Desarrollo de Un Software de Diagnostico Inteligente para Monitoreo de Apus

FECHA ENERO 21 de 2010
NÚMERO RAE
PROGRAMA Programa de Ingeniería Aeronáutica
AUTOR (ES) ALBARRACIN, Eddy Gisela y PESCADOR, Paulo César
TÍTULO DESARROLLO DE UN SOFTWARE DE DIAGNÓSTICO INTELIGENTE PARA

MONITOREO DE APUS
PALABRAS CLAVES Software

Diagnóstico
Auxiliar Power Unit (APU)
Redes Neuronales Artificiales
DESCRIPCIÓN Herramienta de Diagnóstico de fallas, que implementa Redes

Neuronales Artificiales para determinar el grado de degradación del
rendimiento de un motor (APU), la posible causa de falla y
respectivas acciones correctivas.
FUENTES BIBLIOGRÁFICAS ANDERSON, Dave y McNeill, George. Artificial Neuronal

Networks Technology. USA, 1992. 4 p.
AZNAR GREGORI, Fidel. Fundamentos de Inteligencia

Artificial. Universidad de Alicante, Departamento de
Ciencia de la Computación e Inteligencia Artificial.
España, 2004. 64 p.
COLMENARES QUINTERO, Fernando. Artículo: Gas Path

Analysis (GPA). Cranfield University, Department of
Power and Propulsion. UK. 4 p.
DEMUTH, Howard; BEALE, Mark y HAGAN, Martin. Neural

Network Toolbox™ 6.User’s Guide. USA: The MathWorks,
Inc, 2009. 901 p.
ESCHER, P. Pythia: an object-oriented gas-path analysis

computer program for general applications, Ph.D.
thesis, School of Mechanical Engineering, Cranfield
University. UK, 1995.
GIAMPAOLO, Tony. The Gas Turbine Handbook:

Principles and Practices. Third Edition. USA: The Fairmont
Press, Inc, 2006. 405 p.
GULATI, A; TAYLOR, D y SINGH R. Multiple operating-
point analysis using Genetic-Algorithm optimisation for
gas-turbine diagnostics. ISABE-2001-1139. 2001.
GULATI, A; ZEDDA, M y SINGH, R. Gas-turbine engine

and sensor multiple operating-point analysis using
optimisation techniques. 36th AIAA/ASME/SAE/ASEE
Joint propulsion conference and exhibition,17-Huntsville.
Alabama, USA, AIAA 2000-3716, 19 July 2000.
HONEYWELL. APU 331-200 Familiarization Computer

Based Training. US, 2004.
--------. APU 331-400 Familiarization Computer Based

Training. US, 2004.
--------. APU 131-9A Familiarization Computer Based

Training. US, 2004.
HOU, Fengyang. Develop of a neuronal network Fault

Diagnostic System. MSc Thesis, School of Engineering,
Cranfield University. UK, 2007. 138 p.
INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS.

Trabajos escritos: presentación y referencias
bibliográficas. Sexta actualización. Bogotá D.C.:
ICONTEC, 2008. 36 p. NTC 1486.
--------. --------. Bogotá D.C.: ICONTEC, 2008. 33 p. NTC

5613.
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.
MARINAI, L; SINGH, R y CURNOCK, B. Fuzzy-logic-based

diagnostic process for turbofan engines. In: ISABE-2003-
1149, XVI International Symposium on air-breathing
engines. USA, 31 August–5 September 2003.
MARINAI, Luca, et al. Detection and prediction of the

performance deterioration of a turbofan engine. In: TS-
005, International Gas-turbine Congress 2003. Tokyo,
November 2–7, 2003.
MATHIOUDAKIS, K y SIEVERDING, CH. Gas-turbine

Condition Monitoring & Fault Diagnosis, Von Karman
Institute Lecture Series 2003-01. Brussels, Belgium, 13–17
January 2003.
MÉNDEZ, Carlos. Metodología, diseño y desarrollo del
proceso de investigación. Bogotá, 2004. 246 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.
MUCINO, Marco. CCGT Performance Simulation and

Diagnostics for Operations Optimization and Risk
Management. EngD Thesis, School of Engineering,
Cranfield University. UK, 2007.
PASSALACQUE, J. Description of automatic gas-turbine

engine-trends diagnostic system. National Research
Council of Canada, Symposium on Gas-turbine
Operation and Maintenance. Canadá, 1974.
PRESIDENCIA DE LA REPÚBLICA. Constitución política de

Colombia. Bogotá, 2008. 139 p.
PROVOST, MJ. COMPAS: a generalized ground-based

monitoring system. Engine-condition Monitoring,
AGARD-CP-449. 1988.
PROVOST, MJ. Kalman-filtering for performance

engineering, Performance technical report, Rolls-Royce.
Derby, 1987.
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.
SAMPATH S. Fault diagnostics for an advanced cycle
marine gas-turbine using Genetic-Algorithms, Ph.D.
Thesis, School of Engineering, Cranfield University. UK,
2003.
SINGH, R. Advances and opportunities in gas-path

diagnostics, ISABE 2003-1008. 2003.
SINGH, R. Civil aero gas-turbines: strategy and

technology, Chairman's Address, Aerospace Division,
Institution of Mechanical Engineers. London, April 2001.
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
ERO RAE
CONTENIDOS 4. DESARROLLO INGENIERIL
4.1. ESTUDIO Y VIABILIDAD DEL PROYECTO

Describe la viabilidad del proyecto para poderlo aplicar a la
industria
4.2. CONOCIMIENTOS ESPECÍFICOS DEL APU QUE EVALÚA EL A.D.S.

Descripción del motor al cual aplica la herramienta
4.2.1 Modelo del motor

Breve introducción a los modelos de APU’s.
4.2.1.1 Honeywell GTCP331-200

Características Técnicas del motor
4.3. DESARROLLO DEL A.D.S.

Se describe como fue desarrollado el software
4.3.1 Diagrama de flujo

Estructura del Software A.D.S
4.3.2 GAS TURB como herramienta de simulación

Herramienta de simulación utilizada para el desarrollo del A.D.S.
4.3.3 MATLAB como herramienta de programación

Herramienta de programacion en la cual fue desarrollada el A.D.S.
4.3.4 Adquisición de datos
Descripción de la forma de adquisición de datos para ser
evaluados en el A.D.S.
4.3.5 Punto de diseño de rendimiento del motor GTCP 331-200

Línea de referencia del rendimiento del motor.
4.3.6 Modelo de deterioro del rendimiento del motor

Graficas que muestran e4l deterioro del motor
4.3.7 Configuración del diagnóstico

Establecimiento de los parámetros requeridos para evaluar un
motor
4.3.8 Acciones correctivas

Tabla de las posibles fallas que afectan a un motor y sus
respectivas acciones correctivas
4.3.9 Uso de Redes Neuronales Artificiales

Introducción a la aplicación de las Redes Neuronales Artificiales
4.3.9.1 Paso a paso para uso de las ANN

Procedimiento para la aplicación de Redes Neuronales Artificiales
en el A.D.S.
4.3.10 Interfaz de usuario

Presentación de la interfaz de usuario de A.D.S.
4.3.11 Guía del usuario

Manual de usuario de A.D.S.
4.4 IMPLEMENTACIÓN DEL A.D.S.

Prueba de la herramienta A.D.S.
4.5. MEJORAS DEL A.D.S.

Descripción de las mejoras que se hicieron durante el desarrollo
del proyecto
4.6. LIMITACIONES DEL A.D.S.

Limitaciones que posee la herramienta A.D.S.
NÚMERO RAE
METODOLOGÍA ENFOQUE DE LA INVESTIGACIÓN
El enfoque a emplear en la investigación es Empírico-analítico,

cuyo interés es el técnico, orientado a la interpretación y
transformación del mundo material.
LÍNEA DE INVESTIGACIÓN
El presente proyecto, que forma parte del Grupo de Investigación

GTEGroup de la Universidad de San Buenaventura, está enfocado
al desarrollo e implementación de nuevas herramientas de
monitoreo y diagnóstico de fallas en motores auxiliares de
aeronaves (APUs).
El campo temático de investigación del programa de Ingeniería

Aeronáutica al cual se suscribe el proyecto a desarrollar es el de
Diseño y Construcción de Motores. Campo, incluido en la sub-
línea Instrumentación y Control de Procesos de la facultad, dentro
de la línea institucional Tecnologías Actuales y Sociedad de la
Universidad de San Buenaventura.
TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN
Las técnicas de recolección de información requeridas para la

investigación constan de:
• Encuestas, que se aplicarán a personal vinculado al área de

motores de las diferentes empresas de aviación que operan
en Colombia.
• Visitas programadas a la División de Ingeniería de Motores de
algunas aerolíneas.
• Entrenamientos y/o capacitaciones otorgados por personal
experto, como científicos reconocidos en la rama de los
motores a nivel internacional.
• Información de Congresos, Conferencias y Seminarios, de
libros, artículos y manuales.
• Simulaciones del rendimiento en GAS TURB.
• Pruebas del Software de Diagnóstico Inteligente para
Monitoreo de APUs con datos de reales de motores.
• Validación del Software. Se realizará para verificar si en
realidad la herramienta implementada cumple con los
requerimientos para la cual fue diseñada.
POBLACIÓN Y MUESTRA
Las encuestas serán aplicadas a personal de ingeniería y

mantenimiento vinculados al área de Motores en las diferentes
empresas de aviación.
Parte de la información será recolectada de la experimentación

con los propios motores auxiliares (APUs).
CONCLUSIONES CONCLUSIONES
1. 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.
2. El deterioro de los componentes que constituyen un APU

produce aumento en el consumo específico de combustible
(), aumento de la temperatura de los gases de escape
la turbina y una reducción de la potencia entregada

(), lo que implica una mayor temperatura a la entrada de
(
). Los mayores contribuyentes para la reducción de los
parámetros anteriormente citados, son deterioro en el
compresor y la turbina.
3. Para un sistema de diagnóstico de APU’s, la arquitectura de

red que más concuerda con el algoritmo backpropagation, es
la red feedforward multicapa.
4. El algoritmo backpropagation puede mejorar su ejecución, si

se le realizan ajustes como:
• Cambios al procedimiento para actualizar los pesos.
• Alternativas a las funciones de activación.
5. 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.
6. El A.D.S. a diferencia de muchos programas de diagnóstico,

sugiere acciones correctivas a cada una de las probables
fallas que afectan el rendimiento de un APU, estas acciones
correctivas son tomadas en cuenta dependiendo del síntoma
que la herramienta identifique en el proceso de diagnóstico
del APU.
7. El A.D.S. brinda la posibilidad de monitorear la condición de

APUs de cualquier fabricante, ofreciendo una alternativa de
mantenimiento predictivo al alcance de cualquier operador.
8. El uso de la herramienta A.D.S. con el tiempo evitará la

remoción no programada de los motores APU, y minimizará los
apagados inesperados que ocurren durante la operación de
los mismos.
9. 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.
DESARROLLO DE UN SOFTWARE DE DIAGNÓSTICO INTELIGENTE PARA
MONITOREO DE APUS
EDDY GISELA ALBARRACÍN ALBARRACÍN

PAULO CÉSAR PESCADOR BASTO
UNIVERSIDAD DE SAN BUENAVENTURA

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA AERONÁUTICA
BOGOTÁ D.C.
2010
DESARROLLO DE UN SOFTWARE DE DIAGNÓSTICO INTELIGENTE PARA
MONITOREO DE APUS
EDDY GISELA ALBARRACÍN ALBARRACÍN

PAULO CÉSAR PESCADOR BASTO
Trabajo de Grado como requisito para optar al título de

Ingenieros Aeronáuticos
Asesor:
FERNANDO COLMENARES QUINTERO, Ph.D.
UNIVERSIDAD DE SAN BUENAVENTURA

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA AERONÁUTICA
BOGOTÁ D.C.
2010
Nota de aceptación:
______________________________
______________________________
______________________________
______________________________
______________________________
______________________________
______________________________
Firma del presidente del jurado
______________________________
Firma del jurado
______________________________
Firma del jurado
______________________________
Firma del asesor metodológico
Bogotá D.C., 15 de Enero de 2010

A Dios, que me
me ha dado la oportunidad de vivir y tener salud para poder cumplir mis
objetivos.
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 padre, por su amor, cariño,

cariño, y estar siempre a mi lado pese a las dificultades de la
separación.
A mi hermana, por ser el ejemplo de hermana mayor y con la cual he aprendid

ido
aprendid o a
superar momentos difíciles.
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 la familia de mi novio, por su especial cariño y apoyo.
A mis amigos
amigos ROLANDO, MAU, CARLITOS, DANI, DIANIS y CARO, por el apoyo
mutuo y momentos muy agradables durante nuestra formación profesional.
profesional.
Al Ph.D. FERNANDO COLMENARES, que a su manera, ha sido capaz de ganarse mi

lealtad y admiración, así como sentirme en deuda con él por todo lo recibido durante
durante el
periodo de tiempo que duró
duró esta tesis.
A la Universidad de San Buenaventura de Bogotá, y en especial a la Facultad de

Ingeniería Aeronáutica,
Aeronáutica, que me dieron la oportunidad de formar parte de ellas.
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.
A mi Amor, amiga y gran compañera de trabajo, por cada momento satisfactorio y

tenso durante la realización de este proyecto, por que pudimos salir adelante y nos
dimos apoyo mutuo ante las diferentes adversidades.
adversidades.
A la familia de mi novia por todo el apoyo ofrecido durante la realización de este

proyecto, a Juan Martín Mahecha Albarracín por todos los ratos de esparcimiento y
sonrisas que nos arranco durante los momentos difíciles y de alta presión.
Al Dr. Fernando Colmenares por su gran paciencia, y grandísima colaboración en la

asesoría de este proyecto, y sus continuas motivaciones para la realización de éste.
PAULO
AGRADECIMIENTOS
Los autores expresan sus agradecimientos a:
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.
Freddy Díaz, por su guía en el Análisis Económico y Financiero del proyecto.
Patricia Carreño, por su aporte en la orientación metodológica del documento.
A los demás profesores de la Universidad de San Buenaventura Bogotá, que de

una u otra forma han aportado su granito de arena en nuestra formación
profesional.
A nuestros compañeros y amigos, que de alguna u otra forma aportaron en el

desarrollo de este proyecto.
Nuestras familias, por el apoyo moral y económico brindado para la consecución

de este proyecto.
CONTENIDO
pág.
INTRODUCCIÓN 19
1. PLANTEAMIENTO DEL PROBLEMA 20
1.1 ANTECEDENTES 20
1.2 DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMA 25
1.3 JUSTIFICACIÓN 25
1.4 OBJETIVOS DE LA INVESTIGACIÓN 26
1.4.1 Objetivo general 26
1.4.2 Objetivos específicos 26
1.5 ALCANCES Y LIMITACIONES DEL PROYECTO 26
2. MARCO DE REFERENCIA 28
2.1 MARCO TEÓRICO – CONCEPTUAL 28
2.1.1 Auxiliary Power Unit 28
2.1.1.1 Funciones y requerimientos de los APUs 29
2.1.1.2 Ciclo básico de operación de un APU 29
2.1.1.3 Secciones del APU 31
2.1.1.4 Requerimientos de potencia de APU para diferentes tipos de

aeronaves 32
2.1.2 Problemas detectables 33
2.1.2.1 Erosión y Corrosión 33
2.1.2.2 Desgaste por fricción 35

2.1.2.3 FOD / DOD – Foreign / Domestic Object Damage 36
2.1.2.4 Daños en los sellos de laberinto 36
2.1.2.5 Daños en componentes calientes 36
2.1.2.6 Degradación del sistema de combustión 37
2.1.3 Engine Health Monitoring 37
2.1.3.1 Métodos de diagnóstico de fallas para motores de turbinas

de gas 38
2.1.3.2 Técnicas adicionales de monitoreo de condición del motor 40
2.1.4 Degradación de rendimiento de los motores 42
2.1.5 Redes Neuronales Artificiales 43
2.1.5.1 Funcionamiento de las Neuronas Artificiales 44
2.1.5.2 Niveles o capas de neuronas 45
2.1.5.3 Formas de conexión 46
2.1.5.4 Funciones de Base y Activación 48
2.1.5.5 Regla de aprendizaje 49
2.1.5.6 Entrenamiento de una ANN 49
2.1.5.7 Red Feed Forward Backpropagation 50
2.1.6 GAS TURB y MATLAB 51
2.1.6.1 GAS TURB 51
2.1.6.2 MATLAB 52
2.2 MARCO LEGAL O NORMATIVO 53
2.2.1 Artículo 71 de la Constitución Política Colombiana 53
2.2.2 Ley 29 de febrero de 1990 53

2.2.3 Decreto 393 del 26 febrero de 1991 53
3. METODOLOGÍA 55
3.1 ENFOQUE DE LA INVESTIGACIÓN 55
3.2 LÍNEA DE INVESTIGACIÓN 55
3.3 TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN 55
3.4 POBLACIÓN Y MUESTRA 56
4. DESARROLLO INGENIERIL 57
4.1. ESTUDIO Y VIABILIDAD DEL PROYECTO 57
4.2. CONOCIMIENTOS ESPECÍFICOS DEL APU QUE EVALÚA EL A.D.S. 59
4.2.1 Modelo del motor 59
4.2.1.1 Honeywell GTCP331-200 60
4.3. DESARROLLO DEL A.D.S. 61
4.3.1 Diagrama de flujo 61
4.3.2 GAS TURB como herramienta de simulación 64
4.3.3 MATLAB como herramienta de programación 64
4.3.4 Adquisición de datos 65
4.3.5 Punto de diseño de rendimiento del motor GTCP 331-200 65
4.3.6 Modelo de deterioro del rendimiento del motor 68
4.3.7 Configuración del diagnóstico 71
4.3.8 Acciones correctivas 72
4.3.9 Uso de Redes Neuronales Artificiales 74
4.3.9.1 Paso a paso para uso de las ANN 80
4.3.10 Interfaz de usuario 83

4.3.11 Guía del usuario 85
4.3.12 Requisitos del sistema para el A.D.S. 86
4.4 IMPLEMENTACIÓN DEL A.D.S. 86
4.4.1 Validación del A.D.S. 86
4.5. MEJORAS DEL A.D.S. 89
4.6. LIMITACIONES DEL A.D.S. 93
5. ANÁLISIS ECONÓMICO Y FINANCIERO 94
5.1 SISTEMA DE EQUILIBRIO 94
5.1.1 Relación de aportación 94
5.1.2 Punto de equilibrio 94
5.1.3 Beneficios o Utilidades 95
5.2 COSTOS DE PRODUCCIÓN 95
6. CONCLUSIONES 97
7. RECOMENDACIONES 99
BIBLIOGRAFÍA 100
ANEXOS 103
LISTA DE TABLAS
pág.
Tabla 1. Aplicación de las Redes Neuronales 21
Tabla 2 Primeros Sistemas Expertos y sus aplicaciones 24
Tabla 3. Ejemplos y aplicaciones de Auxiliary Power Units 32
Tabla 4. Parámetros que evalúan las diferentes herramientas 59
Tabla 5. Especificaciones técnicas motor Honeywell GTCP 331-200 60
Tabla 6. Comparación entre el motor real y el motor simulado 67
Tabla 7. Acciones correctivas a posibles fallas en el motor 72
Tabla 8. Valores para validación del software 86
Tabla 9. Costos de producción 96

LISTA DE FIGURAS
pág.
Figura 1. Sección de potencia del Auxiliary Power Unit 30
Figura 2. Secciones principales del Auxiliary Power Unit 31
Figura 3. Cambio en los parámetros con respecto al aumento de área en los

álabes estatores de la sección de turbina 34
Figura 4. Pérdida de material en el estator de la turbina 34
Figura 5. Pérdida de material en el álabe de la rueda de turbina 35
Figura 6. Pérdida de material en la punta del álabe de la rueda de turbina 35
Figura 7. Criterios que subyacen del Gas Path Analysis 38
Figura 8. Una neurona simple 44
Figura 9. Neurona Artificial básica 45
Figura 10. Modelo de Red Neuronal de tres capas 46
Figura 11. Conexiones hacia delante 47
Figura 12. Conexiones laterales 47
Figura 13. Conexiones hacia atrás (o recurrentes) 48
Figura 14. Algunas funciones de activación 49
Figura 15. Uso de herramientas para diagnosticar fallas en motores

Aeronáuticos 57
Figura 16. Facilidad de uso de herramientas para diagnosticar fallas en

motores aeronáuticos 58
Figura 17. Secciones del motor APU Honeywell GTCP 331-200 60
Figura 18. Motor APU Honeywell GTCP 331-200 61

Figura 19. Diagrama de flujo 62
Figura 20. Datos de ingreso GAS TURB 65
Figura 21. Estaciones del motor simulado 65
Figura 22. Valor de eficiencia isentrópica del compresor 66
Figura 23. Valor de revoluciones por minuto ( ) del motor 66
Figura 24. Valor de eficiencia isentrópica de la turbina 66
Figura 25. Resultado de la simulación del motor 66
Figura 26. Potencia vs. degradación de compresor y turbina 68
Figura 27. Flujo de combustible vs. degradación de compresor y turbina 69
Figura 28. Consumo específico de combustible vs. degradación de

compresor y turbina 69
Figura 29. Potencia vs. degradaciones de compresor, turbina y flujo másico 70
Figura 30. Flujo de combustible vs. degradaciones de compresor, turbina y

flujo másico 70
Figura 31. Consumo específico vs. degradaciones de compresor, turbina y 71

flujo másico
Figura 29. Esquema de red neuronal con una capa oculta 68
Figura 30. Estructura general de red neuronal artificial 70
Figura 31. Datos organizados en forma matricial 71
Figura 32. Red Neuronal de tres capas 74
Figura 33. Estructura general de red neuronal artificial 81
Figura 34. Datos organizados en forma matricial 81
Figura 35. Pantalla de entrenamiento de una red neuronal artificial usada

en el A.D.S. 82
Figura 36. Pantalla de inicio 83

Figura 37. Pantalla principal del A.D.S. 84
Figura 38. Pantalla final 84
Figura 39. Portada del manual “Guía del Usuario” 85
Figura 40. Resultados degradación 1% 87
Figura 41. Resultados degradación 2.9% 87
Figura 43. Resultados degradación 4.0% 88
Figura 45. Pantalla de inicio 90
Figura 46. Pantalla de identificación del motor 90
Figura 47. Pantalla de ingreso de parámetros del motor 91
Figura 48. Pantalla de Red Neuronal 91
Figura 49. Pantalla de diagnóstico del motor 92
Figura 50. Pantalla de resultado del diagnóstico 92

GLOSARIO
ACCIÓN CORRECTIVA: acción tomada para eliminar la causa de una no

conformidad detectada u otra situación no deseable.
ALGORITMO: conjunto de operaciones y procedimientos que deben seguirse para

llevar a cabo una tarea.
APRENDIZAJE: las Redes Neuronales Artificiales tienen la habilidad de aprender

mediante una etapa que se llama “etapa de aprendizaje”. Esta consiste en
proporcionar a la ANN datos como entrada, a su vez, se le indica cuál es la salida
(respuesta) esperada.
APU: un Auxiliary Power Unit o Unidad Auxiliar de Potencia, es un dispositivo

montado sobre un vehículo, cuyo propósito es proporcionar energía para
funciones diferentes a propulsión.
ARQUITECTURA: descripción del número de capas en una red neuronal, cada

función de transferencia de capas, el número de neuronas por capa, y la conexión
entre capas.
BACKPROPAGATION: o retro-propagación. Clase de Red Neuronal en la cual se

interconectan varias unidades de procesamiento en capas, y las neuronas de cada
capa no se interconectan entre sí. Sin embargo, cada neurona de una capa
proporciona una entrada a cada una de las neuronas de la siguiente capa, esto es,
cada neurona transmitirá su señal de salida a cada neurona de la capa siguiente.
DIAGNÓSTICO DE FALLAS: término que se refiere tanto a la detección de una

falla como a la localización de la misma.
EFICIENCIA ISENTRÓPICA: es definida como la relación apropiada del trabajo

real y el ideal, y es siempre inferior al 100%.
ENGINE HEALTH MONITORING: el monitoreo de salud del motor es empleado en

motores de turbinas de gas para mejorar la seguridad de operación, minimizar
costos de mantenimiento y mejorar la disponibilidad.
ENTRENAMIENTO: es el proceso por el cual los parámetros de la red se adecuan

de acuerdo a la solución de cada problema.
FUNCIÓN DE TRANSFERENCIA: es una función matemática que determina las

variables de salida dependiendo de las señales de entrada.
GAS PATH ANALYSIS: simulación o método de modelamiento capaz de
diagnosticar fallas.
GAS TURB: es un potente y flexible programa de ciclo de turbinas de gas para la

simulación de los tipos más comunes de turbinas para aeronaves y de propulsión
de vehículos, así como para la generación de energía.
INTERFAZ DE USUARIO: es el conjunto de componentes necesarios para que

exista una comunicación entre usuario y computador.
INTELIGENCIA ARTIFICIAL: disciplina de investigación, cuyo objetivo es hacer

que los ordenadores sean capaces de simular habilidades humanas,
especialmente la capacidad de aprender. La Inteligencia Artificial abarca teoría de
redes neuronales, sistemas expertos, robótica, sistemas de control difuso, etc.
LENGUAJE DE PROGRAMACIÓN: es un conjunto de sintaxis y reglas semánticas

que definen los programas del computado.
MATLAB: (abreviatura de MATrix LABoratory, "laboratorio de matrices") es un

software matemático que ofrece un entorno de desarrollo integrado con un
lenguaje de programación propio.
NEURAL NETWORK TOOLBOX: extensión de MATLAB, que posee herramientas

para el diseño, ejecución, visualización, y simulación de Redes Neuronales.
NEURONA: elemento de procesamiento básico de una red neuronal. Incluidos los

pesos y sesgos, sumas, y una función de transferencia de salida.
PESOS: hacen referencia a las conexiones sinápticas biológicas, el conjunto de

los pesos determina el conocimiento de la ANN y tiene la propiedad de resolver el
problema para el que la ANN ha sido entrenada.
PROGRAMA: conjunto de instrucciones basadas en un lenguaje de programación,

para ser interpretadas en un computador que cumple una función específica o
resuelve una problemática planteada.
RED NEURONAL ARTIFICIAL: procesador que imita vagamente el proceso de

aprendizaje del cerebro humano, capaz de almacenar información y
retroalimentarse de ella para operar en un campo tecnológico determinado.
SIMULINK: es un entorno de programación visual, que funciona sobre el entorno

de programación Matlab.
SISTEMAS EXPERTOS: también conocidos como sistemas basados en el

conocimiento o sistemas expertos basados en el conocimiento). Programas que
tienen la capacidad para ayudar, aconsejar, analizar, consultar y determinar la
pertenencia de un objeto, fenómeno o situación a una clase dada. Son una rama
de la Inteligencia Artificial que hace un uso del conocimiento especializado para
resolver problemas como un especialista humano.
SOFTWARE: todo programa o aplicación, programado para realizar tareas

específicas.
TROUBLESHOOTING: o resolución de problemas, es una forma de resolver

problemas. Es la forma sistemática de buscar el origen de un problema para que
éste pueda ser resuelto.
ABREVIATURAS

45
Ambiente (Ambient)

Eficiencia de la turbina (Turbine Efficiency)

Pies (Feet)

Kilovoltio Amperios (Kilo-Volt-Amperes)

Kilogramo por segundo (Kilogram per second)

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)

Temperatura de Entrada a la Turbina (Turbine Entry Temperature)

Flujo Másico (Mass Flow)
Flujo de Combustible (Fuel Flow)
INTRODUCCIÓN
Desde que los motores a reacción fueron implementados no sólo en la industria

aeronáutica sino en diversas ramas, ha sido un reto para el hombre buscar
procedimientos, estrategias, metodologías y herramientas para que el uso de
estas máquinas sea además de productivo, económico.
Anteriormente este tipo de máquinas eran grandes consumidores de combustible,

y adicionalmente altos emisores de contaminantes. La tecnología que se ha
desarrollado en el transcurso de los años, ha disminuido ostensiblemente este
consumo y la cantidad de contaminantes generados. Pero no solo el combustible
es el factor que ha afectado a los motores en todo este tiempo, el desarrollo de
nuevos materiales de construcción, investigación aerodinámica, son materia de
alta evolución en el área.
Actualmente, las aerolíneas y empresas constructoras buscan establecer una

mejor relación costo – beneficio, implementando herramientas tecnológicas para
monitorear y pronosticar posibles fallas en componentes o en el rendimiento del
motor. Gas Path Analysis es un tipo de análisis usado en herramientas que
manejan este propósito, y que ha demostrado ser útil para el diagnóstico
operacional tanto de componentes como del motor en general.
Estas herramientas, se caracterizan por la utilización de lenguajes de

programación, los cuales al ser implementados ayudan a reducir costos de
mantenimiento y contribuyen a una disponibilidad del equipo mucho mayor.
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.
El propósito de este proyecto es el de analizar, determinar la viabilidad, y con el

tiempo implementar esta herramienta a la industria, para fortalecer el campo de la
ingeniería y mantenimiento.
19
1. PLANTEAMIENTO DEL PROBLEMA
1.1 ANTECEDENTES
La aeronavegabilidad depende del buen funcionamiento de muchos componentes

interdependientes de la aeronave. Los APUs, considerados en este grupo, son
normalmente confiables, pero están sujetos a fallas.
Puesto que un avión no puede despegar si el APU no está funcionando

adecuadamente, para determinar la causa de un fallo de un APU, a menudo el
personal de mantenimiento usa equipos de prueba electrónica estándar, como
voltímetros, óhmetros y osciloscopios.
Hay una creciente necesidad de sistemas de solución de problemas, que ha

llevado a muchas compañías a recurrir a la aplicación de softwares de diagnóstico.
Con bastante frecuencia, estas aplicaciones están configuradas para interactuar
con una unidad de prueba en tiempo real, a fin de estudiar, evaluar y aplicar una
acción correctiva lo más pronto posible.
Desafortunadamente, actualmente no hay ningún equipo o software de

localización y resolución de problemas (troubleshooting) para los APUs, que
permita a los operadores recuperar la información interna de la Electronic Control
Unit (ECU) del APU, a fin de facilitar la solución de problemas de la unidad
afectada.
Por otra parte, cabe aclarar que la tecnología de softwares de monitoreo

inteligentes basados en Redes Neuronales implementada en el presente proyecto,
ha sido poco aplicada en aviación, y más aún en nuestro país. Este proyecto es
pionero en la Industria Aeronáutica Colombiana en cuanto a la aplicación de
sistemas inteligentes para monitoreo de funcionamiento de motores APU.
Además de la aplicación de Redes Neuronales en el sector aeroespacial, ésta

parte de la Inteligencia Artificial (AI) también ha tenido cabida en muchos campos
como lo describe la tabla 1.
Tabla 1. Aplicación de las Redes Neuronales
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
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
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.
Fuente: Traducción de los autores. Neural Network Toolbox™ 6. User’s Guide.
A continuación, también se relacionan algunos trabajos con Sistemas Expertos

aplicados a través de la historia:
En el contexto internacional, los Sistemas Expertos proceden inicialmente de

finales de los años 50. Hacia 1957, un programa denominado GPS ("General
Problem Solver" o Solucionador General de Problemas) fue llevado a cabo por los
investigadores Alan Newell y Herbert Simon. Este programa podía trabajar con
criptografía utilizando matemáticas, también con las torres de Hanoi y otros
problemas similares a éste. Era un buen sistema pero no podía resolver
problemas del mundo real.
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.
Más tarde, hacia 1965, Edward Feigenbaum junto a un grupo de investigadores

comenzó a desarrollar Sistemas Expertos utilizando bases de conocimientos. Ya
en 1967, construyeron lo que se conoce como el primero de ellos: DENDRAL. El
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.
Basándose en análisis de sangre, cultivos de bacterias y otros datos, el sistema

podía determinar o, por lo menos, sugerir qué organismo o microbio estaba
causando la infección. El mismo llegaba a una conclusión y sugería un tratamiento
el cual era basado en las características de la persona, por ejemplo, peso corporal
del individuo. Para esta misma época también se desarrollaron otros sistemas
como HERSAY (que fue creado para reconocimiento de palabras habladas) y
PROSPECTOR (que fue utilizado para hallar yacimientos de minerales).
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.
Además de éstas, también se han desarrollado otras herramientas, como por

ejemplo CLIPS, "C Language Integrated Production System". Este programa fue
creado en 1985 por la NASA para satisfacer sus necesidades dentro del campo de
la Inteligencia Artificial.
A continuación, la tabla 2 presenta de manera resumida los primeros Sistemas

Expertos y sus aplicaciones.
23
Tabla 2. Primeros Sistemas Expertos y sus aplicaciones
Sistema Fecha Autor Aplicación
DENDRAL 1965 Stanford Deduce información sobre estructuras químicas.

Macsyma 1965 MIT Análisis matemático complejo.
Interpreta en lenguaje natural un subconjunto del
HearSay 1965 Carnegie-Mellon
idioma.
Mycin 1972 Stanford Diagnóstico de enfermedades de la sangre.
Herramienta para la transformación de
Tieresias 1972 Stanford
conocimientos.
Exploración mineral y herramientas de
Prospector 1972 Stanford
identificación.
Herramientas para desarrollo de Sistemas
OPS5 1974 Carnegie-Mellon
Expertos.
University of
Caduceus 1975 Herramienta de diagnóstico para medicina interna.
Pittsburg
Rosie 1978 Rand Herramienta de desarrollo de Sistemas Expertos.
R1 1978 Carnegie-Mellon Configurador de equipos de computación.
Fuente: Sistemas Expertos.
Particularizando las aplicaciones en ramas específicas del conocimiento, como lo

es la rama de la aviación, de nuestro interés; presentamos algunos ejemplos de
Sistemas Expertos en las diferentes empresas:
• Del tipo de los Sistemas Expertos en calendarización:
ARMAC, GADS, RAMP, SALTO, RMAS, AAMPS, ACAMS, MOCA, ARIES,

EXPICS, Duty Roster System, Aeroplan. Incluyen su uso en empresas como
United Airlines, Air Canada, entre otras.
• Del tipo de planeo de vuelos y configuraciones:
AALP y MD-11 Interior Design Config System
• Del tipo de mercadotecnia y reservaciones:
AA Advantage System, BAMBI, DOCS, IQ Manager, Passanger Rev Accounting

System.
24
1.2 DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMA
La Industria Aeronáutica carece de herramientas tecnológicas para monitorear el

funcionamiento de las Plantas Auxiliares de Potencia de las aeronaves (APUs).
Pocas empresas fabricantes ofrecen a sus clientes softwares de monitoreo de

fallas exclusivamente para el modelo de motor que ellos brindan. Una de las
problemáticas se basa en la falta de una herramienta que sea capaz de evaluar a
diferentes tipos de motores APU; otra falencia, es el alto costo de operación y
mantenimiento que estos motores ocasionan en las aerolíneas. En muchos de los
casos de inoperatividad por falla, se desconoce de donde procede ésta con
exactitud, por consiguiente, se ve necesario el reemplazo del motor por uno en
óptimas condiciones de trabajo, y el que presenta la falla es enviado a reparación
a estaciones reparadoras autorizadas en el exterior.
¿Cómo desarrollar un Software de Diagnóstico Inteligente para monitoreo de

APUs?
1.3 JUSTIFICACIÓN
La importancia del desarrollo de este proyecto se fundamenta en la ayuda a

resolver problemáticas que las aerolíneas colombianas o extranjeras poseen en la
optimización de procesos de mantenimiento de las plantas motrices auxiliares
(APUs). Muchas veces el mantenimiento se efectúa sin saber la causa exacta de
la falla, por tal razón el motor es enviado a reparación ocasionando altos costos y
además la pérdida de un equipo en servicio por mantenimiento.
En el desarrollo de este software, se implementaría tecnología innovadora que es

aplicada tanto en software como en hardware y con ella se pueden construir
sistemas capaces de aprender, de adaptarse a condiciones variables que
permitirían el aislamiento de falla(s), dando un diagnóstico preciso de la(s)
misma(s). También, a monitorear y pronosticar futuras fallas si se dispone de una
colección suficiente de datos, así mismo inspeccionar los parámetros de
rendimiento del motor para evaluar deterioro en los componentes. Igualmente, se
innovarían los procesos de monitoreo de motores que se han venido realizando
hasta la fecha, con la implementación de redes neuronales artificiales, tecnología
que permitiría al programa detectar y analizar sus propias fallas, para no
cometerlas reiteradamente.
Todos estos principios de funcionamiento del software y los instrumentos que

usará el mismo, conllevarían a una prolongación en los intervalos de tiempo de
mantenimiento y evitaría la necesidad que el equipo sea enviado a reparación al
exterior, siendo muchas veces por causa de una falla que era posible corregir en
el lugar de operación. También, la implementación del software ayudaría a
25
disminuir los costos de mantenimiento y además extendería la vida operativa del
motor.
El procedimiento de análisis sería tomando datos del comportamiento del motor en

diferentes estados, tanto del motor limpio, como en estado de degradación. La
información a ser evaluada por el software, sería proporcionada por la(s)
aerolínea(s) interesada(s), y los investigadores dispondrían del tiempo para la
prueba del mismo.
1.4 OBJETIVOS DE LA INVESTIGACIÓN
1.4.1 Objetivo general
• Desarrollar un software de diagnóstico inteligente para monitorear los motores

APU.
1.4.2 Objetivos específicos
• Analizar las necesidades y/o problemas de mantenimiento que tienen las

Aerolíneas con las Unidades Auxiliares de Potencia (APUs).
• Analizar el funcionamiento y operación de la Unidades Auxiliares de Potencia

(APUs).
• Aplicar los aportes de científicos reconocidos en la rama de los motores.
• Desarrollar el diagrama de flujo para la elaboración del software.
• Implementar tecnologías de la Inteligencia Artificial.
• Producir un manual de manejo del software.
• Medir la factibilidad del software con las correspondientes pruebas.
1.5 ALCANCES Y LIMITACIONES DEL PROYECTO
Con este proyecto se logrará profundizar en el estudio de nuevas tecnologías para

el monitoreo y diagnóstico de fallas en motores APU. Se pretende desarrollar e
implementar el software en operación real de APUs, a su vez generar
26
herramientas de última tecnología para su utilización tanto en la industria
aeronáutica como en otros campos de la ingeniería.
Como limitación de este proyecto, se considera el difícil acceso a la información de

comportamiento y rendimiento de APUs en los talleres de mantenimiento de
ciertas aerolíneas, esto se presenta por políticas o normas de seguridad de cada
empresa.
27
2. MARCO DE REFERENCIA
2.1 MARCO TEÓRICO – CONCEPTUAL
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.
La primera unidad de este tipo fue un APU a gasolina montada en un Noel

Pemberton Billing P.B.31 Nighthawk de 1916. El Boeing 727 de 1963 fue el primer
reactor en incorporar un APU, permitiéndole operar en pequeños aeropuertos
independientemente de las instalaciones con las que éstos contasen.
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.
En la mayoría de los casos la unidad es alimentada mediante una pequeña turbina

de gas que proporciona aire comprimido para utilizarlo directamente o para
almacenarlo en un compresor de carga. Los diseños más recientes comienzan a
explorar posibles soluciones mediante el uso del motor Wankel (*), ya que ofrece
mayor potencia específica que los motores de pistón clásicos y mejores tasas de
consumo que las turbinas.
Los APUs montados en aviones ETOPS son dispositivos críticos en términos de

seguridad, ya que suponen una reserva de electricidad y aire comprimido en caso
de fallo motriz. Mientras que algunos APUs no son utilizables en vuelo, los
adaptados para aviones ETOPS deben serlo hasta el techo de servicio.
Actualmente existen unidades utilizables hasta una altitud máxima de 43.000

(unos 13.000 ) y frío extremo.
___________________________
( )
* 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.
2.1.1.1 Funciones y requerimientos de los APUs. Los APUs de las aeronaves

normalmente proporcionan 1:
• Potencia para iniciar los motores principales.

• Potencia neumática para sistemas de control ambiental.
• Potencia de accionamiento para otros sistemas neumáticos e hidráulicos.
• Backup de potencia eléctrica y neumática para operaciones en vuelo.
• Potencia eléctrica y neumática para operaciones en tierra.
Estas funciones dan una autosuficiencia a la aeronave cuando está en tierra.

Además, un APU será requerido en vuelo en caso de que los motores principales
fallen, para dar potencia a sistemas eléctricos, y si vuela a bajo número Mach
proporciona asistencia a la manivela para ayudar a reiniciar los motores.
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.
Históricamente, los principales requerimientos para APUs han sido:
• Bajos costos de manufactura.

• Alta fiabilidad y mantenibilidad.
• De bajo volumen y peso.
1
www.honeywell.com
2
WALSH, Philip y FLETCHER, Paul. Gas turbine performance. UK, 2004. p.41.
29
• Buen SFC.
2.1.1.2 Ciclo básico de operación de un APU 3. El núcleo del APU es un motor de

turbina que es similar en operación a un motor jet, pero que no produce empuje.
• El compresor aspira aire a través de la entrada de aire.

• Al flujo de aire comprimido dentro de la cámara de combustión, le es
inyectado combustible.
• Por la quema en la cámara de combustión, aumenta el nivel de energía del
aire.
• Los gases calientes pasan a través de la turbina, la cual convierte la energía
del gas en energía rotacional para controlar el compresor.
La cantidad de combustible que quema la unidad y el calor que es expulsado de

los gases de escape son indicadores de la salud del motor (healthy engine).
Como ocurre mal funcionamiento o desgaste de componentes, un aumento en el
consumo de combustible puede ocurrir.
La parte del motor que se muestra abajo en la figura 1 es llamada “Sección de

potencia”.
Figura 1. Sección de potencia del Auxiliary Power Unit
Fuente: Adaptación de los autores. APU 131-9A Familiarization CBT.
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.
Figura 2. Secciones principales del Auxiliary Power Unit
Fuente: Adaptación de los autores. APU 331-400 Familiarization CBT.
La sección de potencia consiste en un generador a gas que proporciona energía

al APU. El compresor de carga suele ser un compresor que suministra presión
neumática al avión, aunque algunos APUs reutilizan parte del aire expelido por el
compresor de la sección de potencia. Hay dos dispositivos accionables, el
regulador de entrada de aire al compresor de carga y la válvula de control que
mantiene constante el trabajo de la turbina. La tercera parte es una caja de
accesorios que transmite la fuerza a un generador eléctrico refrigerado mediante
aceite encargado de suministrar electricidad al avión. Dentro de la caja de
accesorios también se transmite energía a ciertos accesorios tales como la unidad
de control de combustible, el módulo de lubricación o el ventilador de refrigeración.
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.
presenta ejemplos específicos de APUs empleados en aeronaves.
Tabla 3. Ejemplos y aplicaciones de Auxiliary Power Units.
Modelo Configuración Aplicación Potencia

(KW)
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.
Fuente: Traducción de los autores. Gas Turbine Performance.
___________________________
(*)
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.
Algunos de esos problemas son evidentes con el aumento de vibraciones, otros

pueden ser detectados por cambios (aumento o disminución) en la temperatura de
aceite.
Los defectos detectados se hacen evidentes a través de cambios observados en

los parámetros del motor. Actualmente estos defectos son el resultado de cambios
en la geometría del componente. Por consiguiente, esto es necesario para
identificar los cambios de la geometría y evaluar la severidad del problema.
2.1.2.1 Erosión y Corrosión. La erosión en el compresor es un fenómeno causado

por partículas que golpean la superficie de los alabes, causando daños severos
como el desprendimiento de material y por ende afectando el rendimiento del
compresor. Por lo general, este tipo de fallas se produce cuando al motor ingresan
partículas tales como arena, sal marina, polvo, etc., todas éstas deterioran las
superficies de los álabes y crean deficiencias como aumento de la rugosidad del
material, produciendo una disminución en el desempeño del motor.
La exposición directa al agua, los cambios bruscos de temperatura y los esfuerzos

a los cuales se someten los componentes rotatorios del motor, ayudan a la
generación de corrosión, factores que al seguir actuando en sectores erosionados
con el tiempo aumentan mayormente la corrosión, deteriorando aún más el
material y a su vez el rendimiento de cada componente.
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
Fuente: Gas Turbine Handbook.
Los efectos de la corrosión y erosión afectan principalmente a los álabes en su

parte media, debido a que éste soporta mayores cargas y además mucho más
severas que las cargas que soportan los estatores. Las pérdidas en el borde de
salida son más tolerables que en el borde de ataque del álabe, en las figuras 4 y 5
tenemos un ejemplo de pérdida de material en los estatores y los álabes de la
turbina.
Figura 4. Pérdida de material en el estator de la turbina

34
Figura 5. Pérdida de material en el álabe de la rueda de turbina
Los cambios en la dimensión del perfil del álabe afectarán la frecuencia de

vibración del álabe, la pérdida de material en la punta del álabe incrementará esta
frecuencia, mientras que daños en la raíz del álabe, debilitarán estructuralmente el
mismo y harán que disminuya su frecuencia de vibración.
Figura 6. Pérdida de material en la punta del álabe de la rueda de turbina
2.1.2.2 Desgaste por fricción. El desgaste por fricción es el resultado del

deslizamiento normal entre las diferentes partes móviles de una máquina en
acción conjunta con un adecuado lubricante, para reducir el desgaste. Durante la
operación normal en una superficie expuesta al desgaste, la parte en movimiento
debe tener contacto directo con el lubricante para generar una película de
35
protección entre las superficies en contacto y poder facilitar el deslizamiento entre
éstas. A su vez, esta película ayuda a reducir la temperatura que se genera por
fricción entre las partes móviles.
Sin embargo, en la vida útil de los componentes de una máquina, la fricción

constante genera desgastes, perdidas de material, deformaciones, etc. Ésta
fricción puede generar inconvenientes serios de no ser tenida en cuenta una
inspección periódica de manera rigurosa, en la cual se tengan en cuenta las
propiedades del lubricante, el estado físico de los componentes móviles, el estado
de los rodamientos que soportan las diferentes cargas o esfuerzos, etc.
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.
La mayoría de estos incidentes son el resultado de pequeños desprendimientos de

partes internas del motor ya sea en el proceso de fabricación o reparación. En
menor cantidad, estos incidentes son por causa de herramientas dejadas en el
interior de los motores. La presencia de un FOD en el compresor tiene un síntoma
similar al dado por suciedad en el mismo; y, si el FOD está presente en una
turbina, dicho objeto afectará la eficiencia isentrópica, que representa un síntoma
semejante al dado por la erosión de los álabes en la turbina.
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.
Los daños en estos sellos generan pérdidas de presión y escapes de fluido, a su

vez afectan el desempeño óptimo del motor.
2.1.2.5 Daños en componentes calientes. Los componentes que están

mayormente expuestos a altas temperaturas son la cámara de combustión y las
ruedas de turbina del motor. Obviamente, los materiales de fabricación de estos
componentes deben tener propiedades especiales para poder soportar altos
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.
Para detectar daños en estos componentes es necesario tener en cuenta la

distribución de la temperatura en todo el componente, una mala distribución podría
generar fatigas en el material, producir fisuras en el punto donde la temperatura
sea más incisiva y posteriores rompimientos en el componente.
2.1.2.6 Degradación del sistema de combustión. El sistema de combustión es el

que menos afecta directamente el rendimiento de un motor. Sin embargo, el
deterioro de este sistema lleva a una variación en el perfil de temperatura de
salida hacia la rueda de turbina. Los problemas con la degradación del sistema de
combustión ocasionan principalmente:
• Altos picos de temperatura local, dañando los álabes de la rueda de turbina.

• La alteración del perfil de distribución de temperatura, afectando la eficiencia
de la turbina.
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.
Históricamente, el mantenimiento ha sido en gran medida reactivo, cuando un

problema se aborda después de que han surgido problemas, o preventivo, cuando
el mantenimiento es llevado a cabo en intervalos de tiempo para prevenir que
ocurran problemas.
Los sistemas de monitoreo de salud pueden añadir un valor significativo al ser

capaces de diagnosticar los componentes que son la causa de un cambio en el
rendimiento del motor. Ésta información puede ser utilizada para planificar
revisiones, entender la degradación del rendimiento, etc.
Además, estos diagnósticos pueden permitir el mantenimiento predictivo mediante

el análisis de los datos de un motor, a menudo en tiempo real, para predecir algún
problema de modo que una acción de mantenimiento se pueda tomar en forma
oportuna.
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.
2.1.3.1 Métodos de diagnóstico de fallas para motores de turbinas de gas (*).
• Gas Path Analysis. En la aviación mundial, se han creado sistemas para

monitoreo de motores basados en el Gas Path Analysis.
Algunos problemas (a menudo los más serios) pueden ser detectados a través del
Gas Path Analysis (ver figura 7).
Figura 7. Criterios que subyacen del Gas Path Analysis
Fuente: Gas Path Analysis (GPA).
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.
Un ejemplo representativo de un programa basado en GPA es el ECTM.
a. ECTM. El ECTM (Engine Condition Trend Monitoring)8 es una manera de

mejorar la fiabilidad, reducir tiempo y costos en el mantenimiento de los motores
principales de la aeronave.
Después de grabar ciertos datos del avión durante el estado crucero de vuelo,
esta información es cargada en un programa computacional de PWC.
Una tendencia se establece y cualquier desviación en esta tendencia indicará que

hay deterioro o problemas en el motor. Además de notar el deterioro, se podrá
detectar cuando hay problemas con los instrumentos seleccionados y algunos
sistemas del avión.
En la ausencia de un dispositivo electrónico de recolección de datos en el motor,

los datos exigidos para realizar el análisis de ECTM deben ser obtenidos
manualmente de los instrumentos de la cabina del piloto en el vuelo. Los datos
obtenidos manualmente son suministrados a Pratt & Whitney Canadá (PWC) o a
un centro designado de análisis para ser procesados en el computador y
posteriormente analizados. Los formatos que debe llenar el piloto dependen del
tipo, modelo y cantidad de motores de la aeronave.
La grabación de los datos debe empezar a hacerse en un motor nuevo, reparado,

o al que recientemente se le haya hecho una (HSI).
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.
• Redes Neuronales Artificiales basadas en GPA. Las ANN han sido

investigadas extensivamente para su uso en el diagnóstico de fallas. La aplicación
de redes neuronales en diagnóstico de fallas de motores de turbinas de gas ha
sido explorada usando redes tales como 9: Feed-forward Back-propagation (FFBP)
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.
Las ANN proporcionan una alternativa a las tradicionales técnicas de diagnóstico

GPA, ya que guardan la no linealidad del sistema. Las ANN son una excelente
técnica mientras que permita la solución de problemas complejos sin la dificultad
de solución con modelos analíticos.
2.1.3.2 Técnicas adicionales de monitoreo de condición del motor.
• Técnicas de monitoreo del sistema de aceite:
a. Prueba de viscosidad. La viscosidad es la propiedad más importante de

cualquier lubricante. La viscosidad es la resistencia de un fluido a que este fluya,
una alta viscosidad significa gran resistencia a fluir, contrariamente una baja
viscosidad indica una baja resistencia a fluir. La viscosidad varía inversamente con
la temperatura; a su vez, la presión afecta la viscosidad en forma que al aumentar
la presión, aumenta la viscosidad de un fluido. Dentro de las pruebas de
viscosidad se destacan:
o Prueba de esfuerzo cortante. Es determinada por la medición directa del
esfuerzo cortante del fluido, y es conocida como la viscosidad absoluta.
o Prueba de tiempo. Mide el tiempo requerido por una muestra de fluido, a
pasar por un orificio estándar a una temperatura estándar.
b. Monitoreo de residuos de aceite. Mediante esta técnica se monitorea el

desgaste de los componentes que están en continuo contacto durante el
funcionamiento del motor, mediante un sistema electromagnético y de filtros se
capturan las partículas en el aceite que circula por el motor y que son producto del
desgaste de los componentes.
Este monitoreo es efectivo para ver la condición del aceite, para medir la
acumulación de partículas, y también para hacer un mantenimiento preventivo.
c. Monitoreo de operación del sistema de lubricación. Dentro del sistema de

lubricación, existen numerosos componentes que sincronizados hacen que el
motor cumpla su misión. Los principales objetivos del sistema de aceite son
40
facilitar la interacción de las partes móviles del motor, proporcionando el aceite
necesario para que estas partes móviles se mantengan lubricadas y eviten el
desgaste prematuro de los componentes; por otro lado, otro objetivo del sistema
es el de eliminar las altas temperaturas alcanzadas gracias a la fricción de los
componentes en contacto, manteniendo una temperatura adecuada que alarga la
vida útil de los diferentes componentes.
Estas misiones del sistema de lubricación deben ser controlados y monitoreados

minuciosamente, pues de un buen control y monitoreo, se extiende la utilidad del
motor.
La tecnología ha permitido optimizar el monitoreo del sistema de lubricación, ya es

posible informar en vuelo el estado real del sistema, ya que está vigilado por
varios sensores que envían una señal a los computadores del avión y dan un
diagnóstico del estado del sistema a la tripulación y al personal técnico de tierra.
• Técnicas de monitoreo de vibración. Mediante diferentes dispositivos

(sensores, acelerómetros, etc.), ubicados dentro del motor se mide la magnitud de
vibración de los diferentes componentes del motor, como lo son los rodamientos,
los discos del compresor y de turbina, el eje principal del motor, los diferentes
engranes de la caja de accesorios, etc.
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).
El sistema de monitoreo consta de los siguientes elementos:

o Sensores de vibración (acelerómetros).
o Sensores de velocidad de rotación.
Estos elementos actúan y envían la señal a los computadores de la aeronave para

dar un informe a la tripulación o al personal técnico en tierra.
• Técnicas de monitoreo de la vida de uso del motor. El monitoreo de la vida de

uso del motor, sirve para calcular e identificar el tiempo apropiado o vida útil de un
componente antes de que su vida limite sea alcanzado. Diferentes métodos de
monitoreo son utilizados y los más destacados son:
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.
b. Low Cycle Fatigue. Es el seguimiento de falla que se le hace a un componente

cuando éste es sometido a muy altos esfuerzos y un bajo número de ciclos, bajo
una condición térmica
• Técnicas de Monitoreo Visual:
a. Boroscopia. La boroscopia es una técnica de monitoreo visual, la cual es

ejecutada por personal técnico con amplia experiencia por medio de un equipo
visor, observando la parte interna del motor, ya que este es sellado y sus
componentes internos tales como álabes, cámara de combustión y ruedas de
turbina no pueden ser visualizados fácilmente, entonces es necesario la utilización
de esta técnica con un equipo especial.
Esta técnica es aplicada por mantenimiento predictivo y correctivo, y se visualizan

los diferentes componentes internos del motor con el objetivo de observar la
condición de los materiales y el estado de los componentes internos, además de la
existencia de fracturas en los álabes, discos o cámaras de combustión del motor.
El equipo consta de un módulo con un comando y una pantalla donde se

visualizan los componentes, un boróscopo o sonda que lleva en su punta inicial
una video cámara con luz propia que transmite y muestra el interior del motor y es
por donde se mirará al interior del mismo; esta sonda es introducida al interior del
motor por medio de unos orificios dados por el fabricante. Para la aplicación de
esta técnica de mantenimiento, la sonda o boróscopo es manejada por una
palanca de comando ubicada en el módulo y es direccionada hacia donde el
inspector desea observar, dirigiendo la sonda entre los álabes para verificar si
existe alguna fisura, o si es notoria la fatiga del material de los componentes;
cualquiera que sea la falla, debe ser reportada inmediatamente para tomar una
acción preventiva o correctiva.
2.1.4 Degradación de rendimiento de los motores. El deterioro en un motor es la

pérdida de potencia que se logra a través de la vida de servicio, depende en gran
parte de los niveles de exigencia a los cuales es sometido el motor. Muchos
factores externos influyen en la disminución del rendimiento de un motor, factores
como la suciedad, la exposición al agua, a la arena, partículas que ingresan al
42
motor, cambios bruscos de temperatura etc., contribuyen a que el motor
disminuya su capacidad de operación respecto a los parámetros de diseño.
La degradación de un motor es usualmente exponencial con el tiempo 10, y es

proporcional a la limitación mecánica del motor, cuanto más esté degradado un
motor, éste es más limitado mecánicamente. La degradación de un motor puede
ser parcialmente recuperada 11, no es total, porque las partes mecánicas sufren
desgastes, gracias a factores como, la fricción, la temperatura, los diferentes
esfuerzos a los que es sometido cada parte durante la operación, afectan la vida
útil de dichas partes.
Los componentes principales que se ven afectados en la degradación son el

compresor, la cámara de combustión y la turbina, así mismo la degradación se
refleja en el aumento de consumo de combustible, sometiendo a temperaturas
más altas de trabajo a los componentes del motor.
2.1.5 Redes Neuronales Artificiales. Son un sistema compuesto por un gran

número de elementos básicos (*), agrupados en capas (Layers) y que se
encuentran altamente interconectados (Synapses); esta estructura posee varias
entradas y salidas, las cuales serán entrenadas para reaccionar de una manera
deseada, a los estímulos de entrada.
Estos sistemas emulan, de una cierta manera, al cerebro humano. Requieren

aprender a comportarse (Learning) y alguien debe encargarse de enseñarles o
entrenarles (Training), en base a un conocimiento previo del entorno del problema.
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).
Con esta tecnología se pueden construir sistemas capaces de aprender, de

adaptarse a condiciones variantes, o inclusive si se dispone de una colección
suficiente grande de datos, predecir el estado futuro de algunos modelos.
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.
El objetivo de las redes neuronales artificiales no es la recreación grandiosa del

cerebro 12. De lo contrario, los investigadores de redes neuronales están en la
búsqueda de un entendimiento de las capacidades de la naturaleza para que la
gente pueda dar soluciones ingenieriles a problemas que no han sido resueltos
mediante el cálculo tradicional.
Figura 8. Una neurona simple
Fuente: Adaptación de los autores. Artificial Neural Networks Technology.
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.
matemático - #. El valor de salida de la neurona es la sumatoria de cada valor

En la figura 9, varias entradas (inputs) de la red son representadas por el símbolo
por . #. La (de función) indica que no siempre se emplea la sumatoria

de entrada multiplicado por sus pesos (weights) correspondientes, representados
directamente, sino que a veces se “ajusta” el valor para que esté comprendido
entre un rango determinado.
Figura 9. Neurona Artificial básica
Fuente: Artificial Neural Networks Technology.
2.1.5.2 Niveles o capas de neuronas. La distribución de neuronas dentro de la red

se realiza formando niveles o capas de un número determinado de neuronas.
Inicialmente se desarrollaron redes de una sola capa, pero lo más usual es
disponer de tres o más capas:
• Capa de entrada. Constituida por aquellas neuronas que introducen los

patrones de entrada en la red. En estas neuronas no se produce procesamiento.
45
• Capas ocultas. Formada por aquellas neuronas cuyas entradas provienen de
capas anteriores y las salidas pasan a neuronas de capas posteriores.
• Capa de salida. Neuronas cuyos valores de salida se corresponden con las

salidas de toda la red.
Figura 10. Modelo de Red Neuronal de tres capas
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.
La señal de salida de un nodo puede ser una entrada de otro elemento de

proceso, o incluso de sí mismo (conexión autorrecurrente).
46
En las figuras 11, 12 y 13 se muestran los ejemplos de conexiones.
Figura 11. Conexiones hacia delante
Fuente: www.monografias.com
Figura 12. Conexiones laterales
47
Figura 13. Conexiones hacia atrás (o recurrentes)
2.1.5.4 Funciones de Base y Activación 13.
matemáticamente representadas por la función de base /0, 2, donde 0 es la

• Función de Base. Para un estudio analítico, las redes de conexión son
matriz de pesos, y 2 el vector de entrada. La función de base tiene dos formas

típicas presentadas en la ecuación (1) y (2).
8
Función de primer orden,
34 ., - 5 6 .47 -7 1

79:
Función de segundo orden,
34 ., - 5 <6=-7 >.47 ? 2

@
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,
funciones de activación más comunes son:
Figura 14. Algunas funciones de activación
Fuente: Adaptación de los autores. An Introduction to Neural Networks.
2.1.5.5 Regla de aprendizaje. Biológicamente, se suele aceptar que la información

memorizada en el cerebro está más relacionada con los valores sinápticos de las
conexiones entre las neuronas que con ellas mismas. En el caso de las RNA, se
puede considerar que el conocimiento se encuentra representado en los pesos de
las conexiones entre neuronas. Todo proceso de aprendizaje implica cierto
número de cambios en estas conexiones. Puede decirse que se aprende
modificando los valores de los pesos de la red.
2.1.5.6 Entrenamiento de una ANN. Hay dos enfoques de entrenamiento,

supervisado y no supervisado.
• Entrenamiento supervisado. En el entrenamiento supervisado, tanto las

entradas y las salidas de la red son proporcionadas. Luego, la Red procesa las
entradas y compara sus salidas resultantes con las salidas deseadas, esa
diferencia entre ambos valores se propaga hacia las capas intermedias haciendo
que el sistema ajuste los pesos que definen el comportamiento de la red.
• No supervisado, o entrenamiento adaptativo: En el entrenamiento no

supervisado, la red cuenta con las entradas, pero no con los resultados deseados.
El sistema en sí debe entonces decidir qué características se utilizarán para
agrupar los datos de entrada. Esto es como una auto-organización o adaptación.
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.
La importancia de este proceso consiste en su capacidad de auto-adaptar los

pesos de las neuronas de las capas intermedias para aprender la relación que
existe ente un conjunto de patrones de entrada y sus salidas correspondientes. Es
importante la capacidad de generalización (facilidad de dar salidas satisfactorias a
entradas que el sistema no ha visto nunca en su fase de entrenamiento). La red
debe encontrar una representación interna que le permita generar las salidas
deseadas cuando se le dan entradas de entrenamiento, y que pueda aplicar,
además, a entradas no presentadas durante la etapa de aprendizaje para
clasificarlas.
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.
La técnica Backpropagation requiere el uso de neuronas cuya función de

activación sea continua, y por lo tanto, diferenciable. Generalmente, la función
utilizada será del tipo sigmoidal.
2.1.6 GAS TURB y MATLAB.
2.1.6.1 GAS TURB 14. El programa GAS TURB es un programa de rendimiento de

turbinas de gas que facilita evaluar el ciclo termodinámico de las arquitecturas más
comunes de motores de turbinas de gas tanto para el punto de diseño y fuera de
diseño. El programa fue elaborado por un especialista en rendimiento de motores
de turbinas de gas que ha trabajado por más de 30 años en el campo de
simulación y desarrollo de las turbinas de gas.
• Técnica general de iteración. El cálculo de cada punto fuera de diseño

requiere iteración. Muchas variables de entrada para el ciclo termodinámico deben
ser estimadas. El resultado de cada paso a través de los cálculos del ciclo, es un
conjunto de Errores de Iteración, el cual se conforma de inconsistencias en la
termodinámica introducida a través del uso de estimaciones imperfectas para las
variables. El número de errores es igual al número de variables.
El algoritmo usado para manipular las variables de tal manera que al final todos
variables 7 y dos errores 4 este algoritmo trabaja como sigue:

los errores sean insignificantes, es una iteración de Newton-Raphson. Con dos
Primero, la variable : es cambiada por la pequeña cantidad de B:. Ambos

errores : y @ van a cambiar, y se obtendrá la influencia de los coeficientes
B: /B: y B@ /B:. Entonces :se restablece a su valor original, y la segunda
variable @ se cambia por B@ . Una vez más ambos errores van a cambiar para
obtener B: /B@ y B@ /B@.
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
directamente a 4 5 0 después de esta corrección.
El algoritmo puede ser aplicado a cualquier número de variables. La matriz de

coeficientes de influencia es llamada matriz de Jacobi. El sistema de ecuaciones
lineales se resuelve mediante el algoritmo de Gauss. GasTurb 11 muestra la
iteración de variables y sus valores estimados.
2.1.6.2 MATLAB. MATLAB es un lenguaje de computación técnica de alto nivel y

un entorno interactivo para desarrollo de algoritmos, visualización de datos,
análisis de datos y cálculo numérico. Con MATLAB, se podrán resolver problemas
de cálculo técnico más rápidamente que con lenguajes de programación
tradicionales, tales como C, C++ y FORTRAN.
MATLAB dispone de una familia de aplicaciones adicionales para soluciones

específicas denominadas toolboxes. Las toolboxes amplían el entorno de MATLAB
permitiendo resolver problemas especiales permitiendo al usuario aprender y
aplicar tecnología especializada para procesamiento de señales, sistemas de
control, redes neuronales, lógica difusa, simulación, y muchos otros campos.
Además, MATLAB contiene una serie de funciones para documentar y compartir

trabajo. Los códigos de MATLAB pueden ser integrados con otros lenguajes y
aplicaciones, y distribuir los algoritmos y aplicaciones que hayan sido desarrollos
usando MATLAB.
• Neural Network Toolbox. Este toolbox posee herramientas para el diseño,

ejecución, visualización y simulación de redes neuronales. Neural Network
Toolbox ofrece soporte completo para muchos de los paradigmas de redes
probadas, así como interfaces gráficas de usuario (GUI) que le permiten diseñar y
manejar las redes.
Este toolbox pretende que sea utilizado para la valoración y diseño de redes
neuronales en la industria y sobre todo en educación e investigación.
Backpropagation Algorithm. La implementación más simple de las reglas de

aprendizaje del backpropagation, actualiza los pesos de la red y sesgos en la
dirección en la cual la función ejecución decrece más rápidamente, el negativo del
gradiente. Una iteración de este algoritmo se escribe así:
-HI: 5 -H > JH "H 5
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 MARCO LEGAL O NORMATIVO
La Ciencia y la Tecnología, como cualquier otra actividad del quehacer diario en

Colombia posee una reglamentación, esta reglamentación se elaboró en
cumplimiento de un mandato constitucional contenido en el artículo 71 de la carta
magna. A continuación se describe cada una de las leyes y decretos que rigen la
actividad de Ciencia y Tecnología de este país y los acuerdos que reglamentan
dicha actividad.
2.2.1 Artículo 71 de la Constitución Política Colombiana 15. “La búsqueda del

conocimiento y la expresión artística son libres. Los planes de desarrollo
económico y social incluirán el fomento a las ciencias y, en general, a la cultura. El
Estado creará incentivos para personas e instituciones que desarrollen y fomenten
la ciencia y la tecnología y las demás manifestaciones culturales y ofrecerá
estímulos especiales a personas e instituciones que ejerzan estas actividades.”
El anterior artículo de la Constitución Política faculta al Estado para establecer

planes que apoyen el desarrollo científico y tecnológico, además de la creación de
estímulos para aquellas instituciones e individuos que se dediquen a esta
importante actividad.
2.2.2 Ley 29 de febrero de 1990. En este país la Ley 29 de febrero de 1990 le

otorga al Estado Colombiano la responsabilidad de promover y orientar el adelanto
científico y tecnológico y lo obliga a incorporar la Ciencia y la Tecnología a los
planes y programas de desarrollo económico y social del país y a formular planes
de Ciencia y Tecnología tanto para mediano como para largo plazo. Además,
establece los mecanismos de relación entre sus actividades de desarrollo
científico y tecnológico y las que adelantan las universidades, la comunidad
científica y el sector privado.
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
3.1 ENFOQUE DE LA INVESTIGACIÓN
El enfoque a emplear en la investigación es Empírico-analítico, cuyo interés es el

técnico, orientado a la interpretación y transformación del mundo material.
3.2 LÍNEA DE INVESTIGACIÓN
El presente proyecto, que forma parte del Grupo de Investigación GTEGroup de la

Universidad de San Buenaventura, está enfocado al desarrollo e implementación
de nuevas herramientas de monitoreo y diagnóstico de fallas en motores
auxiliares de aeronaves (APUs).
El campo temático de investigación del programa de Ingeniería Aeronáutica al cual

se suscribe el proyecto a desarrollar es el de Diseño y Construcción de Motores.
Campo, incluido en la sub-línea Instrumentación y Control de Procesos de la
facultad, dentro de la línea institucional Tecnologías Actuales y Sociedad de la
Universidad de San Buenaventura.
3.3 TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN
Las técnicas de recolección de información requeridas para la investigación

constan de:
• Encuestas, que se aplicarán a personal vinculado al área de motores de las

diferentes empresas de aviación que operan en Colombia.
• Visitas programadas a la División de Ingeniería de Motores de algunas
aerolíneas.
• Entrenamientos y/o capacitaciones otorgados por personal experto, como
científicos reconocidos en la rama de los motores a nivel internacional.
• Información de Congresos, Conferencias y Seminarios, de libros, artículos y
manuales.
• Simulaciones del rendimiento en GAS TURB.
• Pruebas del Software de Diagnóstico Inteligente para Monitoreo de APUs con
datos de reales de motores.
• Validación del Software. Se realizará para verificar si en realidad la
herramienta implementada cumple con los requerimientos para la cual fue
diseñada.
55
3.4 POBLACIÓN Y MUESTRA
Las encuestas serán aplicadas a personal de ingeniería y mantenimiento

vinculados al área de Motores en las diferentes empresas de aviación.
Parte de la información será recolectada de la experimentación con los propios

motores auxiliares (APUs).
56
4. DESARROLLO INGENIERIL
4.1. ESTUDIO Y VIABILIDAD DEL PROYECTO
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.
Al realizar la tabulación 16 pertinente de las encuestas realizadas a personal de

ingeniería y mantenimiento de motores de las diferentes aerolíneas encuestadas,
y, permitir
rmitir su presentación en tablas y gráficos, se obtuvo
o el siguiente resultado:
De la pregunta 1. En la figura 1 15, es fácilmente visualizar que las aerolíneas

poseen herramientas para diagnosticar problemas presentes en motores
principales tales como Jet, Turbofan y Turboprop, pero carecen de herramientas
para monitorear los motores APU.
Figura 15.. Uso de herramienta

herramientass para diagnosticar fallas en motores aeronáuticos
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:
• No existen softwares para monitoreo de APUs, por tanto, el fabricante no

facilita una herramienta para dichos necesidades.
• No es requerimiento mandatorio del programa de mantenimiento.
• En algunos modelos se tiene hardtime para remoción y en otros soft time.
De la pregunta 3. La NO implementación de herramientas para monitoreo de

APUs trae a las compañías problemas tales como:
• No tener información para efectuar un monitoreo confiable y predecir posibles

fallas.
• Menor control sobre el desempeño real del motor.
• Falta de control del rendimiento del motor.
• Daños considerables en la sección de turbina y compresor.
• Altos costos de mantenimiento.
De la pregunta 4.
Figura 16.. Facilidad de uso de herramientas para diagnosticar fallas en motores

aeronáuticos
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.
De la pregunta 5. En forma gene

general,
ral, la siguiente tabla (tabla 4) presenta los
parámetros que evalúan las diferentes herramientas para monitoreo de motores.
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
De la pregunta 6 y 7. Para el 100% de los encuestados, las herramientas

utilizadas en el diagnóstico de los motores principales de la aeronave satisfacen
todos los requerimientos de mantenimiento en cuanto al diagnóstico de fallas y no
consideran añadirle a las herramientas otras funciones.
De los resultados anteriores, la falta de una herramienta de diagnóstico para

APUs, hace viable el presente proyecto. Por lo tanto, se determinó crear una
herramienta capaz de monitorear y diagnosticar fallas en los motores APU, para
tratar de solucionar algunos de los problemas que poseen las aerolíneas por la
carencia de herramientas con dichas características. Además, para el software se
tuvo en cuenta las razones que hacen fácil el uso de las demás herramientas de
diagnóstico, para así satisfacer las necesidades y predilecciones de empresas que
operan los motores APU.
4.2. CONOCIMIENTOS ESPECÍFICOS DEL APU QUE EVALÚA EL A.D.S.
4.2.1 Modelo del motor. Para poder desarrollar un sistema de diagnóstico de

fallas son necesarios varios datos de medidas de un motor para hacer el
respectivo análisis de fallas de los componentes. Para el diagnóstico con Redes
Neuronales se requiere una suficiente cantidad de datos para entrenar y validar
las Redes Neuronales. En el presente proyecto, el modelo de motor Honeywell
GTCP331-20 montado en aeronaves Boeing 757 y Boeing 767, es utilizado para
simular el rendimiento del mismo y generar datos de funcionamiento según las
condiciones preestablecidas en condiciones de deterioro del motor. La generación
de un modelo de motor es de gran importancia en el desarrollo de un sistema de
diagnostico de fallas de un motor.
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:
• Sección de Caja de Accesorios

• Sección de Compresor de carga, conformado por:
o Una etapa de compresor centrifugo
• Sección de potencia, que a su vez está conformada por:
o Dos etapas de compresor centrifugo
o Una cámara de combustión de flujo reversible
o Tres etapas de turbina axial
El motor GTCP 331-200 une los anteriores componentes a un solo eje para
ofrecer las siguientes especificaciones técnicas:
Tabla 5. Especificaciones técnicas motor Honeywell GTCP 331-200
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.
Figura 17. Secciones del motor APU Honeywell GTCP 331-200
Fuente: Adaptación de los autores. APU 331-200 Familiarization CBT.

60
Figura 18. Motor APU Honeywell GTCP 331-200
Fuente: www.flypac.com/apus.
4.3. DESARROLLO DEL A.D.S.
Teniendo en cuenta anteriores argumentos, se desarrolla una herramienta capaz

de diagnosticar el rendimiento de los motores auxiliares de potencia APUs, ya que
con los estudios de viabilidad hechos anteriormente se demuestra la falta de una
herramienta tecnológica para aumentar la confiabilidad, la mantenibilidad y la
disponibilidad de esta planta motriz en la industria aeronáutica colombiana.
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.
4.3.1 Diagrama de flujo. El siguiente diagrama de flujo representa los detalles

algorítmicos del proceso que lleva a cabo el A.D.S.
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.
4.3.3 MATLAB como herramienta de programación. El A.D.S. es desarrollado

bajo código MATLAB versión 7.6.0 (R2008a), el cual se comporta como una
potente herramienta para el desarrollo de algoritmos de inteligencia artificial. Para
llegar a esta determinación se hizo un análisis de las herramientas que los autores
tienen al alcance, para lo cual EXCEL y MATLAB son las de mayor acceso por
parte de ellos.
La principal desventaja de EXCEL, y por lo cual fue descartado, es el bajo

rendimiento en la ejecución de algoritmos con redes neuronales, el cual no soporta
grandes cantidades de datos, y por tanto, hace que las Redes Neuronales en
EXCEL sean poco desarrolladas.
Con la herramienta Neural Network Toolbox de MATLAB es posible diseñar,

entrenar y validar una red neuronal, a su vez es posible graficar resultados de
entrenamiento y validación de la red.
En el entrenamiento de Redes Neuronales, MATLAB posee preinstalados en la

Neural Network Toolbox, varios algoritmos de entrenamiento que satisfacen según
sea el tipo de red que se configure y la arquitectura que la red posea.
Las características de MATLAB como herramienta de programación, facilita la

aplicación de Redes Neuronales Artificiales (ANN) para el desarrollo del A.D.S., y
dar solución a la problemática propuesta.
64
4.3.4 Adquisición de datos. Para la adquisición de datos, se tomaron en cuenta
los manuales de mantenimiento de la aeronave y del motor a evaluar, información
procedente de la empresa fabricante del motor y de manuales de entrenamiento.
Debido a factores como los mencionados en el numeral 4.3.2 se adquirieron datos

de simulaciones hechas en GAS TURB.
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.
Figura 20. Datos de ingreso GAS TURB
Figura 21. Estaciones del motor simulado
65
Figura 22. Valor de eficiencia isentrópica del compresor
Figura 23. Valor de revoluciones por minuto ( ) del motor
Figura 24. Valor de eficiencia isentrópica de la turbina
Figura 25. Resultado de la simulación del motor
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.
Tabla 6. Comparación entre el motor real y el motor simulado
Parámetro Unidad Datos Resultados Diferencia

fabricante simulación (%)
RPM RPM 40400 40400 0
FLUJO DE AIRE Kg/s 5,22 5,22 0
RELACIÓN DE 10,37 10,37 0
PRESION
FLUJO DE Kg/s 0,0423 0,04087 3,38
COMBUSTIBLE
(KL)
CONSUMO Kg/Kw*h 0,3528 0,3405 3,48
ESPECIFICO DE
COMBUSTIBLE
(MLN)
POTENCIA (MOP) KW 432 432,2 -0,04
TEMPERATURA K - 901,7 -
DE ENTRADA
TURBINA (QRQ)
Las diferencias en porcentajes descritas anteriormente se hallaron aplicando la

siguiente fórmula:
ST > S
∆S 5 - 100 6
ST
Donde ST es el valor dado por el fabricante y S es el valor arrojado en la

simulación, respectivamente.
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.
En este proyecto, los patrones de falla de deterioración del compresor y de la

turbina, se simularon haciendo una disminución en el punto de diseño
dise tanto en la
eficiencia isentrópica como en la capacidad de flujo de los componentes, esta
disminución se asume hasta el 5 % de degradación, en intervalos de 1%. En las
figuras 26, 27 y 28,, se analiza las líneas de tendencia que indican la degradación
del rendimiento de los componentes del motor, en los parámetros de flujo de
combustible ( ) y de potencia neta del motor ( ), así como en el consumo
específico de combustible ( ).
Figura 26.. Potencia vs. degradación de compresor y turbina
68
Figura 27. Flujo de combustible
ombustible vs. degradación de compresor
ompresor y turbina
Figura 28.. Consumo específico de combustible vs. degradación

egradación de compresor y
turbina
De las figuras 26 a la 2 28 se destaca el aumento considerable del consumo

específico de combustible y la disminución de potencia respectivamente por
motivo de la degradación del compresor y de la turbina; en la figura 24, el flujo de
combustible tiende a disminuir porque la cantid
cantidad
ad de combustible necesaria para
desarrollar la potencia (que es menor por la degradación) del motor degradado es
menor. La degradación paulatina de los componentes principales del motor, hacen
que este no funcione con las características iniciales de diseño
dise debido a sus
limitantes mecánicas.
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.
Figura 29.. Potencia vs. degradado de compresor, turbina y flujo másico
Figura 30. Flujo de combustible vs. degradado de compresor, turbina y flujo

másico
70
Figura 31.. Consumo específico vs. degradado de compresor, turbina y flujo másico
4.3.7 Configuración del diagnóstico. Basados en la configuración del motor, se

consideran las principales fallas que se presentan en cada uno de los
componentes principales debido a la degradación de sus características de
rendimiento. En este trabajo se consideran las fallas de suciedad, erosión y
corrosión en el compresor y la turbina, las cuales son las características
principales para determinar la degradación de los componentes principales del
motor.
En cuanto a los parámetros necesarios para diagn

diagnosticar
osticar la degradación del
motor, los autores toman de la experiencia de diversos estudios previos de
diagnóstico de turbinas de gas, los mínimos necesarios que a continuación se
listan se incluyen en la herramienta A.D.S.:
• RPM
• Temperatura de aceite
• Presión de aceite
• Flujo de combustible ( )
• Temperatura de entrada a la turbina ( )
• Temperatura gases de escape ( )
• Potencia
De los parámetros anteriores cabe resaltar, que los de menos relevancia en el

rendimiento de un motor son la temperatura y la presión de aceite, igualmente
estos parámetros serán tenidos en cuenta para el control del parámetro.
Estos parámetros se ingresan en la Red Neuronal para alimentar una base de

datos históricos de comportamiento del motor. Así mismo, esos datos históricos
históri
71
entrenan la red para preparar y validar el diagnóstico que se esté realizando, con
base en unos parámetros de referencia de motor limpio (sin degradación), con los
cuales la red hace una comparación entre los parámetros del motor limpio y los
ingresados, para finalmente dar un diagnóstico del estado del motor actualmente.
Dependiendo del estado técnico del motor el A.D.S. emitirá mensajes donde se
especifican las posibles fallas (ver ANEXO F).
4.3.8 Acciones correctivas. Teniendo en cuenta los resultados del diagnóstico se

toman acciones correctivas para aplicarlas al motor, dependiendo de la zona en
donde se presente la falla, es la acción correctiva que se llevaría a cabo. El
ANEXO G lista las acciones correctivas que emitirá el programa para culminar su
análisis.
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.
Tabla 7. Acciones correctivas a posibles fallas en el motor
Componente Causa Síntomas Acción correctiva

y/o parte
ENTRADA DE - Obstrucción Wf↑ TET↑ RPM↑ -Verificar ducto de
AIRE entrada de aire
COMPRESOR Y -Indicación Wf↑ TET↑ RPM↑ -Rectificar indicador
COMPRESOR DE -Suciedad -Efectúe un lavado
CARGA
-FOD/DOD de compresor
-Erosión y Corrosión -Inspección
boroscópica
COMPRESOR DE -Pérdida de presión Wf↑ TET↑ RPM↑ -Verificar el estado
CARGA o fugas de la válvula de
-Fugas en la válvula sangrado
de sangrado
BOMBA DE -Indicación Presión de aceite↑ -Rectificar indicador
ACEITE -Falla en la bomba -Verificar la bomba
de presión de aceite de presión de aceite
BOMBA DE -Indicación Presión de aceite↓ -Rectificar indicador
ACEITE -Nivel de cantidad -Verificar el nivel de
de aceite cantidad aceite
-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
La anterior tabla es el resultado de una relación de parámetros de operación con

las posibles fallas para las cuales el programa A.D.S. está diseñado diagnosticar,
para la realización de esta tabla, se tomó como referencia el manual de
entrenamiento del ECTM.
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
las capas están interconectadas (topología o arquitectura de la red) causa un

enorme efecto en la operación de las redes. Las capas de una red neuronal son
interconectadas a través de parámetros internos denominados pesos (.). El
algoritmo de “backpropagation” con la función de activación sigmoide es usado
para entrenar la red, dicho algoritmo que utiliza el método interactivo del gradiente
descendiente minimiza el error medio cuadrático entre la salida deseada y la
salida de la red.
La red Backpropagation trabaja bajo aprendizaje supervisado y por tanto necesita

un set de entrenamiento que le describa cada salida y su valor de salida esperado.
El entrenamiento de la red neuronal se realizó mediante un proceso de
aprendizaje, en el cual se definió el número de neuronas en la capa de entrada, la
cantidad de capas ocultas y número de neuronas de cada una de ellas, y número
de neuronas en la capa de la salida.
Matemáticamente se describe el procedimiento de la red con una capa de entrada,

una capa oculta y una capa de salida mostrada en la figura 32.
Figura 32. Red Neuronal de tres capas
Es importante aclarar que en la figura 32:
q: Equivale al número de componentes de entrada.

m: Número de neuronas de la capa oculta.
l: Número de neuronas de la capa de salida.
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:
Cuando se le presenta a la red una patrón de entrenamiento, este se propaga a

través de las conexiones existentes produciendo una entrada neta n en cada una
las neuronas de la siguiente capa, la entrada neta a la neurona j de la siguiente
capa debido a la presencia de un patrón de entrenamiento en la entrada está dada
por la ecuación (7), nótese que la entrada neta es el valor justo antes de pasar por
la función de transferencia.
(7)
Woji: Peso que une la componente i de la entrada con la neurona j de la capa

oculta
pi: Componente i del vector p que contiene el patrón de entrenamiento de q
componentes
boj: Ganancia de la neurona j de la capa oculta
Donde el superíndice (o) representa la capa a la que pertenece cada parámetro, es

este caso la capa oculta.
Cada una de las neuronas de la capa oculta tiene como salida aoj que está dada
por la ecuación (8).
(8)
fo: Función de transferencia sigmoide de las neuronas de la capa oculta
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
La red produce una salida final descrita por la ecuación (10).
(10)
f s: Función de transferencia lineal de las neuronas de la capa de salida
Reemplazando (9) en (10) se obtiene la salida de la red en función de la entrada

neta y de los pesos de conexión con la última capa oculta:
(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)
El error debido a cada patrón p propagado esta dado por (13).
(13)
ep2: Error medio cuadrático para cada patrón de entrada p

: Error en la neurona k de la capa de salida con l neuronas
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)
e2: Error total en el proceso de aprendizaje en una iteración luego de haber

presentado a la red los r patrones de entrenamiento.
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)
El gradiente negativo de ep2 se denotara como y se calcula como la

derivada del error respecto a todos los pesos de la red
En la capa de salida el gradiente negativo del error con respecto a los pesos es:
(16)
: Componente del gradiente respecto al peso de la conexión de la

neurona de la capa de salida y la neurona j de la capa oculta
: Derivada de la salida de la neurona k de la capa de salida respecto, al peso

Wskj
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)
Tomando la ecuación (16) y reemplazándola en la ecuación (15) se obtiene,
(18)
: Derivada de la entrada neta a la neurona k de la capa de salida respecto a

los pesos de la conexión entre las neuronas de la capa oculta y la capa de salida
: Derivada de la salida de la neurona k de la capa de salida respecto a su

entrada neta.
Reemplazando en la ecuación (18) las derivadas de las ecuaciones (9) y (10) se

obtiene:
(19)
Como se observa en la ecuación (19) las funciones de transferencia utilizadas en

este tipo de red deben ser continuas para que su derivada exista en todo el
intervalo, ya que el término f’s(nsk) es requerido para el cálculo del error.
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)
Este algoritmo se denomina Backpropagation o de propagación inversa debido a

que el error se propaga de manera inversa al funcionamiento normal de la red, de
esta forma, el algoritmo encuentra el error en el proceso de aprendizaje desde las
capas más internas hasta llegar a la entrada; con base en el cálculo de este error
se actualizan los pesos y ganancias de cada capa.
Después de conocer (20) se procede a encontrar el error en la capa oculta el cual

está dado por:
(21)
Para calcular el último término de la ecuación (21) se debe aplicar la regla de la

cadena en varias ocasiones como se observa en la ecuación (22).
(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)
Reemplazando la ecuación (20) en la ecuación (24) se tiene:
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.
Luego de actualizar los pesos y ganancias de la capa de salida se procede a

actualizar los pesos y ganancias de la capa oculta mediante las ecuaciones (29) y
(30)
(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:
1. Conceptualización del modelo. Para conceptualizar el modelo de las ANN

utilizas hay que definir el objetivo de las redes, en el caso de este proyecto, se
80
requiere un resultado de diagnóstico (salida) a la entrada de unos datos
operacionales (datos de entrada). Se debe definir cuál es la estructura interna de
la red, es decir, el número de capas y numero de neuronas que compone cada
capa. A continuación, la figura 33 muestra la estructura general de la red dada por
SIMULINK.
Figura 33. Estructura general de red neuronal artificial
2. Obtención de los Datos. Debido al difícil acceso a datos técnicos y

operacionales de APUs fue necesario recurrir a simulaciones, partiendo del hecho
de establecer el tipo de motor que se evaluará y de conocer el punto de diseño del
motor o los valores óptimos de operación. La información requerida para las
simulaciones se obtuvo por medio del fabricante y de manuales de mantenimiento.
Los datos fueron recolectados de simulaciones hechas en el programa de

simulación GAS TURB 11 (como fue descrito en el numeral 4.3.3) Las diferentes
simulaciones de deterioración del motor, arrojaron ciertos parámetros que se
tuvieron en cuenta para hacer el entrenamiento de la red.
Los datos fueron organizados en forma matricial, y guardados en archivos de texto

(como muestra la figura 34), para ser cargados por el software para el
entrenamiento y evaluación de las ANN.
Figura 34. Datos organizados en forma matricial
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.
La pantalla de entrenamiento de la Red Neuronal Artificial (figura 35) se despliega

para mostrar el avance en dicho proceso, en ella se destaca un diagrama general
de la estructura de la red usada en el A.D.S, el algoritmo de entrenamiento que
utiliza, etc. En este entrenamiento se tienen en cuenta los datos obtenidos
previamente (parámetros históricos) y aquellos datos “ideales” (objetivo), para que
la red entrene hasta obtener el margen de error (EMC) predeterminado por el
diseñador de la red.
Figura 35. Pantalla de entrenamiento de una red neuronal artificial usada en el

A.D.S.
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.
4.3.10 Interfaz de usuario. La interfaz del A.D.S. es muy sencilla y fácil de

manejar, a continuación se muestran las pantallas con las que el usuario tendrá
interacción durante su utilización.
Figura 36. Pantalla de inicio
83
Figura 37. Pantalla principal del A.D.S.
84
Figura 38. Pantalla final
Como se puede apreciar, la interacción del usuario con el software es muy

sencilla, puesto que se basa en la introducción de los datos de identificación, el
85
entrenamiento de la ANN, el posterior ingreso de parámetros operacionales; y la
obtención del diagnóstico con sus respectivas acciones correctivas.
La figura 38 relaciona los derechos de autor del software y su advertencia ante

alguna reproducción no autorizada.
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.
Figura 39. Portada del manual “Guía del Usuario”
4.3.12 Requisitos del sistema para el A.D.S.
86
A.D.S. es un programa que debe ser instalado en un computador con las
siguientes características:
• Microsoft Windows XP.

• Memoria RAM mínima de 1 GB.
• 400 MB de espacio disponible en el disco duro.
• Tarjeta gráfica.
• CD ROM ó DVD ROOM.
• Impresora.
4.4 IMPLEMENTACIÓN DEL A.D.S.
En la implementación del A.D.S., para facilitar al usuario del software la

recopilación de datos de ingreso al programa se suministra el formato de
adquisición de datos presente en el ANEXO H.
4.4.1 Validación del A.D.S.
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.
Para validar la herramienta, la tabla 8 especifica cuales valores fueron ingresados

al software, y los resultados son mostrados en las figuras de 40-44.
Tabla 8. Valores para validación del software
Degradación RPM WF TET EGT SHP

1% 100.8 0.04299 646.7 281.4 417.27
2.9% 101.1 0.04468 662.8 295.6 405.3
3% 102.4 0.04637 678.8 309.9 393.23
4.9% 102.4 0.04848 698.8 327.7 378.07
5% 103.2 0.05018 714.9 342.0 365.87
Figura 40. Resultados degradación 1%
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).
4.5. MEJORAS DEL A.D.S.
Inicialmente, el software tenía una interfaz como la que muestra las figuras…….
Figura 45. Pantalla de inicio
90
Figura 46. Pantalla identificación del motor
Figura 47. Pantalla de ingreso de parámetros del motor
91
Figura 48. Pantalla de Red Neuronal
Figura 49. Pantalla de diagnóstico del motor
92
Figura 50. Pantalla de resultado del diagnóstico
Para evitar tanto conflicto (de programación) entre pantallas, agilizar el

procedimiento de diagnóstico y tener un acceso inmediato de información que se
93
debía ingresar comenzando a correr el programa, la interfaz fue cambiada y se
especifica en el numeral 4.3.9.
4.6. LIMITACIONES DEL A.D.S.
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.
Dentro de las limitaciones del A.D.S. tenemos:
• 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.
5. ANÁLISIS ECONÓMICO Y FINANCIERO
94
5.1 SISTEMA DE EQUILIBRIO.
El análisis de equilibrio permite a los autores calcular el mínimo de unidades del

software A.D.S. a producir y vender para no incurrir en pérdidas.
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
5.1.1 Relación de aportación. La relación de aportación puede expresarse de la

siguiente forma:
5
> 31
Aplicando la ecuación (31) se tiene:
5 250′000.000 > 0
5 250′000.000

+ 5 32

Aplicando la anterior fórmula se tiene:
250′000.000
+ 5
250′000.000
+ 5 1
5.1.2 Punto de equilibrio. Calculando el punto de equilibrio con la ecuación (33) se

tiene:

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
5.1.3 Beneficios o Utilidades. Las utilidades se expresan de la siguiente forma:
+ 5
> Z + 34
+ 5
> Z +
+ 5 250′000.000 > 91′509.186,67 Z 1
+ 5 250′000.000 > 91′509.186,67 Z 1
+ 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 $158’490.813,3.oo, representando un
57.7% de utilidades.
5.2 COSTOS DE PRODUCCIÓN
Los costos para la producción del software A.D.S. se presentan en la tabla 9.
Tabla 9. Costos de producción
COSTOS DE PRODUCCIÓN
96
DETALLE PRECIO ($)
Costos a cargo de la Universidad de San Buenaventura

Uso computadores 9350000
Uso programa GAS TURB 942186,67
Uso programa MATLAB 400000
Costos a cargo de los Autores

Artículos científicos 350000
Asesorías externas 500000
Materia proyecto de grado 2451000
Horas trabajadas por los autores 76800000
Internet 426000
Papelería 98000
Transporte 192000
TOTAL COSTO DE PRODUCCIÓN 91509186,67
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.
11. El deterioro de los componentes que constituyen un APU produce aumento en

el consumo específico de combustible (), aumento de la temperatura de los
la turbina y una reducción de la potencia entregada (

). Los
gases de escape (), lo que implica una mayor temperatura a la entrada de
mayores contribuyentes para la reducción de los parámetros anteriormente

citados, son deterioro en el compresor y la turbina.
12. Para un sistema de diagnóstico de APU’s, la arquitectura de red que más

concuerda con el algoritmo backpropagation, es la red feedforward multicapa.
13. El algoritmo backpropagation puede mejorar su ejecución, si se le realizan

ajustes como:
• Cambios al procedimiento para actualizar los pesos.
• Alternativas a las funciones de activación.
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.
15. El A.D.S. a diferencia de muchos programas de diagnóstico, sugiere acciones

correctivas a cada una de las probables fallas que afectan el rendimiento de un
APU, estas acciones correctivas son tomadas en cuenta dependiendo del
síntoma que la herramienta identifique en el proceso de diagnóstico del APU.
16. El A.D.S. brinda la posibilidad de monitorear la condición de APUs de cualquier

fabricante, ofreciendo una alternativa de mantenimiento predictivo al alcance
de cualquier operador.
17. El uso de la herramienta A.D.S. con el tiempo evitará la remoción no

programada de los motores APU, y minimizará los apagados inesperados que
ocurren durante la operación de los mismos.
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
Para investigaciones futuras se recomienda:
99
1. Para versiones posteriores del A.D.S., aumentar la cantidad de fallas
detectables y mostrar los porcentajes de degradación de cada componente.
2. Experimentar con otros lenguajes de programación el manejo de Redes

Neuronales para evaluar que tan versátil son para el uso en diagnóstico de
motores de turbinas de gas.
3. Continuar con la investigación en inteligencia artificial ampliando su estudio con

otras técnicas como Algoritmos Genéticos, Redes Bayesianas, Sistemas
Expertos, Lógica Difusa, etc., y demás técnicas aplicables a sistemas de
diagnóstico de motores de turbinas de gas.
4. Estudiar la posibilidad de adquisición de datos de manera automática al

programa para minimizar los errores de precisión que se pueden presentar en
la captura manual de datos.
5. A la Universidad, obtener más licencias de la herramienta GAS TURB para

facilitar la consecución de datos en el desarrollo de proyectos de este tipo.
6. Al Programa de Ingeniería Aeronáutica, profundizar en los estudios de

programación de MATLAB porque es una herramienta potente para soluciones
ingenieriles en el campo aeroespacial.
BIBLIOGRAFÍA
100
ANDERSON, Dave y McNeill, George. Artificial Neuronal Networks Technology.
USA, 1992. 4 p.
AZNAR GREGORI, Fidel. Fundamentos de Inteligencia Artificial. Universidad de

Alicante, Departamento de Ciencia de la Computación e Inteligencia Artificial.
España, 2004. 64 p.
COLMENARES QUINTERO, Fernando. Artículo: Gas Path Analysis (GPA).

Cranfield University, Department of Power and Propulsion. UK. 4 p.
DEMUTH, Howard; BEALE, Mark y HAGAN, Martin. Neural Network Toolbox™

6.User’s Guide. USA: The MathWorks, Inc, 2009. 901 p.
ESCHER, P. Pythia: an object-oriented gas-path analysis computer program for

general applications, Ph.D. thesis, School of Mechanical Engineering, Cranfield
University. UK, 1995.
GIAMPAOLO, Tony. The Gas Turbine Handbook: Principles and Practices. Third
Edition. USA: The Fairmont Press, Inc, 2006. 405 p.
GULATI, A; TAYLOR, D y SINGH R. Multiple operating-point analysis using

Genetic-Algorithm optimisation for gas-turbine diagnostics. ISABE-2001-1139.
2001.
GULATI, A; ZEDDA, M y SINGH, R. Gas-turbine engine and sensor multiple

operating-point analysis using optimisation techniques. 36th
AIAA/ASME/SAE/ASEE Joint propulsion conference and exhibition,17-Huntsville.
Alabama, USA, AIAA 2000-3716, 19 July 2000.
HONEYWELL. APU 331-200 Familiarization Computer Based Training. US, 2004.
--------. APU 331-400 Familiarization Computer Based Training. US, 2004.
--------. APU 131-9A Familiarization Computer Based Training. US, 2004.
HOU, Fengyang. Develop of a neuronal network Fault Diagnostic System. MSc

Thesis, School of Engineering, Cranfield University. UK, 2007. 138 p.
INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS. Trabajos escritos:

presentación y referencias bibliográficas. Sexta actualización. Bogotá D.C.:
ICONTEC, 2008. 36 p. NTC 1486.
--------. --------. Bogotá D.C.: ICONTEC, 2008. 33 p. NTC 5613.
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.
MARINAI, L; SINGH, R y CURNOCK, B. Fuzzy-logic-based diagnostic process for

turbofan engines. In: ISABE-2003-1149, XVI International Symposium on air-
breathing engines. USA, 31 August–5 September 2003.
MARINAI, Luca, et al. Detection and prediction of the performance deterioration of

a turbofan engine. In: TS-005, International Gas-turbine Congress 2003. Tokyo,
November 2–7, 2003.
MATHIOUDAKIS, K y SIEVERDING, CH. Gas-turbine Condition Monitoring & Fault

Diagnosis, Von Karman Institute Lecture Series 2003-01. Brussels, Belgium, 13–
17 January 2003.
MÉNDEZ, Carlos. Metodología, diseño y desarrollo del proceso de investigación.

Bogotá, 2004. 246 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.
MUCINO, Marco. CCGT Performance Simulation and Diagnostics for Operations

Optimization and Risk Management. EngD Thesis, School of Engineering,
Cranfield University. UK, 2007.
PASSALACQUE, J. Description of automatic gas-turbine engine-trends diagnostic

system. National Research Council of Canada, Symposium on Gas-turbine
Operation and Maintenance. Canadá, 1974.
PRESIDENCIA DE LA REPÚBLICA. Constitución política de Colombia. Bogotá,

2008. 139 p.
PROVOST, MJ. COMPAS: a generalized ground-based monitoring system.

Engine-condition Monitoring, AGARD-CP-449. 1988.
PROVOST, MJ. Kalman-filtering for performance engineering, Performance

technical report, Rolls-Royce. Derby, 1987.
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.
SINGH, R. Advances and opportunities in gas-path diagnostics, ISABE 2003-1008.

2003.
SINGH, R. Civil aero gas-turbines: strategy and technology, Chairman's Address,

Aerospace Division, Institution of Mechanical Engineers. London, April 2001.
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 sistema de aceite

“THE OIL TEMPERATURE IS WITHIN PARAMETERS OF NORMAL
OPERATION”

“LOW TEMPERATURE. PLEASE CHECK THE OIL TEMP. SENSOR AND/OR
CHECK THE OIL INDICATION SYSTEM”

“HIGH TEMPERATURE. PLEASE CHECK THE OIL TEMP. SENSOR AND/OR
CHECK THE OIL LEVEL AND/OR THE OIL HEAT EXCHANGER”

“THE OIL PRESSURE IS WITHIN PARAMETERS OF NORMAL OPERATION”

“LOW OIL PRESSURE. PLEASE CHECK THE OIL INDICATION SYSTEM
AND/OR THE OIL LEVEL”

“HIGH OIL PRESSURE. PLEASE CHECK THE OIL INDICATION SYSTEM
AND/OR THE OIL PRESSURE PUMP”
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
Del Mensaje 01 A.D.S.

Acción Correctiva:
“THE APU IS WITHIN PARAMETERS OF NORMAL OPERATION”
Del Mensaje 02 A.D.S.

Acciónes Correctivas:
“FAILURE IN THE COLD SECTION. PLEASE REVIEW THE INDICATION
SYSTEM BY FAILURE AND/OR CHECK THE APU INLET DUCT BY
OBSTRUCTION AND/OR THE APU COMPRESSOR MAY HAVE FOULING, MAKE
A COMPRESSOR WASHING”
“FAILURE IN THE COLD SECTION. IT IS NECESSARY TO MAKE A

BOROSCOPE INSPECTION IN CASE OF FAILURE BY FOD, DOD, EROSION
AND CORROSION”
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”
“FAILURE IN THE HOT SECTION. IT IS NESESSARY TO MAKE A

BOROSCOPE INSPECTION TO CHECK THE TIP BLADES FOR FRICTION
SIGNALS AND/OR BURNED TIPS”
“FAILURE IN THE HOT SECTION. IT IS NESESSARY TO MAKE A

BOROSCOPE INSPECTION TO CHECK THE FUEL NOZZLES”
“FAILURE IN THE HOT SECTION. CHECK THE TERMOCUPLES AND/OR

CHECK THE TEMPERATURE INDICATION SYSTEM”
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

Desarrollo de Un Software de Diagnostico Inteligente para Monitoreo de Apus

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Desarrollo de Un Software de Diagnostico Inteligente para Monitoreo de Apus

Uploaded by

Copyright:

Available Formats

FECHA ENERO 21 de 2010

PROGRAMA Programa de Ingeniería Aeronáutica

AUTOR (ES) ALBARRACIN, Eddy Gisela y PESCADOR, Paulo César

TÍTULO DESARROLLO DE UN SOFTWARE DE DIAGNÓSTICO INTELIGENTE PARA

PALABRAS CLAVES Software

DESCRIPCIÓN Herramienta de Diagnóstico de fallas, que implementa Redes

FUENTES BIBLIOGRÁFICAS ANDERSON, Dave y McNeill, George. Artificial Neuronal

AZNAR GREGORI, Fidel. Fundamentos de Inteligencia

COLMENARES QUINTERO, Fernando. Artículo: Gas Path

DEMUTH, Howard; BEALE, Mark y HAGAN, Martin. Neural

ESCHER, P. Pythia: an object-oriented gas-path analysis

GIAMPAOLO, Tony. The Gas Turbine Handbook:

GULATI, A; ZEDDA, M y SINGH, R. Gas-turbine engine

HONEYWELL. APU 331-200 Familiarization Computer

--------. APU 331-400 Familiarization Computer Based

--------. APU 131-9A Familiarization Computer Based

HOU, Fengyang. Develop of a neuronal network Fault

INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS.

--------. --------. Bogotá D.C.: ICONTEC, 2008. 33 p. NTC

MARINAI, Luca; PROBERT, Douglas y SINGH, Riti. Artículo:

MARINAI, L; SINGH, R y CURNOCK, B. Fuzzy-logic-based

MARINAI, Luca, et al. Detection and prediction of the

MATHIOUDAKIS, K y SIEVERDING, CH. Gas-turbine

MENG, Tang. The Adaptive Intelligent Model for Process

MUCINO, Marco. CCGT Performance Simulation and

PASSALACQUE, J. Description of automatic gas-turbine

PRESIDENCIA DE LA REPÚBLICA. Constitución política de

PROVOST, MJ. COMPAS: a generalized ground-based

PROVOST, MJ. Kalman-filtering for performance

PROVOST, MJ. The use of optimal estimation techniques

SINGH, R. Advances and opportunities in gas-path

SINGH, R. Civil aero gas-turbines: strategy and

WALSH, Philip y FLETCHER, Paul. Gas turbine

CONTENIDOS 4. DESARROLLO INGENIERIL

4.1. ESTUDIO Y VIABILIDAD DEL PROYECTO

4.2. CONOCIMIENTOS ESPECÍFICOS DEL APU QUE EVALÚA EL A.D.S.

4.2.1 Modelo del motor

4.2.1.1 Honeywell GTCP331-200

4.3. DESARROLLO DEL A.D.S.

4.3.1 Diagrama de flujo

4.3.2 GAS TURB como herramienta de simulación

4.3.3 MATLAB como herramienta de programación

4.3.5 Punto de diseño de rendimiento del motor GTCP 331-200

4.3.6 Modelo de deterioro del rendimiento del motor

4.3.7 Configuración del diagnóstico

4.3.8 Acciones correctivas

4.3.9 Uso de Redes Neuronales Artificiales

4.3.9.1 Paso a paso para uso de las ANN

4.3.10 Interfaz de usuario

4.3.11 Guía del usuario

4.4 IMPLEMENTACIÓN DEL A.D.S.

4.5. MEJORAS DEL A.D.S.

4.6. LIMITACIONES DEL A.D.S.

METODOLOGÍA ENFOQUE DE LA INVESTIGACIÓN

El enfoque a emplear en la investigación es Empírico-analítico,

El presente proyecto, que forma parte del Grupo de Investigación

El campo temático de investigación del programa de Ingeniería

TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN

Las técnicas de recolección de información requeridas para la

• Encuestas, que se aplicarán a personal vinculado al área de

Las encuestas serán aplicadas a personal de ingeniería y

Parte de la información será recolectada de la experimentación

1. Mediante la simulación de rendimiento de motores es posible

la turbina y una reducción de la potencia entregada