Professional Documents
Culture Documents
NÚMERO RAE
www.answermath.com
www.casa.gov.au
www.elprisma.com
www.gasturb.de
www.honeywell.com
www.mathworks.com
www.monografias.com
ERO RAE
PROGRAMA Programa de Ingeniería Aeronáutica
NÚMERO RAE
PROGRAMA Programa de Ingeniería Aeronáutica
LÍNEA DE INVESTIGACIÓN
POBLACIÓN Y MUESTRA
(
). Los mayores contribuyentes para la reducción de los
parámetros anteriormente citados, son deterioro en el
compresor y la turbina.
Asesor:
FERNANDO COLMENARES QUINTERO, Ph.D.
______________________________
Firma del presidente del jurado
______________________________
Firma del jurado
______________________________
Firma del jurado
______________________________
Firma del asesor metodológico
A mi madre, por su ejemplo de victoria ante las adversidades, por haberme apoyado en
todo momento, por sus valores y exigencia que me hanhan permitido ser una persona de
bien;
bien; pero más que nada por su amor.
A mi sobrino, que casi con un año de edad, ha sido el causante de muchas alegrías y
buenos propósitos de toda mi familia.
A mi amor, por estos tres años larguitos de conocernos y en los cuales hemos
compartido cosas maravillosas; y por ser parte de este gran equipo de trabajo de tesis que
pese a los tropiezos encontrados durante su ejecución,
ejecución, finalmente logramos cumplir
nuestras expectativas.
A mis amigos
amigos ROLANDO, MAU, CARLITOS, DANI, DIANIS y CARO, por el apoyo
mutuo y momentos muy agradables durante nuestra formación profesional.
profesional.
GISELA
A Dios le doy gracias infinitas por otorgarme la vida por medio de los seres más
maravillosos, José Ignacio y Blanca Cecilia, seres que me han apoyado en cada momento
crucial en mi vida.
PAULO
AGRADECIMIENTOS
Fernando Colmenares, Ph. D., primero que todo, por su amistad, esfuerzo y
dedicación. Sus asesorías, orientaciones, manera de trabajar, su paciencia y
constante motivación a lo largo de este proceso.
pág.
INTRODUCCIÓN 19
1.1 ANTECEDENTES 20
1.3 JUSTIFICACIÓN 25
2. MARCO DE REFERENCIA 28
2.1.6.2 MATLAB 52
3. METODOLOGÍA 55
4. DESARROLLO INGENIERIL 57
6. CONCLUSIONES 97
7. RECOMENDACIONES 99
BIBLIOGRAFÍA 100
ANEXOS 103
LISTA DE TABLAS
pág.
pág.
45
Ambiente (Ambient)
Eficiencia de la turbina (Turbine Efficiency)
Pies (Feet)
Kilovoltio Amperios (Kilo-Volt-Amperes)
Kilovatios (Kilowatts)
_"#
Libras (Pounds)
$%
Potencia Eléctrica del Generador (Electric Power Generator)
$&
Relación de presión de entrada (Inlet Pressure Ratio)
Metros (Metres)
'()
Revoluciones por Minuto (Revolutions per Minute)
Número de Estación Termodinámica (Thermodynamic Station
Number)
Software de Diagnóstico de Unidad Auxiliar de Potencia (Auxiliary
'
Power Unit Diagnostics Software)
))
Inteligencia Artificial (Artificial Intelligence)
*
Red Neuronal Artificial (Artificial Neural Network)
+
Unidad de Potencia Auxiliar (Auxiliary Power Unit)
(
Entrenamiento asistido por computador (Computer based training)
Daño por Partícula Doméstica (Domestic Object Damage)
Sistema de Control Ambiental (Environmental Control System)
*
(Engine Condition Trend Monitoring)
Unidad de Control Electrónico (Electronic Control Unit)
,
Temperatura de Gases de Escape (Exhaust Gas Temperature)
Monitoreo de salud del motor (Engine Health Monitoring)
(
Sistemas Expertos (Expert Systems)
Operación de Rango Extendido con Aviones de Dos Motores
+
(Extended Range Operation with two Engine Airplanes)
(
Feed-forward Back-propagation
Daño por Objeto Externo (Foreign Object Damage)
Gas Path Analysis
*
Solucionador General de Problemas (General Problem Solver)
Unidad de Potencia en Tierra (Ground Power Unit)
,'
Gas Turbine Compressor Power unit
Inspección de Sección Caliente (Hot Section Inspection)
Shaft Power Delivered
Power Specific Fuel Consumption
,
Pratt & Whitney Canadá (Pratt & Whitney Canada)
Caballos de Fuerza al Eje (Shaft Horse Power)
Consumo Específico de Combustible (Specific Fuel Consumption)
Flujo Másico (Mass Flow)
Flujo de Combustible (Fuel Flow)
INTRODUCCIÓN
Basados en la teoría del GPA y teniendo en cuenta las nuevas tecnologías que
han sido investigadas e implementadas en el diagnóstico de fallas, en este
proyecto se propone implementar un análisis experto basado en el Sistema
Artificial de Redes Neuronales. Programa que funcionará aprendiendo de las fallas
encontradas por él mismo, sugiriendo el lugar del problema y dando acciones
correctivas para solucionarlo; por consiguiente, esta herramienta innovaría las
funciones que ha venido cumpliendo el GPA.
19
1. PLANTEAMIENTO DEL PROBLEMA
1.1 ANTECEDENTES
Industria Aplicaciones
Alto rendimiento del piloto automático de las
aeronaves.
Aeroespacial Simulación de trayectoria de vuelo.
Sistemas de control de aeronaves.
Mejoras de piloto automático.
20
Industria Aplicaciones
Simulación de componentes de aeronaves.
Detección de fallas en componente de
aeronaves.
Sistema de guía automática del automóvil.
Automotriz
Análisis de la actividad de garantía.
Revisión y lectura de documentos.
Sector Bancario
Evaluación de aplicación de créditos.
Dirección de armas.
Seguimiento de objetivos.
Discriminación de objetos.
Reconocimiento facial.
Nuevos tipos de sensores.
Defensa
Radar y procesamiento de señales de
imagen incluyendo compresión de datos.
Extracción de características y supresión de
ruido.
Identificación de señal/imagen.
Predicción de secuencia de código.
Diseño de chips de circuitos integrados.
Control de procesos.
Electrónica
Análisis de falla de chips.
Visión artificial.
Modelado no lineal.
Animación.
Entretenimiento Efectos especiales.
Previsión de mercado.
Valoración de bienes inmuebles.
Asesoramiento de préstamos.
Proyección de hipotecas.
Financiero
Análisis del uso de crédito en línea.
Análisis financieros de las empresas.
Predicción del precio de la divisa.
Industrial Predicción de procesos industriales.
Control de procesos de fabricación.
Análisis y diseño del producto.
Diagnóstico de máquinas.
Identificación de partículas en tiempo real.
Análisis de calidad de la soldadura.
Predicción de calidad del papel.
Manufactura
Análisis de calidad chips.
Análisis químico de diseño de productos.
Análisis de mantenimiento de máquinas.
Gestión y planeación.
Sistemas de procesos químicos y modelo
dinámico.
21
Industria Aplicaciones
Análisis de células del cáncer de mama.
Diseño de prótesis.
Médico
Optimización de tiempos de trasplante.
Reducción de gastos hospitalarios.
Petróleo y gas Exploración
Control de trayectoria.
Robótica
Sistemas de visión.
Reconocimiento de voz.
Habla Compresión de voz.
Clasificación vocal.
Valores Análisis de mercado.
Imagen y compresión de datos.
Servicios de información automatizada.
Telecomunicaciones
Traducción en tiempo real de
lenguaje hablado.
Sistemas de diagnóstico de frenos de
camiones.
Transporte
Programación de vehículos.
Sistemas de enrutamiento.
Fue un buen comienzo. Con este intento otros investigadores se dieron cuenta
que para poder tener más éxito construyendo este tipo de sistemas debían
restringir el dominio de estudio a uno más pequeño. De esta manera se les haría
más fácil simular parte del pensamiento humano para la resolución de problemas.
De estas ideas nacen los Sistemas Expertos.
22
nombre del mismo viene del griego y significa "árbol". Éste era utilizado para
identificar estructuras químicas moleculares a partir de su análisis espectrográfico.
En los 70's, específicamente en 1972, se comenzó el desarrollo del sistema
MYCIN. Éste era utilizado para hacer consultas y diagnósticos de infecciones en la
sangre.
En los 80 los Sistemas Expertos (E.S.) obtuvieron un gran auge. Al igual que todo
lo que se pone de moda, los ES no fueron la excepción y numerosas empresas
comenzaron a dedicar tiempo, dinero y esfuerzo para el desarrollo de ES. En este
punto se llegó a la conclusión de que el éxito de los sistemas expertos depende de
la base de conocimientos que se esté utilizando. Entre todas las empresas
gastaron aproximadamente unos mil millones de dólares en investigación y
desarrollo de estos sistemas. Uno de estos sistemas fue DELTA, "Diesel Electric
Locomotive Troubleshooting Aid". Éste fue un sistema producido por General
Electric para la reparación de locomotoras. Además de Sistemas Expertos,
también se desarrollaron herramientas para trabajar con los mismos. Estas
herramientas son programas que contienen los componentes básicos de un
Sistema Experto, como lo son: el Subsistema de Adquisición de Conocimientos, la
Base de Conocimientos, el Mecanismo de Inferencia, el Subsistema de
Explicación y el Interface de Usuario.
23
Tabla 2. Primeros Sistemas Expertos y sus aplicaciones
24
1.2 DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMA
1.3 JUSTIFICACIÓN
26
herramientas de última tecnología para su utilización tanto en la industria
aeronáutica como en otros campos de la ingeniería.
27
2. MARCO DE REFERENCIA
2.1.1 Auxiliary Power Unit. Una unidad de potencia auxiliar o APU (siglas de la
denominación inglesa Auxiliary Power Unit) es un dispositivo montado en un
vehículo cuyo propósito es proporcionar energía para funciones diferentes de la
propulsión. Existen diferentes tipos de APUs que se montan en aviones o grandes
vehículos terrestres como, por ejemplo, trenes o grandes camiones.
Aunque los APUs se montan en diferentes lugares de los aviones tanto civiles
como militares, normalmente se sitúan en la cola de los reactores comerciales
modernos. La salida de gases puede verse en la mayoría de los aviones
comerciales modernos como un pequeño tubo saliente en la cola.
___________________________
( )
* Tipo de motor de combustión interna, que utiliza rotores en vez de los pistones de los motores
alternativos. El Wankel ofrece una potencia superior a la de los motores a pistón convencionales y
una mejor economía de combustible que un motor de turbina.
28
El nuevo Boeing 787, al ser un avión totalmente controlado de forma eléctrica,
monta un APU que funciona exclusivamente como generador eléctrico. La
ausencia de sistemas neumáticos simplifica el diseño pero incrementa a cientos
de kilovatios (kW) las necesidades de electricidad, requiriendo generadores más
pesados y potentes.
Los APU son aún más críticos en las operaciones de vuelo de los transbordadores
espaciales. A diferencia de los aviones, en los transbordadores los APU
proporcionan presión hidráulica y no energía eléctrica. Estas naves cuentan con
tres APUs redundantes alimentados con hidracina. Únicamente funcionan durante
el ascenso propulsado y la reentrada en la atmósfera y posterior aterrizaje,
proporcionando fuerza hidráulica para controlar los motores de los cohetes y las
superficies de vuelo. Durante el aterrizaje además sirven para controlar los frenos,
y éste debe poder realizarse con un solo APU.
Hasta hace poco, los nuevos avances han sido escasos, pero la sofisticación de
APUs está aumentando para que sean útiles para aeronaves recientes, donde la
operación del APU es cada vez menos intermitente. Hay estudios sobre los
beneficios de la permanente alimentación de los APUs los cuales evitan
comprometer el diseño de los motores principales 2.
29
• Buen SFC.
3
HONEYWELL. APU 131-9A Familiarization Computer Based Training. US, 2004.
30
2.1.1.3 Secciones del APU 4. Un APU típica de un avión comercial se divide en
tres secciones: Sección de potencia, compresor de carga y caja de accesorios,
como se muestra en la figura 2.
Además, existe un motor conectado a la caja que asegura el arranque del APU.
Algunos diseños de estas unidades combinan motor de arranque y generador para
arrancar el APU y suministrar electricidad para reducir la complejidad.
4
HONEYWELL. APU 331-400 Familiarization Computer Based Training. US, 2004.
31
El rango de potencia de salida de un APU está entre 10
y 300
. La tabla 3
2.1.1.4 Requerimientos de potencia de APU para diferentes tipos de aeronaves.
Un solo eje:
1 etapa de compresor Jet Fuel Starter (*).
Turbomach centrífugo. General Dynamics F16
T-62T-40-8 Cámara de combustión anular Fighter. 190
de flujo reversible.
1 etapa de turbina radial.
Un solo eje:
1 etapa de compresor Sangrado, encendido del
Allied centrífugo. motor.
Signal 2 etapas de turbina axial. Potencia eléctrica. 300/100
131-9(D) 1 etapa de compresor de carga McDonnell Douglas MD90.
centrífugo.
Un solo eje:
2 etapas de compresor
centrífugo. Sangrado, encendido del
Allied Cámara de combustión anular motor.
Signal de flujo reversible. Potencia eléctrica. 850/170
331-500B 2 etapas de turbina axial. Boeing 777.
1 etapa de compresor de carga
centrífugo.
Un solo eje:
1 etapa de compresor
centrífugo. Potencia eléctrica.
APIC Cámara de combustión anular Bombas de combustible y
APS 3200 de flujo reversible. aceite. 385/90
2 etapas de turbina axial. Airbus A321.
1 etapa de compresor de carga
centrífugo.
___________________________
(*)
Los autores se refieren a un pequeño motor turboshaft diseñado para proporcionar potencia al
eje del motor principal hasta lograr su auto aceleración.
32
2.1.2 Problemas detectables. Como cualquier otro equipo mecánico, los motores
de turbinas de gas son susceptibles a una gran variedad de problemas físicos.
Estos problemas incluyen entes tales como: acumulación de suciedades, erosión,
oxidación, corrosión, FODs, desgaste de rodamientos y sellos, excesiva
separación entre carcasa y punta de álabes, deformado o quemado de álabes
rotores y estatores de turbina, pérdida de álabes, inyectores de combustible
tapados, cámara de combustión deformada o con grietas, etc.
Las fallas por erosión y corrosión en los álabes y los estatores de la sección de
turbina representan un 25,5% de las fallas en los motores a reacción 5,
normalmente es un proceso que se da con el tiempo de uso de los componentes
internos del motor, y es evidente por la pérdida del material de los componentes.
Estos fenómenos aumentan el espacio entre los álabes estatores, produciendo
una disminución en la eficiencia isentrópica de la turbina, y por consiguiente un
aumento en el margen de pérdida (stall) del compresor. En cuanto a los
parámetros dependientes, el aumento se ve reflejado en el flujo de combustible
(
) y temperatura de gases de escape ().
5
GIAMPAOLO, Anthony. The Gas Turbine Handbook: Principles and Practices. Tercera Edición.
USA, 2006. p.187.
33
Figura 3. Cambio en los parámetros con respecto al aumento de área en los
álabes estatores de la sección de turbina
2.1.2.3 FOD / DOD – Foreign / Domestic Object Damage. FOD, es definido como
un material o cuerpo extraño (pernos, hielo, piedras, etc.), que ingresa al motor
desde el exterior. Así mismo, DOD se define como material o parte del mismo
motor que se desprende en su interior y causan averías internas.
Estadísticamente, la presencia de estos tipos de objetos, representan un 10,5% de
las fallas en motores de turbina 6.
2.1.2.4 Daños en los sellos de laberinto. Los sellos de laberinto en los motores de
turbina son aplicados para evitar o minimizar en alto grado escapes de presión o
escapes de un fluido. Los sellos de laberinto son surcos en forma anular, fijos a la
carcasa externa del motor, una mínima distancia los separa de las partes móviles
del motor con el fin de evitar al máximo un escape de presión.
6
GIAMPAOLO, Anthony. The Gas Turbine Handbook: Principles and Practices. Tercera Edición.
USA, 2006. p.199.
36
rangos de temperaturas; también se requieren sistemas de refrigeración o
recubrimientos cerámicos para ayudar a disipar el calor en la superficie.
2.1.3 Engine Health Monitoring. Los motores de turbina de gas han ganado una
amplia gama de aplicaciones en los campos civil, militar e industrial. Debido al
mayor enfoque en los costos de vida de los motores de turbinas de gas, la
tecnología de Engine Health Monitoring (monitoreo de salud del motor) ha
adquirido una importancia cada vez mayor. El objetivo del EHM es mejorar la
seguridad de operación, minimizar los costos de mantenimiento y mejorar la
disponibilidad.
37
Las técnicas de monitoreo de condición más populares para motores de turbinas
de gas incluyen 7: análisis de rendimiento basado en diagnóstico, monitoreo de
sistema de aceite, monitoreo de vibraciones, inspección visual, etc. Recientemente
la investigación se centra en sistemas de monitoreo del motor en tiempo real.
Algunos problemas (a menudo los más serios) pueden ser detectados a través del
Gas Path Analysis (ver figura 7).
El Gas Path Analysis, consiste en evaluar el comportamiento interno del motor con
medios como las leyes de la termodinámica. Cada componente se comportará de
una manera previsible cuando está operando bajo una serie de condiciones dadas
(baseline values).
7
HOU, Fengyang. Development of a Neural Network Fault Diagnostic System for Gas Turbine
Engine. UK., 2007. p.3.
(*)
Hay varias técnicas de diagnóstico de motores de turbinas de gas, pero los autores solo
describen las que son objeto de estudio del proyecto.
38
El objetivo del Gas Path Analysis es el de detectar tantos problemas a través de la
observación de los parámetros escogidos apropiadamente.
Después de grabar ciertos datos del avión durante el estado crucero de vuelo,
esta información es cargada en un programa computacional de PWC.
Los datos del avión deben grabarse en un vuelo en crucero después de 5 minutos
de estabilizado el motor. Durante ese tiempo de estabilización del motor, ningún
ajuste debe hacerse a los mandos del motor. Es importante que los datos sean
grabados dentro de una altitud de más o menos 5,000 ft de la altitud de la
aeronave.
8
“ECTM (Engine Condition Trend Monitoring)” nombre genérico para los programas de monitoreo
de motores de Pratt & Whitney.
9
HOU, Fengyang. Development of a Neural Network Fault Diagnostic System for Gas Turbine
Engine. UK., 2007. p.29.
39
networks, probabilistic neural network (PNN), self-organizing map (SOM) networks,
learning vector quantisation (LVQ) network, counter propagation network (CPN),
adaptive resonance theory (ART) networks, radial basis function (RBF), recurrent
cascade correlation (RCC) networks.
Este monitoreo es efectivo para ver la condición del aceite, para medir la
acumulación de partículas, y también para hacer un mantenimiento preventivo.
Cada elemento tiene una frecuencia natural (resonancia) de vibración cuando está
en operación, el motor completo como elemento dinámico posee una resonancia
natural específica.
Esta resonancia, debe ser muy equilibrada para evitar que sea muy flexible
(frecuencia por debajo de la frecuencia de operación), o muy rígida (frecuencia por
encima de la frecuencia de operación).
41
a. Creep. Es la deformación progresiva de un material a temperatura constante.
A su vez, es una técnica útil para calcular los cambios dimensionales y la vida útil
de componentes sometidos a altas temperaturas y a altos esfuerzos, componentes
tales como los álabes estatores y rotores en los discos de turbina, a demás de la
cámara de combustión.
42
motor, cambios bruscos de temperatura etc., contribuyen a que el motor
disminuya su capacidad de operación respecto a los parámetros de diseño.
Estas técnicas son adecuadas para enfrentar problemas que hasta ahora eran
resueltos sólo por el cerebro humano y resultaban difíciles o imposibles para las
máquinas lógicas secuenciales. Las Redes Neuronales (Neural Networks) son
utilizadas para la predicción, la minería de datos (data mining), el reconocimiento
de patrones y los sistemas de control adaptativo. Constituyen una parte muy
importante en el estudio y desarrollo de la inteligencia artificial (AI).
Las Redes Neuronales pueden ser combinadas con otras herramientas como la
lógica difusa, los algoritmos genéticos, los sistemas expertos, las transformadas
de Fourier, etc., para aumentar su potencial.
10
WALSH, Phillip y FLETCHER, Paul. Gas Turbine Performance. UK, 2004. p310.
11
HOU, Fengyang. Development of a Neural Network Fault Diagnostics System for Gas Turbine
Engine. UK. 2007.p10.
43
2.1.5.1 Funcionamiento de las Neuronas Artificiales. El elemento fundamental de
una red neuronal es una neurona. Básicamente, una neurona biológica recibe
entradas (inputs) de otras fuentes, las combina de alguna manera, realiza una
operación generalmente no lineal en el resultado, y luego envía el resultado final
(salidas o outputs). La figura 8 muestra la relación de estas cuatro partes.
Todas las neuronas naturales tienen los mismos cuatro componentes básicos,
y son conocidos por sus nombres biológicos como: dendritas, soma,
axón, y la sinapsis. Las dendritas son como las extensiones del soma que actúan
como los canales de entrada. Estos canales reciben sus entradas a través de la
sinapsis de otras neuronas. Entonces, el soma procesa estas señales de entrada
con el tiempo, y convierte el valor transformado en una salida que
se envía a otras neuronas a través del axón y las sinapsis.
12
ANDERSON, Dave y McNeill, George. Artificial Neuronal Networks Technology. USA, 1992. p.4.
(*)
Los autores se refieren a las neuronas artificiales.
44
Para hacer esto, la unidad básica (*) de las Redes Neuronales, simulan las cuatro
funciones básicas de las neuronas naturales. La figura 9 muestra una
representación fundamental de una neurona artificial.
directamente, sino que a veces se “ajusta” el valor para que esté comprendido
entre un rango determinado.
45
• Capas ocultas. Formada por aquellas neuronas cuyas entradas provienen de
capas anteriores y las salidas pasan a neuronas de capas posteriores.
Fuente: www.es.wikipedia.org.
2.1.5.3 Formas de conexión. Además del número de capas de una red, en función
de cómo se interconectan unas capas con otras, podemos hablar de redes
recurrentes (feed-back) y redes no recurrentes o redes en cascada (feed-
forward). En las redes en cascada, la información fluye unidireccionalmente de
una capa a otra (desde la capa de entrada a las capas ocultas y de éstas a la capa
de salida), y además, no se admiten conexiones intracapa. En las redes
recurrentes la información puede volver a lugares por los que ya había pasado, y
se admiten las conexiones intracapa.
46
En las figuras 11, 12 y 13 se muestran los ejemplos de conexiones.
Fuente: www.monografias.com
Fuente: www.monografias.com
47
Figura 13. Conexiones hacia atrás (o recurrentes)
Fuente: www.monografias.com
8
Función de primer orden,
79:
13
UNIVERSIDAD POLITÉCNICA DE MADRID. Tutorial de Redes Neuronales. España.
48
/0, 2, será inmediatamente transformada por una función de activación. Las
• Función de Activación. El valor de red, expresado por la función de base,
49
2.1.5.7 Red Feed Forward Backpropagation. Red de propagación hacia atrás de
errores o retropropagación, es un tipo de red de aprendizaje supervisado. Una vez
que se ha aplicado un patrón a la entrada de la red como estímulo, este se
propaga desde la primera capa a través de las capas superiores de la red, hasta
generar una salida. La señal de salida se compara con la salida deseada y se
calcula una señal de error para cada una de las salidas.
Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia
todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin
embargo las neuronas de la capa oculta solo reciben una fracción de la señal total
del error, basándose aproximadamente en la contribución relativa que haya
aportado cada neurona a la salida original. Este proceso se repite, capa por capa,
hasta que todas las neuronas de la red hayan recibido una señal de error que
describa su contribución relativa al error total. Basándose en la señal de error
percibida, se actualizan los pesos de conexión de cada neurona, de manera que
en la siguiente vez que se presente el mismo patrón, la salida esté cercana a la
deseada.
Backpropagation existe una capa de entrada con # neuronas y una capa de salida
• Estructura y aprendizaje de la red backpropagation. En una red
con neuronas y al menos una capa oculta de neuronas internas. Cada neurona
de una capa (excepto las de entrada) recibe entradas de todas las neuronas de la
capa anterior y envía su salida a todas las neuronas de la capa posterior (excepto
las de salida). No hay conexiones hacia atrás feedback ni laterales entre las
neuronas de la misma capa.
La aplicación del algoritmo tiene dos fases, una hacia delante y otra hacia atrás.
Durante la primera fase el patrón de entrada es presentado a la red y propagado a
través de las capas hasta llegar a la capa de salida. Obtenidos los valores de
salida de la red, se inicia la segunda fase, comparándose éstos valores con la
salida esperada para obtener el error. Se ajustan los pesos de la última capa
proporcionalmente al error. Se pasa a la capa anterior con una retro-propagación
del error, ajustando los pesos y continuando con este proceso hasta llegar a la
primer capa. De esta manera se han modificado los pesos de las conexiones de la
50
red para cada patrón de aprendizaje del problema, del que conocíamos su valor
de entrada y la salida deseada que debería generar la red ante dicho patrón.
El algoritmo usado para manipular las variables de tal manera que al final todos
B: B:
∆: E ∆ 5 >: 3
B: B@ @
B@ B@
∆: E ∆ 5 >@ 4
B: B@ @
14
www.gasturb.de
51
coeficientes de influencia no son constantes y los cambios de los 7 no llevan
En las aplicaciones de problemas de rendimiento de turbinas de gas, los
Este toolbox pretende que sea utilizado para la valoración y diseño de redes
neuronales en la industria y sobre todo en educación e investigación.
52
donde -H es un vector de pesos actuales y sesgos, "H es el gradiente actual, y JH
es la velocidad de aprendizaje.
2.2.3 Decreto 393 del 26 febrero de 1991. Por medio de este Decreto, el Gobierno
Nacional reglamenta la asociación para las actividades científicas y tecnológicas,
los proyectos de investigación y la creación de tecnologías, además, autoriza a la
nación y a las entidades descentralizadas para crear y organizar con los
particulares sociedades civiles y comerciales y personas jurídicas sin ánimo de
15
PRESIDENCIA DE LA REPÚBLICA. Constitución política de Colombia. Bogotá, 2008. p.18.
53
lucro como corporaciones y fundaciones, con el objeto de adelantar las actividades
científicas y tecnológicas, los proyectos de investigación y la creación de
tecnologías.
54
3. METODOLOGÍA
55
3.4 POBLACIÓN Y MUESTRA
56
4. DESARROLLO INGENIERIL
Para hacer un estudio previo del tema a desarrollar se implementó una encuesta
(ver ANEXO A) de 8 preguntas abiertas
iertas aplicada a 10 (diez) aerolíneas que
operan en Colombia.
16
MÉNDEZ,, Carlos. Metodología, diseño y desarrollo del proceso de investigación. Bogotá, 2004.
p.208.
57
De la pregunta 2. Los encuestados que dicen NO utilizar una herramienta para
monitorear los motores APU, expresan no hacerlo porque:
De la pregunta 4.
La figura 16 muestra que para el 80% de los encuestados, son de fácil uso las
herramientas para monitoreo y diagnóstico de fallas implementadas en los
motores, por factores como: acceso a un manual de entrenamiento, interacción
amigable con el usuario, ingreso fácil d de
e datos, y variedad en la visualización de
resultados (semi-gráficos
gráficos y gráficos); y un 20% considera que no son de fácil uso
por necesitarse de un entrenamiento previo al personal para poder realizar el
respectivo análisis.
58
Tabla 4. Parámetros que evalúan las diferentes herramientas
Parámetro Significado
EGT Temperatura gases de escape
ITT Temperatura entre turbinas
WF Flujo de combustible
Oil press. Presión de aceite
Oil temp. Temperatura de aceite
Nn... Revoluciones
Vib. Vibraciones
59
4.2.1.1 Honeywell GTCP331-200. La compañía Honeywell Aerospace, es el
fabricante del modelo GTCP 331-200, que está basado en su modelo Turboprop
TPE 331 Garret, conservando una configuración básica de su motor origen. El
modelo GTCP 331-200 es operado en aeronaves como Boeing B757 y B767, para
suministrar potencia neumática y potencia eléctrica a la aeronave, este motor
consta de tres secciones:
El motor GTCP 331-200 une los anteriores componentes a un solo eje para
ofrecer las siguientes especificaciones técnicas:
RPM 40400
POTENCIA (SHP/KW) 579/432
FLUJO DE COMBUSTIBLE (Kg/s) 0,0423
RELACION DE PRESION 10,37
ENTRADA FLUJO DE AIRE (Kg/s) 5,22
Fuente: www.e-engines.honeywell.com.
Fuente: www.flypac.com/apus.
Auxiliary Power Unit Diagnostics Software (A.D.S.), tiene como objetivo determinar
el estado del rendimiento de los motores APU, con la aplicación de Redes
Neuronales Artificiales (ANN) para producir un diagnostico preciso de lo que está
afectando el rendimiento del motor.
61
Figura 19. Diagrama de flujo
62
63
En la figura 22 se destaca la implementación de una Red Neuronal para el
diagnóstico por ser una técnica de inteligencia artificial, capaz de entender,
aprender y entrenar así mismo las tendencias de funcionamiento de los
parámetros que le sean suministrados.
4.3.2 GAS TURB como herramienta de simulación. Por factores tales como el
difícil acceso a datos operacionales y rendimiento de los APU que operan las
aerolíneas, la exposición al error de esos datos (poco legibles, tomados
incorrectamente) ya que son tomados manualmente; la limitante de información
por poseer datos límites operacionales del motor, como los contenidos en los
diferentes manuales de mantenimiento; se optó por tomar los datos requeridos
para la consecución del proyecto simulando condiciones del punto de diseño del
motor y en estado de deterioro con el programa GAS TURB 11. Simulaciones que
arrojaron parámetros de rendimiento útiles en el entrenamiento de las Redes
Neuronales Artificiales.
La configuración del motor escogida en GAS TURB está dada por un motor
Turboshaft de un solo eje, que es el modelo semejante al motor escogido para el
desarrollo del proyecto, motor Honeywell GTCP 331-200.
4.3.5. Punto de diseño de rendimiento del motor GTCP 331-200. Para calcular el
rendimiento del motor GTCP 331-200 fue necesario simularlo utilizando el
Software GAS TURB 11. El punto de diseño de la simulación es tomando el 100%
de la potencia a nivel del mar, con una temperatura estándar de 15°C y tomando
el motor en un estado estático.
Los datos dados por el fabricante y otras variables son tenidas en cuenta en el
programa GAS TURB para ser simulados, como se puede observar en las figuras
20 - 25.
65
Figura 22. Valor de eficiencia isentrópica del compresor
66
La figura 21 arroja los parámetros de comportamiento del motor a evaluar en este
proyecto, estos datos son tenidos en cuenta como parámetros de motor limpio o
sin degradación.
Para validar el punto de diseño del motor, se usó una tabla comparativa (ver tabla
6) con los datos dados por el fabricante y los datos arrojados por el software de
simulación. Las diferencias de los datos no superan un 5%, y por tal razón, se
consideraron como aceptables para seguir con el posterior proceso de
degradación.
ST > S
∆S 5 - 100 6
ST
67
4.3.6 Modelo de deterioro del rendimiento del motor. Para degradar el punto de
diseño del motor, se disminuyeron las eficiencias isentrópicas y la capacidad de
flujo del compresor y la turbina, en cada simulación se puede evidenciar como se
ve afectado el punto inicial de diseño del motor, y mediante gráficos, se analizan
las tendencias de incremento o disminución en el rendimiento de los componentes
del motor (ANEXO B, C, D y E). La eficiencia isentrópica y la capacidad de flujo,
son los parámetros que describen el rendimiento de componentes como el
compresor y las ruedas de turbina, pérdidas en el rendimiento de estos
componentes, afectará el valor tanto de la capacidad de flujo a la entrada del de
compresor, como la eficiencia isentrópica del mismo y de la turbina, esto significa
una deterioración en los componentes anteriormente mencionados. El ANEXO I,
muestra parte de las múltiples simulaciones de degradaciones hechas en GAS
TURB.
68
Figura 27. Flujo de combustible
ombustible vs. degradación de compresor
ompresor y turbina
69
Para hacer más evidente la degradación de los componentes del motor, los
autores han simulado una deterioración hasta un 22%, donde se refleja la caída de
potencia, el flujo de combustible y el consumo especifico a un alto régimen de
deterioración del motor.
70
Figura 31.. Consumo específico vs. degradado de compresor, turbina y flujo másico
• RPM
• Temperatura de aceite
• Presión de aceite
• Flujo de combustible ( )
• Temperatura de entrada a la turbina ( )
• Temperatura gases de escape ( )
• Potencia
Dependiendo del estado técnico del motor el A.D.S. emitirá mensajes donde se
especifican las posibles fallas (ver ANEXO F).
La tabla 7 lista los diferentes componentes del motor, la posible causa de falla, los
síntomas que se representan en los parámetros dependientes y sus acciones
correctivas.
-Rectificar indicador
BOMBA DE -Indicación Presión de aceite -Verificar el nivel de
72
ACEITE -Nivel de cantidad ↓↑ cantidad aceite
de aceite -Verificar la bomba
-Falla en la bomba de presión de aceite
de presión de aceite -Verificar condición
de filtros de aceite
-Verificar condición
de válvula
reguladora de
presión y alivio
SISTEMA DE -Indicación -Rectificar indicador
ACEITE -Nivel de cantidad -Verificar el nivel de
de aceite cantidad aceite
-Sensor de Temperatura de -Verificar sensor de
temperatura de aceite ↑ temperatura
aceite -Verificar el
-Intercambiador de intercambiador de
calor de aceite calor de aceite
ESTATORES DE -Álabes quemados Wf↑ TET↑ RPM↓ -Verifique los álabes
TURBINA -Álabes fisurados estatores por
-Álabes con fisuras, por pérdida
distorsión (por de material y por
pérdida de material) signos de
quemaduras,
mediante inspección
boroscópica
TURBINA -Excesiva tolerancia Wf↑ TET↑ RPM↓ -Verifique las puntas
en la punta de los de los álabes, por
álabes tolerancia, puntas
-Puntas quemadas quemadas, o signos
en los álabes de fricción de las
-Fricción de las mismas, mediante
puntas de los inspección
álabes boroscópica
TERMOCUPLA - Instrumentación o TET↓ -Rectificar indicador
termocupla o reemplazar
termocupla
73
4.3.9 Uso de Redes Neuronales Artificiales. La arquitectura de las ANN utilizadas
salida, una o más capas ocultas, y # neuronas en cada capa. La forma por la cual
es un perceptrón multi-capas (MLP), que consiste en una capa de entrada, una de
74
Para iniciar el entrenamiento se le presenta a la red un patrón de entrenamiento, el
cual tiene q componentes como se describe en la siguiente matriz:
(7)
Cada una de las neuronas de la capa oculta tiene como salida aoj que está dada
por la ecuación (8).
(8)
Las salidas aoj de las neuronas de la capa oculta (de l componentes) son las
entradas a los pesos de conexión de la capa de salida, este comportamiento está
75
descrito por la ecuación (9).
(9)
Wskj: Peso que une la neurona j de la capa oculta con la neurona k de la capa de
salida, la cual cuenta con s neuronas
aoj: Salida de la neurona j de la capa oculta, la cual cuenta con m neuronas.
bsk: Ganancia de la neurona k de la capa de salida.
nsk: Entrada neta a la neurona k de la capa de salida
(10)
(11)
La salida de la red de cada neurona ask se compara con la salida deseada tk para
calcular el error en cada unidad de salida (12)
(12)
(13)
76
Este proceso se repite para el número total de patrones de entrenamiento (r), para
un proceso de aprendizaje exitoso el objetivo del algoritmo es actualizar todos los
pesos y ganancias de la red minimizando el error medio cuadrático total descrito
en (14).
(14)
El error que genera una red neuronal en función de sus pesos, genera un espacio
de n dimensiones, donde n es el número de pesos de conexión de la red, al
evaluar el gradiente del error en un punto de esta superficie se obtendrá la
dirección en la cual la función del error tendrá un mayor crecimiento, como el
objetivo del proceso de aprendizaje es minimizar el error debe tomarse la dirección
negativa del gradiente para obtener el mayor decremento del error y de esta forma
su minimización, condición requerida para realizar la actualización de la matriz de
pesos en el algoritmo Backpropagation:
(15)
En la capa de salida el gradiente negativo del error con respecto a los pesos es:
(16)
77
Para calcular se debe utilizar la regla de la cadena, pues el error no es una
función explícita de los pesos de la red, de la ecuación (10) puede verse que la
salida de la red ask esta explícitamente en función de nsk y de la ecuación (9)
puede verse que nsk esta explícitamente en función de Wskj, considerando esto se
genera la ecuación (17)
(17)
(18)
(19)
De la ecuación (19), los términos del error para las neuronas de la capa de salida
están dados por la ecuación (20), la cual se le denomina comúnmente sensitividad
de la capa de salida.
78
(20)
(21)
(22)
Todos los términos de la ecuación (22) son derivados, reemplazando (22) en (21)
tenemos:
(23)
Tomando las derivas de las ecuaciones (7), (8), (9), (10) y reemplazándolas en la
ecuación (23) se obtiene la expresión del gradiente del error en la capa oculta
(24)
79
(25)
Los términos del error para cada neurona de la capa oculta esta dado por la
ecuación (26), este término también se denomina sensitividad de la capa oculta.
(26)
Luego de encontrar el valor del gradiente del error se procede a actualizar los
pesos de todas las capas empezando por la de salida, para la capa de salida la
actualización de pesos y ganancias está dada por (27) y (28).
(27)
(28)
: Rata de aprendizaje.
(29)
(30)
4.3.9.1 Paso a paso para uso de las ANN. Para que una Red Neuronal pueda
aprovechar todo su potencial en el diagnóstico de fallas de motores APU, es
necesario tener en cuenta una serie de pasos obteniendo un diseño de Red
Neuronal Artificial que satisfaga los objetivos propuestos en una problemática.
Para utilizar las ANN en el desarrollo del software, se siguieron los siguientes
pasos:
81
3. Creación del Modelo de Entrenamiento. Para generar un modelo de
entrenamiento, se deben establecer unos parámetros de trabajo de la red y los
datos ingresados, como por ejemplo establecer cuantas capas va a tener la red,
cuantas neuronas conforman cada capa; además de un Error Medio Cuadrático
(EMC), para que la red ajuste sus pesos hasta encontrar el EMC en un
determinado número de iteraciones o épocas. Hay que precisar qué datos sirven
de entrenamiento y cuales datos sirven para ser datos “objetivo”, para que el
programa tenga una referencia y evalúe los datos que son ingresados en la
ejecución del programa.
82
4. Análisis de una ANN Entrenada. Con los datos de entrenamiento ya cargados,
se efectúa la evaluación. En este proceso se ingresan los datos a ser evaluados
(datos de operación), con ellos se generará una salida que será el resultado de la
evaluación, para el caso del A.D.S. el resultado será el porcentaje (%) de
degradación de cada componente principal del motor (compresor y turbina), y el
de degradación general del motor.
83
Figura 37. Pantalla principal del A.D.S.
84
Figura 38. Pantalla final
4.3.11 Guía del usuario. El manual “Guía del Usuario” (figura 39) anexo en la
parte final de este trabajo, facilitará toda la información que se requiere para la
instalación y manejo eficaz del A.D.S.
86
A.D.S. es un programa que debe ser instalado en un computador con las
siguientes características:
Para la validación del A.D.S., los autores tomaron como datos de referencia
degradaciones desde el 1 hasta el 5% de la eficiencia isentrópica tanto del
compresor como de la turbina.
87
Figura 41. Resultados degradación 2.9%
88
Figura 43. Resultados degradación 4.0%
89
Las anteriores figuras muestra que el porcentaje de degradación del motor en
cada pantalla da muy cercano al porcentaje que se quiere tener como objetivo
(columna 1 de tabla 8).
Inicialmente, el software tenía una interfaz como la que muestra las figuras…….
90
Figura 46. Pantalla identificación del motor
91
Figura 48. Pantalla de Red Neuronal
92
Figura 50. Pantalla de resultado del diagnóstico
93
debía ingresar comenzando a correr el programa, la interfaz fue cambiada y se
especifica en el numeral 4.3.9.
Debido a que ésta es la primera versión de la herramienta A.D.S., son varias las
falencias y limitaciones al cual el software es sometido, estas contras irán
disminuyendo a medida que el usuario suministre sugerencias, datos y opiniones
sobre como optimizar la herramienta, para que tenga un mejor desempeño en su
labor de diagnóstico.
• El software está limitado para trabajar con un solo modelo de APU, esta
limitación se reduce cuando se consiguen datos de otros modelos y se entrena
la ANN de manera conveniente.
• El diagnóstico que suministra el A.D.S., es con relación a los componentes
directamente involucrados con el RENDIMIENTO del motor. El A.D.S. no dará
diagnóstico sobre parte electrónicas, eléctricas etc., que sean independientes
del rendimiento del motor.
• El A.D.S. detecta problemas tales como: variaciones en temperatura y presión
de aceite, posibles problemas de la sección fría y caliente del motor.
• La exactitud de diagnóstico del A.D.S. depende de la precisión de los
parámetros que le sean ingresados, la toma manual de datos en las pruebas
operacionales puede incurrir al error humano (mala escritura o interpretación
de los datos), incrementando la imprecisión del diagnóstico.
94
5.1 SISTEMA DE EQUILIBRIO.
Los siguientes símbolos son usados en los cálculos del punto de equilibrio:
= Aportación
+ = Relación de aportación
= Precio de venta
+ = Beneficios o utilidades
= Costos Fijos
= Costos Variables
= Ventas
5
> 31
5 250′000.000 > 0
5 250′000.000
+ 5 32
250′000.000
+ 5
250′000.000
+ 5 1
5 33
1>
95
91′509.186,67
5
0
1>
250′000.000
91′509.186,67
5
1>0
5 91′509.186,67
+ 5
> Z + 34
+ 5
> Z +
+ 5 158′490.813,3
+ 5 57.7%
Del anterior análisis, se establece que con cuatro (4) unidades de software
vendidas de 10 que se coloquen en el mercado a un precio de $25’000.000 c/u, se
recuperará el total de la inversión del proyecto. Y, al cabo de venderse las diez
(10) unidades se logrará una ganancia de $158’490.813,3.oo, representando un
57.7% de utilidades.
COSTOS DE PRODUCCIÓN
96
DETALLE PRECIO ($)
6. CONCLUSIONES
97
10. Mediante la simulación de rendimiento de motores es posible hacer
predicciones sobre su degradación para enriquecer un sistema de diagnóstico,
y con ello garantizar que los programas de mantenimiento se ajusten con
mayor detalle a la realidad, evitando así incidentes que podrían ser
catastróficos.
14. Con una (1) Red Neuronal, el programa A.D.S. tiene la capacidad de dar un
diagnóstico del porcentaje de degradación del motor en general. De la misma
manera, diez (13) posibles fallas de los motores APU GTCP 331-200 pueden
ser diagnosticadas, para luego brindar a los usuarios una serie de acciones
correctivas y solucionar los problemas presentados, caracterizándose así,
como una herramienta eficaz para la detección y corrección temprana de fallas
en los motores.
98
18. Teniendo en cuenta la situación actual de las aerolíneas al no poseer ninguna
clase de programa o sistema que monitoree la condición de los motores APU,
se puede concluir que el uso de una herramienta de características como las
que posee el A.D.S. aumentará la confiabilidad, la mantenibilidad y la
disponibilidad de estos motores, y, además, disminuirá los costos de
mantenimiento gracias a la identificación y corrección de los problemas
presentes de manera oportuna.
7. RECOMENDACIONES
99
1. Para versiones posteriores del A.D.S., aumentar la cantidad de fallas
detectables y mostrar los porcentajes de degradación de cada componente.
BIBLIOGRAFÍA
100
ANDERSON, Dave y McNeill, George. Artificial Neuronal Networks Technology.
USA, 1992. 4 p.
GIAMPAOLO, Tony. The Gas Turbine Handbook: Principles and Practices. Third
Edition. USA: The Fairmont Press, Inc, 2006. 405 p.
101
MARINAI, Luca; PROBERT, Douglas y SINGH, Riti. Artículo: Prospects for aero
gas-turbine diagnostics: a review. Cranfield University, Department of Power,
Propulsion and Aerospace Engineering. UK, 2003. 28 p.
MENG, Tang. The Adaptive Intelligent Model for Process Diagnosis, Prediction and
Control. Dr.ing Thesis, Faculty of Engineering Science and Technology, Norwegian
University of Science and Technology (NTNU). Trondheim, 2004.
PROVOST, MJ. The use of optimal estimation techniques in the analysis of gas-
turbines, Ph.D. Thesis, School of Mechanical Engineering, Cranfield University.
UK, 1995.
102
SAMPATH S. Fault diagnostics for an advanced cycle marine gas-turbine using
Genetic-Algorithms, Ph.D. Thesis, School of Engineering, Cranfield University. UK,
2003.
WALSH, Philip y FLETCHER, Paul. Gas turbine performance. Second Edition. UK:
Blackwell Science Ltd, 2004. 658 p.
YEDAVALLI, Rama. Robust Estimation and Fault Diagnostics for Aircraft Engines
with Uncertain Model Data. Proceedings of the 2007 American Control
Conference. New York City, USA, July 11-13, 2007.
www.answermath.com
www.casa.gov.au
www.elprisma.com
www.gasturb.de
www.honeywell.com
www.mathworks.com
www.monografias.com
103
ANEXO A. Encuesta
104
105
106
107
ANEXO B. Gráficas de deterioro de eficiencia isentrópica Compresor hasta
un 5%. Motor Honeywell GTCP331 – 200
108
ANEXO C. Gráficas de deterioro de eficiencia isentrópica Turbina hasta un
5% . Motor Honeywell GTCP331 - 200
109
ANEXO D. Gráficas de deterioro de eficiencia isentrópica Compresor –
Turbina hasta un 5%. Motor Honeywell GTCP331 – 200
110
ANEXO E. Gráficas de deterioro de capacidad de flujo hasta un 5%. Motor
Honeywell GTCP331 - 200
111
ANEXO F. Mensajes que emitirá el programa dependiendo del estado técnico
del motor
Mensaje 01 A.D.S.
Diagnóstico:
El motor se encuentra en parámetros normales de operación.
Mensaje 02 A.D.S.
Diagnóstico:
Posibles problemas de la Sección Fría del Motor.
En la sección fría del APU (Compresor de Carga y Compresor del motor),
dependiendo del cambio en los parámetros (si son muy significativos), se
muestran otras acciones correctivas adicionales:
Mensaje 03 A.D.S.
Diagnóstico:
Posible problema de la Sección Caliente del Motor.
112
En la sección caliente del APU (Cámara de combustión y Turbina del motor),
dependiendo del cambio en los parámetros (si son muy significativos), se
muestran otras acciones correctivas adicionales.
113
ANEXO G. Acciones correctivas que sugiere el programa
Mensaje 03 A.D.S.
Acciónes Correctivas:
“FAILURE IN THE HOT SECTION. PLEASE REVIEW THE INDICATION
SYSTEM BY FAILURE AND/OR IT IS NESESSARY TO MAKE A BOROSCOPE
INSPECTION TO CHECK THE VANES FOR BRAKES, EROSION AND
CORROSION”
114
ANEXO H. Formato de adquisición de datos
115
ANEXO I. Pantallazos simulaciones de motor en degradación
116
117
118
119
120
121
122
123
124
125
126
127
128