Calzada Gomez Jorge MMANAV2015

IMPLEMENTACIÓN DE UN SISTEMA DE PREDICCIÓN DE FALLA
DE RESISTENCIAS ELÉCTRICAS EN HORNOS DE SOSTENIMIENTO

DE TEMPERATURA DE ALUMINIO LÍQUIDO BASADO EN
LÓGICA DIFUSA
TESIS
PARA OBTENER EL GRADO DE
MAESTRO EN
MANUFACTURA AVANZADA
PRESENTA
ING. JORGE CALZADA GÓMEZ
AGUASCALIENTES, AGS, OCTUBRE 2015.

AGRADECIMIENTOS
A Dios, por permitirme seguir aprendiendo en este andar de la vida, donde más que
conocer, entender y analizar mi entorno, pretendo alcanzar la humildad necesaria
para trascender.
A mi familia, mi esposa e hija que durante este proceso de formación han aprendido a
desarrollar la paciencia necesaria para sobrellevar mi presencia llena de ausencias.
A mis papás y hermanos porque siempre han creído en mí y me da felicidad verlos

orgullos por lo que poco a poco voy construyendo.
A mis compañeros de clase, con quienes desvelados, desesperados y algunas veces

totalmente incrédulos por lo que estábamos logrando, nos esforzamos por estudiar
juntos y sobrellevar las materias que más trabajo nos costaban, pero esa fue la fuerza
que nos impulsó a continuar.
A mis compañeros de trabajo que me apoyaron en la realización de este proyecto,

algunos mediante el apoyo y consejo necesario, otros mediante la habilidad de
construcción y programación de cosas complicadas e incluso algunas veces
imposibles para mí.
A mis sinodales que me reprobaron en el primer seminario y esto me orilló a adentrarme

en el mundo de la predicción y control a través de Lógica Difusa, en donde reencontré
una vocación que deseo seguir cultivando.
Gracias CONACYT, por haber creado esta modalidad de maestría, porque con ella
muchas personas como yo tenemos la oportunidad de continuar preparándonos sin
desatender nuestra labor dentro de la industria. Gracias CIATEQ por haber sido mi
primer trabajo profesional y ahora mi escuela de Posgrado.
Por último deseo agradecer a mis asesores, y lo digo en plural porque de muchas
personas me he apoyado y he aprovechado su experiencia. Ahora me queda más
claro que estudiar un posgrado es noventa por ciento investigación y diez por ciento
dirección.
i
RESUMEN
El sostenimiento de la temperatura del aluminio durante el proceso de fundición es

fundamental para garantizar la calidad de las piezas y el correcto desempeño de la
máquina moldeadora. El objetivo de este trabajo es determinar el tiempo de vida útil
restante de cada resistencia del horno en base al comportamiento que tuvieron las
variables de consumo de corriente, temperatura de metal y temperatura de las
resistencias (variables de entrada). La implementación de un Sistema basado en
Lógica Difusa (Fuzzy Logic System) o FLS permitió alcanzar el objetivo planteado. El
trabajo se llevó a cabo en dos etapas. La primera fue la adquisición de datos para lo
cual se instaló un PLC y una pantalla HMI donde se reciben de manera permanente. La
siguiente etapa fue la descarga y el procesamiento de los datos utilizando Matlab®. El
diseño del FLS se basó en la inferencia tipo Mamdani con 125 reglas de fusificación. Se
consideraron 5 grados de membresía para cada una de las variables de estado y para
la variable de control. Los resultados mostrados en la superficie de respuesta de
Matlab® indicaron que las variables de entrada más críticas que afectan el
sostenimiento de la temperatura son: temperatura de resistencias y consumo de
corriente ya que tienen relación inversa sobre la vida útil restante de las resistencias.
Palabras Claves: Fuzzy Logic System, sistema de predicción, horno de sostenimiento,

resistencias eléctricas, adquisición de datos.
ii
GLOSARIO
Arena shell: Arena sílica procesada para ser usada en el soplado de corazones
BPNN: Back-propagation Neural Network (Red Neuronal de Retro propagación)
Colado: Reparación de partes de horno mediante la aplicación de una mezcla de
agua y cemento refractario
Corazón: Piezas de arena shell que forma las cavidades en las piezas de aluminio
DM: Data Mining (Minería de Datos)
DW: Data Warehouse (Almacén de datos)
Empaquetadura: Empaque de grafito que se coloca para sellar la tapa de las
conexiones eléctricas de las resistencias
Etiqueta lingüística: Característica que describe a un sujeto mediante palabras como
muy, poco, mucho, normal, bastante, etc.
FAM: Fuzzy Association Matrix (Matriz de Asociación Difusa)
FLS: Fuzzy Logic System (Sistema de Lógica Difusa)
Horno de sostenimiento: Repositorio de aluminio líquido
Inyección: Aplicación de aire a la cámara del horno para forzar al aluminio líquido subir
por el tubo repartidor
Lavado de horno: Actividad de llenar y retirar el aluminio líquido por primera vez del
horno después de ser reparado
Lingote: Barra de aluminio usada como materia prima
Manga: Cavidad por donde la punta dispara el aluminio líquido
Mantenimiento Predictivo: Actividades de mantenimiento para anticiparse a las fallas
de los equipos
Moldeadora: Máquina de inyección de aluminio
NR: Neural Network (Red Neuronal)
Punta: Parte final del cilindro hidráulico que empuja el aluminio líquido
Refractario: Material que recubre interiormente las paredes del horno
Termografía: Técnica que permite conocer la temperatura mediante la medición la
energía infrarroja que emite cualquier cuerpo o materia.
Tubo de llenado: Ducto por donde se hace la carga de metal líquido al horno
Tubo repartidor: Ducto por donde el aluminio sube al molde cuando se presuriza la
cámara del horno
Tubo radiante: Alojamiento donde se instala la resistencia eléctrica
iii
SCR: Silicon Controlled Rectifier (Rectificador Controlado de Silicio)
Sinterizado de horno: Actividad de elevar la temperatura del horno después de
reparado a través de una curva característica
Solidificación: Disminución de la temperatura del aluminio por debajo de los 450ºC
SVM: Support Vector Machine (Máquina de Vectores de Soporte)
Variable lingüística: Aplicación de una etiqueta lingüística a la variable tratada.
Membresía: Pertenencia a un cierto grupo
Función de membresía: Función que describe el grado de pertenencia de una variable
a un cierto grupo
iv
ÍNDICE
AGRADECIMIENTOS .................................................................................... I
RESUMEN .................................................................................................... II
GLOSARIO ................................................................................................. III
ÍNDICE ....................................................................................................... V
ÍNDICE DE FIGURAS ................................................................................. VII
ÍNDICE DE TABLAS .................................................................................... XI
CAPÍTULO 1 INTRODUCCIÓN................................................................... 12
1.1 ANTECEDENTES ..................................................................................................... 12
1.1.1 Moldeo por baja presión (LPDC) ........................................................................... 12
1.1.2 Moldeo por alta presión (PDC) .............................................................................. 14
1.2 DEFINICIÓN DEL PROBLEMA ............................................................................... 15
1.3 JUSTIFICACIÓN ..................................................................................................... 17
1.4 OBJETIVOS ............................................................................................................. 22
1.4.1 Objetivo general: ..................................................................................................... 22
1.4.2 Objetivos específicos: ............................................................................................. 22
1.4.3 Hipótesis ..................................................................................................................... 23
CAPÍTULO 2 MARCO TEÓRICO O FUNDAMENTOS TEÓRICOS ............... 24

2.1 INTRODUCCIÓN ................................................................................................... 24
2.2 ALMACÉN DE DATOS (DW) Y MINERÍA DE DATOS (DM). ................................ 25
2.3 SUPPORT VECTOR MACHINE .............................................................................. 26
2.4 RED NEURONAL DE RETRO PROPAGACIÓN..................................................... 27
2.5 LÓGICA DIFUSA. ................................................................................................... 27
2.5.1 Lógica Clásica y Lógica Difusa.............................................................................. 29
2.5.2 Función de Membresía o Pertenencia. ................................................................ 31
2.5.3 Etapas de Lógica Difusa ......................................................................................... 31
2.5.4 Control Difuso ........................................................................................................... 33
2.5.5 Sistemas Neurodifusos ............................................................................................. 36
2.5.6 Predicción y Pronóstico mediante Lógica Difusa ............................................... 37
2.5.7 Ejemplos de aplicaciones usando Control Difuso .............................................. 41
2.5.7.1 Control de temperatura ................................................................................... 42
2.5.7.2 Control de un helicóptero prototipo .............................................................. 42
2.5.7.3 Estacionar un automóvil ................................................................................... 42
2.5.7.4 Procesamiento de imágenes .......................................................................... 43
CAPÍTULO 3 PROCEDIMIENTO DE INVESTIGACIÓN ................................ 46

3.1 CARACTERIZACIÓN DEL TIPO DE INVESTIGACIÓN .......................................... 46
3.2 IDENTIFICACIÓN DE VARIABLES EN EL CONTROL ACTUAL ............................. 46
3.3 ADQUISICIÓN DE DATOS..................................................................................... 47
3.3.1 Habilitación de hardware ...................................................................................... 49
3.3.2 Programación de PLC y Pantalla .......................................................................... 53
v
3.4 OBTENCIÓN DE DATOS........................................................................................ 59
3.5 CARACTERIZACIÓN DEL CASO DE ESTUDIO .................................................... 60
3.5.1 Variables y Variables de Control ........................................................................... 61
3.5.2 Variables Lingüísticas ............................................................................................... 63
3.5.3 Función de Membresía ........................................................................................... 64
3.5.4 Fusificación ............................................................................................................... 76
3.5.5 Reglas de Control .................................................................................................... 76
3.5.6 Desfusificación ......................................................................................................... 80
3.6 PROCESAMIENTO DE DATOS .............................................................................. 82
CAPÍTULO 4 RESULTADOS......................................................................... 86
4.1 RESULTADOS DEL MODELO DIFUSO DE TRES ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA COMBINADAS ............................................................ 86
FUNCIONES DE MEMBRESÍA TRIANGULARES ........................................................... 87
FUNCIONES DE MEMBRESÍA TRAPEZOIDALES ......................................................... 87
4.4 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS
CON FUNCIONES DE MEMBRESÍA TRIANGULARES ................................................. 88
4.5 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS
CON FUNCIONES DE MEMBRESÍA TRAPEZOIDALES ............................................... 89
CONCLUSIONES Y RECOMENDACIONES ............................................... 92
REFERENCIAS BIBLIOGRÁFICAS ............................................................... 94
ANEXOS .................................................................................................. 100
Anexo A. Funciones de membresía tipo S para tres y cinco etiquetas,
superficies de respuesta y resultados de predicción ........................................101
Anexo B. Imágenes de visualización y configuración de pantalla GOT........109
Anexo C. Conexión a PLC Mitsubishi Serie Q por puerto Ethernet ..................114
Anexo D. Conexión a PLC Mitsubishi Serie Q mediante la pantalla GOT ......119
Anexo E. Procedimiento para descarga de datos de pantalla GOT ............124
vi
ÍNDICE DE FIGURAS
Fig. 1 Reporte de anormalidad emitido por mantenimiento predictivo. ........................... 17
Fig. 2 Fases de la metodología de Crisp-MD. ......................................................................... 26
Fig. 3 Lógica clásica versus Lógica Difusa ............................................................................... 29
Fig. 4 Etapas de Lógica Difusa .................................................................................................. 32
Fig. 5 Etapas de un sistema difuso. ........................................................................................... 32
Fig. 6 Variables independientes y variable dependiente ..................................................... 33
Fig. 7 Diagrama de control Fuzzy.............................................................................................. 34
Fig. 8 Diagrama de control Fuzzy modificado ........................................................................ 34
Fig. 9 Diagrama de control Fuzzy con ganancias.................................................................. 35
Fig. 10 Base de conocimiento para toma de decisión en el control de contraste de
imagen. ........................................................................................................................................ 44
Fig. 11 Diagrama del diseño experimental ............................................................................. 48
Fig. 12 Marcaje de los puntos de sujeción para los componentes en la platina.............. 50
Fig. 13 Distribución de los componentes en la platina del tablero ..................................... 50
Fig. 14 Componentes eléctricos interconectados ................................................................. 51
Fig. 15 Transformador de corriente instalados en las líneas que alimentan las resistencias
....................................................................................................................................................... 52
Fig. 16Transformador de corriente utilizado para medición de corriente .......................... 52
Fig. 17 Conexión en paralelo a los controladores de temperatura de cada resistencia 53
Fig. 18 Programación de PLC y Pantalla ................................................................................. 54
Fig. 19 Indicadores análogos para medición corriente ........................................................ 55
Fig. 20 Pantalla inicial del sistema de monitoreo ................................................................... 56
Fig. 21 Visualización de datos de cada variable ................................................................... 57
Fig. 22 Visualización de gráfica de corriente eléctrica ......................................................... 58
Fig. 23 Visualización de gráfica de temperatura de resistencias y metal .......................... 58
Fig. 24 Consumo de corriente de la resistencia durante media hora de monitoreo ....... 59
Fig. 25 Registro de temperatura de una resistencia durante media hora ......................... 60
Fig. 26 Diagrama de control de potencia eléctrica de un horno de sostenimiento........ 62
Fig. 27 Diagrama de control difuso tipo Mamdani en Matlab® .......................................... 63
Fig. 28 Función de membresía combinada (triangular y trapezoidal) con tres etiquetas
lingüísticas para el consumo de corriente. ............................................................................. 66
vii
Fig. 29 Función de membresía triangular con tres etiquetas lingüísticas para el consumo
de corriente. ................................................................................................................................ 66
Fig. 30 Función de membresía trapezoidal con tres etiquetas lingüísticas para el
consumo de corriente. ............................................................................................................... 67
Fig. 31 Función de membresía triangular con cinco etiquetas lingüísticas para el
Fig. 32 Función de membresía trapezoidal con cinco etiquetas lingüísticas para el
lingüísticas para la cantidad de piezas moldeadas. ............................................................ 68
Fig. 34 Función de membresía triangular con tres etiquetas lingüísticas para la cantidad
de piezas moldeadas. ................................................................................................................ 69
Fig. 35 Función de membresía trapezoidal con tres etiquetas lingüísticas para la
cantidad de piezas moldeadas. .............................................................................................. 69
Fig. 36 Función de membresía triangular con cinco etiquetas lingüísticas para la
Fig. 37 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la
Fig. 38 Función de membresía combinada (triangular y trapezoidal)con tres etiquetas
lingüísticas para la temperatura de la resistencia. ................................................................ 71
Fig. 39 Función de membresía triangular con tres etiquetas lingüísticas para la
temperatura de la resistencia. .................................................................................................. 71
lingüísticas para la vida útil de las resistencias. ...................................................................... 73
Fig. 44 Función de membresía triangular con tres etiquetas lingüísticas para la vida útil
de las resistencias........................................................................................................................ 74
viii
Fig. 45 Función de membresía trapezoidal con tres etiquetas lingüísticas para la vida útil
Fig. 46 Función de membresía triangular con cinco etiquetas lingüísticas para la vida útil
Fig. 47 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la vida
útil de las resistencias.................................................................................................................. 75
Fig. 48 Visualización de reglas de control en Matlab® para tres etiquetas lingüísticas .. 79
Fig. 49 Visualización de reglas de control en Matlab® para cinco etiquetas lingüísticas
....................................................................................................................................................... 79
Fig. 50 Superficies de respuesta para tres etiquetas lingüísticas con funciones
combinadas................................................................................................................................. 80
triangulares .................................................................................................................................. 81
trapezoidales ............................................................................................................................... 81
Fig. 53 Superficies de respuesta para cinco etiquetas lingüísticas con funciones
triangulares .................................................................................................................................. 82
trapezoidales ............................................................................................................................... 82
Fig. 55 Comparativa de archivo descargado de la pantalla (izquierda) y archivo que se
usa para procesamiento en Matlab®(derecha) ................................................................... 84
Fig. 56 Script usado para la evaluación de los datos en el modelo difuso........................ 85
Fig. 57 Resultados del modelo de tres etiquetas lingüísticas con funciones combinadas
....................................................................................................................................................... 86
Fig. 58 Resultados del modelo de tres etiquetas lingüísticas con funciones triangulares 87
Fig. 59 Resultados del modelo de tres etiquetas lingüísticas con funciones trapezoidales
....................................................................................................................................................... 88
Fig. 60 Resultados del modelo de cinco etiquetas lingüísticas con funciones triangulares
....................................................................................................................................................... 88
Fig. 61 Resultados del modelo de cinco etiquetas lingüísticas con funciones
trapezoidales ............................................................................................................................... 89
Fig. 62 Identificación de los momentos en los que se realizó la carga de metal al horno
....................................................................................................................................................... 90
ix
Fig. 63 Comportamiento de consumo de corriente de la resistencia "R"........................... 90
Fig. 64 Comportamiento de la temperatura de la resistencia "R" ....................................... 91
x
ÍNDICE DE TABLAS
Tabla 1 Tiempo de recuperación de horno por daño .......................................................... 19
Tabla 2 Impacto económico por las piezas que se dejan de producir durante 21 días . 20
Tabla 3 Desglose del monto económico de los gastos por reparación de horno ........... 20
Tabla 4 Análisis comparativo entre distintos autores del uso de Lógica Difusa y otras
técnicas para la predicción...................................................................................................... 39
Tabla 5 Listado de componentes del sistema para captura de datos .............................. 49
Tabla 6 Condiciones para el acondicionamiento de lectura de consumo de corriente
en cada resistencia .................................................................................................................... 54
Tabla 7 Acondicionamiento de lectura de temperatura de resistencia ........................... 55
Tabla 8.Tres variables lingüísticas de entrada y de control .................................................. 63
Tabla 9. Cinco variables lingüísticas de entrada y de control ............................................. 64
Tabla 10. FAM de la variable de control (tiempo de vida útil) con tres etiquetas
lingüísticas .................................................................................................................................... 77
Tabla 11. FAM de la variable de control (tiempo de vida útil) con cinco etiquetas
lingüísticas .................................................................................................................................... 78
xi
CAPÍTULO 1 INTRODUCCIÓN
1.1 ANTECEDENTES
Hablar de fundición es hablar de un proceso en el que existen variables que deben ser
controladas para lograr la calidad especificada en las piezas que se producen. Estas
variables pueden ser: de control de flujos, control de enfriamiento, tiempos de
inyección y solidificación, características del molde y principalmente la temperatura,
tanto del metal como del molde y del agua para enfriamiento. Es por eso que la
temperatura juega un papel muy importante en todos los procesos de fundición, y
para este caso en el que se moldea con aluminio las cabezas de los motores, la
calidad de estas radica principalmente en el control de la temperatura.
Así como el control de la temperatura es importante para lograr la calidad de las

piezas, también existe otro efecto de la temperatura, pero esta vez sobre la máquina
moldeadora, más específicamente, sobre el horno de sostenimiento de aluminio,
donde éste debe estar a una temperatura tal que permita su inyección en el molde.
Cuando el metal se "enfría" (disminuye su temperatura por debajo de 500ªC) produce
daños irreversibles en el horno. Como se verá más adelante, han habido eventos en los
que los costos por reparación y pérdidas de producción son elevadas. El interés por
trabajar en este tema surgió precisamente por esta razón; detectar las causas por las
que los calentadores de los hornos (en este caso resistencias dentro de tubos
radiantes) se dañan y provocan la caída de temperatura del metal. Pero más que
detectar la causa raíz, lo que se pretende es predecir estas fallas en los hornos de
planta fundición, donde se cuenta con este tipo de calentamiento (resistencias).
A continuación se explicará brevemente los procesos que existen y como se

conforman.
La planta fundición de aluminio se divide en las siguientes áreas:
1.1.1 Moldeo por baja presión (LPDC)
12
a. Recibo y preparación de arena. En esta área se recibe la arena sílica, se
clasifica de acuerdo a su granulometría, se almacena y se procesa mediante la
adición de una mezcla materiales que le dan fluidez y resistencia, y ahora se
nombra como arena shell. Posteriormente se almacena nuevamente para
luego utilizarse en el área de corazones.
b. Corazones. La arena shell se introduce en máquinas moldeadoras de corazón

que por medio de la aplicación de calor en el molde, la arena se compacta y
forma partes específicas.
c. Fusión. En esta área se recibe la materia prima en diversas versiones; lingote de

aluminio, material de retorno de los procesos de fundición, coladas y rebaba de
la planta de maquinado. Mediante hornos de fusión tipo reverbero y torres
fusoras, se funde el aluminio que se utiliza para las dos áreas (LPDC y PDC),
cada área requiere que el aluminio cumpla con características diferentes, por
lo que no se utiliza aluminio de baja presión en alta presión, ni viceversa.
d. Moldeo de cabeza de cilindros por baja presión. Los corazones se colocan en el

interior del molde de la máquina, la cual cierra y el metal fluye desde el horno
hasta la boca de carga. El metal asciende por efecto de presurización de la
cámara del horno mediante la aplicación de aire comprimido.
e. Acabado. En esta área se retira la arena del interior de la pieza a través de

máquinas vibradoras y mediante el uso de máquinas CNC se les retira los
excesos de material que se les conoce como colada.
f. Tratamiento térmico. Una vez que se le retira la arena y el exceso de material,

entran a un horno de tratamiento, donde se las eleva de temperatura y
posteriormente se introducen en agua para lograr un choque térmico que le
modifica su estructura metalográfica y se obtiene la dureza requerida,
posteriormente se introduce en un segundo horno a menor temperatura que el
primero para relevar esfuerzos en la superficie.
13
g. Inspección final. En esta área el personal realiza la inspección física de las piezas
y se envían al siguiente proceso en planta maquinado.
1.1.2 Moldeo por alta presión (PDC)
a. Moldeo de monoblock. Se recibe el aluminio en el horno de sostenimiento de

cada máquina, se cierra el molde y se inyecta en la zona de punta y manga
por medio de la aplicación de aire comprimido en la cámara del horno, una
vez el metal liquido en la manga se inyecta por la acción de un pistón que
comprime el metal dentro del molde, posteriormente un robot retira el
monoblock del molde lo lleva a la cabina de corte.
b. Cabina de corte. El siguiente robot le corta los excedentes de material a los que
se les conoce como coladas.
c. Inspección. La pieza viaja por un transportador donde ciertos mecanismos

revisan la posición de barrenos y dibujan en ella un código de identificación,
posteriormente el operador realiza la inspección visual.
d. Tratamiento térmico. La pieza se somete a cambios de temperatura para lograr

un incremento de dureza mediante el paso por un horno de tratamiento
térmico.
e. Maquinado de seis caras. En esta zona la pieza se pre maquina por medio de
equipos CNC con el cual se desbastan las 6 caras del monoblock.
f. Prueba de fugas. En esta zona se le cubren todas las caras de la pieza con sellos
y se somete a presión neumática para detectar fugas.
g. Inspección final. Un operador realiza la inspección final para enviar la pieza a

planta de maquinado.
14
En toda la planta de fundición la variable principal del proceso es la temperatura, y el
control de ésta es imprescindible para lograr la calidad requerida en las piezas, tanto
las que se moldean por alta presión como las que lo hacen por baja presión.
1.2 DEFINICIÓN DEL PROBLEMA
Dado que la temperatura es un factor importante para las piezas, también el control y
monitoreo de esta son factores que determinan el correcto funcionamiento del horno
de la máquina moldeadora. Sin embargo como área de mantenimiento el monitoreo
del buen funcionamiento de éste se realiza por medio del consumo de corriente. Es
precisamente aquí donde se tiene un área de oportunidad, ya que en estos tipos de
hornos se presentan los siguientes problemas, para los cuales mediante este trabajo, se
pretende disminuir las fallas que se producen en estos debido al daño en las
resistencias.
1. Cuando el metal se solidifica debido al apagado del sistema de control del

horno, las resistencias dejan de calentar y se produce el daño en los tubos
radiantes y en todo el material refractario.
2. Cuando el metal se solidifica debido al daño de alguna de las tres resistencias

con que cuentan este tipo de hornos. Esto produce un sobre consumo de
corriente eléctrica en el resto de ellas y ocasiona el posterior daño de las
mismas.
La revisión y monitoreo que se lleva actualmente es mensual. Los registros que se llevan
son: consumo de corriente de las resistencias y termografía en las líneas de
alimentación de éstas, tanto en la zona del tablero como en las conexiones en el
horno. Los datos obtenidos desde que se implementaron estas actividades como
mantenimiento predictivo no han logrado predecir las fallas que se han presentado
por razón del segundo caso que se mencionó anteriormente. Y es precisamente sobre
este caso en el que se basa principalmente este trabajo de investigación.
15
Aun cuando las resistencias presentan daño y se logra detectar éste en una de ellas
antes de que ocasione el daño en la segunda y posteriormente se realice el cambio,
no ha sido posible encontrar un patrón en las variables que se mencionaron
anteriormente (consumo de corriente y termografía) el cual indique una tendencia
que permita actuar anticipadamente. Esto lleva a la necesidad de contar con un
monitoreo constante de estas variables, con el cual a través de un procesamiento de
los datos adquiridos, se pueda realizar alguna predicción, la cual ayudará a evitar
fallas inesperadas.
Las resistencias eléctricas de los hornos se alimentan con 220 VCA, el rango de
consumo de corriente en el que trabajan para mantener la temperatura del metal en
los límites establecidos de proceso, oscila de 0 a 100 Amperios para el modelo HR, las
cuales se controlan a través de un SCR, de 0 a 60 QRK2, también controladas por SCR
y de 75 a 100 QR y MR, las cuales se controlan por contactores, y en función de la
demanda de temperatura pueden trabajar una, dos o las tres al mismo tiempo. Se han
realizado pruebas de monitoreo de consumo de corriente durante varios ciclos de
trabajo en una máquina (la cual está identificada como AQM-712).Los datos que se
han obtenido indican el comportamiento del consumo de cada una de las
resistencias, donde se ha observado la variación entre ellas. Sin embargo para
comprender esta variación es necesario obtener los datos de temperatura del metal
durante el mismo periodo, ya que la demanda de corriente está en función de la
temperatura del metal (como se mencionó anteriormente), y pueden trabajar dos
para mantener la temperatura del metal o las tres para elevarla.
Otro factor importante a considerar es el estado físico de las líneas de alimentación de

las resistencias (cableado), ya que si este presenta alguna anormalidad
(calentamiento, mal ponchado de zapatas, aflojamiento en conexiones, etc.) habrá
un sobre consumo de corriente en estas líneas, generando también un daño
prematuro en las resistencias. Existe evidencia por medio de análisis termográfico,
cómo la corriente se incrementa en una línea eléctrica cuando presenta alguno de las
anormalidades antes mencionadas. La figura (1) es un ejemplo de esta condición, en
ella se puede ver como el consumo de corriente se incrementa en 10 Amperios más al
presentar sobrecalentamiento en la línea debido a un aflojamiento en la conexión.
16
Fig. 1 Reporte de anormalidad emitido por mantenimiento predictivo.
Fuente: Confidencial
Una vez obtenidos estos datos (consumo de corriente en cada resistencia,

temperatura de metal y temperatura de las líneas de alimentación de las resistencias)
el siguiente paso es procesar esos datos mediante algún algoritmo que permita
obtener la predicción que se busca. Para esto se analizan algunas herramientas con el
fin de determinar cuál es la más apropiada.
1.3 JUSTIFICACIÓN
Actualmente en planta fundición se tienen instalados 17 hornos de sostenimiento que

trabajan con resistencias, los cuales están distribuidos de la siguiente manera: 4 hornos
para moldeo de cabeza de cilindros MR, 3 para moldeo de cabeza HR, 3 para
moldeo de cabeza QR, 2 para moldeo de cabeza QRK2, 3 para moldeo de
monoblock MR y 2 para moldeo de monoblock HR.
El precio de estos hornos puede oscilar entre 1.5 o 2 millones de pesos. Los costos de
reparación cuando existe algún daño de refractario es de aproximadamente
$700,000, debido a que se debe hacer la demolición total del material y volver a
recubrir internamente el piso, las paredes y el techo del horno.
17
Las causas por las que el refractario pueda llegar a deteriorarse son principalmente:
exposición al calor y contacto directo de metal líquido, además de oxidación del
metal y formación de corindón en las paredes y techo que se vuelven abrasivos contra
el refractario.
Otro de los problemas que se presentan en planta fundición con los hornos es, la caída
de temperatura del metal (<450ºC). Cuando esto ocurre el metal puede llegar a
solidificarse (350ºC) y dañar los tubos radiantes y con ellos las resistencias, una vez que
el metal penetra en éstas, se cierra el circuito a tierra y se debe retirar el aluminio y con
ello el refractario, para volver a recubrir piso, paredes y techo. Este problema se ha
presentado en planta hasta en dos ocasiones en un periodo de 6 meses, lo cual ha
representado para la planta un gasto por reparación de más de 1.5 millones de pesos,
aunado a esto, las piezas que se han dejado de producir durante el periodo de
reparación, el cual puede llevarse hasta 22 días debido a los conceptos que a
continuación se describen de manera general:
1. Desconexión de horno (eléctrica, hidráulica y neumática): 6 h

2. Maniobra de retiro de horno: 4 h
3. Instalación de horno de back up: 1 d
4. Sinterizado de horno: 4 d
5. Lavado de horno: 4 d
6. Eliminación de hidrógeno en aluminio: 10 d
7. Validación: 3 d
En la Tabla (1) se muestra un ejemplo de programa de recuperación de un horno, que

para este caso es el último evento ocurrido en planta.
18
Tabla 1 Tiempo de recupera
uperación de horno por daño
Fuente: Información confidencial
Los problemas que repres

epresenta una falla de este tipo alteran
n los programas de
producción no solo de fund
fundición, si no de los procesos siguientes.
s. Debido
Deb a que estos
equipos no tienen procesos
cesos alternos por ser únicos, tienen un efecto
cto hasta
ha el final de la
cadena productiva: ensam
nsamble del vehículo.
La tabla (2) y (3) mues

muestran el impacto económico por daño de horno de
sostenimiento, en la figura
igura 2 se muestra el costo que representan
tan las
la piezas que se
dejan de producir y en la figura 3 los montos por los conceptos
eptos que incluye la
reparación
19
Tabla 2 Impacto económico por las piezas que se dejan de producir durante 21 días
COSTO POR PIEZAS DEJADAS DE PRODUCIR

Tiempo 497 min 497 / 24 21 días
Programa 180 180 * 21 3780 piezas
Costo $776.00 776 * 3780 $ 2 933.28
Tabla 3 Desglose del monto económico de los gastos por reparación de horno
COSTO POR REPARACIÓN DE HORNO
I TEM DESCRI PCI ÓN UNI DAD COSTO UNI TARI O SUBTOTAL
1 Material refractario Lote $300,000 $300,000
2 Mano de obra Serv icio $180,000 $180,000
3 Tubos radiantes Pieza $66,000 $198,000
4 Empaquetadura Lote $30,000 $30,000
5 Cubo Pieza $7,000 $21,000
6 Tubo alimentador Pieza $6,500 $19,500
7 Resistencias Pieza $26,000 $78,000
8 Gas nitrogeno Lote $1,000 $1,000
TOTAL $827,500
El desarrollo de este proyecto en planta fundición es precisamente para evitar este

tipo de problemas en los hornos de sostenimiento, ya que como se describe a lo largo
de este documento, los pérdidas económicas que representa una falla de este tipo
para la línea de producción son elevadas.
Cuando la temperatura del metal desciende, el controlador detecta esta variación y

en función de los límites establecidos, activa una señal que permite que las resistencias
calienten el metal. Pero cuando no se detecta el descenso de la temperatura por el
controlador, es cuando existe el riesgo de que continúe descendiendo hasta el punto
de solidificación y con ello el daño de los tubos radiantes y del refractario mismo. En el
último evento de daño de horno, se determinaron tres posibles causas:
1. Selector de resistencias accionado al abrir las puertas de los paneles, ya que

existe interferencia entre ellas.
20
2. Al realizar limpieza del panel, se pudo haber movido el selector
accidentalmente.
3. Algún movimiento de selector de manera intencional.
Para cualquiera de las tres posibles causas, el resultado es el mismo, daño de horno, sin
embargo, si se cuenta con un sistema que de aviso de anormalidad, en este caso el
descenso de temperatura o selector de resistencias en posición OFF, se puede actuar
de manera inmediata y evitar el daño mencionado. Inicialmente los hornos no
estaban provistos de alguna alarma visible ni sonora que indicaran alguna falla de
resistencias, descenso de temperatura o incluso selector de resistencias en posición
OFF, sin embargo a raíz del último evento, se instaló una alarma en la que al apagar el
control de las resistencias, se emita una alarma sonora y visual.
Mediante la implementación de un sistema de monitoreo remoto se logra también

romper el paradigma de tener personal de guardia las 24 horas del día durante
puentes y días feriados, como se realiza desde hace 9 años, si bien es cierto que no
existe persona alguna que apague los hornos de manera accidental o intencional, el
evento anterior a este último se da en un fin de semana, durante el cual se cuenta con
personal de mantenimiento, pero debido que se omite la revisión de las temperaturas
de los hornos durante esos días, no se detecta que una resistencia presenta falla y el
metal comienza a descender hasta solidificarse y causar el daño.
Estos dos eventos que representan un gasto extraordinario para el área de

mantenimiento crean la necesidad de contar con un sistema de aviso, como se
menciona anteriormente, el cual indique a un grupo de usuarios, en este caso personal
de mantenimiento, a través de una llamada telefónica o de un mensaje de texto que
avise que el horno está en riesgo por descenso de temperatura. De esta manera la
persona que reciba la notificación revisará físicamente la razón de la alarma y
realizará las correcciones necesarias.
Otra de las razones por las que es necesario contar con un sistema de este tipo en
planta fundición, es para aprovechar las tecnologías existentes en el mercado y que
21
no han sido implementadas aún para la solución de problemas específicos en los
procesos. Esto recae en el reto establecido desde la dirección y gerencia establecen
que la planta tiene que cambiar, tiene que dar un giro, los procesos en fundición
tienen que ser más automatizados.
Como alerta de falla, el sistema que se pretende instalar cumple con esa parte, sin
embargo como predicción, el monitoreo de variables como consumo de corriente y la
temperatura, para su posterior análisis y procesamiento, se realizará por medio de la
aplicación de la herramienta que se describe más adelante. Con esto se logrará
anticipar la falla de las resistencias y actuar de manera oportuna.
1.4 OBJETIVOS
1.4.1 Objetivo general:
Implementar un sistema de predicción de fallas de resistencias eléctricas en los tubos

radiantes de hornos de sostenimiento de planta Fundición 1, usando algoritmos de
Lógica Difusa.
1.4.2 Objetivos específicos:
1. Analizar la literatura existente.

2. Identificar y conocer los componentes principales de un horno de sostenimiento.
3. Identificar el costo de reparación por daño de refractario y tubos radiantes
debido a la solidificación del aluminio.
4. Identificar y procesar los datos obtenidos mediante el monitoreo de consumo
de corriente.
5. Identificar los rangos de temperatura del metal y el consumo de corriente de las
resistencias que se presentan durante los periodos dentro y fuera de operación
de la máquina.
6. Identificar la herramienta a utilizar para el sistema de predicción de fallas de
resistencias eléctricas en tubos radiantes
22
1.4.3 Hipótesis
H1 Existe una correlación entre el consumo de corriente, la tendencia de la

temperatura del metal en el horno y la vida útil de la resistencia eléctrica del horno.
H2 Los mecanismos de inferencia de la Lógica Difusa pueden ayudar a predecir las

fallas que se presentan en las resistencias eléctricas del horno.
23
CAPÍTULO 2 MARCO TEÓRICO O FUNDAMENTOS TEÓRICOS
2.1 INTRODUCCIÓN
La optimización de procesos industriales requiere de la construcción de modelos en los

cuales se identifiquen claramente las relaciones entre las variables de entrada y las
variables de salida, Domínguez [1]. Los modelos matemáticos cubren una parte
importante de los procesos industriales, pero existen procesos en los que no es factible
establecer un modelo matemático y entonces se recurre al análisis de datos
experimentales. Los datos guardan información muy valiosa del comportamiento de
fenómenos físicos, por lo que las tecnologías de análisis de información tienen un
campo de acción importante en esta área, De Prada [2].
En la actualidad existe un gran volumen de datos que deben ser manejados por las
organizaciones, ya sea siguiendo algún comportamiento específico o tendencias,
Tinoco et al. [3]. El estudiar un fenómeno basado en esos datos tiene como propósito
el tomar una decisión. En el pasado el procesamiento de esta información estaba
supeditada al conocimiento de los expertos, pero hoy en día debido a los avances en
la tecnología es posible la adquisición y procesamiento de datos para luego obtener
resultados, estos datos pueden ser: imagen, video, texto, u otros de carácter numérico,
Riquelme et al. [4].
Puesto que hablamos de datos y procesos, es necesario mencionar que en la industria

existe una cantidad importante que requieren ser monitoreadas para luego
procesarlas y determinar la naturaleza o comportamiento del fenómeno en estudio. En
este sentido y adentrándonos un poco al mantenimiento de equipos y maquinaria, se
necesita de un esfuerzo grande por mantener su funcionalidad en óptimas
condiciones operativas y evitar así problemas tanto de calidad como de
productividad. Es aquí donde entra el mantenimiento predictivo, el cual, en su gran
abanico de aplicaciones se encuentra el monitoreo por ejemplo, de equipos
eléctricos que como se sabe y se mencionó anteriormente, uno de los objetivos
principales de las empresas es el de mantener la disponibilidad de sus instalaciones y
mejorar la calidad de sus productos, Rodríguez et al. [5].
24
Por lo anterior, cada vez se buscan diferentes alternativas para la adquisición y
almacenamiento de datos, se desarrollan sistemas y métodos de procesamiento, así
como dispositivos y softwares de los cuales se obtienen resultados que llevan a una
toma de decisiones. Los avances tecnológicos en este sentido son de vital importancia
para que estas etapas mencionadas se puedan programar y mediante el uso de
computadoras sea posible incluso hacer predicciones.
Actualmente, las tecnologías de análisis de datos más conocidas son: almacén de

datos (DW), minería de datos (DM), máquinas de vectores de soporte SVM, Redes
Neuronales (RN) y Lógica Difusa (FL), principalmente. La minería de datos, por
ejemplo, es una de las tecnologías más usadas para optimización de procesos
industriales, ya que permite extraer información útil a partir de grandes volúmenes de
datos por medios estadísticos, Marcos [6]. El resto de tecnologías tienen aplicaciones
muy particulares, que se describirán más adelante.
2.2 ALMACÉN DE DATOS (DW) Y MINERÍA DE DATOS (DM).
Hoy en día las tecnologías de información se orientan no solo a procesos

administrativos, sino también a la gestión de datos y sistemas que lleven a tomar
decisiones. El uso de computadoras personales origina una descentralización de la
información que dificulta la integración de su uso en la gestión de la empresa. Por otra
parte la aparición de nuevas herramientas facilita esta integración y uso más eficiente
a través de dos tipos de desarrollos tecnológicos: los denominados Data Warehouse
(DW) o almacén de datos, y DataMining (DM) o minería de datos, Caridad [7].
El almacén de datos o DW contiene información de las distintas áreas de la empresa,

la cual está destinada a las necesidades de los sistemas de soporte a las decisiones y
para la gestión y control del funcionamiento empresarial. Esta información debe
incorporar bases de datos integradas y con una terminología normalizada para cada
aplicación. Además las bases de datos deben ser temáticas e incluir información
histórica, es decir, los datos serán series temporales asociadas a cada instante del
tiempo, manteniéndose a lo largo de varios años.
25
Por otro lado, la Minería de Datos (DM) trata de realizar análisis estadísticos y síntesis
automática de la información, buscando regularidades, dependencias, patrones de
comportamiento, grupo de casos, etc., que no son evidentes; es decir, descubrir
información útil contenida en los datos, Riquelme et al. [4].
Mediante la aplicación de Minería de Datos (MD) es posible la obtención de datos y

su procesamiento mediante diversos algoritmos, con los cuales se logran resultados
con un error de predicción que van en función del algoritmo que se utilice. Tinoco et
al. [3], utilizaron la técnica de Crisp MD para realizar el análisis de datos mediante:
comprensión de problemas a estudiar, preparación, modelación, evaluación y
desarrollo de los datos. En la figura (2) se muestran las fases de la metodología Crisp
MD en donde se aprecia que el proceso inicia con la comprensión del problema y
esto lleva a contar con datos que se adquieren, ya sea mediante la observación o
una base o almacén de información, una vez esto, se realiza la preparación de los
datos y se crea un modelo que se evaluará, con lo que se puede realizar una
predicción o una explicación al fenómeno que se está analizando, y que finalmente
se llevará a cabo. Algo importante en esta metodología es que existe siempre una
retroalimentación de un proceso a otro, dando como resultado un ciclo.
1. Business 2. Data 3. Data

4. Modeling 5. Evaluation 6. Deployment
Understanding Understanding Preparation
Data ??? Pre- …… Predictive/

Dataset proceessed …… Models
Warehouse/ ?___ Explanatory
Database ___? Dataset …… Knowledge
Fig. 2 Fases de la metodología de Crisp-MD.
Fuente: Tinoco et al. [3]
2.3 SUPPORT VECTOR MACHINE
Otra de las herramientas en minería de datos es el SVM, por sus siglas en inglés, Support
Vector Machine. Esta herramienta desarrollada por la empresa AT&T, trata de
conjuntos de algoritmos de aprendizaje supervisado, Son-Kim [8]. Este algoritmo se usa
para problemas no lineales, y debido a la ayuda de parámetros como multiplicadores
de Lagrange se puede obtener una buena capacidad de generalización, Son-Kim [8].
26
Por otro lado, Rodríguez, et al. [5] mencionan que los fundamentos de las máquinas de
vectores de soporte fueron desarrollados por Vapnik, quien se apoyó sobre la teoría
del aprendizaje estadístico. La formulación de la SVM se basa en el principio de
minimización del riesgo (SRM: structural risk minimization) el cual es superior al principio
del riesgo empírico (ERM: empirical risk minimization) empleado en las Redes
Neuronales convencionales. El SRM minimiza la cota superior del riesgo esperado,
mientras que el ERM minimiza el error del dato de entrenamiento. En función de lo
anterior, la SVM tiene una mayor capacidad de generalización. Existen dos tareas bien
diferenciadas que puede realizar la SVM: clasificación y regresión de funciones.
El estudio realizado por Rodríguez et al. [5], mediante la herramienta de SVM, hace un
diagnóstico de falla en un motor eléctrico con problema en uno de los rodamientos. El
trabajo consistió en el monitoreo de corriente de este motor trabajando bajo
condiciones de daño en tres rodamientos de prueba, una falla diferente para cada
uno de ellos. El resultado mostró la efectividad del método e incluso en el documento
asevera que SVM supera a las Redes Neuronales y algunas otras técnicas de
predicción de fallas.
2.4 RED NEURONAL DE RETRO PROPAGACIÓN
La Red Neuronal de Retro propagación (BPNN, por sus siglas en inglés Back-
propagation neural network), es un modelo computacional matemático que simula la
estructura biológica de las neuronas a través de multicapas y es también un
aprendizaje supervisado. Además, este sistema requiere de una gran cantidad de
datos para su entrenamiento y realizar un proceso de calibración, de tal forma que la
red neuronal se pueda utilizar, lo cual es una desventaja. Por lo anterior, su aplicación
para este proyecto está limitada, puesto que sería necesario un gran número de casos
de falla.
2.5 LÓGICA DIFUSA.
En Lógica Difusa se parte del hecho de que conceptos como alto, bajo, ruidoso,
dulce, caro, amargo, barato, delgado, etc. son percibidos de manera diferente por
cada persona. Por ejemplo, para una persona de Alaska el concepto de caliente
27
puede ser arriba de 10 °C, mientras que para un mexicano caliente es arriba de 30 °C
o en un proceso de fundición caliente es arriba de 300°C. Por esta razón los conjuntos
CALIENTE, TIBIO y FRÍO son llamados conjuntos difusos. Un conjunto difuso es un
conjunto con límites borrosos o “no muy bien” definidos, Guzmán-Castaño [9].
Tejada [10] establece que para lograr una descripción de lo que es Lógica Difusa se
deben diferenciar primeramente los tipos de incerteza, una de ellas es la incerteza
estocástica, la cual consiste en que se puede cuantificar una cierta probabilidad.
Por otro lado la incerteza léxica o imprecisión, Tejada [10] menciona que es la que se
basa en el lenguaje de comunicación que usamos los humanos. Mediante esta
incerteza se pueden hacer evaluaciones y obtener conclusiones.
Vega [11] afirma que la Lógica Difusa es una rama de la inteligencia artificial y lo que
trata de hacer es simular la forma en que los humanos procesamos la información con
el objeto de tomar decisiones. El simple hecho de estacionar un automóvil es un
proceso que involucra la experiencia y conocimiento, algunas reglas aprendidas y
finalmente una serie de decisiones.
En [12] se menciona que la Lógica Difusa se asocia a cómo las personas perciben el
medio que los rodea, que la subjetividad se encuentra en todo momento, así como las
afirmaciones, las cuales normalmente se formulan de manera ambigua. Lo que para
una persona puede ser alto, frio o grande, para otra pude ser lo contrario.
Según Pérez, et al. [13],Lógica Difusa es usada para situaciones que no son totalmente
ciertas ni completamente falsas, dicho de otra manera, para valores que pueden
oscilar entre dos extremos, verdad absoluta y falsedad total. Sin embargo lo difuso no
es lógica en sí, sino más bien el objeto de estudio. Mediante la Lógica Difusa se
estudian tópicos imprecisos, es decir, temas donde intervienen variables lingüísticas y
que combinan reglas para definir acciones, Pérez, et al. [13].
El correcto funcionamiento de un sistema dependerá ampliamente del conocimiento

que se tenga del proceso y dicho conocimiento surge de la experiencia del operador
28
humano. A pesar de ello, los conceptos de la Lógica Difusa han encontrado gran
campo de aplicación en sistemas cuyo comportamiento es difícil de predecir o
modelar matemáticamente.
En base a la necesidad que presentaba la lógica tradicional, Lofti Zadeh de la

Universidad de California desarrolla la Lógica Difusa en 1965, Tejada [10]. Aunque la
intención original del profesor Zadeh era crear un formalismo para manipular de forma
más eficiente la imprecisión y vaguedad del razonamiento humano expresado
lingüísticamente, causó cierta sorpresa que el éxito de la Lógica Difusa llegara al
campo del control automático de procesos. Esto se debió principalmente al auge de
lo difuso en Japón, iniciado en 1987 y que alcanzó su máximo apogeo a principios de
los años noventa. Desde entonces, han sido infinidad los productos lanzados al
mercado que usan tecnología difusa, muchos de ellos utilizando la etiqueta “fuzzy”
como símbolo de calidad y prestaciones avanzadas, Tejada [10].
2.5.1 Lógica Clásica y Lógica Difusa
Pérez, et al. [13] hacen una comparación gráfica entre Lógica Difusa y lógica clásica,
la cual se muestra en la figura (3), en ella se pueden ver los grados de pertenencia que
puede tener una variable respecto a un término lingüístico, alguien puede ser no
totalmente alta, pero tampoco completamente no alto.
Fig. 3 Lógica clásica versus Lógica Difusa
Fuente: Pérez, et al. [13]
Lógica Difusa asigna a una medición un porcentaje de pertenencia al conjunto

debido a que está numéricamente cerca del mismo. Pérez et al. [13] mencionan que
29
existen grados de pertenencia a un conjunto difuso y los elementos que pueden existir
en ese conjunto, pueden tomar valores entre 0 y 1. Esto lleva a la definición de función
de pertenencia, la cual consiste en que cada elemento puede tomar un valor o
variable de entrada , la cual se denota como:
(1)
Tejada [10] hace una comparación entre la lógica booleana y la Lógica Difusa,
menciona que una desventaja que tiene la primera es que a pesar de su exactitud no
puede reproducir patrones del comportamiento humano.
Otra gran ventaja de la Lógica Difusa respecto a la lógica booleana, es que no se

restringe únicamente a valores de 0 y 1, dando pauta a valores intermedios (parciales
o multivalores de verdad). Además; en su artículo Tejada [10] menciona que la lógica
booleana, es un caso especial de la Lógica Difusa y que la principal ventaja de esta
última se debe a que puede ser utilizada para resolver problemas que por medio de
modelos matemáticos sería imposible.
De acuerdo a Galindo [14] las siguientes son las situaciones donde se requiere de una
aplicación de Lógica Difusa:
• En procesos no lineales
• En procesos complejos donde el modelo de solución no es sencillo
• Cuando se tenga que introducir la experiencia de un operador "experto" que
se base en conceptos imprecisos obtenidos de su experiencia.
• Cuando el ajuste de una variable afecte a otras
• Cuando algunas partes de lo que se quiere controlar son desconocidas y no es
posible medirlas de manera fiable, es decir, la presencia de errores
• Cuando lo que se quiera representar provenga de una base de datos
imprecisos o con incertidumbre
A continuación se describe como trabaja la Lógica Difusa mediante la definición de

algunos conceptos y el punto de vista que dan algunos autores al respecto.
30
Puesto que el desarrollo de este proyecto se basa en la predicción, es mandatorio que
se comprenda la forma en que trabaja esta técnica, para lograr su correcta
implementación.
2.5.2 Función de Membresía o Pertenencia.
El grado de pertenencia o membresía es una relación que vincula a cada elemento

con un conjunto [15]. En otras palabras se puede decir que, en un conjunto bien
definido (lógica clásica), la pertenencia o no pertenencia de un elemento a un
conjunto se describe mediante la función característica
(1)
Dónde:
1 ∈
=
0 ∉
(2)
De lo anterior se tiene entonces que todos los elementos del universo sólo pueden
estar contenidos en dos elementos, lo cual se expresa de la siguiente manera [15]:
: → 0,1 (3)
Donde la interpretación para 0 es falso y para 1 es verdadero.
2.5.3 Etapas de Lógica Difusa
La Lógica Difusa es un algoritmo de predicción, el cual consta de cuatro etapas:

fusificación, reglas, inferencia y desfusificación, Singhala, et al. [16]. La figura (4) es un
esquema que proponen Singhala, et al. [16] para esquematizar la manera en que
trabaja Lógica Difusa. Se puede observar como las reglas y la inferencia está dentro
de un mismo bloque, lo que indica que las reglas son planteadas y procesadas en
función de conocimientos previos del proceso que se analiza.
31
Rules
Crisp Crisp
inputs Fuzzifier Defuzzifier outputs
fuzzy input set

Inference fuzzy output set
Fig. 4 Etapas de Lógica Difusa
Fuente: Singhala, et al. [16]
Sin embargo otros autores como Tejada [10] mencionan que un sistema difuso se
compone solo de tres etapas, las cuales se muestran en la figura (5) a continuación:
Datos de Reglas de Datos de

Fusificación Desfusificación
Entrada Evaluación Salida
Fig. 5 Etapas de un sistema difuso.
Fuente: Tejada [10]
Aunque en términos generales esta definición de etapas de Lógica Difusa representa

la misma idea que Singhala, et al. [16], sí es importante hacer una diferenciación ya
que algunos autores hacen mayor hincapié en la etapa de reglas de evaluación,
haciendo una subdivisión y resaltando que dichas reglas son inferidas y provienen de
la experiencia del experto en el proceso.
Existen variables que pueden ser dependientes e independientes para una aplicación
con Lógica Difusa, en el caso que presenta Vega [11] donde se busca que un
automóvil se estacione, el espacio y el ángulo de referencia son independientes,
mientras que el ángulo de giro del volante es dependiente de las primeras. Esto se
puede representar según Vega [11] como se muestra en la figura (6).
32
Espacio Lógica
Angulo de giro
Difusa
Angulo referencial
Fig. 6 Variables independientes y variable dependiente
Fuente: Vega [11]
2.5.4 Control Difuso
La Lógica Difusa dentro de los sistemas de control crea lo que se denomina control
difuso. De acuerdo a [12] un conjunto difuso define precisamente las ambigüedades
descritas anteriormente, a diferencia de la teoría clásica, la cual no lo hace. Además,
en esta última un elemento puede pertenecer a un solo conjunto. La base de la
Lógica Difusa son los conjuntos difusos y con estos se llevan a cabo afirmaciones SI-
ENTONCES. El objetivo de esto según [12], es emular el pensamiento humano, sin
embargo para el ámbito industrial, llevar a cabo un control mediante Lógica Difusa
requiere de la experiencia del operador, del personal experto en el proceso o en el
funcionamiento de una máquina con el fin de que se pueda llegar a emular el
comportamiento humano.
Por otro lado, Kouro y Musalem [17] definen al control difuso como un control con el
que se puede interpretar el sentido común a través de palabras en lugar de números,
o bien, mediante sentencias u oraciones en lugar de ecuaciones. Pero como en todo
proceso, los números son las características principales y no el sentido común, se
requiere de una adaptación entre ellos, dando como resultado la introducción de una
variable de estado al sistema de control, a lo anterior Kouro y Musalem [17] le llaman:
proceso de fusificación, la cual como se ha mencionado en revisiones anteriores, es la
primera etapa de la Lógica Difusa.
En un lazo de control difuso de entrada y salida única, Kouro y Musalem [17] sugieren
que se deben utilizar como variables de entrada para el controlador tres elementos:
Error existente en el proceso = −

Cambio del error /
33
Acumulación del error
De acuerdo a Kouro y Musalem [17] un diagrama de controlador Fuzzy es como se

muestra en la figura (7).
Fig. 7 Diagrama de control Fuzzy
Fuente: Kouro y Musalem [17]
Sin embargo Kouro y Musalem [17] sugieren una alternativa que simplifique la
generación de una gran cantidad de reglas de fusificación debido al número de
variables de entrada, para ello se establece un integrador, el cual durante el proceso
se sumará a la acción final, lo que da origen a un sistema híbrido debido a que el error
y el cambio de error son variables difusas y la acumulación del error es determinística.
De esta forma el diagrama de control difuso modificado como se puede observar en
la figura (8):
Fig. 8 Diagrama de control Fuzzy modificado
Cabe hacer mención que este sistema tiene un inconveniente, el cual se debe a que
por su naturaleza difusa (sentencias y conjuntos) no ofrece un resultado óptimo o
deseado. Y para corregir este problema, Kouro y Musalem [17] sugieren en su artículo,
la incorporación de ganancias en las entradas, es decir, antes de la fusificación, esto
34
ayudará a corregir de manera numérica los errores que se hacen en la interpretación
difusa. De tal modo que la propuesta de Kouro y Musalem [17] queda como sigue:
Fig. 9 Diagrama de control Fuzzy con ganancias
Con su análisis y trabajo sobre el prototipo, Kouro y Musalem [17] afirman que es
posible elaborar un sistema de control que interprete de manera intuitiva el estado de
ciertas variables, y que a través de esto, deduzca en forma lógica una acción y lleve
la variable tratada estado que se requiera.
Por otra parte en [18] se establecen las tareas típicas a realizar en un proyecto de
implementación de Lógica Difusa. Los pasos que se mencionan son cuatro, con
algunos puntos en cada uno de ellos, mismos que deberán seguirse con el fin de
obtener un buen resultado:
“1. Identificar las variables del dominio. Para esto, hace la definición de dos tipos de
variables:
1. Variables "de estado": son las que describen las entradas del sistema
2. Variables "de control": son las que describen las salidas del sistema
2. Identificar los términos lingüísticos vinculados a cada variable y su respectiva

definición:
1. Definir las "particiones difusas" de cada variable (etiquetas lingüísticas).
2. Definir las funciones grado de verdad asociadas a sus etiquetas lingüísticas.
35
Habitualmente se pretendería que las particiones definidas "cubran" la totalidad del
espacio de valores de las distintas variables, es recomendable que exista
solapamiento.
3. Construir las reglas difusas que correspondan. (Crear la representación simbólica)

Habitualmente se hace uso de las FAM (Fuzzy Association Matrix).
Se crea una FAM para cada variable "de control", vinculando las posibles
combinaciones de las variables "de estado" (antecedente) con una de sus etiquetas
lingüísticas (consecuente).
4. Seleccionar la implementación y los parámetros de los operadores difusos a utilizar.

(Parametrizar el "funcionamiento numérico").
!í#$!% + !á $!%
Implementación conectivas difusas ∧, ∨, − ∶
( % )* % + +)!, ,*% , ,
Implementación implicación difusa (→): Mindani, Kleene, Larsen, etc.

Implementación del modus ponens difuso: max-min
Activación de reglas: normalmente se considerará que una regla difusa se activa si el

grado de verdad de su antecedente es 0.
Agregación de las salidas de las reglas difusas (OR): máximo, suma acotada
Operadores de fusificación (singleton, triangular) y desfusificación (centro de masas,
media máximos)”.
2.5.5 Sistemas Neurodifusos
Una técnica utilizada para la predicción a corto plazo en cuanto a la variación de la

frecuencia crítica de la capa F2 de la ionósfera, -%F2, Córdoba, et al. [19], es la que
mezcla la sistematización y aprendizaje de las Redes Neuronales y por otro lado, la
ventaja de la Lógica Difusa al fundamentarse en el conocimiento de los expertos.
Una técnica neurodifusa (complemento de red neuronal con Lógica Difusa) de

modelado ayuda a elaborar modelos de comportamientos incluso de sistemas que
36
pueden ser muy complejos o casi totalmente no lineales, en los cuales se tiene
información que puede ser inexacta o poco concreta, y que para estas resulta
ineficiente el uso de alguna otra técnica clásica. Además por un lado, aprovechan de
los modelos difusos la fácil compresión del sistema físico que se desea modelar, y por
otro lado, la capacidad de aprendizaje que brindan los modelos hechos con Redes
Neuronales. Mientras que los modelos basados en Redes Neuronales se consideran
como "caja negra", los modelos neurodifusos permiten introducir la experiencia y
conocimiento del experto en cualquier parte del proceso de modelado. Otra ventaja
de estos sistemas es que pueden elaborar el modelo a partir de datos de entrada y
salida obtenidos del mismo sistema, Córdoba, et al. [19].
2.5.6 Predicción y Pronóstico mediante Lógica Difusa
En el área de la predicción, actualmente muchos investigadores usan la Lógica Difusa,

algunos de ellos como Ozben, et al. [27], Moon, et al. [28], Rai, et al. [31], Zalnezhad, et
al. [33], Lin, et al. [34] y Khosravi, et al. [35], hacen comparación entre la aplicación de
modelos basados en Lógica Difusa y pruebas experimentales en sus proyectos. Sin
embargo todos ellos aplicaron no solo Lógica Difusa, si no que usan sistemas híbridos
como: Lógica Difusa y Redes Neuronales, tal es el caso de Rai, et al. [31], quienes
realizan un estudio mediante inteligencia artificial la cual se basa en Redes Neuronales
y Lógica Difusa, con esto ellos modelan el desempeño y las emisiones que puede
arrojar un máquina de combustión que trabaja con dos tipos de combustible LPG y
diesel.
Aunque Rai, et al. [31] aseguran que la combinación de Lógica Difusa y Redes
Neuronales supera a la Lógica Difusa convencional, no necesariamente se requiere de
la integración de dos o más herramientas de predicción para lograr que un sistema
experto tenga una confiabilidad alta, por ejemplo, Zalnezhad, et al. [33] en su estudio
usaron únicamente Lógica Difusa y lograron una a precisión del 97.142% en su
predicción de la dureza obtenida en la superficie de un material aplicado en el área
aeroespacial.
37
Por su parte Kolomvatsos y Hadjiefthymiades [32] combinaron solamente Lógica Difusa
con un mecanismo de predicción con lo que mejoró la eficiencia del desempeño del
jugador en su videojuego.
En el caso de Khosravi, et al. [35], hacen una comparativa entre dos sistemas: Redes
Neuronales y Sistemas de Lógica Difusa Tipo 2, con aplicación en la proyección de la
demanda de energía eléctrica en los horarios distintos a los denominados "horarios
punta". En su documento muestran las ventajas del uso de los Sistemas de Lógica
Difusa Tipo 2, así como la diferencia que tiene con respecto a los tradicionales Sistemas
de Lógica Difusa Tipo 1, ya que integran en su proceso de desfusificación una salida
más, la cual es un tipo de conjunto reducido. En base a su estudio comparativo logran
una mayor precisión en la proyección mediante el uso de Sistemas de Lógica Difusa
Tipo 2.
Por otro lado, en la revisión del estado de arte hasta este momento, solo se ha
encontrado que Gurrea, et al.[29] hacen un estudio en el que concluyó que la Lógica
Difusa está teniendo cada vez más aplicación en las organizaciones debido a que no
solo se deben considerar medidas cuantitativas si no también cualitativas, las cuales
requieren ser delimitadas, categorizadas y clasificadas.
En general, Ozben, et al. [27], Moon, et al. [28],Rai, et al. [31], Kolomvatsos y
Hadjiefthymiades [32], Zalnezhad, et al. [33],Lin, et al. [34], Khosravi, et al. [35] y
Ghasemi y Mohammad [36] usan la Lógica Difusa como herramienta de predicción,
por su parte Khodayari, et al. [30] desarrollan un sistema de aplicación que implica la
predicción en tiempo real, es decir, un sistema experto para la conducción de un
vehículo, el cual puede considerar distintos factores como son: prevención de
choques y guardar distancia segura.
Al igual que Khodayari, et al. [30], Ghasemi y Mohammad[36], mediante el uso de

Lógica Difusa aplicada a la seguridad, lograron tener un buena predicción de
derrumbes en las minas de extracción de carbón. La base de su análisis es la
experiencia del personal experto sobre las condiciones que pueden provocar este tipo
de accidentes. Utilizan como herramienta de cálculo el software de Matlab®, y el
38
desarrollo de este estudio es muy similar al que se va a realizar al que se propone en
esta tesis, por lo que servirá como guía.
Como se ha mencionado, mediante el uso de sistemas basados en Lógica Difusa es

posible obtener una predicción y pronóstico de comportamientos no lineales, los
cuales con técnicas convencionales sería difícil. Es por ello que en la ingeniería
financiera el uso de Lógica Difusa ha tendido una gran aplicación debido a que con
esta técnica se pueden predecir los índices de mercados de valores, Arango et al.
[20].
La siguiente tabla muestra un análisis de 10 autores donde se realizan aplicaciones de

Lógica Difusa en combinación con alguna otra herramienta o técnica de predicción,
en ella se muestran también el resultado o efectividad de la aplicación.
Tabla 4 Análisis comparativo entre distintos autores del uso de Lógica Difusa y otras
técnicas para la predicción
Combinación
Autor / Año Aplicación de Comparación Efectividad
herramientas
• Máquina de
• Combinación • Mejor
• Predicción de Aprendizaje
[37] Olatunji, de ambas desempeño
modelos de • Extremo
et al., 2014 • Técnica la
permeabilidad Lógica Difusa
individual combinación
Tipo 2
• Red Neuronal de
• Predicción de una Prealimentación
[38] Gentili,et
señal de tiempo • Lógica Difusa
al., 2015
tipo caótica • Predictor Local
No Lineal
39
• Regresión • Resultados
• Predicción de • Lógica Difusa similares con
[39] Tekeli,et
cargas críticas en • Redes cualquier
al., 2014
vigas Neuronales técnica
Artificiales
• Predicción de
resultados de
• Lógica Difusa
[40] Gencel, secado y • Resultados
• Pruebas
et al., 2013 endurecido de cercanos
experimentales
concreto auto
compactado
• Máquina de
Vectores de
Soporte
• Redes
• Redes
Neuronales • Mejor
[41] Ahmed y • Predicción de Neuronales
Artificiales desempeño
Al-Jamimi, mantenibilidad de Artificiales
• Redes Lógica Difusa
2013 softwares • Lógica Difusa
Neuronales
Artificiales /
Lógica Difusa
• Lógica Difusa
Tipo 1
• Predicción de
parámetros de • Lógica Difusa
[42] Torno, et • Excelente
taladrado y • Pruebas
al., 2011 desempeño
percusión en experimentales
rocas
• Predicción de • Redes • Error de

[43] Pandey y anchura y Neuronales predicción
Dubey, 2013 desviación de Artificiales 1.09%, 1.67% y
corte por laser • Lógica Difusa 2.29%
40
• Predicción y
• Error menor al
[44] estimación de • Lógica Difusa
10%
Taghavifar y área y presión de • Pruebas
• Alto
Mardani, 2014 contacto entre experimentales
coeficiente R2
rueda y piso
• Predicción de la
• Lógica Difusa • Error
[45] Barzani, rugosidad en
• Pruebas promedio de
et al., 2015 superficies a
experimentales 5.4%
maquinar
• Desviación
• Predicción de • Lógica Difusa menor a 5%
[46] UdDarain,
agrietamiento y • Pruebas • Bondad de
et al., 2015
flexión de vigas experimentales ajuste
cercano a 1
• Mejor
[47] • Predicción de • Lógica Difusa
resultado con
Vundavilli, et profundidad de • Algoritmos
Algoritmo
al., 2012 corte Genéticos
Genético
Fuente: Elaboración propia
2.5.7 Ejemplos de aplicaciones usando Control Difuso
En la actualidad el uso de la Lógica Difusa ha cubierto un gran abanico de áreas y

procesos, principalmente donde es difícil predecir el comportamiento de estos o
donde es prácticamente imposible implementar un modelo matemático para la
solución de un problema, de tal suerte que el control difuso ha tomado principal
importancia, por ejemplo: control difuso para el ahorro de energía en aire
acondicionado, sistema de generación de ciclos óptimos de lavado para lavadoras
caseras, control difuso para el procesamiento de alimentos, control difuso para un
secador de ropa, Lógica Difusa para el control de la calefacción, ventilación y aire
acondicionado en autos, control difuso adaptable para una transmisión automática
de cinco velocidades, Guzmán y Castaño [9], entre muchas otras, aplicaciones en su
mayoría enfocadas al control de procesos.
41
2.5.7.1 Control de temperatura
El estudio realizado por Singhala, et al. [16], donde a través del uso de Lógica Difusa
desarrollaron el control de temperatura de un sistema dinámico no lineal que contaba
con un calentador, un ventilador y un termopar, concluyeron que era la mejor manera
mantener la temperatura deseada con buena precisión.
2.5.7.2 Control de un helicóptero prototipo
Lo mencionado en el capítulo anterior respecto al control difuso tiene una aplicación

práctica para Kouro y Musalem [17], ya que elaboran un control para un helicóptero
prototipo con el que es posible regular el ángulo de elevación. Dicha modificación se
llevó a cabo mediante la implementación de un cambio en la configuración
tradicional de un lazo de control difuso, esto mediante un ajuste fino o corrección en
un controlador previamente diseñado. La figura (8) es el diagrama con el que
finalmente el prototipo realizó su función.
2.5.7.3 Estacionar un automóvil
De acuerdo al artículo de Vega [11] el humano para desarrollar tareas como

estacionar un automóvil, cuenta con cinco sensores y una red neuronal que llevan la
información que captan estos y se transmiten hasta el cerebro, donde se procesa y se
genera una respuesta.
La anterior analogía hace referencia a que por medio de Lógica Difusa se pueden
formular matemáticamente nociones o sentencias para que sean procesadas en una
computadora y de este modo se cuantifica el grado de verdad y falsedad. Esto
intenta emular el pensamiento humano.
La solución al problema de estacionar un automóvil por medio de Lógica Difusa

comienza con la identificación de las variables lingüísticas, que para este caso son:
42
espacio donde el automóvil podrá desplazarse, ángulo referencial del eje del vehículo
cuya dirección y sentido va de la parte delantera hacia la parte posterior, con
relación al eje horizontal y por último el ángulo de giro del volante.
2.5.7.4 Procesamiento de imágenes
Kao, et al. [21] establecieron un método basado en Lógica Difusa para la prevención
de colisiones en el servicio de tráfico de buques. Encontraron oportunidad para usar la
Lógica Difusa en esta área debido a que en la situación en la que se encontraba el
servicio de tráfico de buques no tenía la suficiente capacidad técnica para vigilar la
gran cantidad de tráfico marítimo en ciertas áreas de manera segura. Con este
método implementado al servicio de control de tráfico de buques se pretendía que las
habilidades del operador y su toma de decisiones formaran parte del sistema de
prevención de colisiones. El proyecto consistió en la integración de datos como:
dominio del barco, fuerza inercial, y esto a su vez se usó para generar un anillo de
seguridad y un índice de peligrosidad. Con los datos anteriores se podría lograr una
precisión en la predicción del tiempo y posición que podía ser lograda usando un
módulo espacial del sistema de información geográfica.
Hussein, et al. [22] en su proyecto de control de contraste de imágenes, utilizan

Lógica Difusa por medio de mecanismos de inferencia. Esto les da como resultado un
beneficio en cuanto a los costos del hardware requerido y otro más referente a la
velocidad de procesamiento, ya que es alta.
De acuerdo a Hussein, et al. [22] la función de ajuste de contraste está dada por la
expresión:
⨁ ⨁- , (4)
Dónde e acompañados del símbolo ⊕ representan los pixeles de una imagen y la

función - , el parámetro de control.
43
De lo anterior, la función de control de contraste - , va a depender de las
características de la imagen, es decir, de los valores que puedan llegar a tener , .
Este sistema puede aplicar criterios de proximidad debido al mecanismo de inferencia
con que cuenta, el cual está basado en Lógica Difusa, para posteriormente tomar
decisiones, dicho de otra manera y de acuerdo a Hussein, et al. [22], si los pixeles
están muy cercanos (poco contraste), la función - , debe ser alta y si los pixeles
están alejados la función debe ser baja.
La siguiente ilustración muestra de manera resumida la base del conocimiento para la

toma de decisión del sistema que se llevó a cabo por Hussein, et al. [22].
⨁ ⨁- , ⨁2 $- 3 = 41
0
= 1 $- 3 = 42
⨂ ⨂- , ⨂2 $- 3 = 43
9,:% ; $% 8%
0 63 127 190 255

Z1 Z2 Z3
Fig. 10 Base de conocimiento para toma de decisión en el control de contraste de

imagen.
Fuente: Hussein, et al. [22]
44
En base a la revisión hecha de los sistemas de control basados en Lógica Difusa se
puede concluir que la principal ventaja que tienen estos, es la respuesta que brindan,
ya que es veloz y precisa, con lo cual se logra un menor número de transiciones entre
los estados fundamentales del medio que se esté controlando, es decir, que el control
de un fenómeno no lineal, trata de mejorar su salida (comportamiento) con mayor
estabilidad, además el modelado difuso posee ciertas ventajas, como su simplicidad,
al eliminar la complejidad de los modelos matemáticos; la utilización de menos código
y, por consiguiente, una optimización en el uso de la memoria y tiempo
computacional, Dai Pra [23]. Si lo que se pretende controlar es un sistema de aire
acondicionado donde el límite de temperatura es 30°C y presenta variaciones entre
29 y 30°C, un sistema de control clásico basado en PID hará que el dispositivo esté
encendiendo y apagándose continuamente para tratar de mantener la temperatura
establecida como set point, Vela [24]. Por su parte mediante el control basado en
Lógica Difusa, los 30°C no representarían algún umbral y el sistema lograría mantener
la temperatura de forma estable sin continuos apagados y encendidos.
Evidentemente esto traerá como beneficio el alargamiento de la vida útil del
dispositivo y un ahorro energético debido a la disminución de los picos de corriente
generados por los arranques del motor eléctrico del compresor del sistema.
45
CAPÍTULO 3 PROCEDIMIENTO DE INVESTIGACIÓN
3.1 CARACTERIZACIÓN DEL TIPO DE INVESTIGACIÓN
La primera etapa de esta investigación es de tipo documental puesto que se estudió y

analizó la información existente respecto al tema. La segunda etapa es de tipo
campo, ya que para la recolección de información y el establecimiento de las
funciones de membresía y las reglas de fusificación se consultó a personal experto en
el área del proceso de fundición de aluminio.
El caso en el que se lleva a cabo esta investigación es en un horno de sostenimiento

de metal y es de tipo multivariable puesto que se analizan tres variables (cantidad de
piezas moldeadas, temperatura de resistencias y consumo de corriente), los datos de
cada una de ellas serán la base de análisis por lo que la medición es cuantitativa y
cardinal.
Esta investigación se planteó para la solución de un problema que se tiene

actualmente en planta, la información histórica en cuanto a fallas se usó como
soporte y justificación para el desarrollo. El análisis de los datos adquiridos y los
resultados obtenidos servirán para justificar la implementación de este sistema al resto
de los equipos instalados en planta, y su desempeño a lo largo del tiempo será capaz
de mejorar.
3.2 IDENTIFICACIÓN DE VARIABLES EN EL CONTROL ACTUAL
La finalidad de un horno de sostenimiento en una máquina moldeadora, es la de

mantener la temperatura de metal dentro de los rangos normalizados para realizar el
proceso de inyección. La variación de la temperatura genera defectos en las piezas
moldeadas y algunas veces estos defectos no se observan en la primera inspección
que realiza el operador al retirar la pieza del molde, sino hasta el proceso de
maquinado, es decir, después de que la pieza ha recibido aproximadamente seis
procesos más.
46
Por lo anterior, la confirmación de la temperatura en todo momento, durante el
proceso de moldeo, es el punto crítico dentro de una planta de fundición. Sin
embargo, para lograr mantener la temperatura dentro de los rangos establecidos es
necesario calentar el horno. Este calentamiento se realiza por medio de tres
resistencias eléctricas y el consumo de corriente de cada una de ellas está
relacionado directamente con el efecto de incremento de temperatura en el metal.
La variación de la masa de aluminio dentro del horno durante el proceso de moldeo

es un factor que afecta también al comportamiento de la temperatura del metal
líquido, por lo tanto la cantidad de piezas moldeadas es otra variable a considerar.
De esta manera se identifican las tres variables que definen las entradas en el sistema
de predicción:
• Consumo de corriente eléctrica

• Temperatura de la resistencia
• Cantidad de piezas moldeadas
3.3 ADQUISICIÓN DE DATOS
Para la adquisición de datos fue necesario contar con un dispositivo que capture
todas las señales que se mencionaron anteriormente. La figura (11) ilustra de manera
esquemática el diseño experimental y los principales componentes con que cuenta el
dispositivo y la forma en que se relaciona con el horno. En la tabla (5) se muestran los
componentes principales del dispositivo de captura, el cual se elaboró por personal
técnico del área de mantenimiento electromecánico.
47
Fig. 11 Diagrama del diseño experimental
48
Tabla 5 Listado de componentes del sistema para captura de datos
3.3.1 Habilitación de hardware
El procedimiento llevado a cabo para la habilitación del tablero eléctrico y su

conexión al horno se describe a continuación:
El primer paso fue la distribución de los componentes en la platina del tablero, para lo
cual se elaboró un layout con las dimensiones y se marcaron los puntos de sujeción. La
figura(12) muestra al personal técnico haciendo el marcaje donde se realizaron los
barrenos roscados para fijación de las partes.
49
Fig. 12 Marcaje de los puntos de sujeción para los componentes en la platina
La distribución de los componentes del tablero se muestra en la figura (13). En la parte

superior se instaló el PLC, lo cual cumplió con un estándar establecido para la
elaboración de tableros eléctricos, donde se considera que las señales de control no
deben mezclarse con señales de fuerza o alimentación, ya que esto genera
interferencia en las primeras y ocasiona errores de lectura.
Fig. 13 Distribución de los componentes en la platina del tablero
50
El siguiente paso fue realizar la conexión eléctrica entre los componentes, siguiendo el
estándar que se lleva dentro de la planta, en el cual se establece que toda línea
eléctrica que se alimente con 110 VAC debe ser color amarillo y en color azul las líneas
de 24 VDC. El resto de líneas, las cuales son señales de milivoltaje, no guardan un color
específico, sin embargo para este proyecto se usaron blanco, rojo, gris y negro. La
figura (14) muestra la condición final en el interior del tablero, donde se observan los
componentes conectados eléctricamente.
Fig. 14 Componentes eléctricos interconectados
La obtención de la señal de consumo de corriente de cada resistencia se realizó por

medio de la instalación de un transformador de corriente, también conocidos como
“donas”, las cuales entregan una salida de voltaje de 0 a 5 VCD. La figura (15) muestra
su instalación en las líneas de alimentación eléctrica a las resistencias. En la figura (16)
se muestra el detalle del transformador de corriente, el cual es de núcleo partido, lo
que facilita su instalación ya que no se requiere hacer desconexiones en las líneas
eléctricas que se van a medir, no requiere de alimentación eléctrica y entrega una
salida analógica de 0 a 5 VCD.
51
Fig. 15 Transformadores de corriente instalados en las líneas que alimentan las
resistencias
Fig. 16 Transformador de corriente utilizado para medición de corriente
El transformador de corriente maneja tres rangos de medición; 0 a 100 A (no ocupa el

jumper), 0 a 150 A (jumper en posición "mid"), y 0 a 200 A (jumper en posición "high").
La obtención de la temperatura de las resistencias se hizo mediante la conexión en

paralelo a los dispositivos de control y monitoreo de temperatura que tiene el horno
instalado (Figura 17). Para esta conexión se usó termopar tipo J.
52
Fig. 17 Conexión en paralelo a los controladores de temperatura de cada resistencia
3.3.2 Programación de PLC y Pantalla
Una vez instalado el hardware, se procedió con la programación del PLC y la pantalla.
Los anexos (C) y (D) describen los procedimientos para la conexión al PLC mediante el
puerto Ethernet y a la pantalla mediante el puerto USB. El siguiente paso fue la
elaboración del diagrama escalera. La programación se realizó en campo, como se
muestra en la figura (18), para hacer el acondicionamiento de la lectura del
transformador de corriente (en el caso de la medición de corriente) contra los valores
reales de los amperímetros análogos que tiene el tablero del horno (Figura 19). La
correspondencia se estableció bajo las condiciones mostradas en la Tabla (6), esto
debido a la curva de respuesta que presentan los transformadores de corriente
cuando se usan en el rango de 0 a 100 A. Debido que estos sensores en su hoja de
datos no cuentan con información acerca de la linealidad de respuesta, se tuvo que
realizar el acondicionamiento de manera manual.
53
Tabla 6 Condiciones para el acondicionamiento de lectura de consumo de corriente
en cada resistencia
RANGO DE VALORES FACTOR DE
DATO MOSTRADO
MEDIDOS CONVERSIÓN OPERACIÓN
EN PANTALLA
D10, D20, D30 Kx
0 ≤ Dx ≤ 499 24 D15
500 ≤ Dx ≤ 999 26
D25
1000 ≤ Dx ≤ 1499 32 (Dx) / (Kx)
1500 ≤ Dx ≤ 1999 34 D35
2000 ≤ Dx ≤ 2500 42
Dx = Valor medido en Resistencia x

D15 = Dato acondicionado de Resistencia 1
Fig. 18 Programación de PLC y Pantalla
El acondicionamiento de los datos de temperatura se realizó mediante la aplicación

de un factor 10, como se muestra en la tabla (7).
54
Tabla 7 Acondicionamiento de lectura de temperatura de resistencia
Fig. 19 Indicadores análogos para medición corriente
El software utilizado para la programación del PLC fue MELSOFT Series GX Works2 de
Mitsubishi, ya que es la plataforma de control que se usa en la mayoría de las
máquinas instaladas dentro de la empresa.
Para la programación de la pantalla se utilizó el software GT Designer3, en él se

habilitaron las pantallas para visualizar las variables (temperaturas y consumo de
corriente) y se hicieron los ajustes requeridos para su almacenamiento. En el anexo (B)
se muestra en la primer parte, la configuración general de las ventanas (propiedades,
55
detalles y características), la segunda parte muestra los parámetros y ajustes
necesarios para el almacenamiento (logging).
La figura (20) muestra la pantalla inicial del sistema de monitoreo. Dentro de planta
este proyecto se le ha denominado "Sistema de Lógica Difusa" (FLS por sus siglas en
inglés, Fuzzy Logic System).
Fig. 20 Pantalla inicial del sistema de monitoreo
Para asegurar el buen desempeño del sistema de monitoreo, se estableció una

protección contra modificaciones y descarga de datos en la pantalla a través de una
contraseña. Así mismo en los anexos (C), (D) y (E) se incluyen tres procedimientos para
realizar tareas como:
• Conexión a PLC MITSUBISHI SERIE Q por Ethernet

• Conexión a PLC MITSUBISHI SERIE Q por Pantalla GOT1000
• Descarga de datos desde Pantalla GOT1000 a memoria USB
56
La visualización de los datos en pantalla se logró a través de la programación de tres
ventanas, en la primera se muestran los valores numéricos (Fig. 21), en la segunda se
muestra una gráfica con el consumo de corriente en cada resistencia (Fig. 22) y la
tercera, la temperatura de las resistencias y el metal (Fig. 23). En esta última se
programó la pantalla de tal manera que la escala es muy grande por lo que la
variación de temperatura no se percibe y se observa un poco lineal.
Fig. 21 Visualización de datos de cada variable
57
Fig. 22 Visualización de gráfica de corriente eléctrica
Fig. 23 Visualización de gráfica de temperatura de resistencias y metal
Mediante la programación realizada en el sistema (PLC y pantalla) se buscó que la

adquisición y el almacenamiento de los datos de cada variable se hicieran por
segundo. Lo anterior con la finalidad de obtener una resolución que permitiera
describir el comportamiento de las variables en todo momento.
58
3.4 OBTENCIÓN DE DATOS
La información almacenada en la pantalla se encuentra en archivos con extensión

CSV, los cuales son compatibles con Excel. Estos guardan datos como: fecha y hora de
captura y los valores de dos variables de entrada (consumo de corriente y
temperatura de las resistencias). Los pasos para el procesamiento de los archivos
generados y su manipulación se verán más adelante.
A continuación se muestra gráficamente el comportamiento de cada una de las

variables. La figura (24) corresponde al consumo de corriente que presenta la
resistencia "R" durante un periodo de media hora, en ella se observa la repetibilidad de
su periodo, el cual es aproximadamente 7 minutos, tiempo en el cual se logra la
inyección de aluminio en el molde para la formación de las piezas.
La figura (25) muestra el comportamiento de la temperatura de la resistencia eléctrica

(calentador) durante el mismo periodo que el consumo de corriente.
Fig. 24 Consumo de corriente de la resistencia durante media hora de monitoreo
59
Fig. 25 Registro de temperatura de una resistencia durante media hora
En las dos figuras se observa el comportamiento que presentaron las variables durante
el monitoreo, el cual tuvo una correspondencia muy cercana entre ellas. Sin embargo
el consumo de corriente (Fig. 24) presentó dos crestas por cada una de la temperatura
de la resistencia eléctrica.
Para la obtención de la cantidad de piezas moldeadas se usó el software que maneja

la planta, en donde el área de producción hace la carga diaria de piezas producidas
por turno. De esta manera se obtuvo la tercer variable (cantidad de piezas producidas
durante el periodo de monitoreo).
3.5 CARACTERIZACIÓN DEL CASO DE ESTUDIO
En diversas áreas industriales la detección y diagnóstico de fallas juega un papel

importante donde interviene la ingeniería. Esto se debe a que las industrias cuentan
con sistemas muy complejos por medio de los cuales realizan sus procesos. La
complejidad se debe al gran número de variables que intervienen en estos procesos,
que además deben ser tomadas en cuenta durante el monitoreo. Lo anterior se
convierte en una fuerte tarea, debido a que se deben identificar aquellas variables
que se encuentran fuera de las condiciones normales y para ello se hace uso de
sistemas de inteligencia artificial, Hernández, et al. [25], que para este proyecto se
utiliza la Lógica Difusa.
60
3.5.1 Variables y Variables de Control
Como se mostró durante la descripción del problema, el monitoreo de la condición del

horno de sostenimiento de aluminio en las máquinas de moldeo, implica tomar en
cuenta variables que intervienen en el funcionamiento de las resistencias eléctricas, las
cuales mantienen la temperatura establecida del metal. Por lo tanto estas serán las
variables [18] y se mencionan a continuación:
• Consumo de corriente de las resistencias

• Temperatura de las resistencias eléctricas
• Cantidad de piezas moldeadas
En la figura (26) se muestra el diagrama eléctrico de potencia para el funcionamiento

del horno de sostenimiento de una de las máquinas, en él se puede identificar una de
las variables (consumo de corriente eléctrica).Aunque la temperatura de las
resistencias no está incluida en este diagrama, también forma parte de las variables.
61
Fig. 26 Diagrama de
e con
control de potencia eléctrica de un horno
o de sostenimiento
s
Puesto que este proyecto

yecto tiene como finalidad la predicción
n de la falla de las
resistencias, la salida del
el sis
sistema es la estimación de vida útil antes
ntes de
d que ocurra el
daño, por lo tanto la variabl
ariable de controles:
• Tiempo de vida útil
El diagrama de controll difu

difuso que se propone se muestra en la figura
figur (27). Como se
puede observar, se usará
ará e
el software Matlab®, mediante el cuall es posible
p realizar la
simulación. Se muestran
tran las tres variables (entrada), el método
étodo de inferencia
(Mamdani) y la variable
le de control (salida).
62
Fig. 27 Diagrama de control difuso tipo Mamdani en Matlab®
Fuente: Software Matlab®
3.5.2 Variables Lingüísticas
Se crean dos grupos de etiquetas lingüísticas para cada variable y variable de control,
el primero con tres y el segundo con cinco, las cuales se muestran en las tablas (8) y
(9).
Tabla 8.Tres variables lingüísticas de entrada y de control
Consumo de Corriente
Bajo Normal Alto
Temperatura de Resistencias
Fría Normal Caliente
Cantidad de piezas moldeadas
Pocas Medio Muchas
Vida Útil
Corta Normal Larga
63
Tabla 9. Cinco variables lingüísticas de entrada y de control
Consumo de Corriente
Muy Bajo Bajo Normal Alto Muy Alto
Temperatura De Las Resistencias
Muy
Muy Frio Frio Normal Caliente
Caliente
Cantidad de piezas moldeadas
Bastante
Muy Pocas Pocas Normal Muchas
Muchas
Vida Útil
Muy Corta Corta Normal Larga Muy Larga
3.5.3 Función de Membresía
La función característica de membresía está definida de acuerdo a Ley et al. [26] por
la siguiente función:
< ) : → 0,1 (5)
Tal que:
1; >$ ) ∈ ?
) =
< 0; >$ ) ∉ ?
(6)
Y el grado de membresía se define por:
< ) : → [0,1] (7)

Dónde:
: Es el universo de discurso
): Son los elementos del universo de discurso
?: Identifica el conjunto difuso de
Sin embargo el universo de discurso de puede definirse como un conjunto de pares

ordenados, quedando de acuerdo a Ley, et al. [26] como sigue:
?= ), < ) :) ∈ } (8)
64
De acuerdo a Ley et al. [26], la forma de la función de membresía debe reflejar los
cambios en el grado de satisfacción del experto, con los cambios en las variables.
Estas pueden ser por ejemplo: triangulares, trapezoidales, lineales, lineales separables,
parabólicas, singleton y S.
Para este caso de estudio, se establecen las siguientes funciones de membresía, las
cuales se presentarán para su evaluación en el siguiente orden:
a. Combinación entre triangular y trapezoidal con tres etiquetas lingüísticas

b. Triangular con tres etiquetas lingüísticas
c. Trapezoidal con tres etiquetas lingüísticas
d. Triangular con cinco etiquetas lingüísticas
e. Trapezoidal con cinco etiquetas lingüísticas
f. Tipo S con tres etiquetas lingüísticas
g. Tipo S con cinco etiquetas lingüísticas
Se realizará la evaluación de los datos en las funciones de membresía anteriores para

hacer una comparación entre los resultados que se obtengan de cada una, sin
embargo cabe hacer mención que de acuerdo al conocimiento del personal experto,
la función triangular con cinco etiquetas lingüísticas (inciso d) es la que mejor refleja los
cambios en su grado de satisfacción.
Las figuras (28 a 32) muestran las funciones de membresía establecidas para el
consumo de corriente de las resistencias eléctricas de un horno. De acuerdo al
conocimiento del experto en el proceso, se considera que el horno durante operación
ordinaria tiene este comportamiento de consumo de corriente:
• Durante el calentamiento: puede oscilar entre 50 y 65 A

• Durante el sostenimiento: puede oscilar desde 0 hasta 35 A
• Cuando la resistencia presenta falla: no hay consumo de corriente de manera
permanente
65
Por lo tanto, el rango en el que las resistencias pueden llegar a trabajar se encuentra
de 0 a 60 Amperes, este rango será el universo de discurso para la variable de
consumo de corriente.

lingüísticas para el consumo de corriente.
Fig. 29 Función de membresía triangular con tres etiquetas lingüísticas para el consumo
de corriente.
66
Fig. 30 Función de membresía trapezoidal con tres etiquetas lingüísticas para el
Fig. 31 Función de membresía triangular con cinco etiquetas lingüísticas para el

67
Fig. 32 Función de membresía trapezoidal con cinco etiquetas lingüísticas para el
En el caso de la cantidad de piezas moldeadas, se establecieron las funciones de

membresía como en el caso del consumo de corriente y se muestran en las figuras (33
a 37), donde el universo de discurso es de 0 a 210 piezas.

lingüísticas para la cantidad de piezas moldeadas.
68
Fig. 34 Función de membresía triangular con tres etiquetas lingüísticas para la cantidad
de piezas moldeadas.

cantidad de piezas moldeadas.
69

Las resistencias presentan el siguiente comportamiento de acuerdo al experto en el

área:
• Resistencia nueva instalada: alrededor de 900°C
• Resistencia con media vida: alrededor de 1000°C
70
• Resistencia acercándose al fin de vida útil: alrededor de 1150°C
De lo anterior, se obtiene el universo de discurso para esta variable, quedando de

870°C a 1200°C. Las figuras (38 a 42) muestran las funciones de membresía para esta
variable.
Fig. 38 Función de membresía combinada (triangular y trapezoidal)con tres etiquetas

lingüísticas para la temperatura de la resistencia.
Fig. 39 Función de membresía triangular con tres etiquetas lingüísticas para la

temperatura de la resistencia.
71

72
En el caso de la vida útil de las resistencias (variable de control), el siguiente sería su

universo de discurso: de 0 a 30 meses. En las figuras (43 a 47) se muestran las funciones
de membresía para esta variable.

lingüísticas para la vida útil de las resistencias.
73
Fig. 44 Función de membresía triangular con tres etiquetas lingüísticas para la vida útil
de las resistencias.
Fig. 45 Función de membresía trapezoidal con tres etiquetas lingüísticas para la vida útil
de las resistencias.
74
Fig. 46 Función de membresía triangular con cinco etiquetas lingüísticas para la vida
útil de las resistencias.
Fig. 47 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la vida
útil de las resistencias.
Las figuras correspondientes a las funciones de membresía tipo S para los casos de tres
y cinco etiquetas lingüísticas se muestran en el anexo A.
75
3.5.4 Fusificación
Para la fusificación de los datos numéricos que se tienen en base a la experiencia del
experto y con ayuda de las gráficas de función de membresía se obtendrá el grado al
que pertenezca cada una de las variables consideradas en este caso de estudio. El
método a usar para este proceso va a depender del tipo de función de membresía
con el que se trabaje.
3.5.5 Reglas de Control
El uso de las reglas de control permitirá expresar la relación que existe entre los
conceptos imprecisos y el comportamiento que gobierna al sistema que se pretende
controlar. Estos conceptos imprecisos son los que se han etiquetado como variables
lingüísticas y que posteriormente en su gráfica de función de pertenencia se obtiene el
grado de membresía, sin embargo la obtención de resultados se hace uso de
sentencias IF-THEN.
Este caso de estudio cuenta con 3 variables y todas están relacionadas entre sí, por lo
que se hará uso de las reglas difusas de Mamdani las cuales aplican sentencias IF-
AND-THEN. El uso de estas reglas tiene algunas ventajas como: amplia aceptación, es
intuitivo y se adapta perfectamente a la incorporación de conocimiento y
experiencia.
En las tablas (10 y 11) se muestran las reglas que se usarán en este caso de estudio,
dichas reglas pueden cambiar a lo largo del desarrollo del mismo, debido a que
puede enriquecerse con más aportación de personal experto en el proceso. Cada
tabla es una matriz de asociación difusa (FAM, por sus siglas en inglés Fuzzy Association
Matrix) para la representación de las reglas, la primera incluye tres etiquetas
lingüísticas y la segunda cinco, quedando como sigue:
76
Tabla 10. FAM de la variable de control (tiempo de vida útil) con tres etiquetas
lingüísticas
TEMPERATURA RESISTENCIAS
CONSUMO DE CANTIDAD DE
CALIENTE NORMAL FRIO
CORRIENTE PIEZAS
B P L L M
B N L L M
B M L M C
N P L M M
N N M M C
N M L M C
A P M M C
A N C C C
A M C C C
77
Tabla 11. FAM de la variable de control (tiempo de vida útil) con cinco etiquetas
lingüísticas
TEMPERATURA DE LAS RESISTENCIAS

CONSUMO DE MUY MUY
CANTIDAD DE PIEZAS CALIENTE NORMAL FRIA
CORRIENTE CALIENTE FRIA
MUY ALTA BASTANTE MUCHAS MC MC C N N

ALTA BASTANTE MUCHAS MC MC C N N
MEDIA BASTANTE MUCHAS MC MC C N N
BAJA BASTANTE MUCHAS C C C N N
MUY BAJA BASTANTE MUCHAS C C C L L
MUY ALTA MUCHAS MC C N N N
ALTA MUCHAS C C N N N
MEDIA MUCHAS C C N N L
BAJA MUCHAS N N N L L
MUY BAJA MUCHAS N N N L L
MUY ALTA NORMAL C C N N N
ALTA NORMAL C N N N L
MEDIA NORMAL N N N L L
BAJA NORMAL N N L L ML
MUY BAJA NORMAL N L L L ML
MUY ALTA POCAS C C N L L
ALTA POCAS N N N L ML
MEDIA POCAS N N L ML ML
BAJA POCAS N L L ML ML
MUY BAJA POCAS N L L ML ML
MUY ALTA MUY POCAS N N L L ML
ALTA MUY POCAS N L L ML ML
MEDIA MUY POCAS L ML ML ML ML
BAJA MUY POCAS L ML ML ML ML
MUY BAJA MUY POCAS ML ML ML ML ML
De la matriz con tres etiquetas lingüísticas surgen 27 reglas de control, mientras que
para la matriz con cinco etiquetas lingüísticas 125, las cuales para esta
caracterización del caso de estudio, se programan en Matlab® y pueden visualizar en
la figuras (48 y 49).
78
Fig. 48 Visualización de reglas de control en Matlab® para tres etiquetas lingüísticas
Fig. 49 Visualización de reglas de control en Matlab® para cinco etiquetas lingüísticas
79
3.5.6 Desfusificación
Mediante esta operación lo que se busca es obtener una respuesta no difusa, es decir,
que las operaciones hechas en base a las reglas de control entregan un resultado que
requiere ser convertido a valores numéricos reales con los que se va a gobernar el
sistema, para este caso de estudio, ese resultado es la variable de control: tiempo de
vida útil.
De los dos métodos más utilizados para la desfusificación, están el de Centroide
(Centro de Masa) y el Centro de Área, en este proyecto se utilizó el primero por medio
Matlab®.
La figura (50) muestra las superficies de respuesta a la combinación de las tres

variables mediante la evaluación con las funciones combinadas (triangular y
trapezoidal) y tres etiquetas lingüísticas. En esta figura se puede observar que la
esperanza de vida útil puede llegar a los 25 meses, sin embargo la combinación de
temperatura de resistencias con piezas tiene más significancia puesto que el área
amarilla es mayor que en las otras dos combinaciones.

combinadas.

variables mediante la evaluación con funciones triangulares y tres etiquetas
lingüísticas. En ellas se puede observar un comportamiento muy similar al de las
funciones combinadas (triangular y trapezoidal).
80
triangulares

variables mediante la evaluación con las funciones trapezoidales y tres etiquetas
lingüísticas. Se observa que la esperanza de vida útil supera también los 20 meses,
como en los casos anteriores, sin embargo la combinación de temperatura de
resistencias con piezas tiene menor significancia puesto que el área amarilla es menor
que las otras.

trapezoidales

variables mediante la evaluación con las funciones triangulares y cinco etiquetas
lingüísticas. Se observa que la esperanza de vida útil para las tres combinaciones
supera las 25 meses, teniendo mayor significancia la de temperatura de resistencias
con piezas que las dos.
81
triangulares

variables mediante la evaluación con las funciones trapezoidales y cinco etiquetas
lingüísticas. Al igual que en el caso anterior, la esperanza de vida útil también supera
los 25 meses y el comportamiento de estas superficies es muy similar al caso anterior.

trapezoidales
Las superficies de respuesta correspondientes a las funciones tipo S para las tres y cinco
etiquetas lingüísticas se muestran en el anexo A.
3.6 PROCESAMIENTO DE DATOS
Para llevar a cabo el procesamiento de los datos que se estuvieron capturando

durante un tiempo finito (definido por el alcance del programa de maestría), primero
se realizó la descarga de información almacenada en la pantalla HMI. En el anexo 3 se
muestra la secuencia de operación establecida para realizar esta actividad. Mediante
este procedimiento se garantiza que cualquier operador técnico del área de
mantenimiento pueda llevarla a cabo.
82
Los datos procesados abarcaron un periodo de captura de un mes y se generaron 40
archivos con extensión CSV. Cada archivo se conformaba por 65,500 mediciones. Sin
embargo la medición recolectó datos que correspondieron a algunos días en los que
no se produjeron piezas, y en esos casos las variables de temperatura de metal y
consumo de corriente tuvieron un comportamiento diferente. Por lo anterior, se
consideraron únicamente las mediciones obtenidas durante la generación de piezas.
Mediante el uso de Excel, se procesaron los archivos obtenidos y se dejó uno con las
variables de consumo de corriente, temperatura de la resistencia y se agregó el dato
de las piezas producidas durante el periodo de medición. La figura (55) muestra dos
imágenes, la de la izquierda es la información que se descargada y a la derecha se
muestra el archivo con la información que se usó para el procesamiento en Matlab®.
En el archivo de la izquierda se observan los datos de las tres resistencias, sin embargo
para este caso de estudio únicamente se procesaron los datos de la resistencia "R", ya
que durante el periodo de monitoreo los termopares de las resistencias "S" y "T"
sufrieron daño. En el archivo de la derecha las columnas B y C se intercambiaron de
lugar para que quedaran como se muestra. Esto se debió a que la programación del
modelo difuso en Matlab®, el orden de las funciones de membresía se estableció en
ese orden.
83
Fig. 55 Comparativa de archivo descargado de la pantalla (izquierda) y archivo que
se usa para procesamiento en Matlab®(derecha)
Fuente: Software Excel.
Una vez obtenido el archivo de Excel, el siguiente paso fue realizar la programación en
Matlab® para leer el archivo y evaluarlo en los modelos difusos propuestos
anteriormente, los cuales se enlistan a continuación:
a. Combinación entre triangular y trapezoidal con tres etiquetas lingüísticas

b. Triangular con tres etiquetas lingüísticas
c. Trapezoidal con tres etiquetas lingüísticas
d. Triangular con cinco etiquetas lingüísticas
e. Trapezoidal con cinco etiquetas lingüísticas
El script que se muestra en la figura (56) se utilizó para el procesamiento.
84
Fig. 56 Script usado para la evaluación de los datos en el modelo difuso
Cabe hacer mención que durante el periodo de captura de datos, los termopares de
las resistencias "S" y "T" sufrieron daño, lo que originó datos erróneos de lectura. Por esta
razón únicamente se procesaron los que se obtuvieron de la resistencia "R".
85
CAPÍTULO 4 RESULTADOS
Como se verá durante el desarrollo de este capítulo, los resultados que se obtuvieron
presentaron una variación que imposibilitó realizar la comprobación con el
comportamiento real de la vida útil de la resistencia del horno.

FUNCIONES DE MEMBRESÍA COMBINADAS
Una vez evaluado el archivo en los modelos difusos, el software entregó el mismo
número de resultados que la cantidad de datos de entrada, es decir, se obtuvieron
43,200 (equivalentes a un turno de trabajo de 12 horas de producción normal). En la
figura (57) se muestran de manera gráfica los resultados obtenidos. En estos resultados
se puede observar que la variable de control presenta oscilación de 5 a 25 meses
aproximadamente, sin embargo se puede observar que presenta también
repetibilidad en 15 meses.
Fig. 57 Resultados del modelo de tres etiquetas lingüísticas con funciones combinadas
86
FUNCIONES DE MEMBRESÍA TRIANGULARES
En la figura (58) se muestran los resultados de esta evaluación y se puede observar un

comportamiento muy similar o casi idéntico a los resultados de la evaluación anterior
(de 5 a 25 meses y repetibilidad en 15 meses).
Fig. 58 Resultados del modelo de tres etiquetas lingüísticas con funciones triangulares

FUNCIONES DE MEMBRESÍA TRAPEZOIDALES

comportamiento muy distinto a los anteriores, donde los valores inician en 2 meses y
algunos alcanzan 20 y otros pocos llegan a acercarse a 25, pero también se presenta
una repetibilidad en 15 meses.
87
Fig. 59 Resultados del modelo de tres etiquetas lingüísticas con funciones trapezoidales
4.4 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS CON

FUNCIONES DE MEMBRESÍA TRIANGULARES

comportamiento con datos más cerrados que los anteriores, donde la variación
principal se encuentra 9 y 16 meses, se presentan algunos otros en menor cantidad por
debajo de 5 y por encima de 20 meses.
Fig. 60 Resultados del modelo de cinco etiquetas lingüísticas con funciones triangulares
88
4.5 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA TRAPEZOIDALES
En la figura (61) se muestran los resultados de esta evaluación y se puede observar al

igual que los resultados anteriores, un comportamiento con datos más cerrados, pero
ahora la variación se cierra un poco más, entre 9.5 y 15.5 meses, se presentan algunos
otros en menor cantidad por debajo de 5 y otros cercanos a 22 meses.
Fig. 61 Resultados del modelo de cinco etiquetas lingüísticas con funciones

trapezoidales
Se puede observar que todos los resultados anteriores mostraron un patrón de

comportamiento que se repite 6 veces, el cual corresponde al número de cargas de
metal (indicadas con líneas rojas) que se realizó durante el periodo de adquisición de
datos. La figura (62) muestra estos momentos de carga en uno de los resultados.
89
Fig. 62Identificación de los momentos en los que se realizó la carga de metal al horno
El patrón de comportamiento del resultado es similar al que presentan las variables de

temperatura de resistencia y de consumo de corriente. La figura (63) muestra el
consumo de corriente de 32,000 segundos (límite para graficar una serie de datos en
Excel), en ella se indican con línea roja cinco de las seis cargas de metal en el horno y
se aprecia un pequeño patrón de comportamiento entre una y otra.
Fig. 63 Comportamiento de consumo de corriente de la resistencia "R"
Fuente: Excel
90
Para el caso de la temperatura de la resistencia "R", el comportamiento que presentó
la temperatura de la resistencia presenta también patrón de comportamiento y se
muestran en la figura (64).
Fig. 64 Comportamiento de la temperatura de la resistencia "R"
Fuente: Excel
91
CONCLUSIONES Y RECOMENDACIONES
Mediante la aplicación de este modelo difuso y en base a los resultados obtenidos se

considera que los modelos difusos que mejor comportamiento presentaron fueron
aquellos en los que se consideraron cinco etiquetas lingüísticas ya que entre ellos los
resultados fueron muy cercanos pero además mostraron menor variabilidad que
aquellos donde se usaron tres etiquetas lingüísticas. Las funciones de pertenencia
usadas (triangular, trapezoidal o combinación de ellas y de tipo S) no mostraron
mucha variación respecto a cada evaluación del mismo número de etiquetas, sin
embargo se menciona que para el caso de la evaluación en las cinco etiquetas se
omitió hacerlo con las funciones combinadas (triangular y trapezoidal) ya que se
observó en un inicio con la evaluación de tres etiquetas que no representaba un gran
cambio en los resultados. Por lo anterior se puede concluir que las diferencias en los
cambios de resultados se deben principalmente al número de etiquetas y no a la
función de membresía usada. Además de lo anterior se observó que entre las
funciones trapezoidales y las de tipo S, tanto las superficies de respuesta como los
resultados de predicción fueron muy parecidos entre sí. En el anexo A se muestran las
funciones de membresía tipo S, tanto para tres y cinco etiquetas, así mismo, se incluyen
también las superficies de respuesta y los resultados de predicción.
Por otro lado, contar con opiniones de más expertos sobre el proceso puede
enriquecer en mayor grado el resultado de este caso de estudio en aplicaciones
posteriores ya que esto modificaría el modelo difuso y con esto se podrían obtener
diferentes resultados.
Además de lo anterior, se recomienda que en futuros estudios se consideren también

los momentos en los que no hay producción de piezas ya que el comportamiento que
presentan las variables tiene mayor estabilidad, y la variación de la masa del aluminio
tiene un efecto directo sobre las temperaturas de todo el sistema.
Por último, en cuanto al resultado de la primera hipótesis propuesta (H1), se acepta la

hipótesis nula, ya que por sí solas; la variable de consumo de corriente y la tendencia
de la temperatura del horno, dan como resultado una R2 menor a 0.5. Para el caso de
la segunda hipótesis (H2), se acepta, puesto que sí es posible lograr predecir la falla de
92
las resistencias o su vida útil restante mediante los mecanismos de inferencia difusa ya
que el sistema arrojó resultados de predicción.
93
REFERENCIAS BIBLIOGRÁFICAS
[1] DOMÍNGUEZ, Jorge Domínguez. Optimización simultánea para la mejora continua y

reducción de costos en procesos. Ingeniería y Ciencia-ing. cienc., 2006, vol. 2, no 4, p.
145-162.
[2] DE PRADA, Cesar. El futuro del control de procesos. RIAII, 2010, vol. 1, no 1, p. 5-14.
[3] TINOCO, Joaquim; CORREIA, A. Gomes; CORTEZ, Paulo. A novel approach to

predicting Young's modulus of jet grouting laboratory formulations over time using data
mining techniques. Engineering Geology, 2014, vol. 169, p. 50-60.
[4] RIQUELME, José C.; RUIZ, Roberto; GILBERT, Karina. Minería de datos: Conceptos y
tendencias. Revista Iberoamericana de Inteligencia Artificial, 2006, vol. 10, no 29, p. 11-
18.
[5] RODRÍGUEZ, Irahis; TERÁN, Rubén; ALVES, Roberto. Diagnóstico De Fallas En Motores
de Inducción Empleando la Técnica de Maquinas de Vectores de Soporte. 2009.
[6] MARCOS, Ana González. Desarrollo de técnicas de minería de datos en procesos

industriales: modelización en líneas de producción de acero. 2006. Tesis Doctoral.
Universidad de La Rioja.
[7] CARIDAD Y OCERÍN, José María. La minería de datos: análisis de bases de datos en
la empresa. 2001.
[8] SON, Hyojoo; KIM, Changwan. Early prediction of the performance of green building
projects using pre-project planning variables: data mining approaches. Journal of
CleanerProduction, 2014.
[9] GUZMÁN, D.; CASTAÑO, V. M. La Lógica Difusa en ingeniería: principios,

aplicaciones y futuro. Revista de Ciencia y Tecnología, 2009, vol. 24, no 2.
94
[10]TEJADA MUÑOZ, Guillermo. Tutorial De Lógica FUZZY. Electrónica-UNMSM, 2014, no
5, p. 18-29.
[11] VEGA HUERTA, Hugo. SIMULACIÓN DE CONDUCCIÓN DE UN MÓVIL USANDO

LÓGICA DIFUSA. Revista de investigación de Sistemas e Informática, 2014, vol. 1, no 1,
p. 83-86.
[12] Otros: Universidad de Piura. Biblioteca central [en línea]

http://www.biblioteca.udep.edu.pe/bibvirudep/tesis/pdf/1_185_184_133_1746.pdf[Con
sulta: 03 de marzo de 2015].
[13] PÉREZ PUEYO, Rosanna, et al. Procesado y optimización de espectros raman

mediante técnicas de Lógica Difusa: aplicación a la identificación de materiales
pictóricos. 2005.
[14] GALINDO, J. Conjuntos y sistemas difusos. Lógica Difusa y aplicaciones. ETSI

Informática, 2007.
[15] Otros: Universidad Autónoma de Puebla. [en línea]

ftp://www.ece.buap.mx/...difuso/LOGICA%20DIFUSA%20EN%20LA%...
[Consulta: 06 de marzo de 2015].
[16] SINGHALA, Piyush; SHAH, Dhrumil; PATEL, Bhavikkumar. Temperature Control using
Fuzzy Logic. arXiv preprint arXiv:1402.3654, 2014.
[17] KOURO, Samir; MUSALEM, Rodrigo. Control mediante Lógica Difusa. Técnicas
modernas automáticas,(1-7)-7, 2002.
[18] Otros: Universidad de Vigo, España. Área de Ciencias de la Computación e

Inteligencia Artificial [en línea]. http://ccia.ei.uvigo.es/docencia/IA/ [Consulta:
06 de marzo de 2015].
95
[19] CÓRDOBA, Juan Manuel, et al. Método de predicción a corto-plazo de foF2
basado en modelado neuroborroso para su aplicación en sistemas de comunicación
por satélite de alta precisión. Física de la Tierra, 2008, vol. 20, p. 167-182.
[20] ARANGO, Adriana; VELÁSQUEZ, Juan D.; FRANCO, Carlos J. Técnicas de Lógica
Difusa en la predicción de índices de mercados de valores: una revisión de
literatura. Revista Ingenierías Universidad de Medellín, 2013, vol. 12, no 22, p. 117-126.
[21] KAO, Sheng-Long, et al. A fuzzy logic method for collision avoidance in vessel traffic
service. Journal of Navigation, 2007, vol. 60, no 01, p. 17-31.
[22] HUSSEIN, Nashaat M., et al. Aplicación de Lógica Difusa en el control de contraste
de imágenes. 2010.
[23] DAI PRA, A., et al. Predicción de la variación dimensional en piezas de ADI
empleando técnicas de modelado difuso. Jornadas SAM-Conamet-AAS, 2001.
[24] VELA, Luciano. "Marco Teórico" [en línea]. Mensaje en:

<jorgecalzadagrande@yahoo.com>. 6 marzo 2015; 23:42 EST. Comunicación personal.
[25] MORALES, César Octavio Hernández; GONZÁLEZ, Juan Pablo Nieto; SILLER, Elías
Gabriel Carrum. Detección y diagnóstico de fallas en sistemas eléctricos de potencia
(SEP) combinando Lógica Difusa, métricas y una red neuronal probabilística.
[26] LEY, Manuel; CHACÓN, Oscar L.; VÁZQUEZ, Ernesto. Control de voltaje de sistemas
de potencia utilizando Lógica Difusa. Ingenierías, 2000, vol. 3, no 6, p. 37.
[27] OZBEN, Tamer; HUSEYINOGLU, Mesut; ARSLAN, Nurettin. Fuzzy logic model for the
prediction failure analysis of composite plates under various cure temperatures. Journal
of the Brazilian Society of Mechanical Sciences and Engineering, 2014, vol. 36, no 3, p.
443-448.
96
[28] MOON, Jiho, et al. Prediction of axial load capacity of stub circular concrete-filled
steel tube using fuzzy logic. Journal of Constructional Steel Research, 2014, vol. 101, p.
184-191.
[29] GURREA, Verónica, et al. Application of fuzzy logic in performance management:

a literature review. International Journal of Production Management and Engineering,
2014, vol. 2, no 2, p. 93-100.
[30] KHODAYARI, Alireza, et al. Design of an improved fuzzy logic based model for
prediction of car following behavior. En Mechatronics (ICM), 2011 IEEE International
Conference on. IEEE, 2011. p. 200-205.
[31] RAI, Adarsh, et al. Fuzzy logic based prediction of performance and emission
parameters of a LPG-diesel dual fuel engine. Procedia Engineering, 2012, vol. 38, p. 280-
292.
[32] KOLOMVATSOS, Kostas; HADJIEFTHYMIADES, Stathes. Buyer behavior adaptation

based on a fuzzy logic controller and prediction techniques. Fuzzy Sets and Systems,
2012, vol. 189, no 1, p. 30-52.
[33] ZALNEZHAD, E.; SARHAN, Ahmed AD; HAMDI, M. A fuzzy logic based model to
predict surface hardness of thin film TiN coating on aerospace AL7075-T6 alloy. The
International Journal of Advanced Manufacturing Technology, 2013, vol. 68, no 1-4, p.
415-423.
[34] LIN, Pin-Fang, et al. Objective prediction of warm season afternoon thunderstorms
in northern Taiwan using a fuzzy logic approach. Weather and Forecasting, 2012, vol.
27, no 5, p. 1178-1197.
[35] KHOSRAVI, Abbas; NAHAVANDI, Saeid; CREIGHTON, Doug. Short term load
forecasting using interval type-2 fuzzy logic systems. En Fuzzy Systems (FUZZ), 2011 IEEE
International Conference on. IEEE, 2011. p. 502-508.
97
[36] GHASEMI, Ebrahim; ATAEI, Mohammad. Application of fuzzy logic for predicting
roof fall rate in coal mines. Neural Computing and Applications, 2013, vol. 22, no 1, p.
311-321.
[37] OLATUNJI, Sunday Olusanya; SELAMAT, Ali; ABDULRAHEEM, Abdulazeez. A hybrid

model through the fusion of type-2 fuzzy logic systems and extreme learning machines
for modeling permeability prediction. Information fusion, 2014, vol. 16, p. 29-45.
[38] GENTILI, Pier Luigi, et al. Analysis and prediction of aperiodic hydrodynamic
oscillatory time series by feed-forward neural networks, fuzzy logic, and a local
nonlinear predictor. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2015, vol.
25, no 1, p. 013104.
[39] TEKELI, Hamide, et al. Comparison of critical column buckling load in regression,
fuzzy logic and ANN based estimations. Journal of Intelligent and Fuzzy Systems, 2014,
vol. 26, no 3, p. 1077-1087.
[40] GENCEL, Osman, et al. Fuzzy Logic Model for Prediction of Properties of Fiber
Reinforced Self-compacting Concrete. Materials Science, 2013, vol. 19, no 2, p. 203-215.
[41] AHMED, Moataz A.; AL-JAMIMI, Hamdi A. Machine learning approaches for
predicting software maintainability: a fuzzy-based transparent model. IET software,
2013, vol. 7, no 6, p. 317-326.
[42] TORNO, Susana, et al. Mathematical and fuzzy logic models in prediction of
geological and geomechanical properties of rock mass by excavation data on
underground works. Journal of Civil Engineering and Management, 2011, vol. 17, no 2,
p. 197-206.
[43] PANDEY, Arun Kumar; DUBEY, Avanish Kumar. Fuzzy expert system for prediction of
kerf qualities in pulsed laser cutting of titanium alloy sheet. Machining Science and
Technology, 2013, vol. 17, no 4, p. 545-574.
98
[44] TAGHAVIFAR, Hamid; MARDANI, Aref. Fuzzy logic system based prediction effort: A
case study on the effects of tire parameters on contact area and contact
pressure. Applied Soft Computing, 2014, vol. 14, p. 390-396.
[45] BARZANI, Mohsen Marani, et al. Fuzzy logic based model for predicting surface
roughness of machined Al–Si–Cu–Fe die casting alloy using different additives-
turning. Measurement, 2015, vol. 61, p. 150-161.
[46] UD DARAIN, KhMahfuz, et al. Automated serviceability prediction of NSM

strengthened structure using a fuzzy logic expert system. Expert Systems with
Applications, 2015, vol. 42, no 1, p. 376-389.
[47] VUNDAVILLI, Pandu R., et al. Fuzzy logic-based expert system for prediction of
depth of cut in abrasive water jet machining process. Knowledge-Based Systems, 2012,
vol. 27, p. 456-464.
99
ANEXOS
100
Anexo A. Funciones de membresía tipo S para tres y cinco etiquetas, superficies
de respuesta y resultados de predicción
Fig. a Función de membresía tipo S para el consumo de corriente con tres etiquetas
lingüísticas
Fig. b Función de membresía tipo S para la cantidad de piezas con tres etiquetas
lingüísticas
101
Fig. c Función de membresía tipo S para la temperatura de resistencia con tres
etiquetas lingüísticas
Fig. d Función de membresía tipo S para la vida útil con tres etiquetas lingüísticas
102
Fig. e Superficie de respuesta para tres etiquetas lingüísticas con función tipo de
membresía tipo S
Fig. f Superficie de respuesta para tres etiquetas lingüísticas con función de membresía
tipo S
103
Fig. g Superficie de respuesta para tres etiquetas lingüísticas con función de membresía
tipo S
Fig. h Resultado de evaluación con tres etiquetas lingüísticas y función de membresía

tipo S
104
Fig. i Función de membresía tipo S para el consumo de corriente con cinco etiquetas
lingüísticas
Fig. j Función de membresía tipo S para la cantidad de piezas con cinco etiquetas
lingüísticas
105
Fig. k Función de membresía tipo S para la temperatura con cinco etiquetas lingüísticas
Fig. l Función de membresía tipo S para la vida útil con cinco etiquetas lingüísticas
106
Fig. m Superficie de respuesta para cinco etiquetas lingüísticas con función de
membresía tipo S
Fig. n Superficie de respuesta para cinco etiquetas lingüísticas con función de

membresía tipo S
107
Fig. ñ Superficie de respuesta para cinco etiquetas lingüísticas con función de
membresía tipo S
Fig. o Resultado de evaluación con cinco etiquetas lingüísticas y función de

membresía tipo S
108
Anexo B. Imágenes de visualización y configuración de pantalla GOT
[Base Screen Title List]

1 Principal
2 Menu
3 Monitoreo de datos
4 Grafica de temperatura
5 Grafica de corriente
6 Descarga de datos
[Screen Image] [Screen size]640X480 [OFF]
109
110
[Screen Image]
[Screen size]640X480 [OFF]
111
Logging ID : 1
Logging Name Historial fuzzy

Logging Mode File Save
Number of Files 9999
Number of Logs a file 65500
File Terminal Trigger No
File Terminal Notification Device -
Logging Trigger Type Rise
Logging Trigger Device M10
Logging Notification Device No
Logging Count Device No
Retain data in the embedded memory in GOT even when the po No
wer goes off (The battery will be required)
Log Storage Number 32767(number of items)
--> 769 Kbyte of the memory to be used
Block Number 1
File Output Attribute Yes
Drive Name A:Standard CF Card
Folder Name Project1\LOG00001
File Name LOG00001
Add date information to file name Yes
Store Trigger Type None
Additional File Type CSV File
Destination Change
File Name LOG00001
Specify File Output Time Information Format Yes
Date/Time Format 15/ 6/10 10: 1
Writing Notification Device No
Writing Error Notification Device No
Logging ID : 2
Logging Name Grafica de temperatura
Number of Files 1
Block Number 1
File Name LOG00002
Destination Change
File Name LOG00002
112
[Logging] Logging ID : 2
Specify File Output Time Information Format No

Date/Time Format -
Logging ID : 3
Logging Name Grafica de corriente
Number of Files 1
Block Number 1
File Name LOG00003
Destination Change
File Name LOG00003
Specify File Output Time Information Format No
Date/Time Format -
113
Anexo C. Conexión a PLC Mitsubishi Serie Q por puerto Ethernet
114
115
116
117
118
Anexo D. Conexión a PLC Mitsubishi Serie Q mediante la pantalla GOT
119
120
121
122
123
Anexo E. Procedimiento para descarga de datos de pantalla GOT
124
125

Calzada Gomez Jorge MMANAV2015

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Calzada Gomez Jorge MMANAV2015

Загружено:

Авторское право:

Доступные форматы

IMPLEMENTACIÓN DE UN SISTEMA DE PREDICCIÓN DE FALLA

DE RESISTENCIAS ELÉCTRICAS EN HORNOS DE SOSTENIMIENTO

PARA OBTENER EL GRADO DE

ING. JORGE CALZADA GÓMEZ

AGUASCALIENTES, AGS, OCTUBRE 2015.

A mis papás y hermanos porque siempre han creído en mí y me da felicidad verlos

A mis compañeros de clase, con quienes desvelados, desesperados y algunas veces

A mis compañeros de trabajo que me apoyaron en la realización de este proyecto,

A mis sinodales que me reprobaron en el primer seminario y esto me orilló a adentrarme

El sostenimiento de la temperatura del aluminio durante el proceso de fundición es

Palabras Claves: Fuzzy Logic System, sistema de predicción, horno de sostenimiento,

CAPÍTULO 2 MARCO TEÓRICO O FUNDAMENTOS TEÓRICOS ............... 24

CAPÍTULO 3 PROCEDIMIENTO DE INVESTIGACIÓN ................................ 46

Así como el control de la temperatura es importante para lograr la calidad de las

A continuación se explicará brevemente los procesos que existen y como se

1.1.1 Moldeo por baja presión (LPDC)

b. Corazones. La arena shell se introduce en máquinas moldeadoras de corazón

c. Fusión. En esta área se recibe la materia prima en diversas versiones; lingote de

d. Moldeo de cabeza de cilindros por baja presión. Los corazones se colocan en el

e. Acabado. En esta área se retira la arena del interior de la pieza a través de

f. Tratamiento térmico. Una vez que se le retira la arena y el exceso de material,

1.1.2 Moldeo por alta presión (PDC)

a. Moldeo de monoblock. Se recibe el aluminio en el horno de sostenimiento de

c. Inspección. La pieza viaja por un transportador donde ciertos mecanismos

d. Tratamiento térmico. La pieza se somete a cambios de temperatura para lograr

g. Inspección final. Un operador realiza la inspección final para enviar la pieza a

1.2 DEFINICIÓN DEL PROBLEMA

1. Cuando el metal se solidifica debido al apagado del sistema de control del

2. Cuando el metal se solidifica debido al daño de alguna de las tres resistencias

Otro factor importante a considerar es el estado físico de las líneas de alimentación de

Una vez obtenidos estos datos (consumo de corriente en cada resistencia,

Actualmente en planta fundición se tienen instalados 17 hornos de sostenimiento que

1. Desconexión de horno (eléctrica, hidráulica y neumática): 6 h

En la Tabla (1) se muestra un ejemplo de programa de recuperación de un horno, que

Fuente: Información confidencial

Los problemas que repres

La tabla (2) y (3) mues

COSTO POR PIEZAS DEJADAS DE PRODUCIR

Fuente: Información confidencial

Fuente: Información confidencial

El desarrollo de este proyecto en planta fundición es precisamente para evitar este

Cuando la temperatura del metal desciende, el controlador detecta esta variación y

1. Selector de resistencias accionado al abrir las puertas de los paneles, ya que

Mediante la implementación de un sistema de monitoreo remoto se logra también

Estos dos eventos que representan un gasto extraordinario para el área de

1.4.1 Objetivo general:

Implementar un sistema de predicción de fallas de resistencias eléctricas en los tubos

1.4.2 Objetivos específicos:

1. Analizar la literatura existente.

H1 Existe una correlación entre el consumo de corriente, la tendencia de la

H2 Los mecanismos de inferencia de la Lógica Difusa pueden ayudar a predecir las

La optimización de procesos industriales requiere de la construcción de modelos en los

Puesto que hablamos de datos y procesos, es necesario mencionar que en la industria

Actualmente, las tecnologías de análisis de datos más conocidas son: almacén de

2.2 ALMACÉN DE DATOS (DW) Y MINERÍA DE DATOS (DM).

Hoy en día las tecnologías de información se orientan no solo a procesos

El almacén de datos o DW contiene información de las distintas áreas de la empresa,

Mediante la aplicación de Minería de Datos (MD) es posible la obtención de datos y

1. Business 2. Data 3. Data

Data ??? Pre- …… Predictive/

Fig. 2 Fases de la metodología de Crisp-MD.

Fuente: Tinoco et al. [3]

2.3 SUPPORT VECTOR MACHINE