Trabajo de Grado [PDF]

Zitiervorschau

UNIVERSIDAD DE ORIENTE VICERRECTORADO ACADÉMICO CONSEJO DE ESTUDIOS DE POSTGRADO NUCLEO MONAGAS COORDINACIÓN DE POSTGRADO EN INFORMÁTICA GERENCIAL

Inteligencia Artificial para Toma de Decisiones en el Mantenimiento Predictivo a equipos Turbocompresores en la Industria Petrolera

Autor: Ing. Leonardo Villegas Tutor: Raher Pérez Proyecto de Trabajo de Grado para Optar el Título de Magister Scientiarum en Informática Gerencial

Maturín, Julio del 2020

ii

ÍNDICE

RESUMEN..............................................................................................................................6 INTRODUCCIÓN .................................................................................................................7 CAPITULO I. EL PROBLEMA.............................................................................................9 1.1. Planteamiento del Problema.............................................................................................9 1.2. OBJETIVOS DE LA INVESTIGACIÓN..................................................................11 1.2.1. Objetivo General.................................................................................................11 1.2.2. Objetivos Específicos..........................................................................................12 1.3. JUSTIFICACIÓN DE LA INVESTIGACIÓN..........................................................12 1.4. ALCANCE.................................................................................................................13 CAPITULO II. MARCO REFERENCIAL..........................................................................15 2.1. ANTECEDENTES DE LA INVESTIGACIÓN........................................................15 2.2. BASES TEÓRICAS...................................................................................................18 2.2.1. Inteligencia Artificial..........................................................................................19 2.2.1.1. Tecnicas de la Inteligencia Artificial...............................................................20 2.2.1.2. Sistema Experto ..............................................................................................20 2.2.1.3. Logica Difusa...................................................................................................21 2.2.1.4. Aprendizaje Automatico o Machine Learnig...................................................22 2.2.1.5. Redes Neuronales Artificiales..........................................................................23 2.2.2. Metodologia CRISP DM.....................................................................................23 2.2.2.1. Fases del modelado de la metodologia CRISP DM.........................................25 2.2.3. Mantenimiento....................................................................................................26 2.2.3.1. Tipos de Mantenimiento..................................................................................26 2.2.4. Metodologia del Mantenimiento Predicitvo.......................................................28 2.2.4.1. Fases de la Metodologia de Mantenimiento Predictivo...................................29 2.3. BASES LEGALES................................................................................................30 2.4. GLOSARIO DE TERMINOS BASICOS..............................................................33 CAPITULO III. MARCO METODOLÓGICO....................................................................16

iii

3.1. Modalidad de Investigación.......................................................................................36 3.2. Diseño de la Investigación.........................................................................................37 3.3. Nivel de la Investigación............................................................................................38 3.4. Población y Muestra...................................................................................................38 3.4.1. Población.............................................................................................................38 3.4.2. Muestra................................................................................................................39 3.5. Operacionalizacion de Variables...............................................................................39 3.6. Tecnicas e Instrumentos de Recolección de la Información......................................41 3.7. Instrumentos de Recolección de Datos......................................................................42 3.8. Tecnicas de Analisis de Datos...................................................................................42 3.8. Metodologia Operativa..............................................................................................43 3.8. Cronograma de Actividades.......................................................................................44 BIBLIOGRAFIA..................................................................................................................45

iv

Lista de Cuadros y Figuras Figura 1. Sistema Difuso ..............................................................................................22 Figura 2. Esquema de Niveles de CRISP-DM..............................................................24 Figura 3. Fases de Metodologia CRISP-DM................................................................24 Figura 4. Fases de la metodologia de Mantenimiento Predictivo.................................28 Cuadro de Variables......................................................................................................35 Cuadro de Operacionalización de Variables.................................................................44 Cuadro de Metodologia Operativa................................................................................44

v

RESUMEN UNIVERSIDAD DE ORIENTE VICERRECTORADO ACADÉMICO CONSEJO DE ESTUDIOS DE POSTGRADO NÚCLEO DE MONAGAS COORDINACIÓN DE POSTGRADO EN INFORMÁTICA GERENCIAL Trabajo de Maestría en Informática Gerencial Proyecto de Trabajo AUTOR: Leonardo Villegas TUTOR: Raher Pérez FECHA: Julio del 2020 RESUMEN

El presente trabajo de investigación trata la evaluación entre técnicas de inteligencia artificial para la predicción de fallas en equipos turbocompresores que permitan optimizar la toma de decisiones gerenciales aplicables al mantenimiento predictivo mediante la selección de un modelo eficiente. Para el logro de los objetivos planteados se utilizó la metodología de CRISP-DM como modelo de inteligencia artificial y la metodología de mantenimiento predictivo de estándar ISO. Corresponde a la modalidad de proyecto factible, apoyada en un diseño Mixto de investigación documental y de Campo, con un nivel Comprensivo, y un análisis de los datos de tipo cualitativo y cuantitativo, permitiendo describir los resultados obtenidos mediante la investigación. El desarrollo permitió analizar la funcionalidad de las técnicas y metodologías para predecir fallas y tomar decisiones en la planificación y realización de las actividades de mantenimiento de los equipos turbocompresores en base a las condiciones detectadas y la solución optima correspondiente en cada caso particular. Palabras claves: Toma de Desiciones, Inteligencia Artificial, Mantenimiento Predictivo.

vi

INTRODUCCIÓN

La toma de decisiones gerenciales es un proceso elemental en las organizaciones cuya complejidad depende del contexto organizacional, se trata de escoger entre alternativas de solución ante situaciones encontradas de la forma más óptima posible en el tiempo aceptado sin que afecte la productividad de la empresa. La información es importante para tomar decisiones, mediante esta se construye el conocimiento y experiencia para evaluar entre posibles modos de actuar. La inteligencia artificial es actualmente aplicable en diversos campos lo que la hace una disciplina fundamental de cara al futuro en el desarrollo de la sociedad moderna, las técnicas de inteligencia artificial pueden ser empleada como herramienta tecnológica de apoyo en la toma de decisiones, como complemento ante las posibles incertidumbres no cubiertas en las decisiones de los gerentes, por otro lado, ofrecen resultados analíticos y predicciones que generan información útil a la gerencia para conocer y adelantarse en la toma de desiciones sobre un proceso especifico. En la actualidad es vital para

las organizaciones optimizar los procesos

gerenciales y operacionales mediante herramientas modernas aplicables en la toma de decisiones para llevar a cabo una planificación futura de las actividades, en este contexto, el mantenimiento predictivo surge como una actividad operacional que permite alargar la vida útil de los equipos, que depende en gran parte de las decisiones gerenciales para su ejecución sobre los activos, tal es el caso de los equipos turbocompresores utilizados en la industria petrolera, en la planta compresora MUSCAR, se propone aplicar técnicas de inteligencia artificial para la predicción

7

de fallas para dar paso a la toma de decisiones para el mantenimiento predictivo de dichos equipos. Esta investigación está estructurada de la siguiente manera: En el Capitulo I. Se hace referencia a la contextualización de la problemática planteada, se describe el objetivo general y objetivos específicos los cuales se pretenden alcanzar en el desarrollo de la investigación. Por otro lado, se destaca la justificación e importancia que son las razones, aportes y beneficios para realizar la investigación. En el Capitulo II. Se plantean los fundamentos teóricos, que sustentan la investigación, describiendo el contexto de ubicación geográfico y de caracterización del objeto de estudio, los antecedentes de la investigación, aspectos teóricos y legales relacionados. En el Capitulo III. Se desarrollan los aspectos metodológicos, este constituye la metodología a utilizada para llevar a cabo la investigación, se trata de los métodos, procedimientos y técnicas destacando en este caso un tipo de investigación bajo la modalidad de proyecto factible, de nivel comprensivo usando fuentes de indagación mixta documental- de campo. Se presentan las técnicas e instrumentos para la recolección y análisis de datos y las técnicas de análisis de datos para la presentación de los resultados de la investigación.

8

CAPÍTULO I EL PROBLEMA 1.1. Planteamiento del Problema En los procesos gerenciales la toma de decisiones representa la tarea de mayor importancia en la solución de problemas, y la planificación de las actividades en la organización, como premisa una base de alternativas a evaluar de forma crítica y racional para llegar a adoptar una decisión final. Por lo tanto, es vital contar con herramientas que permitan apoyar la toma de decisiones mediante la evaluación de datos e información disponible para lograr el mejor desempeño de la organización y generación de ventaja competitiva. Tomar de decisiones es parte de gerenciar, define como se obtienen los objetivos gerenciales, enfocados principalmente en la planificación para cumplir las metas en el

marco estratégico de la organización o plan de negocios. De aquí se

devela la influencia de la toma de decisiones en la economía organizacional tal como lo sustentó Herbert Simón (1960-1979) y su tesis enmarcada en la teoría racional o racionalidad limitada que relaciona la inteligencia artificial con la toma de decisiones y el comportamiento administrativo de las empresas. En este contexto nada está separado, las decisiones afectan directamente en la economía de las organizaciones. Actualmente la digitalización industrial trae consigo tecnologías disruptivas de aplicación en la toma de decisiones que revolucionan las empresas tales como la Analítica de Datos, Big Data, Internet de las Cosas, Computación en la Nube, que giran en torno a la inteligencia de negocios y lo denominado industria 4.0, estos paradigmas dan paso a la transformación o digitalización de la industria y sistemas

9

complejos, en todos estos casos el factor importante son los datos e información del proceso, métricas en tiempo real e indicadores, donde se presenta la inteligencia artificial como herramienta para la interpretación, análisis, inferencia y predicción que coadyuvan finalmente a la toma de decisiones. La Inteligencia artificial es un conjunto de técnicas de alto desempeño en la solución de casos empresariales de toma de decisiones, en la actualidad muchas empresas tales como Google, Netflix, Amazon y Facebook, entre otras, han conseguido optimizar la gestión de sus procesos y modelos de negocios, algunos de los campos de mayor auge son el aprendizaje automático, aprendizaje profundo, sistemas expertos y chatbots. En Venezuela esta tecnología está presente principalmente en el sector empresarial bancario y comercial con la aplicación de sistemas para recomendación de productos y publicidad. A nivel nacional en el sector de energía, petróleo y gas las operaciones dependen de numerosos activos industriales de alto costo en el mercado mundial sin embargo en dichos sectores no se implementa en la actualidad técnicas de la IA, ni se presentan esfuerzos necesarios de inversión para la experimentación y el desarrollo de herramientas tecnológicas para brindar las soluciones empresariales en dichos sectores. La adaptabilidad de la IA impacta de manera positiva en el sector energético donde se requiere de toma de decisiones que garanticen la eficiencia en la operación de los procesos y gestión de los activos industriales mediante actividades de mantenimiento. El mantenimiento predictivo toma como base el análisis de condiciones presentes, monitoreo de variables y parámetros, dicho mantenimiento implica la intervención de las fallas cuando estas se presentan o están en desarrollo para realizar seguimiento del estado de un equipo y planificar reparaciones antes de que las fallas conlleven a paros inesperados.

10

En Punta de Mata Estado Monagas la Planta Compresora MUSCAR de la empresa Petróleos de Venezuela (PDVSA), tiene como función principal recibir y procesar gas natural, para ser entregado como fuente de energía para diversos sectores industriales, para tal fin el equipo principal son los turbocompresores en los cuales intervienen sistemas y variables que deben mantenerse en parámetros establecidos como seguros. Las fallas en los sistemas de los turbocompresores han causado un incremento en las horas de paro no programado, y trae como consecuencias pérdidas en la producción y costos en actividades de mantenimientos correctivos. En Los indicadores de confiabilidad de la gerencia de mantenimiento PDVSA (2019), se reporta una baja disponibilidad, de las unidades turbocompresores, la cual disminuyo a un 80% esto a causa de los paros consecutivos que presentaron, lo que representa una alta frecuencia de fallas, en el mismo informe se recomienda el cumplimiento del mantenimiento de las unidades, las tareas de mantenimiento se realizan en base a una programación de actividades según las horas de operación del equipo, lo que obliga a la operación de los mismos en condiciones de fallas. La disponibilidad de los equipos se encontró por debajo del estándar establecido de 95%. Para febrero del 2020 la disponibilidad operacional de las unidades turbocompresoras disminuyo drásticamente a un 18%. Actualmente las unidades turbocompresores en la planta compresora MUSCAR se encuentran paralizadas debido al daño total de los equipos y sistemas vitales desde el punto de vista mecánico, lo anterior es resultado de la ausencia de mantenimiento y recursos económicos para tal fin. Sumado a esto la toma de decisiones han sido deficientes y se presenta la ausencia de metodologías e instrumentos de apoyo para la gestión de la gerencia de Mantenimiento operacional Punta de Mata, encargada de la planificación y ejecución de las actividades de mantenimiento a los equipos turbocompresores.

11

Desde otro punto de vista, el campo se encuentra poco desarrollado al no contar con antecedentes sobre la inteligencia artificial en la industria energética del petróleo y gas, donde aún no existen iniciativas para aplicación como herramienta de gestión para el mantenimiento predictivo, esta investigación adquiere un carácter innovador destacando las tecnologías relacionadas con el mantenimiento predictivo en la actualidad, aplicar conocimientos en el desarrollo de nuevos modelos de gerencia organizacional e impulsa la prospectiva tecnológica mediante la investigación y adopción de nuevas tecnologías. La relevancia filosófica de la inteligencia artificial debate desde la filosofía clásica que critica la razón, la lógica, el racionalismo, la deducción, inducción o el conductismo para comparar estas teorías y sentar el paradigma de la maquina inteligente, en torno a si se puede o no crear una inteligencia artificial que piense y actuase de forma autónoma tal cual lo hacen los humanos, en este sentido Descartes (1633) señalaba la imposibilidad de que una maquina pudiera pensar, aprender un lenguaje o razonar, y defiende el dualismo, lo que demostraría Charles Babbage (1837) a través del funcionalismo al poder dotar de inteligencia a una maquina mediante la programación, Alan Turing (1950) argumento a favor del conductismo y sentó las bases de la inteligencia artificial y computación que hoy conocemos, su mayor aporte está en la prueba de Turing. En un enfoque moderno John Searle (1980) critica la inteligencia artificial fuerte y acepta la débil como la inteligencia posible, refuta la posición acerca de la mente y cuerpo como organismos separados con la tesis de la filosofía de la mente, por otro lado el paradigma de la habitación china demuestra como las computadoras entienden la función para la cual es programada. En síntesis las teorías afirman que es posible crear modelos inteligentes que permiten resolver o ayudar problemas específicos. Los estudios citados son base de la ciencia de la inteligencia artificial actual y los avances tecnológicos producidos en beneficio de la actividad humana.

12

El desarrollo de esta propuesta representa una oportunidad para demostrar la capacidades de la ciencia y la tecnología como medio para apoyar en la solución de problemas gerenciales, como otro punto relevante, la transformación digital en la empresa para un caso específico como la toma de decisiones, y su aplicación para gestionar, responder a nuevas problemáticas que puedan surgir, con el mantenimiento predictivo como técnica para el aprovechamiento de los recursos que influye positivamente en la producción. El uso de la inteligencia artificial tiene amplia funcionalidad en diversos tipos de sistemas y procesos con el uso de metodologías para su implementación, el éxito dependerá de la correcta toma de decisiones y planificación prospectiva del mantenimiento. La investigación guiará hacia la toma de decisiones para la planificación del mantenimiento a equipos turbocompresores. Por lo antes mencionado, surge la propuesta de incorporar un modelo de mantenimiento predictivo basado en técnicas de inteligencia artificial para apoyar la toma de decisiones en el mantenimiento de equipos turbocompresores en la industria petrolera aplicables a la planta compresora MUSCAR PDVSA, que tendrá como función principal predecir las fallas que afectan al sistema de esta manera gestionar las acciones a seguir para aportar soluciones. Como resultado generará eficiencia, optimización y reducción de costes, disponibilidad, confiabilidad. 1.2. Objetivos de la Investigación 1.2.1. Objetivo General Evaluar la integración de la Inteligencia Artificial para toma de decisiones gerenciales en el Mantenimiento Predictivo a equipos Turbocompresores en la industria petrolera aplicable a la planta compresora MUSCAR PDVSA.

13

1.2.2. Objetivos Específicos 

Describir los principios del mantenimiento predictivo con el objetivo de conocer su aplicación.



Identificar las condiciones de fallas que afectan la operatividad de los equipos turbocompresores con la finalidad de extraer la data necesaria.



Determinar las alternativas de solución de las fallas para obtener un modelo cognitivo para la toma de decisiones en el mantenimiento predictivo.



Seleccionar el modelo de Inteligencia Artificial para apoyar

la toma de

decisiones en el mantenimiento predictivo a equipos turbocompresores, que permita obtener una decisión prospectiva para una solución óptima y efectiva. 1.3. Justificación de la Investigación

La toma de decisiones debe llevar a encontrar soluciones innovadoras mediante herramientas que aportan información para los gerentes que intervienen en la planificación y ejecución del mantenimiento de los equipos turbocompresores. La aplicación de la Inteligencia Artificial al mantenimiento predictivo logrará aumentar el rendimiento, minimizar los paros imprevistos a fines de mantener la disponibilidad de los equipos y extender su vida útil. Esta investigación es de relevante importancia para PDVSA, ya que se hace evidente caracterizar las condiciones y predecir el comportamiento futuro de los sistemas en los turbocompresores a fin de identificar las acciones que puedan efectivamente optimizar costos y minimizar perdidas en el negocio con la toma de decisiones en las actividades de mantenimiento. Esto favorecerá la mejora de los niveles de comunicación para cumplir con los requisitos pautados en el Sistema de Gestión la calidad de los procesos para mantener la satisfacción de los clientes con el desempeño del personal que labora en el mantenimiento de los turbocompresores en cada una de sus fases.

14

Esta investigación abordará el estudio sobre la aplicación de las técnicas de la IA, la misma aportará aspectos técnicos para demostrar los nuevos enfoques que aplican a los procesos empresariales de acuerdo a las exigencias actuales de los negocios y la evolución de la tecnología. En otro orden de ideas buscan potenciar la investigación para el desarrollo de dicha tecnología en el ámbito del sector industrial de petróleo y gas para aportar un conocimiento que sustente su aplicabilidad. Representa una investigación innovadora por cuanto conllevara al estudio comparativo y de análisis de la inteligencia artificial como herramienta de gestión para la toma de dediciones enfocadas en el mantenimiento predictivo de equipos de la industria, El desarrollo de la presente investigación es extensible a diversos ámbitos empresariales que requieran una solución para optimizar los procesos de gestión de mantenimiento sobre sus activos. Es importante destacar el mantenimiento predictivo como una metodología con lo cual se logra la conservación de los activos, partiendo del monitoreo de condiciones y recolección de datos proveniente de los mismos, que mediante a la incorporación de técnicas de inteligencia artificial como lógica difusa aplicada a sistemas expertos y otra de auge creciente como el aprendizaje automático, conjugan una herramienta para el análisis, diagnóstico y predicción de fallas que permitirán la toma de decisiones gerenciales para intervenir a tiempo y corregir las condiciones que afectan los equipos. 1.4. Alcance La presente investigación tiene como alcance general la selección de un modelo de Inteligencia Artificial para apoyar la toma de decisiones en el mantenimiento predictivo a equipos turbocompresores de la planta compresora MUSCAR PDVSA mediante la predicción de fallas.

15

1.4.1 Espacial La investigación se desarrollará en la planta compresora MUSCAR PDVSA, ubicada en el municipio Ezequiel Zamora, al Este de Punta de Mata, del estado Monagas. Esta planta se encarga de la interconexión de gasoductos de la Estación de Flujo Musipán hacia Muscar para tomar el gas, comprimir en dos máquinas, y elevar el nivel de presión a 1200 libras, lo que se utiliza para la generación de gas propano a nivel nacional.

1.4.2 Temporal El proceso de investigación se llevará a cabo durante el lapso de tiempo comprendido entre Marzo del 2020 a Junio del 2020. El tiempo de ejecución del mismo comprende el periodo desde el 02 de junio a 11 de julio del 2020.

1.4.3 Poblacional El estudio

involucra una población de total de

5 unidades o equipos

turbocompresores pertenecientes a planta compresora MUSCAR.

16

CAPÍTULO II MARCO REFERENCIAL En este apartado representan las referencias que soportan la investigación y los conocimientos sobre el tema a estudiar, en este sentido Rojas, R (2001) señala que “significa sustentar debidamente el problema en un cuerpo de conocimientos. Esto implica analizar y exponer aquellos elementos teóricos generales y particulares que se consideren pertinentes para guiar el proceso de investigación” (p.87). En función de esto se presentan los aspectos que sustentaran la investigación.

2.1. Antecedentes de Investigación Los antecedentes de la investigación son todos aquellos trabajos o investigaciones previas realizadas por otros autores que se relacionan con la investigación que se lleva a cabo, pueden tratarse el mismo tema o tienen el mismo principio, Para Arias, F (1999), “Se refiere a los estudios previos y tesis de grado relacionadas con el problema planteado, es decir, investigaciones realizadas anteriormente y que guardan alguna vinculación con el problema en estudio” (p.14). Como antecedentes relacionados a la investigación, destacan los trabajos presentados a continuación, de los cuales se obtuvo información general y bases en los aspectos teóricos y técnicos para la presente investigación: Arango, D. Colmenares, L. Contreras, I. (2018). “Comparación entre el método tradicional y algunos basados en inteligencia artificial para el estudio del riesgo crediticio en instituciones financieras colombianas”. Tesis de maestría presentada como requisito parcial para optar al título de magíster en Administración de Riesgos.

17

Universidad EAFIT escuela de administración, Medellín. Como objetivo principal presenta realizar un análisis comparativo entre el método tradicional utilizado para el seguimiento de crédito de personas naturales y algunos modelos de inteligencia artificial en carteras crediticia de vehículos de una entidad financiera colombiana. En conclusión, se consideró como alternativas las redes neuronales y los bosques aleatorios, resultando dinámicas y adaptativas y que generan resultados o indicadores de rendimiento tan buenos como los métodos comunes usados para predecir el riesgo de crédito. La red neuronal se podría utilizar para tomar decisiones en procesos de preaprobados porque tiene menor error de clasificar como bueno a un cliente malo. Como aporte relevante a la presente investigación se presenta la técnica de redes neuronales como modelo de ideal para la predicción, con una alta capacidad de adaptación, las mismas no requieren una estructura de redes de alta complejidad; para alcanzar resultados, lo que representa una ventaja al disminuir el tiempo y el costo en el procesamiento de los datos, contribuyen a una satisfactoria toma de decisiones. Ynzunza. C, Izar. J, Larios. M, Aguilar. F, Bocarando. J, Acosta. Y. (2017). “Tendencias de la gestión de los activos y el mantenimiento predictivo en la industria 4.0: Potencialidades y beneficios”. Universidad Tecnológica de Querétaro. Universidad Autónoma de San Luís Potosí. Bolivia. Revista de Aplicaciones de la Ingeniería. El objetivo de este estudio explorar el entorno de la Industria 4.0 y las tecnologías asociadas y evaluar sus implicaciones en la gestión de los activos y el mantenimiento predictivo. La contribución principal del mismo es aportar elementos para su conocimiento y aplicación. Como aportes encontrados se tiene que a través de las nuevas tecnologías como lo son los sistemas de aprendizaje basados en inteligencia artificial y manejo de grandes volúmenes de datos usando técnicas de analítica avanzada las empresas puedan tener un mayor conocimiento sobre las operaciones de los equipos, los procesos de gestión y fabricación; para la toma de decisiones y el establecimiento de estrategias de actuación. Explica el proceso metodología para la implementación de un programa de mantenimiento basado en

18

condición o predictivo, acertando que se requiere que los datos sean colectados, procesados y analizados para la toma de decisiones. Jaramillo, A. (2016). “integración de la metodología commonkads y la lógica difusa en un sistema experto para apoyar el proceso de selección de personal”. Proyecto de grado para optar por el título de Maestría en Ingeniería. Universidad EAFIT escuela de ingeniería área sistemas y computación especialidad sistemas de información, Medellín. El objetivo de esta investigación plantea una integración entre la metodología CommonKADS con la lógica difusa, para desarrollar un sistema experto que facilite el procesamiento de conocimiento cualitativo, en un proceso del ámbito administrativo y mejorar la validez en las decisiones. Concluye que el uso de los métodos de la lógica difusa se obtiene resultados que son aplicables tanto al sistema informático como al discurso del experto. Los sistemas expertos basados en lógica difusa ofrecen ventajas apreciables en el ámbito de la organizacional, porque permiten realizar las operaciones de forma más rápida, son tolerantes a las imprecisiones, se ajustan al lenguaje de los humanos y son más económicos a la hora de realizar su trabajo. Como aporte de referencia, ofrece una guía para modelar sistemas a los que se les pueden incluir las estrategias de la lógica difusa, para procesar conocimiento cualitativo, en el caso de esta investigación lograr la representación del conocimiento y del proceso de razonamiento utilizando lógica difusa aplicables para el desarrollo de un sistema experto, en busca de obtener mejores y eficientes decisiones. Gil. J. (2015). “Estimación de un pronóstico de exportaciones de café suave colombiano: redes neuronales artificiales y ARDL”. Tesis de maestría presentada como requisito parcial para optar al título de magíster en economía. Medellín universidad EAFIT escuela de economía y finanzas. Como objetivo presenta estimar el impacto de la elaboración de un pronóstico de exportaciones, a través de un comparativo en el ajuste de un modelo de redes neuronales artificiales y un modelo de series de tiempo, con el fin de obtener herramientas útiles para el análisis del

19

desarrollo de la caficultura colombiana. Como resultado resalta A la hora de elegir el mejor modelo, la ventaja la posee la RNA, ya que en su etapa de aprendizaje lo hace por medio del algoritmo Back Propagation, el cual resulto una técnica con menor tiempo de iteración para la estimación del modelo. Como aporte de referencia se tiene el uso de las Redes Neuronales Artificiales para la transformación de datos y predicción

de

variables

para

su

posterior

análisis

y

determinación

de

comportamientos que influyen finalmente en la toma de decisiones gerenciales.

Cabrera, F. (2014). “Desarrollo de un modelo basado en Machine Learning para la predicción de la demanda de habitaciones y ocupación en el sector hotelero”. Tesis de grado para optar el título de magister en ingeniería con énfasis en sistemas y computación. Universidad Tecnológica de Bolívar Maestría en Ingeniería. Cartagena. Como objetivo presenta desarrollar y validar un modelo basado en Machine Learning para la predicción de la demanda de habitaciones y ocupación en el sector hotelero. En conclusión, los resultados muestran la superioridad de las Redes Neuronales Función Base Radial sobre las Redes Neuronales Perceptron Multicapa en el contexto de nuestra aplicación. Como aportes tomados de esta investigación el entrenamiento del sistema resulta vital para dotar de inteligencia al sistema experto dentro de las técnicas de inteligencia artificial presenta el termino de Machine Learning (Ridge Regression, Kernel Ridge Regression, Redes Neuronales Artificiales perceptron multicapa y de Función Base Radial). Los datos se separaron en tres conjuntos: entrenamiento, validación y pruebas.

2.2. Bases Teóricas Los aspectos teóricos tratan sobre las bases fundamentales de la investigación que por medio de teorías que permiten obtener el conocimiento sobre el tema investigado. “El marco teórico es, finalmente, el uso de una o más teorías en las cuales se fundamenta directamente el problema de investigación”. (Briones, 2002, p

20

21). Representa todas las teorías relacionadas con el trabajo que se obtienen de fuentes documentales.

2.2.1. Inteligencia Artificial La Inteligencia artificial es la ciencia que permite crear máquinas y sistemas inteligentes que pueden razonar y actuar similar a un humano. Ponce, P (2010) señala que “Su primera motivación fue intentar construir máquinas que pudieran pensar como el ser humano, o al menos emularle en alguna capacidad de tal modo que denotara cierta inteligencia” (p.25). Muchos filósofos y científicos estudiaron referente al conocimiento humano, Desde un punto de vista cognoscitivo, de la lógica y raciocinio como formas de entendimiento y capacidad del hombre de resolver problemas del mundo natural. A mediados de 1943-1956 comienza a desarrollarse los enfoques de la inteligencia artificial, Warren McCulloch y Walter Pitts presentaron los primeros modelos de redes neuronales, se encuentran otros trabajos como el de Turing (1950), John McCarthy (1960) desarrolla el lenguaje de experimentaion LISP, Marvin Minsky (1961) introduce el termino IA en su discurso llamado “Hacia la Inteligencia Artificial”. El desarrollo en el campo continúo de manera extensiva hasta la actualidad, los resultados se notan en todos los campos y actividades de la humanidad donde la tecnología cobra importancia en diversos procesos de interacción de las personas, los sistemas y computadores. Cabe destacar lo señalado por Romero, Dafonte, Gómez, Penousal, (2007) sobre inteligencia artificial: Es la rama de la ciencia que se encarga del estudio de la inteligencia en elementos artificiales y, desde el punto de vista de la ingeniería, propone la creación de elementos que posean un comportamiento inteligente. Dicho de otra forma, pretende construir sistemas y máquinas que

21

presenten un comportamiento que, si fuera llevado a cabo por una persona, se diría que es inteligente (p.10). Representa las técnicas, métodos, estructuras para dotar a sistemas obtener y procesar información para aprender y actuar conforme lo haría un humano, cabe destacar, dichas funciones realizadas por el hombre en forma normal con mejor desempeño, por esto la IA es un campo en constante estudio y desarrollo en la búsqueda de algoritmos y agentes computacionales cada vez más eficientes y realistas. 2.2.1.1. Técnicas de la I.A. Las técnicas son el conjunto de disciplinas dentro de la inteligencia artificial donde cada una representa un paradigma de los procesos de la inteligencia humana que pueden simularse o representar mediante la emulación con la tecnología. 2.2.1.2. Sistema Experto Un sistema experto puede definirse como un sistema informático (hardware y software) que simula a un experto humano en un área de especialización. Como tal, un sistema experto debería ser capaz de procesar información, aprender y razonar en situaciones deterministas e inciertas a fin de permitir tomar decisiones sobre un caso. Para Kendall, K y Kendall, J (2011) “Un sistema experto (también conocido como sistema basado en el conocimiento) captura y utiliza en forma efectiva el conocimiento de uno o varios expertos humanos para resolver un problema específico al que una organización se enfrenta”. (p.30). El fin del sistema experto es asistir determinadas funciones requeridas por un usuario por un sistema informático, dicho sistema posee la capacidad de aprender y optimizar el conocimiento de experto en la aplicación a la cual realizara las tareas.

22

Esto es posible gracias a una base de conocimiento mediante la cual el sistema pueda razonar y tomar decisiones para lograr resolver problemas a través del conocimiento como lo haría un experto humano. 2.2.1.3. Lógica Difusa. La lógica difusa es técnica de inteligencia artificial que se basa en el concepto de razonamiento aproximado y en la capacidad de extraer conclusiones y generar respuestas usando información cualitativa y/o imprecisa. Según lo expresa Ponce (2010) “La lógica difusa es una rama de la IA que le permite a una computadora analizar información del mundo real en una escala entre lo falso y verdadero”. (P.3). La parte principal del sistema difuso es la base del conocimiento que funcionan como reglas a seguir por el sistema y la inferencia difusa donde se obtienen las respuestas a las decisiones tomadas según las reglas, resalta Domínguez, I (2009):

Un sistema difuso está formado básicamente por una base de reglas difusas (que contienen el conocimiento de los expertos consultados para desarrollar el sistema) y un mecanismo de inferencia que aplica estas reglas a los valores difusos de entrada para generar los valores difusos de salida (p.27). Lo anterior es representado en la figura n° 1. Las reglas conforman una base de conocimiento la cual emula la experiencia de un humano para resolver un problema. Finalmente, la defusificación permite adecuar los valores para la salida del sistema.

23

Figura 1. Sistema Difuso. (Fuente: Guzmán y Castaño). 2.2.1.4. Aprendizaje Automático o Machine Learning. Es una técnica de la inteligencia artificial que tiene la finalidad de crear algoritmos computacionales con la capacidad de aprender patrones en base a la información recibida para generar nuevos conocimientos y optimizar el sistema de aprendizaje. Este campo está siendo desarrollado y aplicado en la actualidad en el ámbito tecnológico y empresarial, su utilización conlleva a toma de decisiones para mejorar los procesos, solución de problemas e inteligencia de negocios. Desde un punto de vista técnico Contreras, F (2016) afirma que “El Machine Learning es una rama de la inteligencia artificial encargada de crear programas de software capaces de generalizar comportamientos a partir de los datos recibidos” (p.5). Los datos generan información como diagnóstico y predicción, esta última es el requerimiento más implementado en machine learning dando como resultados una interpretación a futuro de la dinámica de determinado proceso de interés.

24

2.2.1.5. Redes neuronales Artificiales. Las redes neuronales artificiales representan una analogía del sistema cerebral humano conformado principalmente por redes de neuronas conectadas entre si, para contextualizar se toma como modelo las neuronas biológicas humanas, según Ponce, P (2010) “Una neurona biológica es una célula especializada en procesar información”. (p.190). Una red neuronal artificial pretende llevar a cabo las funciones importantes de la neurona biológica simulada en una aplicación. Como bien lo expresa Ponce, P (2010) “Cada unidad recibe entradas de otros nodos y genera una salida simple escalar que depende de la información local disponible, guardada internamente o que llega a través de las conexiones con pesos”. (p.198). la señal o salida enviada es la información elemento principal de las neuronas que logran comunicarse gracias a las conexiones entre ellas. Para Daza, S (2003) “Existen cuatro aspectos que caracterizan una red neuronal: su topología, el mecanismo de aprendizaje, tipo de asociación realizada entre la información de entrada y salida, y la forma de representación de estas informaciones”. (p.4). Mediante el entrenamiento a las redes neuronales se logra el aprendizaje de las mismas para dar el conocimiento sobre un área de aplicación a la cual ofrecer estímulo o respuesta determinada. 2.2.2. Metodología CRISP DM (Cross Industry Standard Process for Data Mining). La metodología es la referencia mas usada en proyectos de manejo de datos, enfocada en la solución de problemas empresariales y toma de decisiones basada en datos y análisis de los mismos mediante herramientas de modelado con técnicas de inteligencia artificial, la estructura de la misma esta definida por (CRISP-DM, 2000), dividida en 4 niveles de abstracción organizados de forma jerárquica, representados

25

en la figura Nº 2, en tareas que van desde el nivel más general, hasta los casos más específicos y organiza el desarrollo de un proyecto de Data Mining.

Figura 2. Esquema de los 4 niveles de CRISP-DM. (Fuente: CRISP-DM). La metodología CRISP-DM estructura el ciclo de vida de un proyecto de Data Mining en seis fases, que interactúan entre ellas de forma iterativa durante el desarrollo del proyecto, las mismas son identificadas en la siguiente figura N° 3.

Figura 3. Fases del proceso de modelado metodología. Fuente: (Fuente: CRISP-DM)

26

2.2.2.1. Fases del Proceso de modelado de la Metodología CRISP-DM Las actividades a desarrollar en esta metodologia estan comprendidas por las siguientes fases segun Chapman, Clinton, Kerber, Khabaza, Reinart, Shearer, Wirth (2000). Fase de Comprensión del Negocio o Problema: Es necesario entender de la manera más completa el problema que se desea resolver, esto permitirá recolectar los datos correctos e interpretar correctamente los resultados. (Chapman et al., 2000, p.10). Fase de comprensión de los datos: La segunda fase comprende la recolección inicial de datos, con el objetivo de establecer un primer contacto con el problema, familiarizándose con ellos, identificar su calidad y establecer las relaciones más evidentes que permitan definir las primeras hipótesis (Chapman et al., 2000, p.10). Fase de preparación de los datos: La preparación de datos incluye las tareas generales de selección de datos a los que se va a aplicar una determinada técnica de modelado, limpieza de datos, generación de variables adicionales, integración de diferentes orígenes de datos y cambios de formato. Esta fase se encuentra relacionada con la fase de modelado, puesto que, en función de la técnica de modelado elegida, los datos requieren ser procesados de diferentes formas (Chapman et al., 2000, p.10). Fase de modelado: En esta fase de CRISP-DM, se seleccionan las técnicas de modelado más apropiadas para el proyecto (Chapman et al., 2000, p.11). Fase de evaluación: En esta fase se evalúa el modelo, teniendo en cuenta el cumplimiento de los criterios de éxito del problema. Debe considerarse, además, que la fiabilidad calculada para el modelo se aplica solamente para los datos sobre los que se realizó el análisis. (Chapman et al., 2000, p.11).

27

Fase de implementación: Una vez que el modelo ha sido construido y validado, se transforma el conocimiento obtenido en acciones dentro del proceso de negocio, ya sea que el analista recomiende acciones basadas en la observación del modelo y sus resultados, ya sea aplicando el modelo a diferentes conjuntos de datos o como parte del proceso (Chapman et al., 2000, p.11). 2.2.3. Mantenimiento El mantenimiento consiste en un proceso de diagnóstico, reparación y ejecución periódica de actividades que enfocadas en mantener un activo en un estado funcional. De esta manera PDVSA (2005) sostiene la siguiente definición “es una combinación de todas las acciones y técnicas administrativas, que pretenden retener o restaurar un activo en un estado en el que pueda ejecutar una(s) función(es) requerida(s)”. (p.15). El mantenimiento involucra principios teóricos, prácticos de planificación y gestión para ser aplicado sobre los procesos y equipos que intervienen en los mismos para mantener su operatividad. 2.2.3.1. Tipos de Mantenimiento Mantenimiento Correctivo El mantenimiento correctivo, conlleva las actividades para corregir las fallas que se presentan en un momento dado bajo condiciones anormales en un equipo, amerita la intervención directa sobre dicho sistema para lo cual el equipo debe estar fuera de servicio afectando el desempeño del proceso o sistema, para PDVSA (2005) “Es un conjunto de actividades que se llevan a cabo después de haber reconocido la existencia de una falla, con el fin de devolver al activo a una condición de funcionamiento”(p.15).

El

mantenimiento

correctivo

permite

recuperar

la

operatividad de un equipo al presentarse una falla o parada, para cumplir con las funciones requeridas.

28

Mantenimiento Preventivo Para la ejecución del mantenimiento preventivo se realiza una planificación previa analizando el conjunto de sistemas y elementos a intervenir, requiere la parada total del activo lo que afecta los procesos, por lo cual se programan todas las actividades siguiendo un cronograma especifico. Es considerado por Ballesteros, F (2011) como “aquel que programa la sustitución de los elementos de las máquinas de manera periódica antes de llegar al fin de su vida útil”. (p.3). El tiempo de operación de los equipos se toma en cuenta para la planificación del mantenimiento comparado con las especificaciones técnicas y recomendaciones de los fabricantes. Mantenimiento Predictivo El mantenimiento predictivo tiene como función principal aumentar la operatividad de un equipo mediante el análisis funcional de condiciones de fallas que puedan causar paradas en el funcionamiento anticipándose los imprevistos a través de la planificación y programación de actividades de mantenimientos que procuran mantener los equipos en servicio. En PDVSA (2005) señala “es un conjunto de acciones y tareas que tiene la finalidad de obtener información para el diagnóstico y detección de fallas potenciales que permitan tomar acción antes de la pérdida de la función del activo” (p.15). Para llevar a cobo el mantenimiento predictivo se requieren datos del proceso y equipos, que permitan medir o arrojar indicadores del comportamiento y estado del sistema para su posterior análisis y diagnóstico. En otro orden de idea Ballesteros, F (2011) indica que el “Mantenimiento predictivo o basado en la condición evalúa el estado de la maquinaria y recomienda intervenir o no, lo cual produce grandes ahorros en mantenimiento”. (p.5). Para el análisis predictivo se toma en cuenta como indicador principal las condiciones presentes en el equipo.

29

Mediante el uso de tecnologías y métodos de análisis se logra obtener predicciones sobre las fallas de los activos, según Fujitsu (2019) “El Mantenimiento predictivo es una técnica que nos permite anticiparnos a posibles incidencias o errores en activos y procesos de producción a través de diferentes tecnologías”. (p.11). Entre estas tecnologías actuales por citar se encuentra el Internet de las cosas, Análisis de Big Data, e Inteligencia artificial. 2.2.4. Metodología de Mantenimiento Predictivo El proceso genérico a utilizar en el mantenimiento predictivo, está basada en el monitoreo de condiciones de los equipos como un proceso a implementar dentro de la organización, establecido como estándar en la industria, en este sentido la (Organización Internacional de Normalización [ISO], 2018) pauta que “La evaluación de la función y el estado de la máquina puede basarse en el rendimiento, el estado o la calidad del producto” (p.23). El procedimiento a utilizar es explicado como:

Figura 4. Fases del proceso de Manteniendo Predictivo. Fuente: (Fuente: ISO17359:2018).

30

2.2.4. 1. Fases del proceso de Manteniendo Predictivo El mantenimiento predictivo es un proceso cuya metodología de aplicación sigue una serie de pasos descrita por (Ruiz. A, 2012, p.88), en las siguientes fases y actividades: Auditoria de los Equipos: Listar e identificar claramente todos los equipos. Este proceso nos debe de mostrar un esquema de máquina genérico de los componentes y procesos típicos a ser considerados en la condición. Luego enumeramos e identificamos claramente todos los equipos y fuentes de alimentación, sistemas de control y sistemas existentes, y sistemas de vigilancias (Ruiz, 2012, p.88). Auditoria de Confiabilidad y Criticidad: En este proceso se sugiere elaborar un diagrama de bloques de confiabilidad simple. Enumerar e identificar claramente todos los equipos y fuentes de alimentación, sistemas de control y sistemas existentes. La herramienta del análisis de modo y efecto de falla (FMEA), permite identificar las fallas esperadas, los síntomas potenciales, luego identificaremos los parámetros a medir que indican la presencia u ocurrencia de fallas (Ruiz, 2012, p.88). Selección de Métodos de Monitoreo: En este proceso se tiene en cuenta el parámetro medible particular considerado aplicable después de la selección previa del proceso, una o más técnicas de medición pueden ser apropiadas. Los parámetros medidos pueden ser simples mediciones de valores generales o valores promediados en el tiempo (Ruiz, 2012, p.88). Adquisición de Datos y Análisis de Información: En este proceso se toma énfasis en la adquisición de datos y su correcta medición base para compararlas con las históricas, tendencias, datos de referencia o datos representativos para las propias maquinas y/o equipos similares dentro de su contexto operativo. (Ruiz, 2012, p.89). Determinar acciones de Mantenimiento: Cuando se hayan completado las acciones de mantenimiento, se recomienda que cualquier actividad de mantenimiento se

31

registren los cambios en la máquina, incluidos los detalles de repuestos utilizados, habilidades utilizadas y otras fallas descubierto durante la reparación / restauración. Estos deben retroalimentarse para formar un registro histórico, que puede ayudar en el futuro diagnóstico y pronóstico. (Ruiz, 2012, p.91).

Revisión: Incluye un proceso de revisión para permitir que se realicen tales reevaluaciones. Se debe evaluar la efectividad de las técnicas que se están llevando a cabo actualmente en el programa y técnicas consideradas ya no necesarias eliminarlas. (Ruiz, 2012, p.88).

2.3. Bases Legales Toda investigación debe apoyarse en instrumentos legales o normas para dar carácter legal en la realización del mismo basado en los estándares nacionales e internacionales competentes y reconocidos.

Constitución de la República Bolivariana de Venezuela (1999) Capítulo VI De los Derechos Culturales y Educativos. Artículo 110: El Estado reconocerá el interés público de la ciencia, la tecnología, el conocimiento, la innovación y sus aplicaciones y los servicios de información necesarios por ser instrumentos fundamentales para el desarrollo económico, social y político del país, así como para la seguridad y soberanía nacional. En función de lo expresado anteriormente destaca los productos de la investigación científica y tecnológica como instrumentos para el desarrollo de la nación, cubre los aspectos económico y social como áreas importantes donde esta investigación basa su desarrollo con la aplicación de la tecnología de inteligencia artificial para el bienestar y económico con propuesta para la solución de un problema real.

32

Ley Orgánica de Ciencia, Tecnología e Innovación (2006) Artículo 3. Sujetos de esta Ley. Forman parte del Sistema Nacional de Ciencia, Tecnología e Innovación, las instituciones públicas o privadas que generen y desarrollen conocimientos científicos y tecnológicos, como procesos de innovación, y las personas que se dediquen a la planificación, administración, ejecución y aplicación de actividades que posibiliten la vinculación efectiva entre la ciencia, la tecnología y la sociedad. A tal efecto, los sujetos que forman parte del Sistema son: Las instituciones de educación superior y de formación técnica, academias nacionales, colegios profesionales, sociedades científicas, laboratorios y centros de investigación y desarrollo, tanto público como privado. Artículo 4. Ámbito de acción. De acuerdo con esta Ley, las acciones en materia de ciencia, tecnología, innovación y sus aplicaciones, estarán dirigidas a: 1. Formular, promover y evaluar planes nacionales que, en materia de ciencia, tecnología, innovación y sus aplicaciones, se diseñen para el corto, mediano y largo plazo. 2. Estimular y promover los programas de formación necesarios para el desarrollo científico y tecnológico del país. 3. Establecer programas de incentivos a la actividad de investigación y desarrollo y a la innovación tecnológica. 7. Estimular la capacidad de innovación tecnológica del sector productivo, empresarial y académico, tanto público como privado. La aplicación de esta ley a este proyecto está relacionada a fomentar la ciencia y tecnología en este caso en el campo de inteligencia artificial como una actividad que representaría una alternativa tecnológica viable mediante la investigación y desarrollo de sistemas esto busca la participación activa de todas las instituciones para la transferencia de información, conocimientos y técnicas. De igual forma está dirigida a desarrollar conocimientos y a contribuir con el bienestar humano, generar aporte al sector productivo y académico de la nación.

33

Normas Técnicas PDVSA. Manual de Mantenimiento Resulta oportuno señalar las directrices vinculadas al mantenimiento en la Normas Técnica PDVSA, Esta norma aplica a las organizaciones de mantenimiento, técnica o entes técnicos, operaciones y custodios de las instalaciones de PDVSA, filiales, empresas mixtas, servicios contratados y de cualquier otro negocio con terceros, dentro y fuera del territorio nacional.

MM 01.01.03. 5. Responsabilidades. 5.2. De los Superintendentes, Líderes y Supervisores (Gerencias Técnicas, de Operaciones y de Mantenimiento). 5.2.1. Promover y hacer cumplir la aplicación de los niveles de mantenimiento establecidos en la presente norma y velar por la efectividad de los mismos. 5.2.2. Mantener sinergia con el personal interno de su organización y con las Gerencias de Mantenimiento, Operaciones, Técnicas o entes técnicos y custodios de las instalaciones de PDVSA y sus empresas filiales, mediante informes escritos, reuniones de trabajo y cualquier otro medio disponible, para informar sobre avances, desviaciones y mejoras. 5.3. Del Ente Mantenimiento.

Técnico,

Ingenieros

de

Confiabilidad

y

de

5.3.1. Clasificar las actividades de mantenimiento preventivo a realizar a los activos, de acuerdo con los niveles de mantenimiento establecidos en la presente norma y al contexto operacional en que se encuentren. Para efectos de esta investigación la aplicación de esta norma fundamenta las bases teóricas y estándares sobre el mantenimiento y la filosofía de confiabilidad de activos, estrategias y procesos de apoyo necesarios para el diagnóstico y caracterización

de

fallas,

la

planificación,

programación

y ejecución

de

mantenimientos. Por otro lado, establece las responsabilidades de la gerencia en lo que compete a la planificación y realización de las actividades de mantenimiento, así como los lineamientos estratégicos a seguir para, lo que permite conocer la taxonomía de mantenimiento a evaluar en la presente investigación.

34

2.4. Glosario de Términos Básicos. Algoritmo: Un algoritmo es un método para resolver un problema mediante una serie de pasos precisos, definidos y finitos. (Agilar, 2008, 44). Big Data: Es un término que describe el gran volumen de datos estructurados y no estructurados que tienen las organizaciones actualmente. Habilidad para hacer uso e interpretar los grandes volúmenes de datos. (Villa, 2018, 37). Chatbots: Se refiere a una amplia gama de tecnologías que permiten a los consumidores utilizar una interfaz conversacional para realizar tareas. (Manzoor, 2018, 37). Confiabilidad: Es la probabilidad de que un activo cumpla una función específica (no falle) bajo condiciones de operación determinadas en un período de tiempo específico. (PDVSA, 2005, 8). CommonKADS

(Standard

Knowledge

Acquisition

Design

System):

Esta

metodología consiste en modelar el conocimiento humano que se aplica en los procesos que impactan sobre la economía de la empresa, para desarrollar sistemas basados en conocimiento y sistemas expertos que apoyen los procesos productivos. (Jaramillo, 2016, 11). Cognitivo: Equivale a capacidad de procesamiento de la información a partir de la percepción y la experiencia, pero también de las inferencias, la motivación o las expectativas, y para ello es necesario que se pongan en marcha otros procesos como la atención, la memoria, el aprendizaje, el pensamiento, etc. (Marta. L, Aurora. T, Lluïsa Q, 2000, 11).

35

Experto: Es la persona que tiene el dominio del conocimiento y es la encargada de gestionar la base de conocimientos. A esta persona se le realiza ingeniería del conocimiento con el fin de alimentar la base de conocimiento del sistema experto. (Jaramillo, 2016, 11). Falla: Es el evento tras el cual un activo no es capaz de cumplir con los requerimientos funcionales previstos en la operación del mismo. La misma puede implicar desde la disminución de la capacidad operativa del activo hasta la pérdida por completo de la función o funciones. (PDVSA, 2005,11). Turbocompresores: Es accionado por una turbina cuya energía de accionamiento es el gas natural, la turbina de gases un equipo impulsor principal para aplicaciones industriales específicas. (Solar, 2005,5).

Sistema de Control: Ejerce el control de los parámetros de funcionamiento tales como temperaturas, presiones, flujo, velocidad y vibración. El controlador proporciona acciones de control y visualización. (Solar, 2005,72).

Gas: Se puede definir al gas natural, como una mezcla de hidrocarburos parafínicos compuesta, en mayor proporción (80%) por el metano y en proporciones menores y decrecientes por otros hidrocarburos como etano, propano, butano, pentano y gasolina natural. (Ferrer, 2015, 6).

Industria 4.0: Como una maquinaría física y dispositivos con sensores y software que trabaja en red, que puede ser utilizada para predecir, controlar y planear mejor los negocios y los resultados organizacionales (Ynzunza, Izar, Larios, Aguilar, Bocarando & Acosta, 2013, 6).

36

IOT: Definimos el Internet de las Cosas como sensores y actuadores conectados por redes a sistemas informáticos. Estos sistemas pueden monitorear o gestionar la salud y las acciones de objetos y máquinas conectados. Conectados sensores también pueden monitorear el mundo natural, personas y animales. (Villa, 2018, 12).

2.5. Cuadro de Variables Cuadro 1. Variables

Objetivos

Variable

Definición Conceptual

Describir los principios del mantenimiento predictivo con el objetivo de conocer su aplicación.

Mantenimiento predictivo.

Es un conjunto de acciones y tareas que tiene la finalidad de obtener información para el diagnóstico y detección de fallas potenciales que permitan tomar acción antes de la pérdida de la función del activo.

Identificar las condiciones de fallas Condiciones de Fallas. Esta variable específica las condiciones presentes que afectan la operatividad de los que causan perdida de operatividad de los equipos turbocompresores con la turbocompresores. finalidad de obtener la data necesaria. Determinar las alternativas de solución de las fallas y condiciones presentes para obtener un modelo cognitivo para la toma de decisiones en el mantenimiento predictivo. Seleccionar un modelo de Inteligencia Artificial para la predicción de fallas en equipos turbocompresores para apoyar la toma de decisiones gerenciales en el mantenimiento predictivo.

Alternativas de solución.

Presenta un modelo de casos para solucionar las fallas a predecir en el sistema.

Modelos de Describe las Técnicas dentro de los modelos de Inteligencia Artificial. inteligencia artificial enfocados en el procesamiento de datos, razonamiento, inferencias y predicciones, sobre condiciones.

37

CAPÍTULO III MARCO METODOLÓGICO El marco metodológico se refiere a los métodos que se utilizaran para abordar la investigación para el logro de los objetivos planteados en la misma. Para Arias, F (1999), “la metodología del proyecto incluye el o tipos de investigación, las técnicas y procedimientos que serán utilizados para llevar acabo la indagación. Es el “como” se realizará el estudio para responder al problema planteado” (p.45). El investigador diseña la metodología apoyado en un conjunto de técnicas prácticas particulares según la naturaleza del estudio.

3.1. Modalidad de Investigación. Los procedimientos, técnicas y métodos utilizados en el proceso de investigación y desarrollo del presente proyecto corresponden a una investigación en marcada en una modalidad de Proyecto Factible. En cuanto a esto Valeriano, R (2003) señala “El proyecto factible se incluye entre la denominada investigación aplicada, aquella orientada a la aplicación inmediata del conocimiento en la solución de problemas prácticos y la invención o mejora de productos existentes (desarrollo tecnológico). (p.40). En este caso la investigación enfocada en la aplicación de la tecnología cuando dicha aplicación es viable para la solución de la problemática. Sobre el proyecto factible Universidad Pedagógica Experimental Libertador (UPEL) (2010) Señala: El Proyecto Factible consiste en la investigación, elaboración y desarrollo de una propuesta de un modelo operativo viable para solucionar problemas, requerimientos o necesidades de organizaciones o grupos sociales; puede referirse a la formulación de políticas, programas,

38

tecnologías, métodos o procesos. El Proyecto debe tener apoyo en una investigación de tipo documental, de campo o un diseño que incluya ambas modalidades (p.13). El siguiente trabajo permitirá diagnosticar las necesidades para proponer un plan con un conjunto de pasos, y apoyado en una propuesta de desarrollo de tecnología, los procedimientos y métodos conllevan a una solución mediante el estudio comparativo de modelos de inteligencia artificial para la toma de decisiones en el mantenimiento predictivo a equipos Turbocompresores.

3.2. Diseño de Investigación. El diseño de la investigación comprende los procedimientos para lograr generar los datos e información que se desprenden de las variables estudiadas.

En la

resolución en esta investigación se utilizará un diseño de Mixta: documental- de Campo, en cuanto a esto Arias, F (1999) explica que “la investigación de campo, consiste en la recolección de datos directamente de la realidad, donde ocurren los hechos”. (p, 49). El diseño de investigación es de campo porque, se basará en métodos que permiten recolectar la información referente al tema desde el lugar donde acontece el fenómeno objeto de estudio. En este sentido a esto Muñoz, (2011) aduce que “Como es lógico, el análisis de información y la interpretación de sus conclusiones se derivarán exclusivamente de lo obtenido en el ambiente (campo) donde se presenta el fenómeno”. (p, 25). Es adoptado un Diseño Documental en el análisis, síntesis de fuentes documentales físicas y digitales escritos, tales como: libros, folletos, trabajos especiales, hoja de datos de sensores y equipos utilizados para obtener nuevos conocimientos. En el diseño documental “El investigador obtiene sus datos a partir de documentos, ya sea porque esa información ya fue recogida y registrada por otras personas” (Hurtado,2012, p. 694).

39

Se

estudiará

las

características

presentes

entorno

a

las

fallas

en

turbocompresores y los conocimientos expertos para resolver las mismas, así como caracterizará la toma de decisiones aplicada al proceso de mantenimiento predictivo mediante técnicas de inteligencia artificial. Basado en los citados datos se generará los conocimientos que aportaran nuevas soluciones.

3.3. Nivel de Investigación.

El nivel de investigación describe el alcance del estudio para abordar la investigación. El presente proyecto corresponde en un nivel Comprensivo, busca dar a conocer el objeto de estudio en cuanto a sus características y el desarrollo de propuestas de soluciones. En el nivel de investigación comprensivo para, Hurtado, J (2005) “El investigador ya no solo percibe las características explicitas en el evento, o descubre aspectos menos explícitos si no que, establece conexiones entre diversos eventos, a partir de los cuales puede formular explicaciones” (p .44). En el desarrollo de se darán a conocer las características en base a condiciones presentes, para dar a conocer los ejes problemáticos, por otra parte, definir y proponer soluciones. Una vez descrita la situación, se emitirán conclusiones sobre los hechos observados de acuerdo a la realidad presente en el espacio, como fin es presentar el estado actual de los aspectos involucrados en el estudio.

3.4. Población y Muestra. 3.4.1. Población. La población representa la totalidad de los objetos considerados a estudiar para obtener la información sobre un estudio y sus determinados alcances. La población según Hurtado, J (2000)” Esta es la totalidad del fenómeno a estudiar, en donde las unidades de población poseen unas características comunes la cual se estudia y da

40

origen a un dato” (p.152). La población estará constituida por (5) turbocompresores, donde se realizará la estimación las necesidades en el ámbito de estudio. 3.4.2. Muestra Al seleccionar la población de estudio se debe seleccionar una muestra de la misma con el fin de abstraer características que permitan obtener una representación manejable a fines estadísticos de la investigación. Por su parte Hurtado, J (2000) indica “la muestra no es más que una porción de la población que se toma para realizar el estudio, la cual se considera representativa de la población” (p.154). En este caso, la población tomada es de (5) turbocompresores de la Planta Compresora Muscar, siendo esta una población finita, conocida y manejable por lo cual no hace falta hacer un muestreo. Según Hurtado, J (2000) “No hace falta un muestreo cuando la población es conocida y se puede identificar cada uno de sus integrantes” (p.148). 3.5. Operacionalización de Variables. La operacionalización permite al investigador medir y analizar las variables, realizando una descomposición de las mismas que consiste en buscar las dimensiones para obtener indicadores que permitan la observación para la disminución del nivel de abstracción que presentan las variables, por lo cual su característica principal ser medibles y observable. Sobre la operacionalización Hurtado, J (2015) indica que “es un proceso que le permite al investigador identificar aquellos aspectos perceptibles de un evento que hacen posible dar cuenta de la presencia o intensidad de éste” (p.139). La Operacionalización de variables es el paso de especificar las variables generales no observables directamente a variables empíricas o indicadores. El sistema de variables se define en función a lo establecido en el sistema propuesto y determinado a través de los objetivos específicos (Ver cuadro 2).

41

Cuadro 2. Operacionalización de Variables.

Variable

Dimensiones

Indicadores

Ítems

Mantenimiento Predictivo.

-Análisis de Condiciones.

Tipos de diagnóstico y técnicas.

1.

-Criticidad y Confiabilidad de los equipos.

2.

Condiciones de Fallas. -Tipos de Alarmas y Paros.

Alternativas de solución.

-Evaluación. -Propuestas e Inferencias.

- Herramientas para apoyar la toma de decisiones.

3.

Modelo de Inteligencia Artificial.

- Conocimiento técnico. - Uso eficiente de datos y recursos.

Técnicas y Aplicabilidad.

4, 5.

42

3.6. Técnicas e Instrumentos de Recolección y Presentación de la Información. La recolección de datos se lleva a cabo mediante u conjunto de técnicas utilizadas con el fin de obtener información útil para la investigación de manera de dar respuestas a las interrogantes.

Hurtado, J (2008), plantea: “Las técnicas

comprenden procedimientos y actividades que le permiten al investigador obtener la información necesaria para dar respuesta a su pregunta de investigación” (p. 431). Este conjunto de actividades requiere de una forma especifica por cada técnica para almacenar los datos recolectados, así lo explica Arias, F (2012) “la aplicación de una técnica conduce a la obtención de información, la cual debe ser guardada en un medio material de manera que los datos puedan ser recuperados” (p.68). Las técnicas de recolección de datos adoptados para esta investigación son: Observación Directa: Esta técnica permitirá la verificación de los datos directamente donde se desarrolla el evento de estudio. Para Hurtado, J (2008) la observación directa es “Un proceso de atención, selección y registro de información, para el cual el investigador se apoya en sus sentidos (vista, oído, olfato, tacto, sentido kinestésicos, cenestésicos)” (p. 455). Consiste en las inspecciones en campo a los turbocompresores y sistemas de los mismos para verificar las condiciones presentes y parámetros operacionales. La Revisión Documental: La revisión documental es necesaria para sustentar la investigación a nivel teórico, Es definida por Hurtado, J (2008) como “Un proceso mediante el cual el investigador recopila, analiza, selecciona y extrae información de diversas fuentes, acerca de un tema en particular (su pregunta de investigación), con el propósito de llegar al conocimiento y comprensión más profundos del mismo”. (p. 89). Se utilizará esta técnica, debido a que permitirá el desarrollo del marco teórico con la revisión de las fuentes como; Libros, catálogos, manuales, tesis, leyes y normativas sobre el tema de estudio.

43

La Entrevista No Estructurada: Se realizarán entrevistas del tipo no estructurada, con el objetivo de obtener la información, Según Sabino, C. (2002), la entrevista no estructurada es aquella en que existe un margen grande de libertad para formular las preguntas y respuestas. (p. 108). El proceso consta en la interrogación a personales expertos relacionados con el objeto de estudio, en las operaciones y mantenimiento de turbocompresores con la finalidad de conocer necesidades y problemáticas existentes, y obtener la data sobre las fallas, condiciones, diagnóstico, recomendaciones y las formas de solución de las mismas, así como los parámetros óptimos de funcionamiento. 3.7. Instrumentos de recolección de datos. “Los instrumentos son los medios materiales que se emplean para recoger y almacenar la información”. (Arias, 1999, p.25). Como instrumento para procesar la información bibliográfica revisada se adoptó el uso de libretas de anotaciones y archivos en formato digital. Como instrumento para la recolección de los datos de la entrevista estructurada se utilizó una guía de entrevista. Ver anexo A. La guía de entrevista es un instrumento propio de la técnica de entrevista. En ella el investigador señala los temas o aspectos en torno a los cuales va a preguntar. (Hurtado, J, p.169.2008). Cabe destacar el uso de la fotografía como instrumento de captación, registro, respaldo de la información existente y presentación de la misma permitiendo describir tipologías, y detalles de la técnica de observación. 3.8. Técnicas de Análisis de Datos. Para la presentación y análisis de los datos se utilizarán técnicas de Cuantitativas y Cualitativas para interpretar y dar respuestas a los tópicos investigados. Según Hurtado, J (2015) “El procesamiento de los datos implica aplicar

44

técnicas de análisis. Las técnicas de análisis son procedimientos explícitos que permiten establecer relaciones entre los datos.” (p.1215).

Los datos identificados en los resultados de la investigación son sometidos a una técnica de análisis la porcentual o estadística para ser representados, en este caso Muñoz, (2011) enfatiza el propósito “es concentrar la información, tabular los datos y concentrar sus resultados en cifras estadísticas, diagramas, tablas, gráficas, cuadros representativos y demás elementos necesarios para hacer la interpretación adecuada del fenómeno en estudio” (p.120). En el estudio de las características de la población a estudiar se obtiene una información cuantificable que requiere la utilización de un análisis cuantitativo para describir los resultados. Desde el punto de vista cualitativo esta investigación se basará en la teoría fundamentada, en la cual se crear una nueva teoría mediante los datos cualitativos recolectados en la investigación para entender los acontecimientos que se generen en la entrevista a profundidad, el proceso y procedimiento de la información serán tratados mediante la metodología de ATLAs TI, la base del proceso está en la acción participante, el informante es quien expresa lo vivido de la realidad y esa experiencia concibe la explicación del fenómeno de estudio. 3.9. Metodología Operativa. En la realización del proyecto la metodología operativa describe la planificación y estrategias utilizadas para alcanzar los resultados esperados, se muestra a detalle cada uno de los procesos y actividades planteadas, igualmente se define la metodología operativa adoptada y aplicada en el proyecto. (Ver cuadro 3) muestra la metodología operativa en cada una de sus fases.

45

Cuadro 3. Metodología Operativa. Objetivo Descripción de los principios del mantenimiento predictivo.

Metodología Mantenimiento Predictivo.

Fases Fase I. Análisis

Actividades -Aplicación de entrevista. -Explicar estructura.

Identificación de condiciones de fallas que afectan la operatividad de los equipos turbocompresores.

Mantenimiento Predictivo. CRISP DM.

Fase II. Datos de condiciones.

-Revisión de documentos. -Identificar fallas.

Fase III. Modelo de solución y toma de decisiones.

-Listar base de conocimiento y soluciones. Elaborar modelo de toma de decisiones.

Fase IV. Evaluación de técnicas de Inteligencia artificial

-Determinar Requerimientos. -Identificar plataforma de implementación. -Diseñar arquitectura. -Comparar resultados.

Determinación de las alternativas de solución de las fallas y condiciones presentes.

Selección de un modelo de Inteligencia Artificial de Lógica Difusa y de Aprendizaje Automático en la predicción de fallas en equipos turbocompresores.

Mantenimiento Predictivo.

CRISP DM.

3.10. Cronograma de Actividades. El desarrollo del presente proyecto se realizará de acuerdo al cronograma planteado en las fechas comprendidas para cada fase de realización del mismo. (Ver cuadro 4) donde se muestra el cronograma estipulado. Cuadro 4 . Cronograma de Actividades.

46

BIBLIOGRÁFIA Árias, F. (1999). El proyecto de investigación. Caracas-Venezuela: Editorial Fastemeca. American Psychological Association. (2010). Manual de publicaciones de la American Psychological Association. Ciudad de México, México: El Manual Moderno. Ballestero, F. (2011). La Estrategia Predictiva en el Mantenimiento Industrial. Madrid. España. Disponible en: www.preditec.com. Briones, G. (2002). Metodología de la Investigación Cuantitativa en las Ciencias Sociales. Bogota, Colombia. Editorial ARFO Editores e Impresores Ltda.

Centec, G. (2005) Manual de Entrenamiento Turbomaquina Solar Turbines, INC. Caracas. CRISP-DM. (2019). Cross Industry Standard Process for Data Mining. Disponible en: http://crisp-dm.eu/. Chapman. P, Clinton.J, Kerber. R, Khabaza.T, Reinartz.T, Shearer.C, Wirth.R. (2000). SPSS CRISP-DM 1.0 Step by step data mining guide. USA. The CRISP-DM consortium. Disponible en: https://the-modeling-agency.com/crispdm.pdf.

Contreras,

F.

(2016).

Introducción

a

www.sunqu.net/machinelearning.pdf.

47

Machine

Learnig.

Disponible

en:

Daza S. (2003). Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. Disponible en: www. Trabajos12/redneur2/. Sht. Domínguez, Ignacio.

(2009). Optimización de un controlador pid por métodos

clásicos y mediante lógica difusa. Disponible en: http://bitstreaIE009D30.pdf. Ferrer, J. (2015). Plantas Compresoras de Gas Natural. PDVSA. Fujitsu (2019). El mantenimiento predictivo en la industria 4.0. Madrid España. Disponible en: https://www.fujitsu.com/es/. Guzmán, D y Castaño, M. (2006) La lógica difusa en ingeniería: Principios, aplicaciones y futuro. Universidad Nacional Autónoma de México, México. Disponible en: https://www.scribd.com/document/58675880/-Logica-Difusaen-In. Hurtado, J. (2012). Metodología de Ia Investigación Guía para la comprensión holística de la ciencia. Caracas: Centro internacional de Estudios Avanzados Sypal y Ediciones Quirón. Hurtado, J. (2015).

El proyecto de investigación Comprensión holística de la

metodología y Ia investigación. Caracas, Venezuela: Ediciones Quirón. Hurtado, J. (2008). El proyecto de investigación. Caracas: Quirón. International Organization for Standardization. (2018). ISO 17359:2018 Condition monitoring and diagnostics of machines General guidelines. Edition 3. Technical Committee. Disponible en: https://www.iso.org/standard/71194.html.

48

Kendall, K. y Kendall, J. (2011). Análisis y Diseño de Sistemas. Octava Edición. México. Pearson Education. Ley Orgánica de Ciencia, Tecnología e Innovación. (2006). Recuperado de http//:www.ciens.ucv.ve/ley%20organica%20del%20ministerio%.html. Lupón. M, Torrents. A, Quevedo. L. (2000). Procesos cognitivos básicos. Universitat de Barcelona, Disponible en: https://ocw.upc.edu/procognitivos.pdf. PDVSA. (2005). Manual de Mantenimiento. Volumen 1. Definiciones asociadas a mantenimiento. PDVSA MM--01--01—01. Ponce, Pedro. (2010).

Inteligencia artificial con aplicaciones a la ingeniería

Alfaomega Grupo Editor, S.A. de C.V., México D.F. Hernandez, R, Fernández, C, Baptista, P. (1997). Metodología de la Investigación. Mc Graw Hill, México. Romero. J, Dafonte. C, Gómez. A, Penousal, F. (2007). Inteligencia artificial y computación avanzada. Colección informática Número 13/2007. Recuperado de http//: fmachado.dei.uc.pt/wp-content/pap-data/pdf/ms07.pdf. Rojas, R. (2011). Guia para realizar investigaciones Sociales. Mexico, D.F. Editorial Plaza y Valdés, S. A. de C.V. Rodríguez, J y Campillo, M (2003). Sistemas de información: aspectos técnicos y legales. Almeria. España. Rodríguez. O. (2000). Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM. Disponible en: www.oldemarro/docCRISPDM.

49

Ruiz, A. (2012). Modelo para la Implementación de Mantenimiento Predictivo en las facilidades de Producción de Petróleo. Bucaramanga, Colombia. Universidad Industrial de Santander. Especialización en Gerencia de Mantenimiento. Disponible en: https://repository.ucatolica.edu.co/handle/10983/14689.

Russell, S. Norvig, P. (2004). Inteligencia artificial un enfoque moderno, Segunda edición PEARSON EDUCACIÓN, S.A., Madrid. Sabino, C. (1992). El proceso de investigación. Editorial Panapo, caracas –Venezuela. Sabino, C. (1994). Como hacer una tesis. Editorial Panapo, caracas –Venezuela.

Solar Turbines. (2003). Turbotronic 4 Control Sistem. Solar Turbines Incorporated. Printed in U.S.A. Universidad Pedagógica Experimental Libertador. (2010). Manual de Trabajos de Grado de Especialización y Maestría y Tesis Doctorales. Caracas: FEDUPEL.

Manzoor, K. (2017). What are Chatbots? Beginner's Guide to Chatbots. Disponible en: www.otechtalks.tv/wpcontent//2017/08/what-are-ChatBots.pdf.

Muñoz, C (2011). Cómo elaborar y asesorar una investigación de tesis. Segunda Ed, Prentice Hall. Naucalpan de Juárez, Edo de México. Tamayo, M (2003). El Proceso de la Investigación Científica. Cuarta Edición, Editorial Limusa. S.A. de C.V. Grupo Noriega Editores México, D.F. Valeriano, R. (2003). Consideraciones metodológicas para la Elaboración del Trabajo Especial de Grado IUTA, Ed. IUTA, Anaco Edo. Anzoátegui.

50

Villa. J. (2018). Internet de las Cosas y Big Data en el mantenimiento y gestión de activos. Disponible en: https://educacion.aciem.org/CIMGA/2018.

Ynzunza. C, Izar. J, Larios. M, Aguilar. F, Bocarando. J y Acosta.Y. (2017). Tendencias de la gestión de los activos y el mantenimiento predictivo en la industria 4.0. Disponible en: https://www.ecorfan.org/researchjournals.

51