Evaluación del valor de las variables de diagnóstico en motores de combustión interna diesel

Evaluation of diagnosis variable values of diesel internal combustion engine

Universidad de Holguín, Reparto Piedra Blanca, Holguín, Cuba.

RESUMEN

El artículo aborda como evaluar los valores que toman las variables de diagnóstico, que caracterizan el estado técnico de los motores de combustión interna Diesel de los grupos electrógenos. El análisis puede ayudar a encontrar en los datos disponibles la información más ilustrativa, significativa y útil para conocer el porqué de los cambios de los valores de la variable de diagnóstico. Además permite evaluar a los mismos antes que lleguen a los límites definidos por el fabricante, información que puede facilitar la toma de decisiones oportunas durante el trabajo de los motores de combustión interna Diesel mientras se exploten.

Palabras clave: análisis de datos, variación del valor, estado técnico.

ABSTRACT

The article approaches how to evaluate the values that the diagnosis variables take, which characterize the technical state of diesel internal combustion engine. The analysis can help to find in the data available, significant and useful information to know the causes of the changes in the diagnosis variable values. In addition, it allows evaluating them before they get to the limits defined by the manufacturer’s information. That information can facilitate the opportune decision-making while the diesel internal combustion engine is operated.

Key words: Analysis of data, variation of the value, technical state.

INTRODUCCIÓN

La medición y el registro de los diferentes valores de los parámetros estructurales y funcionales de las máquinas pueden ser asignados a variables de diagnóstico (en ocasiones llamados también parámetros de diagnóstico). Cuando se poseen sensores conectados permanentemente en el sistema a diagnosticar y los valores son registrados automáticamente y guardados en una data histórica, no siempre este hecho que parece simple implica contar con adecuados métodos y medios de medición este procedimiento es conocido como monitorización continua (on line) Silva et al. (2001). En caso contrario, las mediciones y el registro de los datos se realizan cada cierto intervalo de tiempo, lo que es conocido como monitorización discreta (off line), no descartado en la actualidad.

Camacho et al. (2007), plantean lo siguiente “Los métodos de detección y diagnóstico de fallas basados en data histórica son los más aplicados en las industrias de procesos, debido a que son fáciles de implementar, no necesitan un modelo matemático del proceso y requieren poco conocimiento a priori del proceso y las fallas”, lo cual se comparte, pero es válido en la medida que se cuente con una correcta y confiable información anterior, no siempre dispuesta.

Es importante señalar, a tono con el planteamiento anterior lo reiterado por Camacho et al. (2007), en el sentido de que “En los métodos basados en data histórica, la detección y diagnóstico de fallas se realiza mediante el procesamiento de un gran volumen de ella. Debido a esto, existen varias maneras en que la data pueda ser trasformada y presentada como un conocimiento a priori para el sistema de diagnóstico”. Los sistemas expertos, los métodos basados en lógica difusa y los análisis de tendencia cualitativos son ejemplos de métodos de extracción cualitativa. Para el caso de métodos de extracción cuantitativa, en la literatura aparecen ampliamente usadas las redes neuronales y las técnicas estadísticas. Técnicas estadística tales como: el Análisis de Componentes Principales (PCA), Mínimos Cuadrados Parciales (PLS), el Análisis Discriminante de Fisher (FDA), el Análisis de Variables Canónicas (CVA) y el Análisis de Componentes Independientes (ICA) han sido aplicadas en la detección y diagnóstico de fallas con anterioridad”. Estos métodos al ser utilizados en el diagnóstico deben de ser utilizados de forma conjunta para determinar las fallas (Cigolini, 2009).

En la literatura especializada acerca de análisis de datos se plantea que la evaluación del comportamiento de las variables se debe realizar a través de gráficos de control, por ejemplo Escalante (2003), define a los gráficos de control como herramientas que muestran el desempeño de un proceso con respecto al tiempo, siendo su objetivo el de evaluar, controlar y mejorar sus procesos. En ellos el proceso se evalúa estable si se encuentran los datos dentro de los límites de control e inestable si están fuera de los mismos. El criterio más concreto de que los gráficos de control solamente evalúan el comportamiento de la variable con dos criterios bueno (estable) y crítico (inestable) y no analizan la fluctuación de los datos de la variable dentro de los límites de control, con esta aseveración se puede facilitar mejor la interpretación del fenómeno objeto de estudio y llegar a propuestas de mejora de manera más objetivas.

En la actualidad el Escalante (2003), describe que para conocer la tendencia de un evento existen tres métodos de análisis que son: el método del examen visual del gráfico; de la línea de tendencia y la regla de los filtros. Los tres métodos solamente determinan si la tendencia de un evento es alcista o bajista, ninguno busca las causas del porqué de la ruptura brusca de la línea de tendencia, por tanto se infiere que las acciones antes señaladas de previsión (logística y de aseguramiento organizacional) quedan al margen del problema.

“Los medios más utilizados para detectar la tendencia de una serie se basan en la aplicación de filtros a los datos. Un filtro no es más que una función matemática que aplicada a los valores de la serie produce una nueva serie con unas características determinadas. Entre esos filtros encontramos las medias móviles”¹. “Existen otros procedimientos para extraer la tendencia, como ajuste de polinomios, alisado mediante funciones exponenciales, etc. Una clase de filtro, que es particularmente útil para eliminar la tendencia, se basa en aplicar diferencias a la serie hasta convertirla en estacionaria. Una diferencia de primer orden se obtiene restando dos valores contiguos”¹. Estos métodos solamente permiten obtener nuevas series más suaves a partir de los datos iníciales pero no se conoce el porqué de su variación.

A partir del estudio de los métodos abordados por los autores anteriormente citados, Batista y Urquiza, (2008), expone tres métodos para el análisis de los valores de variables de diagnóstico que se encuentra dentro de la técnica de análisis de tendencia y que por su objetividad merecen analizarse los mismos son los siguientes:

Rapidez de cambio del valor de la variable (RCVV). Este método consiste en calcular la rapidez media de cambio (R_i-j) del valor de la variable entre dos instantes de tiempo diferentes i y j (intervalo de tiempo de trabajo), que no es más que el tiempo que ha trabajado la máquina entre dos mediciones consecutivas.

Del análisis realizado a los tres métodos de Batista y Urquiza (2008), se concluye: el primero presenta la desventaja de evaluar el estado de la variable solamente en bueno o crítico, en bueno mientras el valor de la variable se encuentra dentro de los límites definidos por el fabricante y en crítico cuando este valor ha sobrepasado el límite. El segundo fue elaborado para evaluar las amplitudes de las vibraciones (como variables importantes para el objeto de estudio del presente trabajo) y para usarlo en la evaluación de otras variables donde es necesario reelaborar sus reglas.

El tercero al calcular la rapidez de cambio del valor de la variable se obtiene una mejor información y evaluación del estado de la misma. Sin embargo para conocer la RCVV se debe colocar en el denominador el tiempo que ha trabajo la máquina entre dos mediciones consecutivas. Tal dato en ocasiones es difícil de obtener, además en sus reglas de interpretación se usan expresiones tales como: relativamente grande y pequeña. Debido a esto los autores de la propuesta plantean que la efectividad del análisis de casos, al aplicar este método, está en dependencia de la experticia del especialista y como se manejan los instrumentos matemáticos de estimación.

A través de las técnicas de Minería de Datos se conoce que, en muchas ocasiones el dato no revela directamente su relación con un fenómeno en particular, pero, en cambio, muchas veces el dato oculta la información necesaria y efectiva para realizar un diagnóstico técnico correcto, y como interpretar correctamente el resultado obtenido lo cual hace necesario diseñar tecnologías que permitan extraer dicha información para ser utilizada, ver en Larose (2005).

Además de los autores anteriores varios han estudiado las condiciones de monitoreo es decir los datos o valores de las variables como método para evaluar el estado de un motor de combustión interna o conocer el surgimiento de las fallas en estos equipos, estos autores se relacionan a continuación:

Porteiro et al. (2011), esbozan que el monitoreo de la condición de los equipos industriales en general, y en particular de los motores diesel, es muy importante para asegurar la producción y reducir los costos en todas las instalaciones industriales.

Li et al. (2012), plantean que la operación normal de los motores Diesel marinos asegura la terminación y la eficacia de un viaje. Cualquier falla puede dar lugar a pérdidas económicas significativas y a accidentes severos. Es por lo tanto crucial supervisar las condiciones del motor de una manera confiable y oportuna para prevenir el mal funcionamiento de los mismos.

Figlus et al. (2014), plantean que un cambio en las condiciones técnicas de componentes mecánicos de los motores de combustión interna no puede ser detectado por los sistemas del diagnóstico a bordo instalados en vehículos. En casos similares, las medidas y los análisis de las señales vibro acústicas que sean registradas pueden ser útiles. Este planteamiento lo realizan Figlus et al. (2014), porque los sistemas del diagnóstico registran varias variables, contexto que dificultad determinar la relación entre el surgimiento de los fallos y las variables de diagnóstico.

Jinming et al. (2012), dan a conocer un nuevo método donde relaciona a través de la técnica modo de descomposición empírica (EMD sus siglas en inglés) las señales de la vibración de la superficie de la culata producidas por la separación de la válvula con las averías del motor Diesel.

Kateris et al. (2014), analizan que recientemente, las investigaciones se han centrado en la puesta en práctica del análisis de las señales de la vibración para el diagnóstico del estado de salud de los sistemas, en el artículo los autores elaboran en sistema de diagnóstico basado en redes neuronales que relaciona las vibraciones con los fallos para detectar las averías surgidas en los cojinetes de máquinas rotatorias.

MATERIALES Y MÉTODOS

Para desarrollar la investigación cuyos resultados se exponen en este artículo se emplearon métodos de investigación teóricos como son: análisis y síntesis e histórico – lógico para el estudio del objeto a través del tiempo y llegar a un análisis lógico.

Las técnicas empleadas en la recolección de los datos fueron: observación participante, documentos oficiales de la empresa: expedientes técnicos, registros de mantenimientos y documentos internos.

Desarrollo matemático de la expresión para evaluar la variación del valor de la variable de diagnóstico

La fórmula para evaluar la variación del valor de la variable de diagnóstico se utilizará en un caso de estudio donde se va a evaluar el estado de las variables de diagnóstico registradas en motores de combustión interna Diesel estacionarios.

Para el estudio se parte del supuesto de que entre dos mediciones consecutivas se dispondrá siempre de una función lineal tal que, conocido el valor de Y y X en el instante “n-1”, se pueda calcular el valor de la función en el instante “n”, dada por la expresión 1:

donde:

yn-1 Valor de la variable Y en el instante n-1;

xn-1 Valor de la variable X en el instante n-1;

k Constante.

Si se calcula ahora el incremento de la función, se obtendrá la expresión 2, en la cual la variable “x” puede tomar valores en el intervalo cerrado [a, b], donde “a” y “b” son los valores límites superior e inferior, respectivamente, de la variable:

donde:

∆f_n(x)- variación media de la función o incremento de la función.

∆x- variación del valor de la variable X.

A partir de la expresión 2, resulta claro que el incremento o decrecimiento de la variable está dado por la constante “k”, la cual puede ser despejada como se muestra en la expresión 3:

El cálculo de la variación del valor, que en lo adelante se denotará por “V_V”, se expresa a través de la expresión 3, donde la diferencia de las imágenes de la expresión 1 se pueden representar por (Y_n – Y_n-1) y la diferencia del valor del dominio está dado por la diferencia entre los límites del intervalo, en este caso representan los valores límite superior e inferior definidos para la variable que se analiza.

Definitivamente, la expresión 3 toma la forma:

donde:

V_V  -variación del valor de la variable (adimensional);

Y_n-valor de la variable en el instante “n”;

Y_n-1 -valor de la variable en el instante “n-1”;

Y_S -límite superior de la variable que se estudia;

Y_I -límite inferior de la variable que se estudia.

La variación del valor de la variable se puede encontrar entre 0 y -1 cuando los valores de la variable que se estudia son decrecientes y toma valores entre 0 y 1 cuando la variable es creciente.

Procedimiento para evaluar la variación del valor de las variables de diagnóstico en motores de combustión interna de los grupos electrógenos

Pasos:

Aplicar las reglas siguientes para la evaluación de la variable:

Reglas

Si V_V = 0 no existe cambio en el estado de la variable. Estado Estable [E].

Si V_V es igual a 1 hay un cambio significativo del estado de la variable, síntoma grave para el funcionamiento del equipo. Estado Crítico [C].

Si V_V se encuentra entre 0 y 1 existe un cambio paulatino de su estado, según aumente el valor de V_V la probablidad de la existencia de un fallo aumenta y por ende su estado cominza a deteriorase hasta llegar a crítico. Estado de análisis [An].

Graficar el valor normal y la variación del valor de la variable.

RESULTADOS Y DISCUSIÓN

Ejemplo de cálculo de la variación del valor de la variable

En la Tabla 1 se observa la caída de presión de forma paulatina siendo más significativa entre los días 8 y 9. Por el método comparativo, ver tabla 1, los valores de la variable se encuentran siempre en el estado Bueno por hallarse dentro de los límites definidos por el fabricante para la presión del combustible, siendo los mismos los siguientes: límite inferior 0,38 y límite superior 0,7 MPa bajo condiciones normales de trabajo del equipo: velocidad 1800 min^-1 y 75 % de carga
1416 kW de potencia.

Por el procedimiento para evaluar la variación del valor de las variables de diagnóstico los valores de la variable se encuentran en la regla 1 y 3 en estado estable y de análisis (Tabla 1).

Con los datos de la Tabla 1 se realizan las gráficas de las Figuras 1 y 2 las que permiten llegar a las siguientes valoraciones.

En la Figura 1, se realiza el análisis gráfico del comportamiento del los valores de la variable presión del combustible de un motor de combustión interna instalado en un emplazamiento de generación de electricidad. En la misma se observa, a través del método comparativo, cómo los valores de la variable se mantienen dentro del rango de trabajo definido por el fabricante, este examen visual del gráfico permite concluir que la variación de los valores de la variable del motor de combustión interna bajos las condiciones normales de trabajo, descritas anteriormente, no permite conocer si esta variación es producto al surgimiento de un fallo potencial en el sistema de combustible del equipo debido a que los valores se encuentran entre 0,38 y 0,7 MPa.

La Figura 2 permite conocer cómo es la variación o el paso de los valores de la variable dentro del límite de 0,7 a 0,38 MPa, por ejemplo el paso entre el octavo y noveno, y entre el cuarto y quinto día es de análisis producto a que la variación se enmarca en la regla número 3, toman valores de -0,34 y -0,22.

-Se ha diseñado y desarrollado un procedimiento teórico con el cual se puede evaluar el estado de una variable de diagnóstico y poder dar seguimiento a su evolución de manera paulatina respecto a los valores de la variable, en este caso presión del combustible. Análisis que no es posible realizar por otros métodos estudiados en la bibliografía consultada. Por otro lado el trabajo permite poder inferir qué relación puede existir entre el estado de la variable y el estado técnico del equipo que se está analizando.

-Por su pertinencia y las características tanto técnicas como económicas del motor de combustión interna de los grupos electrógenos, el procedimiento desarrollado puede ser aplicado y generalizado a equipos y aparatos similare.

NOTAS AL PIE

¹ MOLINERO, L.M.: Análisis de series temporales, [en línea], 7 de junio de 2012, Disponible en: http://www.seh.lelha.org/stat 1.htm.

BIBLIOGRAFÍA

ALBARBAR, A.: “An investigation into diesel engine air-borne acoustics using continuous wavelet transform”, Journal of Mechanical Science and Technology, 27(9): 2599-2604, 19 de septiembre de 2013, ISSN: 1738-494X, 1976-3824, DOI: 10.1007/s12206-013-0703-9.

BATISTA, R.C.; URQUIZA, S.S.: “El RCVV: Un enfoque diferente en el diagnóstico técnico.”, Ingeniería Mecánica, 3: 29–32, 2008, ISSN: 1815–5944.

CIGOLINI, R.D. (ed.): Recent advances in maintenance and infrastructure management, no. solc. TS177 .R44 2009, Ed. Springer, London, 290 p., OCLC: ocn310400707, 2009, ISBN: 978-1-84882-488-1.

DENG, L.; ZHAO, R.: “Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis”, Journal of Mechanical Science and Technology, 28(4): 1161-1169, 1 de mayo de 2014, ISSN: 1738-494X, 1976-3824, DOI: 10.1007/s12206-013-1149-9.

ESCALANTE, V.E.J.: Seis-sigma: metodología y técnica, Ed. Limusa-Noriega, México, 436 p., OCLC: 54022083, 2003, ISBN: 978-968-18-6391-3.

FIGLUS, T.; LIŠČÁK, Š.; WILK, A.; ŁAZARZ, B.: “Condition monitoring of engine timing system by using wavelet packet decomposition of a acoustic signal”, Journal of Mechanical Science and Technology, 28(5): 1663-1671, 20 de mayo de 2014, ISSN: 1738-494X, 1976-3824, DOI: 10.1007/s12206-014-0311-3.

JINMING, L.; ZHENZHEN, L.; KANGLE, W.: “Fault Diagnosis of Diesel Engine Based on EMD and TFD”, [en línea], En: Jin, D. y Lin, S. (eds.), Advances in Mechanical and Electronic Engineering, ser. Lecture Notes in Electrical Engineering, Ed. Springer Berlin Heidelberg, vol. 176, Berlin, Heidelberg, pp. 261-266, 2012, ISBN: 978-3-642-31506-0, Disponible en: http://link.springer.com/10.1007/978-3-642-31507-7, [Consulta: 3 de junio de 2016].

KATERIS, D.; MOSHOU, D.; PANTAZI, X.-E.; GRAVALOS, I.; SAWALHI, N.; LOUTRIDIS, S.: “A machine learning approach for the condition monitoring of rotating machinery”, Journal of Mechanical Science and Technology, 28(1): 61-71, 23 de enero de 2014, ISSN: 1738-494X, 1976-3824, DOI: 10.1007/s12206-013-1102-y.

KIM, H.C.; CHO, M.G.; SHIM, J.: “Multi-stage diagnostic system for reciprocating compressor using DTW technique”, Journal of Mechanical Science and Technology, 27(8): 2293-2298, 19 de septiembre de 2013, ISSN: 1738-494X, 1976-3824, DOI: 10.1007/s12206-013-0612-y.

LAROSE, D.T.: Discovering knowledge in data: an introduction to data mining, no. solc. QA76.9.D343 L38 2005, Ed. Wiley-Interscience, Hoboken, N.J, 222 p., 2005, ISBN: 978-0-471-66657-8.

LI, Z.; YAN, X.; YUAN, C.; PENG, Z.: “Intelligent fault diagnosis method for marine diesel engines using instantaneous angular speed”, Journal of Mechanical Science and Technology, 26(8): 2413-2423, 23 de agosto de 2012, ISSN: 1738-494X, 1976-3824, DOI: 10.1007/s12206-012-0621-2.

PORTEIRO, J.; COLLAZO, J.; PATIÑO, D.; MÍGUEZ, J.L.: “Diesel engine condition monitoring using a multi-net neural network system with nonintrusive sensors”, Applied Thermal Engineering, 31(17–18): 4097-4105, diciembre de 2011, ISSN: 1359-4311, DOI: 10.1016/j.applthermaleng.2011.08.020.

Recibido: 12/10/2015
Aprobado: 03/06/2016

Elio Rafael Hidalgo Batista, profesor, Universidad de Holguín, Avenida XX Aniversario s/n, Reparto Piedra Blanca, Holguín, Cuba. Email: elio@facing.uho.edu.cu