Resumen

En el diagnóstico de fallos de chumaceras actualmente no se considera el conocimiento experto expresado en variables no numéricas, a pesar de constituir una fuente de información importante. Este trabajo se desarrolló con el objetivo de identificar los rasgos más relevantes para clasificar un grupo de fallos ocurridos en las chumaceras de una turbina de vapor. Las variables que soportan el trabajo corresponden a los datos almacenados en reportes de diagnóstico y mantenimiento de una termoeléctrica en explotación. Las técnicas aplicadas para procesar los datos cuantitativos y cualitativos son herramientas de reconocimiento lógico combinatorio de patrones (RLCP). Se determinó la confusión de los rasgos del conjunto inicial y posteriormente los testores y testores típicos, y se calculó el peso informacional de los rasgos. Los resultados alcanzados mostraron que la relevancia de los rasgos cualitativos presentes en la descripción de los fallos es superior a la de los rasgos numéricos típicamente empleados.

INTRODUCCIÓN

Los mayores porcientos de las averías que ocurren en máquinas rotatorias están vinculados con los fallos de los rodamientos 1-3. Gran parte de la industria que centra su funcionamiento en grandes máquinas rotatorias emplea chumaceras. Aumentar y mantener buenos índices de disponibilidad en importantes máquinas, así como mejorar el impacto de los trabajos de mantenimiento que se realicen, depende en gran medida del correcto funcionamiento y diagnóstico de las chumaceras 4. El adecuado análisis de la estabilidad dinámica de las chumaceras debe basarse en la observación de una gran variedad de factores, algunos tangibles y otros no que son expresados en ocasiones mediante un lenguaje no formalizado matemáticamente por parte de los especialistas 5-8. El conocimiento experto sobre los fallos que ocurren en las chumaceras de importantes máquinas rotatorias se expresa en variables de diferente naturaleza, es decir tanto en variables cuantitativas como cualitativas. Seleccionar qué variables se deben utilizar para el diagnóstico dado el conjunto completo de rasgos disponibles, tanto numéricos como no numéricos, es de vital importancia para alcanzar buenos resultados en la clasificación.

Hasta ahora los trabajos desarrollados para diagnosticar chumaceras utilizan solo variables cuantitativas que son procesadas utilizando redes neuronales artificiales (ANN), análisis discriminante de Fisher (FDA), máquinas de soporte vectorial (SVM) y K vecinos cercanos (KNN) 9-13, aspecto que limita la efectividad de las técnicas desarrolladas.

• Materias:Análisis de datos de tiempo de falla Análisis numérico Localización de fallas (Ingeniería)
• Subjects:Failure time data analysis Numerical analysis Troubleshooting (Engineering)
• Palabras claves:Rasgos mezclados; Selección; Confusión; Testores
• Keywords:Mixed features; Features selection; Logical combinatorial patter recognition; DIagnostic; Journal bearing