaboracindeunsistemainvolucradiversasevaluacionesopruebasparavalidar
que tal solucin cubra el conjunto de parmetros de calidad. Por ello, se exploran las
caractersticasdelasolucinimplementada.
Enestecaptulosepresentanlosresultados,exponiendoalgunastablascomparativas
entre los efectos obtenidos para los modelo del IIE y Cotton. As se busca encontrar
argumentosparavalidarlahiptesisdeestainvestigacin,alcomparartantolaoperacin
presentada en el sistema como la opinin de especialistas en modelado y desarrollo de
softwaredediagnsticodeturbocomponentes.
99
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
6.1 Incorporacindedatos
Para la prueba de cualquier software, es necesario seleccionar e incorporar la
informacin para garantizar que el producto opera correctamente. En algunos casos es
necesario exponerlo ante una sobrecarga de solicitudes, o de insercin de datos, para
evaluarloslmitesdeoperacinantestress.
Paralainfraestructuradesarrollada,sedisearonlaspruebasendosetapas:pruebas
defuncionalidadgeneralypruebasdeflexibilidad.Paraamboscasosseemplearondoce
conjuntos de datos, conformados por informacin real de corridas y simulaciones,
conformando una muestra con casos que incluyen varias fallas a detectar y un par de
casossinfallaamaneradecontrol.
Tabla61Conjuntosdedatosdeprueba
Encuantoalaspruebasdeflexibilidad,semodelaronelmtododelIIEcomobaseyse
implement la evaluacin de acuerdo a K.C. Cotton. Ambos casos se contrastaron con
baseenelconjuntodedatosantesmencionado,yevaluandolacomplejidaddelcambio
demodeloconbaseeneltiempoparaimplementarloyelnmerodecambiosefectuados.
100
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
6.2 Pruebasalsistema
El sistema requiere de un nivel de seguridad, por lo cual se aplic tanto en la
herramienta de descripcin como en la aplicacin Web, una interfaz para solicitar la
informacin de acceso, tal y como se ilustra en la siguiente figura, tal acceso funcion
invariablementesinmayoresproblemas.
Figura61Pantalladeaccesoalaherramientadedescripcindesistemas
Ventanassimultaneas
40 25 10
2GB Sinproblemas Sinproblemas Sinproblemas
Memoria
Tales pruebas consistieron en crear el sistema, editar una descripcin genrica
Descripcin del sistema nmero , junto con un consecutivo de la prueba, adems de
asociarunadocenadecomponentes,denominadoscomponenteyunaletradelaAa
101
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
Figura62Pantallaprincipal
Estesistemaconllevintegrarenlainterfazgrficaelmanejodelosmetamodelosde
seguridad,paracontrolarelaccesoylospermisosdeedicinyejecucin.Elprotocolode
pruebasolocontempllarestriccinyaccesosegnlospermisosdecincousuarios,cada
uno con distintos permisos, sin encontrar incidencia de fallas al respecto, evitando la
edicindeelementosylarestriccindeaccesoenelresto.
102
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
Figura63Accesoalapginadesolicituddediagnstico.
Delas24corridasfinales,lostiemposdeejecucinvariaronsignificativamente,conun
promediode1minuto,yunmximode3minutosenejecutarse.
103
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
Lasalidaqueofreceelsistema,describelascaractersticasdelsistema,enlistandolas
fallaspresentes.Unejemplodetalsalidaseilustraenlasiguientefigura.
Figura64Resultadodeldiagnstico
104
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo6 Pruebasalsistema
Estasreglasnuevasexpresanqueexisteunaampliaposibilidaddecambios,perodado
quesonproductodeungruporelativamentepequeodepruebas,nosonmuyconfiables,
por otra parte, hay interpretaciones de los especialistas que descartan algunas de las
nuevas reglas, en especial en cuanto a las primes etapas de la turbina, pero consideran
interesantealgunasopcionessobreetapasmsadelante,enespeciallasdelaseccinde
bajapresin.
Porotraparte,laaparicindemenosreglasencuantoalmodelodeCottonseexplica
pues las reglas nuevassurgen de la falta de profundidad en cuanto a la seccin de baja
presin,antelocualseanexansololasreglaslacubren.
105
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo7 Conclusionesytrabajofuturo
7 Captulo7
Captulo7 Conclusionesytrabajofuturo
106
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo7 Conclusionesytrabajofuturo
7.1 Naturalezadelosresultados
Como parte de los objetivos, esta investigacin busca determinar cuan adecuada es
estetipodeherramientasmetamodeladascomoinfraestructuraparafuturosprogramas
de diagnstico. Sin embargo, durante la investigacin se obtuvieron referencias que
indican que las distintas tcnicas requieren informacin y mtodos muy variados, as
mismo se destaca que cada tcnica tiene condiciones de trabajo favorece algunos
resultados.
Ante tal situacin, ms all de cualquier tamao de muestra, los resultados no
expresan contundentemente que el diagnstico fuese adecuado o no, sino que para el
modeloseleccionado,esfactibleemplearestemecanismo.
Adems de ello, los aspectos como flexibilidad y robustez tendrn que estimarse
simplemente como existentes, pues es intangible la magnitud. Sin embargo, dado que
paracadafamiliayconfiguracinsedebeverificaryacomodartantoelmodelocomolos
programasdeLDX,resultaimposibleconsiderarcomosencillosumanejo.
7.2 Comparacindemtodos
Sibienlosmtodossepudieronmodelar,ejecutaroncorrectamenteynopresentaron
discrepanciascon respectoalaspruebasdeescritorio, losdosmtodossondistintosen
complejidad,esdecirelnmerodeoperacionesyreglas.Talsituacinhacesuponerque
las ejecuciones del modelo de Cotton debieron ser mejores que los del IIE en tiempo, y
fallarenprecisin.
Sinembargodadoquelaspruebasmuestrantiempossimilares,sindiscrepanciaenlos
resultados,salvoelhechodequelasreglasdelmodelodeCottonparecenincidirenuna
clara ampliacin para abordar los casos de fallas en la seccin de baja presin de la
turbina.
7.3 Diagnosticabilidad
Laimplementacinhademostradoquebajoesteenfoquehasidoposiblelarepeticin
de los resultados, exponiendo un adecuado nivel de efectividad en el diagnstico. Sin
embargoestadiagnosticabilidadesrelativasoloalcasodeestudioempleado,cadanuevo
sistemadebecuestionarsesobrelaconfiabilidadyvalidezencuantoaladescripcindel
sistemaylasreglasdediagnsticoaplicadas,principalmentebuscandolaautomatizacin
deprocesosdemonitoreoenplanta.
Laevaluacinrequiereandelanlisisdeexpertoseneltemaysonconocimientodel
estadorealdelosequipos.
107
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Captulo7 Conclusionesytrabajofuturo
7.4 Trabajosfuturos
Estainvestigacinpuedeconsiderarsecomoelprimerodemuchospasosquedeben
darseparamejorarlainfraestructuradediagnsticodelIIE.Unodelosmssignificativos
es lograr la simplificacin en el manejo del lenguaje LDX. El cual debe ampliarse y
combinarseconotrasherramientasylibrerasparapoderimplementarmstcnicascomo
porejemplo:redesneuronales,funcionesavanzadasdefsicayqumica.
As es deseable lograr la sencillez de manejo en la aplicacin, debe realizarse un
esfuerzo por desarrollar herramientas de generacin automtica de cdigo y aplicar
tcnicasdeprogramacinvisualmodular,similaresaLabView.
Obviamente que el caso de estudio sobre turbinas de vapor debe ser el primero de
diversasimplementacionesalrespecto,continuandoconotroselementoscomo:calderas,
condensadores,turbinasdegasygeneradores.
108
DiagnsticoAutomticodeTurbinasdeVaporenLnea
AnexoA:DiagramadeMollier
CIX
DiagnsticoAutomticodeTurbinasdeVaporenLnea
AnexoB:DiagramasdeUML
CX
DiagnsticoAutomticodeTurbinasdeVaporenLnea
AnexoC:DiagramaERdelosmetamodelos
CXI
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Glosario
.NETFramework CienciasComputacionales. Esunaplataformadedesarrollodesoftwarecon
nfasis en transparencia de redes, con independencia de plataforma y que
permita un rpido desarrollo de aplicaciones. Basado en esta plataforma,
Microsoftintentadesarrollarunaestrategiahorizontalqueintegretodossus
productos,desdeelSistemaOperativohastalasherramientasdemercado.
.NETpodraconsiderarseunarespuestadeMicrosoftalcrecientemercadode
los negocios en entornos Web, como competencia a la plataforma Javade
SunMicrosystems.
labe Ingeniera Mecnica. Es un elemento que permite la transferencia de
impulsoaunrotor.Aspuedesercadaunadelaspaletascurvasdelaturbina
querecibenelimpulsodelfluido.Tambinsellamalabeacadaunodelos
dientes de la rueda, que sucesivamente levantan y luego abandonan a su
propiopesolosmazosdeunbatnuotromecanismoanlogo.
Algoritmo CienciasComputacionales. Esunconjuntodepasosdestinadosalasolucin
deunproblema.
Almacndedatos CienciasComputacionales. (Delinglsdatawarehouse)Esunacoleccinde
datosorientadasaundominio,integrado,novoltilyvariableeneltiempo
que ayudaa latomadedecisiones de la empresa u organizacin. Setrata,
sobre todo, de un expediente de una empresa ms all de la informacin
transaccionalyoperacional,almacenadoenunabasededatosdiseadapara
favoreceranlisis y ladivulgacin eficientesdedatos (especialmente OLAP,
procesamientoanalticoenlnea).
ANN Ciencias Computacionales. Siglas de Red Neuronal Artificial (Del ingls
Artificial Neural Network) Es un modelo. Tambin denominado Redes
NeuronalesSimuladas.
ANSI Siglas del Instituto de Estndares Nacional Estadounidense (del ingls
American National Standards Institute) Es el organismo responsable de la
fijacinydifusindelosestndaresenEstadosUnidos.DependedelISO,el
organismo internacional y ha sido generador de importantes normas tales
comolasbasesparalapresentacindeinformacinenpantallaylaformaen
queseinteractaconelteclado.
rboldefallas Tcnicadediagnsticobasadaenladescripcindesntomasqueincidenen
las fallas de un sistema. Se representa como una arborescencia donde se
encadenan sntomas hasta llegar a una falla. Puede incluir los pesos o
probabilidadescondicionalesporevento.
Arquitecturadesoftware CienciasComputacionales. Esunconjuntodeinformacinsobreunsistema
de software, enfocado a mejorar la calidad de los atributos del software,
talescomolaeficiencia,usabilidad,flexibilidad,durabilidad,etc.Talconjunto
debedescribirlasresponsabilidadesdelaspartes(componentes)internasdel
sistema,paraadministrarycontrolarlasdependenciasdentrodeunsistema
desoftware.
ASME Siglas de la Sociedad Americana de Ingenieros Mecnicos (Del ingls
American Society of Mechanical Engineers) Es un cuerpo profesional,
especficamente una sociedad de ingeniera, enfocada a aspectos tcnicos,
educacionalesydeinvestigacindeingeniera.
Genera cdigos y estndares internacionalmente reconocidos para
dispositivosmecnicos.
Autmata Ciencias Computacionales. Es un modelo matemtico de un sistema que
CXII
DiagnsticoAutomticodeTurbinasdeVaporenLnea
recibeunacadenaconstituidaporsmbolosdeunalfabetoydeterminasiesa
cadenaperteneceallenguajequeelautmatareconoce.
Backpropagation CienciasComputacionales. Terminoeninglsqueserefierealapropagacin
haciaatrsdeerrores,yesunalgoritmodeaprendizajesupervisadoquese
usa para entrenar redes neuronales artificiales. El algoritmo consiste en
minimizar un error (comnmente cuadrtico) por medio de gradiente
descendiente, por lo que la parte esencial del algoritmo es clculo de las
derivadas parciales de dicho error con respecto a los parmetros de la red
neuronal.
Balanceo Ingenieramecnica. Eselajustedeladistribucindelamasadeunaparte
rotativa de manera que las fuerzas en los rodamientos (debido a efectos
centrfugos) se reducen a valores pequeos. El rotor est balanceado si el
centrodedistribucindemasacoincideconelcentroderotacin.Elbalanceo
reduce el consumo de energa en las mquinas, reduce los niveles de
vibracin e incrementa la vida de los rodamientos a veces de manera
importante.
Basededatos CienciasComputacionales. Es unconjuntodedatosquepertenecenalmismo
contexto almacenados sistemticamente para su posterior uso. En este
sentido,unabibliotecapuedeconsiderarseunabasededatoscompuestaen
sumayorapordocumentosytextosimpresosenpapeleindexadosparasu
consulta.
En la actualidad, y debido al desarrollo tecnolgico de campos como la
informticaylaelectrnica,lamayoradelasbasesdedatostienenformato
electrnico, que ofrece un amplio rango de soluciones al problema de
almacenardatos.
C# Ciencias Computacionales. Es un lenguaje de programacin orientado a
objetos, evolucin del lenguaje C++, desarrollado por Microsoft. El
fundamentodeC#esoperarconbaseenlaplataforma.NETFramework.
Cajadetexto Ciencias Computacionales. Es un elemento de la interfaz de usuario
empleadoparalaintroduccindetexto.
Clculodepredicados CienciasComputacionales. Formadelclculolgicobasadoenelanlisisde
proposiciones.
Caldera Ingeniera Mecnica. Recipiente a presin, dotado de una fuente de calor,
paralaproduccindevaporapartirdelquidos,tpicamenteagua.
Canaldeflujo IngenieraMecnica. Conductoatravsdelcualtransitaunfluido.Enelcaso
deturbinasdevapor,elcanaldeflujoseformaporelespacio,principalmente
entreloslabes,porelcualsehacetransitarelvapor.
Carcasa Ingeniera Mecnica. Armazn que contiene los componentes elctricos y
electrnicosdeunaparato.
Chumacera Ingeniera Mecnica. Pieza de metal o madera con una muesca en que
descansaygiracualquierejedemaquinaria.
Ciclotermodinmico IngenieraMecnica. Eselprocesoquetienelugarendispositivosdestinados
a la obtencin de trabajo a partir de dos fuentes de calor a distinta
temperaturao,demanerainversa,aproducirelpasodecalordelafuentede
menor temperatura a la fuente de mayor temperatura mediante la
aportacindetrabajo.
Clasificador Ciencias Computacionales. Pieza de cdigo que permite la separacin y el
etiquetadodeelementosdentrodeunacoleccin.Puedefundamentarseen
agrupacionesporafinidaddepropiedadesconbaseenentropas,funciones
numricasparacortedeplanosomtodosmixtos.
CXIII
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXIV
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXV
DiagnsticoAutomticodeTurbinasdeVaporenLnea
exclusivamente.
Java Ciencias Computacionales. Es un lenguaje de programacin orientado a
objetos, diseado por Sun Microsystems para el desarrollo de aplicaciones
multiplataforma y para la WWW. Se puede describir como una versin
simplificada de C++. Adems, Java implementa muchas caractersticas de
seguridad en tiempo de compilacin y de ejecucin, para asegurar la
aplicacin que se ejecuta. Pero la novedad de este lenguaje es que es
independiente de la plataforma cliente, y las applets se ejecutan en el
sistemacliente.
Javascript Ciencias Computacionales. Es un lenguaje interpretado (no requiere
compilacin) de programacin desarrollado por Netscape para el
enriquecimientodefuncionesenpginasWeb.AunqueesparecidoaJavase
diferenciadelenquelosprogramasestnincorporadosenelarchivoHTML.
Al contrario que Java, JavaScript no es un lenguaje orientado a objetos
propiamentedicho,yaquenodisponedeHerencia,esmsbienunlenguaje
basado en prototipos, ya que las nuevas clases se generan clonando las
clasesbase(prototipos)yextendiendosufuncionalidad.
JVM CienciasComputacionales. SiglasdeMquinaVirtualdeJava(DelinglsJava
VirtualMachine) eselelementoencargadodeejecutarelcdigo(bytecode)
generadoporlacompilacindecdigofuenteescritousandoellenguajede
programacinJava.SesitaenunnivelsuperioralHardwaresobreelquese
pretendeejecutarlaaplicacin,actuandocomounpuenteentreelbytecode
yelsistemasobreelqueseejecuta.
Lenguaje Ciencias Computacionales. Es sistema de programacin que permite la
creacindeprogramaspormediodeloscualessecomunicaalusuarioconla
mquinaafindequestacumplaunatareadeterminada.Existendistintos
nivelesdelenguajesquesepuedenclasificarsegnsugradodeabstracciny
dificultad.
Lgicadifusa CienciasComputacionales. Esuntipodelgicaquecualificalaincertidumbre
de la lgica multivaluada al representar conceptos o conjuntos imprecisos,
alejndose del concepto de dos valores que supone todo en trminos de
blancoynegro(ciertoyfalso)empleadoenlalgicaclsica,medianteeluso
dematicesdegrises.
Lgicaproposicional CienciasComputacionales. Es unaramadelalgicaclsicaqueestudialas
proposicionesosentenciaslgicas,susposiblesevaluacionesdeverdadyen
elcasoideal,sunivelabsolutodeverdad.
Maple Ciencias Computacionales. Acrnimo de Placer Matemtico (Del ingls
MAthematical PLEasure) Esunprograma matemticode propsito general
capaz de realizar clculos simblicos, algebraicos y de lgebra
computacional. Fue desarrollado originalmente en 1981 por el Grupo de
Clculo Simblico en la Universidad de Waterloo en Waterloo, Ontario,
Canad.ActualmentelomantieneycomercializalacompaaMaplesoft.
MATLAB CienciasComputacionales. Abreviaturadelaboratoriodematrices (Delingls
Matrix Laboratory) Es un programa de clculo numrico, creado por The
MathWorksen1984,orientadoamatricesyvectores.
Metadatos CienciasComputacionales. Representalainformacinsobrelainformacin.
Unelementodelmetadatospuededescribirundatoindividualoelementode
contenido, o una coleccin de datos incluyendo mltiples elementos de
contenido.Losmetadatosseempleanparafacilitarelentendimiento,usoy
administracindelosdatos.Losmetadatosrequeridosparalaadministracin
efectivadedatosvaranconeltipodedatosyelcontextodeuso.
CXVI
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXVII
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXVIII
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXIX
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXX
DiagnsticoAutomticodeTurbinasdeVaporenLnea
Referenciasbibliogrficas
[AAMODT1994] AAMODT,AgnaryEnricPlaza,CaseBasedReasoning:Foundational
issues, methodological variations, and System approaches, AI
Communications,Vol.7,Num.1,1994,PP.3959
[ALONSO2002] ALONSO, Fernando, Juan P. CaracaValente, Angel L. Gonzlez &
CsarMontes,CombiningExpertKnowledgeandDataMiningina
MedicalDiagnosisDomain,ExpertSystemswithApplications,Num.
23,2002,PP.367375.
[AQUINO2005] AQUINO, H., Investigacin de estrategias para la deteccin y
diagnsticodefallasenCentralesTermoelctricas,Reportetcnico
de estancia de Adiestramiento en Investigacin Tecnolgica,
InstitutodeInvestigacionesElctricas,Mxico,2005.
[BENJAMINS1994] BENJAMINS, Richard & Wouter Jansweijer, Toward a Competence
TheoryofDiagnosis,IEEEExpert,October,1994,PP.4352.
[BOX1970] BOX,G.E.P.yG.M.Jenkins,TimeSeriesAnalysis,Forecasting,and
Control,HoldenDay,SanFrancisco,1970
[CFE1995] Especificacin CFE W120001, Especificacin tcnica oficial para
proveedores de turbogeneradores de 160 y 350 MW, Mxico, D.F.
1995
[COTTON1998] COTTON, K. C., Evaluating and Improving Steam Turbine
Performance,2ndEdition,CottonFactInc.,NewYork,USA,1998.
[DORF2006] DORF, Richard C., Systems, Controls, Embedded Systems, Energy,
and Machines, The Electrical Engineering Handbook, 3a. edicin,
CRCPress,Inc.,BocaRaton,Fl.USA,2006.
[ELAZAHARY2002] ELAZHARY, E. S., A. Edrees &, A. Rafea, Diagnostic Expert System
Using NonMonotonic Reasoning, Expert Systems with
Applications,Num.23,2002,PP.137144.
[FELFERNIG2004] FELFERNIG, Alexander, Gerhard Friedrich, Dietmar Jannach &
Markus Stumptner, Consistencybased Diagnosis of Configuration
Knowledge Bases, Artificial Intelligence, Num 152, 2004, PP. 213
234.
[FENSEL1996] FENSEL, Dieter y Richard Benjamins, Assumptions in Modelbased
Diagnosis,Proceedingsofthe10thBanffKnowledgeAcquisitionfor
KnowledgeBased System Workshop (KAW96), Banff, Canada,
1996.
[GALINDO1996] GALINDO,Francisco,EsquemasdeControlPredictivoparaRegular
la Presin de Vapor Sobrecalentado en una Central Termoelctrica
de Ciclo Combinado, Tesis de maestra, ITESM, Morelos, Mxico,
Noviembre,1996
CXXI
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXXII
DiagnsticoAutomticodeTurbinasdeVaporenLnea
CXXIII
DiagnsticoAutomticodeTurbinasdeVaporenLnea
ReferenciasdeInternet
[energymanager] IntroductiontotheSteamTurbine,Fechadeconsulta:31/oct/2007,
http://www.energymanagertraining.com/power_plants/steam_turbine.htm
[wikipedia1] ThermodynamiccycleWikipedia,thefreeencyclopedia,Fechade
consulta:31/sep/2007,http://en.wikipedia.org/wiki/Thermodynamic_cycle
[cfe1] CFEGeneracindeelectricidad,Fechadeconsulta:12/oct/2007,
http://www.cfe.gob.mx/es/LaEmpresa/generacionelectricidad/
[cfe2] CFEGeneracintermoelctrica,Fechadeconsulta:12/oct/2007,
http://www.cfe.gob.mx/es/LaEmpresa/generacionelectricidad/termoelectrica/
[cfe3] CFEGeneracinnucleoelctrica,Fechadeconsulta:12/oct/2007,
http://www.cfe.gob.mx/es/LaEmpresa/generacionelectricidad/nucleoelectlagverde/
[cfe4] CFEGeneracinnucleoelctrica,Fechadeconsulta:12/oct/2007,
http://www.cfe.gob.mx/es/LaEmpresa/generacionelectricidad/nucleoelectlagverde/
CXXIV