SEP SEV TECNM INSTITUTO TECNOLÓGICO SUPERIOR DE …

SEP SEV TECNM

INSTITUTO TECNOLÓGICO SUPERIOR DE TANTOYUCA

SUBDIRECCIÓN DE POSGRADO E INVESTIGACIÓN

EVALUACIÓN FUNCIONAL DE PROTOTIPO CUANTIFICADOR DE

EMISIONES DE CO2 Y CH4 EN BOVINOS MEDIANTE ANÁLISIS DE MODO

Y EFECTO DE FALLA Y LÓGICA DIFUSA

QUE PARA OBTENER EL GRADO DE

MAESTRO EN INGENIERÍA INDUSTRIAL

PRESENTA

JOSUÉ SÁNCHEZ ESCOBAR

MATRÍCULA

M173S0015

DIRECTOR DE TESIS

DRA. LIDILIA CRUZ RIVERO

TANTOYUCA, VERACRUZ JULIO DE 2019

ÍNDICE

CAPÍTULO I. GENERALIDADES ................................................................................................1

1.1. Introducción...........................................................................................................................1

1.2. Planteamiento del problema .................................................................................................3

1.3. Objetivos ................................................................................................................................5

1.3.1. Objetivo general .............................................................................................................5

1.3.2. Objetivos específicos .......................................................................................................5

1.4. Justificación ...........................................................................................................................6

1.5. Hipótesis de investigación .....................................................................................................8

1.6. Alcances y limitaciones..........................................................................................................9

1.6.1. Alcances ...........................................................................................................................9

1.6.2. Limitaciones ....................................................................................................................9

1.7. Estado del arte .....................................................................................................................10

CAPÍTULO II. MARCO TEÓRICO ............................................................................................14

2.1. Antecedentes ........................................................................................................................14

2.2. El Efecto Invernadero .........................................................................................................16

2.2.1. Las emisiones de gas de Efecto Invernadero ..............................................................17

2.2.2. Las emisiones del sector ganadero...............................................................................19

2.3. Análisis de Modo y Efecto de Falla ....................................................................................20

2.3.1. Clasificación ..................................................................................................................21

2.3.1.1. Sistema....................................................................................................................22

2.3.1.2. Diseño .....................................................................................................................22

2.3.1.3. Proceso....................................................................................................................23

2.3.1.4. Servicio ...................................................................................................................24

2.3.2. Criterios de evaluación del AMEF ..............................................................................25

2.4. Diagrama de Causa y Efecto ...............................................................................................31

2.5. Lógica Difusa .......................................................................................................................32

2.5.1. Conjunto difuso ............................................................................................................33

2.5.2. Funciones de pertenencia .............................................................................................33

2.5.3. Grado de pertenencia ...................................................................................................35

CAPÍTULO III. MARCO METODOLÓGICO...........................................................................38

3.1. Objeto de estudio .................................................................................................................38

3.2. Tipo de investigación ...........................................................................................................38

3.3. Enfoque de investigación ....................................................................................................38

3.4. Fuentes de información .......................................................................................................39

3.5. Procedimiento ......................................................................................................................39

3.5.1. Analizar y seleccionar componentes vitales para el funcionamiento del dispositivo

.................................................................................................................................................39

3.5.2. Analizar y proponer posibles modos, causas y efectos de falla mediante diagramas

de Causa y Efecto ...................................................................................................................39

3.5.2.1. Diagramas de Causa y Efecto ...............................................................................39

3.5.3. Desarrollar el AMEF ....................................................................................................40

3.5.4. Adecuar los criterios de evaluación del NPR ..............................................................40

3.5.5. Determinar el NPR por medio de un modelo de Lógica Difusa tipo Mamdani .......41

3.5.5.1. Desarrollar el modelo de Lógica Difusa en MATLAB ........................................41

3.5.5.2. Proceso de fusificación ..........................................................................................41

3.5.5.3. Introducción de variables ......................................................................................41

3.5.5.4. Configuración de variables ...................................................................................43

3.5.5.5. Introducción de reglas de inferencia ....................................................................43

3.5.5.6. Desdifusificación ....................................................................................................44

CAPÍTULO IV. MARCO OPERATIVO .....................................................................................46

4.1. Análisis y selección de componentes vitales para el funcionamiento del prototipo ........46

4.1.1. Descripción del prototipo .............................................................................................46

4.1.2. Selección de componentes ............................................................................................51

4.2. Análisis y proposición de posibles modos, causas y efectos de falla mediante diagramas

de Causa y Efecto .......................................................................................................................52

4.2.1 Diagramas de Causa y Efecto .......................................................................................53

4.3. Desarrollo del AMEF ..........................................................................................................54

4.4. Adecuación de los criterios de evaluación..........................................................................59

4.5. Determinación del NPR por medio de un modelo de Lógica Difusa tipo Mamdani .......60

4.5.1. Desarrollo del modelo de Lógica Difusa en MATLAB ..............................................60

4.5.2. Proceso de fusificación .................................................................................................61

4.5.2.1. Variables de entrada .............................................................................................61

4.5.2.2. Severidad ................................................................................................................62

4.5.2.3. Ocurrencia .............................................................................................................64

4.5.2.4. Detección ................................................................................................................66

4.5.2.5. Variable de salida ..................................................................................................68

4.5.2.6. Número de Prioridad de Riesgo. ...........................................................................68

4.5.3. Introducción de reglas de inferencia ...........................................................................71

4.5.4. Proceso de desdifusificación .........................................................................................72

4.5.5. Superficies de respuesta ...............................................................................................74

CAPÍTULO V. RESULTADOS Y ANÁLISIS DE RESULTADOS ...........................................76

5.1. Resultados ............................................................................................................................76

5.1.1. NPR del AMEF difuso ..................................................................................................76

5.1.2. NPR del AMEF clásico .................................................................................................77

5.1.3. Acciones recomendadas ...............................................................................................79

5.2. Análisis de resultados ..........................................................................................................80

5.2.1. Preguntas de investigación ...........................................................................................80

5.2.2. Hipótesis planteada ......................................................................................................81

5.2.3. Discusión .......................................................................................................................81

CAPÍTULO VI. CONCLUSIONES Y RECOMENDACIONES ................................................84

6.1. Conclusiones ........................................................................................................................84

6.2. Recomendaciones ................................................................................................................84

BIBLIOGRAFÍA ............................................................................................................................86

APÉNDICES ..................................................................................................................................90

LISTA DE FIGURAS

Figura 1. Proceso del Efecto Invernadero en la Tierra ....................................................................16

Figura 2. Emisión de gases de Efecto Invernadero global por sector económico ............................18

Figura 3. Inventario nacional de emisión de gases de Efecto Invernadero en México por sectores .18

Figura 4. Emisión global de las principales fuentes en las cadenas ganaderas ................................19

Figura 5. Tipos de Análisis de Modo y Efecto de Falla ...................................................................21

Figura 6. Diagrama de Causa y Efecto ............................................................................................31

Figura 7. Representación gráfica del uso de Lógica Difusa .............................................................32

Figura 8. Funciones de pertenencia de la figura triangular ..............................................................34

Figura 9. Funciones de pertenencia de la figura trapezoidal ............................................................34

Figura 10. Funciones de pertenencia de la figura gaussiana ............................................................34

Figura 11. Funciones de pertenencia de la figura campana .............................................................35

Figura 12. Planteamiento de ecuaciones para figuras trapezoidales ................................................35

Figura 13. Representación del grado de pertenencia en conjuntos difusos ......................................36

Figura 14. Modelo de Lógica Difusa tipo Mamdani ........................................................................42

Figura 15. Modelo de Lógica Difusa tipo Mamdani para evaluar el Número de Prioridad Riesgo .42

Figura 16. Ventana de edición de los conjuntos difusos ..................................................................43

Figura 17. Ventana de edición de reglas de inferencia ....................................................................44

Figura 18. Métodos de desdifusificación del modelo Mamdani ......................................................45

Figura 19. Ventana interactiva de las reglas de inferencia...............................................................45

Figura 20. Cuantificador de emisiones de gas para ganado bovino .................................................46

Figura 21. Emisor del dispositivo cuantificador ..............................................................................47

Figura 22. Receptor del dispositivo cuantificador ...........................................................................48

Figura 23. Diagrama de Causa y Efecto para componentes del emisor del dispositivo cuantificador

.........................................................................................................................................................53

Figura 24. Diagrama de Causa y Efecto para componentes del receptor del dispositivo

cuantificador ....................................................................................................................................54

Figura 25. Diagrama general del modelo de Lógica Difusa tipo Mamdani para la evaluación del

prototipo cuantificador .....................................................................................................................61

Figura 26. Conjuntos difusos de la variable Severidad ....................................................................62

Figura 27. Conjuntos difusos de la variable Ocurrencia ..................................................................65

Figura 28. Conjuntos difusos de la variable Detección ...................................................................67

Figura 29. Conjuntos difusos de la variable Número de Prioridad de Riesgo ..................................69

Figura 30. Reglas de inferencia del modelo de Lógica Difusa tipo Mamdani para evaluar el

prototipo cuantificador .....................................................................................................................72

Figura 31. Superficie de respuesta Ocurrencia contra Severidad del modelo de evaluación de riesgo

a fallo ...............................................................................................................................................75

Figura 32. Superficie de respuesta Detección contra Severidad del modelo de evaluación de riesgo

a fallo ...............................................................................................................................................75

Figura 33. Representación del Número de Prioridad de Riesgo por el modelo de Lógica Difusa ...76

Figura 34. Representación del Número de Prioridad de Riesgo por el método clásico....................77

Figura 35. Comparación de resultados del AMEF difuso y clásico .................................................79

LISTA DE TABLAS

Tabla 1. Formato genérico del Análisis de Modo y Efecto de Falla ................................................21

Tabla 2. Severidad en el Análisis de Modo y Efecto de Falla para sistema .....................................26

Tabla 3. Severidad en el Análisis de Modo y Efecto de Falla para diseño .......................................26

Tabla 4. Severidad en el Análisis de Modo y Efecto de Falla para proceso .....................................27

Tabla 5. Severidad en el Análisis de Modo y Efecto de Falla para servicio ....................................28

Tabla 6. Ocurrencia en el Análisis de Modo y Efecto de Falla para sistema, diseño, proceso y

servicio .............................................................................................................................................29

Tabla 7. Detección en el Análisis de Modo y Efecto de Falla para sistema .....................................29

Tabla 8. Detección en el Análisis de Modo y Efecto de Falla para diseño ......................................30

Tabla 9. Detección en el Análisis de Modo y Efecto de Falla para proceso y servicio ....................30

Tabla 10. Elementos seleccionados para el desarrollo del estudio de fallos ....................................51

Tabla 11. Formato del Análisis de Modo y Efecto de Falla para el dispositivo cuantificador .........54

Tabla 12. Adecuación de parámetros para la evaluación del Número de Prioridad de Riesgo.........59

Tabla 13. Características de los conjuntos difusos de la variable de entrada Severidad ..................62

Tabla 14. Características de los conjuntos difusos de la variable de entrada Ocurrencia .................64

Tabla 15. Características de los conjuntos difusos de la variable de entrada Detección ..................66

Tabla 16. Características de los conjuntos difusos de la variable de salida Número de Prioridad de

Riesgo ..............................................................................................................................................69

Tabla 17. Desdifusificación de la variable NPR del modelo Mamdani aplicado al prototipo

cuantificador ....................................................................................................................................73

Tabla 18. Comparación de los resultados del AMEF en su forma convencional y con el uso del

modelo de Lógica Difusa Mamdani .................................................................................................77

Tabla 19. Acciones recomendadas del formato AMEF para el prototipo cuantificador ...................79

LISTA DE ECUACIONES

Ecuación 1. Conjunto difuso A de la variable (X). ..........................................................................36

Ecuación 2. Conjunto difuso B de la variable (X). ..........................................................................36

Ecuación 3. Conjunto difuso C de la variable (X). ..........................................................................36

Ecuación 4. Cálculo del grado de pertenencia del conjunto difuso B de la variable (X). .................37

Ecuación 5. Cálculo del grado de pertenencia del conjunto difuso C de la variable (X). .................37

Ecuación 6. Conjunto difuso “Muy baja” de la variable Severidad (W). .........................................63

Ecuación 7. Conjunto difuso “Baja” de la variable Severidad (W). .................................................63

Ecuación 8. Conjunto difuso “Media” de la variable Severidad (W). ..............................................63

Ecuación 9. Conjunto difuso “Alta” de la variable Severidad (W). .................................................63

Ecuación 10. Conjunto difuso “Muy alta” de la variable Severidad (W). ........................................63

Ecuación 11. Conjunto difuso “Remota” de la variable Ocurrencia (X). .........................................65

Ecuación 12. Conjunto difuso “Baja” de la variable Ocurrencia (X). ..............................................65

Ecuación 13. Conjunto difuso “Regular” de la variable Ocurrencia (X). ........................................65

Ecuación 14. Conjunto difuso “Alta” de la variable Ocurrencia (X). ..............................................66

Ecuación 15. Conjunto difuso “Muy alta” de la variable Ocurrencia (X). .......................................66

Ecuación 16. Conjunto difuso “Muy alta” de la variable Detección (Y). ........................................67

Ecuación 17. Conjunto difuso “Alta” de la variable Detección (Y). ................................................67

Ecuación 18. Conjunto difuso “Media” de la variable Detección (Y). ............................................67

Ecuación 19. Conjunto difuso “Baja” de la variable Detección (Y). ...............................................68

Ecuación 20. Conjunto difuso “Muy baja” de la variable Detección (Y).........................................68

Ecuación 21. Conjunto difuso “Muy bajo” de la variable NPR (Z). ................................................69

Ecuación 22. Conjunto difuso “Bajo” de la variable NPR (Z). ........................................................69

Ecuación 23. Conjunto difuso “Significativo” de la variable NPR (Z). ...........................................70

Ecuación 24. Conjunto difuso “Medio” de la variable NPR (Z). .....................................................70

Ecuación 25. Conjunto difuso “Predominante” de la variable NPR (Z). .........................................70

Ecuación 26. Conjunto difuso “Alto” de la variable NPR (Z). ........................................................70

Ecuación 27. Conjunto difuso “Muy alto” de la variable NPR (Z). .................................................71

pág. 1

CAPÍTULO I. GENERALIDADES

1.1. Introducción

En el presente trabajo de investigación se combina el uso dos herramientas: el

Análisis de Modo y Efecto de Falla (AMEF) y la Lógica Difusa (LD) con el propósito de

evaluar la funcionalidad de un prototipo cuantificador de dióxido de carbono (CO2) y

metano (CH4) de nueva creación, desarrollado específicamente para medir las emisiones del

ganado bovino.

Las emisiones de gases de Efecto Invernadero (GEI) son un factor importante que

contribuyen al cambio climático actual, se dice que una de las fuentes que contribuye al

incremento de las emisiones se debe a las actividades ganaderas (Grossi, Goglio, Vitali, &

Williams, 2018), la crianza de ganado bovino es señalada como una de las actividades de

este sector que más contribuye en emisiones, aunque ante la falta de métodos confiables de

monitoreo existe imprecisión en cuanto a los datos reportados a nivel mundial, debido a

ello es que se han hecho diferentes trabajos para lograr cuantificar las emisiones del ganado

mediante la creación de dispositivos de medición con el fin de determinar con mayor

precisión en qué medida influye el ganado, sin embargo, según los trabajos reportados

acerca de este tipo de dispositivos, estos no han sido adecuados para: la comodidad e

integridad del animal y tampoco para medir en las condiciones naturales donde el ganado

normalmente se desarrolla.

En un trabajo previo se diseñó un dispositivo para cuantificar las emisiones del

ganado bovino (Barrón, 2017), a diferencia de modelos anteriormente reportados para el

mismo propósito se consideró como mejor en el sentido de que cumpliría con

especificaciones importantes que otros modelos no, como: reducir el daño a la integridad

del animal y reducir el grado en que el dispositivo interfiere en el desempeño normal de las

actividades del ganado en su medio de desarrollo. El prototipo que se construyo debe

cumplir con una etapa de validación, por ello es que en este punto además de las de pruebas

ya realizadas se busca complementar con otros estudios, especialmente orientados a la

evaluación de fallas para asegurar así que el prototipo funcione correctamente.

pág. 2

En respuesta a la necesidad por reforzar los estudios de funcionalidad del

cuantificador, el presente trabajo propone la implementación de un AMEF, ya que es una

metodología adecuada para evaluar las posibilidades de fallos, explicar las posibles causas

y los efectos que pueden representar. La aplicación del AMEF en conjunto con la técnica de

Inteligencia Artificial denominada como Lógica Difusa, tiene como objetivo asegurar el

correcto funcionamiento del prototipo a través de una evaluación funcional, lo que implica

identificar posibles modos de fallo que representen mayor impacto para el funcionamiento e

impidan al prototipo cumplir la función para la cual fue creado, se pretende también

documentar información útil para la identificación de áreas de mejora en el diseño actual,

así como para establecer una serie de medidas que ayuden a corregir problemas en la

operación. La Lógica Difusa en este caso es utilizada para tratar la imprecisión de los

criterios de evaluación del AMEF clásico y para adecuarlos al problema específico, así

como para facilitar el proceso de evaluación utilizado en esta herramienta.

pág. 3

1.2. Planteamiento del problema

Con el objetivo de cuantificar las emisiones de gas CO2 y CH4 que emite el ganado

bovino, se desarrolló en un trabajo anterior un prototipo con un diseño especial acorde a las

características del ganado, que a diferencia de modelos previamente presentados para el

mismo propósito, se considera como mejor en el sentido de que este no afecta la integridad

del animal e interfiere en menor medida en el comportamiento normal del ganado en su

medio de desarrollo, siendo entonces este modelo mejor para las características físicas del

animal que le permiten al mismo desarrollar sus actividades “casi de forma normal” y por

otra parte se dice permite obtener estimaciones fiables de las emisiones de gas que produce

el ganado sin necesidad de provocar daño a la integridad del animal como otros

dispositivos.

El prototipo medidor de emisiones de CO2 y CH4 como todo dispositivo debe estar

sujeto a una etapa de pruebas que permitan comprobar que sus características funcionan

acorde al diseño y que sobre todo cumpla satisfactoriamente con el propósito principal para

el cual fue desarrollado, que es estimar las emisiones de gas, en este caso el prototipo

cuantificador de emisiones de gas fue puesto en funcionamiento en un grupo de vacas

previamente seleccionadas para llevar a cabo una serie de pruebas de medición, durante la

realización de dichas pruebas se observaron diferentes fallos en el equipo y se consideraron

posibles modos de fallo, creando incertidumbre acerca del correcto funcionamiento de los

diferentes elementos que componen el dispositivo y la posibilidad de que estos puedan

llegar a fallar en un determinado momento y afectar las mediciones.

Debido al comportamiento que el ganado desempeña especialmente en las

condiciones naturales de desarrollo, varias partes del dispositivo se ven expuestas a

situaciones que representan cierto grado de riesgo para el correcto funcionamiento del

mismo, la posibilidad de riesgo a fallo en algunos elementos se desconocía previo a la

realización de las pruebas del cuantificador. Durante las pruebas que se realizaron

resultaron con daño: sensores, conectores, así como la estructura soporte que sujeta el

dispositivo a la vaca, estas fallas provocaron mayormente imprecisión en las mediciones

según se verifico después de reparar algunas de estas fallas.

pág. 4

En la búsqueda por obtener un producto final de calidad se considera necesario

realizar un estudio enfocado específicamente a la parte funcional que ayude a identificar las

partes más vulnerables del prototipo y permita tomar acciones para disminuir la posibilidad

de que ocurran, por ello es que se plantea la aplicación de un AMEF, ya que es una

herramienta orientada a evaluar los modos de fallo principalmente en sistemas, diseños,

procesos y servicios. Es una de las herramientas más utilizadas en este campo de estudio,

sin embargo, su utilización implica cierto grado de imprecisión debido a los criterios que

utiliza para la evaluación de riesgo. Al ser una metodología con un enfoque genérico los

criterios de evaluación que utiliza pueden resultar bastante imprecisos o inadecuados en

algunos casos, acorde con algunos autores que documentan la utilización clásica de esta

metodología, mencionan que presenta ciertas inconsistencias en la forma de evaluación de

riesgo, por lo que para conseguir una correcta evaluación de los modos de falla, debe ser

utilizada a la par con otras herramientas que ayuden a tratar de forma adecuada la

naturaleza imprecisa de ciertos criterios presentes en el análisis.

Teniendo en consideración la situación actual de la problemática, surgen los

siguientes cuestionamientos:

a) ¿Qué componentes del prototipo cuantificador de emisiones son más vulnerables a

fallar?

b) ¿Cuáles son los posibles modos de fallo en que los componentes vulnerables pueden

fallar?

c) ¿Qué modos de fallo de los componentes vulnerables representan mayor riesgo para

el correcto funcionamiento del prototipo?

pág. 5

1.3. Objetivos

1.3.1. Objetivo general

Conocer y valorar el riesgo de posibles modos de falla, causas y efectos de un

dispositivo cuantificador de emisiones de dióxido de carbono (CO2) y metano (CH4) del

ganado bovino; mediante el uso de la metodología Análisis de Modo y Efecto de Falla y

Lógica Difusa.

1.3.2. Objetivos específicos

Analizar y seleccionar los componentes vitales para el funcionamiento del

prototipo.

Mediante el uso de Diagramas de Causa y Efecto analizar y proponer; posibles

modos, causas y efectos de falla.

Mediante el conocimiento especialista adecuar los criterios de evaluación del

Número de Prioridad de Riesgo (NPR).

Determinar el NPR por medio de un modelo de Lógica Difusa tipo Mamdani.

pág. 6

1.4. Justificación

El prototipo cuantificar de CO2 y CH4 para el ganado bovino al ser de reciente

creación se encuentra en la etapa de validación mediante pruebas, y debido a que se han

presentado varios fallos en el equipo durante esta etapa y que se han detectado posibles

modos en que este puede llegar a fallar, se ve la necesidad de implementar estudios

específicos para garantizar que se cubren todas las posibilidades de fallo en esta fase y se

pueda mejorar entonces la calidad del dispositivo final.

En respuesta a la necesidad de profundizar más allá de las pruebas en la búsqueda

por encontrar las posibilidades de fallo que afecten en la funcionalidad del prototipo, es que

se propone la realización del presente trabajo y se plantea la implementación de un AMEF,

ya que es una metodología orientada a esta área de estudio y una de las más utilizadas de su

tipo, es adecuada para colectar y estructurar diferentes conocimientos especializados de

manera que estos son útiles como parámetros de evaluación y que ayudan en la

identificación, valoración y priorización de posibles modos de fallo, las causas y efectos,

también permite documentar una serie de medidas basadas en el conocimiento de

especialistas para tratar correctamente los posibles fallos, por la información que recopila

también sirve para identificar áreas de mejora. Esta herramienta tiene un amplio alcance

pues se puede aplicar en varias etapas de desarrollo tecnológico u organizacional,

principalmente se utiliza en sistemas, diseños, procesos y servicios.

Debido a que el AMEF es una metodología con enfoque genérico, que fue adoptada

principalmente por la industria automotriz y que en parte a ello se deba que los criterios de

evaluación utilizados en la actualidad sean poco adecuados o imprecisos en algunos casos.

En consecuencia a esta deficiencia, para mejorar o adecuar la parte subjetiva de esta

metodología, en este trabajo también se propone utilizar la técnica conocida como Lógica

Difusa a la par con el AMEF, ya que esta herramienta de Inteligencia Artificial ya ha sido

utilizada exitosamente en aplicaciones similares. Está técnica fue desarrollada para modelar

la naturaleza imprecisa, vaga e incierta de algunas variables, para la representación de las

variables utiliza conjuntos difusos así como diferentes figuras geométricas con propiedades

matemáticas que permiten modelar la naturaleza de cada tipo de variable, lo cual es ideal

para para utilizarse en este caso de aplicación, esta técnica también permite hacer convivir

pág. 7

variables cuantitativas y cualitativas en un mismo sistema de análisis, es comúnmente

utilizada en casos donde se manejan valores lingüísticos, que pueden ser categóricos y/o

imprecisos, esta también sirve para modelar conocimiento y experiencia del ser humano

para analizar problemáticas y simular la capacidad de razonamiento a través de sistemas

con reglas.

El desarrollo de este trabajo se debe inicialmente a la necesidad de mejorar la

calidad del prototipo actual, el cual ha presentado fallas en la etapa de validación, por lo

que se plantea el uso de la metodología AMEF, y debido a que la aplicación de esta

metodología ha sido señalada en la literatura como inconsistente o inadecuada en cuanto al

uso de los criterios Severidad, Ocurrencia y Detección para evaluar el riesgo, se propone la

integración de un modelo de Lógica Difusa como también se señala en trabajos reportados

con el uso de esta metodología.

pág. 8

1.5. Hipótesis de investigación

Con la aplicación de un AMEF basado en Lógica Difusa al prototipo en la etapa de

validación, se logra la identificación de los modos de fallo a tiempo, se conocen las

posibles causas que provocan los fallos y se estima el impacto que representa cada

elemento en el correcto funcionamiento del dispositivo. La implementación de la Lógica

Difusa, permite modelar adecuadamente la naturaleza imprecisa de los criterios de

evaluación: Severidad, Ocurrencia, Detección y NPR, lo que permite mejorar la eficiencia

en comparación de los criterios clásicos de la metodología.

pág. 9

1.6. Alcances y limitaciones

1.6.1. Alcances

Con la elaboración del presente trabajo, se logrará la integración de un modelo de

Lógica Difusa útil para mejorar la evaluación convencional de la metodología

AMEF, que permita identificar con mayor precisión los elementos vulnerables a

fallo del dispositivo

Se logrará la documentación de una base estructurada de información, con

conocimientos especializados útiles para la identificación de áreas de mejora en el

dispositivo

La culminación de este trabajo aportará con la divulgación de un nuevo caso de

estudio acerca del uso combinado del de estas herramientas.

1.6.2. Limitaciones

La disposición de más prototipos para la realización de pruebas en el ganado

bovino.

La falta de un historial robusto con registros de fallas durante las pruebas

pág. 10

1.7. Estado del arte

En torno al contexto del tema planteado y el uso de las herramientas consideradas, a

continuación, se presenta de forma sintetizada la recopilación de una serie de trabajos

relevantes aplicados en diferentes áreas durante los últimos años.

El uso de la Lógica Difusa como herramienta de ayuda en la toma decisiones se

aplicó en el área de la salud en conjunto con el AMEF en el trabajo con título “Fuzzy

FMEA application to improve decision making process in an emergency department”

acorde al autor en este caso el objetivo fue mejorar la toma de decisiones en el área de

urgencias de un hospital dado la importancia que representaba para el bienestar de los

pacientes el correcto manejo al interior, se tomó en consideración la aplicación de un

AMEF para poder proyectar los riesgos que representarían posibles escenarios y en ese

contexto priorizar el manejo de los pacientes, acorde a los resultados, con la aplicación se

logró mejorar la forma en que se procesaba a los pacientes previo a la realización del

estudio, en cuanto a la valoración y tratamiento asignado, cita el autor que el uso de la

Lógica Difusa en la aplicación del AMEF fue considerada como mejor en comparación con

su uso convencional (Chanamool & Naenna, 2016).

El uso de software para la administración de seguridad en los dispositivos médicos

fue un tópico tratado en el trabajo “Medical device software risk assesment using FMEA

and Fuzzy linguistic approach: case study”, se mencionó que el uso de un software para

administrar los riesgos de fallo en equipos médicos se desarrolló en torno al uso del AMEF,

esto con el propósito de identificar los riesgos y mitigar la posibilidades de ocurrencia en

los equipos, dada la importancia que representaban para el uso médico, también se describe

que el uso clásico del AMEF no es suficiente para lograr un análisis preciso por lo que en

este caso de forma adicional se hizo uso de la Lógica Difusa para sustituir la forma en que

se evalúan los tres parámetros principales del AMEF (Batbayar, Takács, & Kozlovszky,

2016).

Otro trabajo enfocado al área de la salud que hizo uso de la Lógica Difusa y el

AMEF, fue el titulado “Classical and fuzzy FMEA risk analysis in a sterilization unit”, en

este caso estas herramientas fueron utilizadas para evaluar los factores de riesgo en las

unidades de esterilización de un hospital, en orden de priorizar los factores de riesgo más

pág. 11

importantes a tratar, de acuerdo a lo reportado, las unidades de esterilización no eran las

suficientes para abastecer las necesidades del hospital y debido a que no se evaluaban los

riesgos de forma adecuada en cada caso o área a intervenir, no se consideraban los

procedimientos de esterilización de forma adecuada, por lo que las posibilidades de riesgo

para contraer infecciones tanto para el equipo de esterilización como para los pacientes se

incrementaban, esto también debido a la falta de abastecimiento de personal lo que los

llevaba a tomar acciones de forma rápida para cumplir con la esterilización en las diferentes

salas y en muchos casos sin evaluar los riesgos de forma adecuada, el desarrollo de este

trabajo fue para establecer una base que permitiera la correcta valoración de los riesgos y

proporcionar las acciones adecuadas que se debían tomar en cada caso (Dağsuyu, Göçmen,

Narlı, & Kokangül, 2016).

En la industria de alimentos para aves de corral en Indonesia, se implementó el uso

combinado del AMEF y la Lógica Difusa, de acuerdo al trabajo “Risk analysis of poultry

feed production using fuzzy FMEA”, el problema en este caso eran los fallos en los procesos

de producción de alimentos, al existir un incremento en el consumo de los productos de

aves de corral también hubo una alza en la demanda de alimentos para su crianza, lo cual

llevo a esta compañía a tratar de cubrir la demanda de los clientes, al poner los procesos de

producción a su máxima capacidad se presentaban problemas que ponían en riesgo la

estabilidad y continuidad de los procesos, por lo que la aplicación de estas técnicas fue para

identificar los riesgos potenciales a tiempo en los procesos y tratarlos para evitar retrasos

(Aranti Wessiani & Oktaufanus Sarwoko, 2015.).

Para el análisis de un sistema de gasificación de agua supercrítica utilizado para

aguas residuales se utilizó el AMEF en conjunto con la Lógica Difusa, de acuerdo a lo

reportado en “The risk of analysis by failure mode and effect analysis (FMEA) and fuzzy-

FMEA of supercritical water gasification system used in the sewage sludge treatment” este

sistema a pesar de tener varias ventajas en el tratamiento de gasificación de aguas

residuales, este presentó algunos problemas operativos según es descrito, por lo que el

enfoque en este trabajo fue determinar los posibilidades de fallo que podían ocurrir durante

la puesta en marcha del proceso a nivel laboratorio, para conocer las razones y los efectos

que podían llegar a causar (Adar, İnce, Karatop, & Sinan Bilgili, 2017).

pág. 12

En otro artículo se documentó el uso del AMEF en conjunto con modelos de Lógica

Difusa, Proceso Analítico Jerárquico Difuso y MULTIMOORA Difuso; para comparar los

resultados de estas herramientas, el caso de estudio se centró en el análisis de los riesgos de

accidentes ocupacionales en una fábrica de productos metálicos en Irán, de acuerdo al

trabajo “Risk evaluation using a novel hybrid method based on FMEA, extended

MULTIMOORA, and AHP methods under fuzzy environment”, se utilizaron diferentes

métodos en combinación con el AMEF y fueron implementados para sustituir la forma en

que se evalúa el NPR clásico, cambiando los criterios de evaluación y utilizando el

conocimiento de personal experto para facilitar la valoración (Fattahi & Khalilzadeh,

2018).

En un proyecto de construcción de carreteras en Irán, se utilizó la Lógica Difusa y

Proceso Analítico Jerárquico como herramientas de apoyo para el desarrollo de un AMEF,

lo documentado en “Comprehensive risk management using fuzzy FMEA and MCDA

techniques in highway construction projects” menciona que el propósito de su

implementación fue para la identificación de riesgos potenciales, evaluación y priorización,

los principales criterios de evaluación que se utilizaron para analizar el riesgo en los

proyectos de construcción vial, fue entorno al costo, la calidad y el tiempo, ya que los

riesgos de estos proyectos radica en estos factores según describen los autores, por lo que la

evaluación se enfocó a considerar las posibilidades dentro de estos aspectos, así también se

propuso un enfoque basado en sistemas expertos (Ahmadi, Behzadian, Ardeshir, &

Kapelan, 2016).

Acorde al trabajo “An extension to fuzzy developed failure mode and effect analysis

FDFMEA application for aircraft landing system” el uso de metodología AMEF y la

Lógica Difusa se implementó para la evaluación de aviones comerciales en Irán, según se

describe en el trabajo; el principal enfoque del estudio fue el análisis de los componentes de

los sistemas de aterrizaje ya que se registraban anualmente un gran número de fallas,

adicional a los resultados del modelo de Lógica Difusa también realizó la evaluación por el

método convencional con el fin de ofrecer una comparación de los resultados, el método de

desdifusificación aplicado al modelo de Lógica Difusa fue Centro de Gravedad y para la

construcción del modelo participaron 5 expertos para describir acorde a su conocimiento

pág. 13

los elementos de evaluación Severidad, Ocurrencia y Detección, con los resultados se logró

establecer medidas y priorizar fallas (Yazdi, Daneshvar, & Setareh, 2017).

En el análisis de una máquina pulidora tipo torno, también se utilizó el enfoque

difuso con el AMEF, en este caso para mejorar la confiabilidad, acorde al trabajo “An

improved FMEA method based on the linguistic weighted geometric operator and fuzzy

priority” debido a que una de las partes más importantes de todo el sistema de pulido

presentó una serie de fallas, se consideró evaluar de forma individual los componentes de

esta parte de la máquina, al igual que en otros trabajos se usó un modelo de la Lógica

Difusa, uno de los datos importantes que se menciona en el trabajo entorno al uso del

AMEF, es que el uso convencional considera la evaluación del NPR casi de forma igual en

los criterios de evaluación de severidad, ocurrencia y detección; ya que estos están

preestablecidos, por lo que resulta inadecuada la evaluación del NPR, en su lugar

consideran que cada criterio debería basarse en torno al contexto del problema con

diferentes pesos y que además estos se deberían establecer a criterio de los expertos en el

tema, por ello se optó la utilización de la Lógica Difusa para mejorar este parte de la

metodología (Zhou, Xia, Zhong, & Pang, 2016).

Respecto al diseño de barcos, el trabajo “Fuzzy-based failure mode and effect

analysis (FMEA) of a hybrid molten carbonate fuel cell (MCFC) and gas turbine system for

marine propulsion” describe la aplicación del AMEF aplicado para mejorar el diseño de

barcos y ayudar al cumplimiento de normas de diseño, esta metodología fue utilizada en el

análisis de uno de los componentes diseñados para los barcos, el sistema hibrido de célula

de combustión de aceite y turbina de gas para propulsión, el enfoque de la metodología

incluyo un modelo difuso para la evaluación de NPR, según se menciona en el trabajo, el

diseño de los barcos se realiza tomando en consideración el conocimiento de personal

experto, por lo que el desarrollo de nuevos modelos o partes de barcos; deben cumplir con

un riguroso análisis ya sea para que cumplan con las normas que existen como para

garantizar que los diseños sean seguros según los expertos, como complemento para

evaluar la funcionalidad cambió la forma clásica de evaluación de riesgo por un enfoque

difuso basado en los criterios de los expertos en diseño de barcos (Ahn, Noh, Ho Park, Il

Choi, & Chang, 2017).

pág. 14

CAPÍTULO II. MARCO TEÓRICO

2.1. Antecedentes

Las emisiones de gas de Efecto Invernadero son un factor importante que influyen

en el cambio climático, una de las actividades antropogénicas que influye de forma

significativa es la ganadería, de acuerdo a la Organización de las Naciones Unidas para la

Alimentación y la Agricultura (ONUAA), de las especies de crianza, el ganado bovino es el

mayor contribuyente de las emisiones de GEI con un aproximado de 5,0 gigatoneladas de

CO2-eq que representan aproximadamente el 62% de todas las emisiones, el ganado bovino

de carne y el ganado bovino de leche emiten cantidades similares de GEI, los cerdos, las

aves de corral, los búfalos y los pequeños rumiantes tienen niveles de emisión menores, que

representan entre el 7% y el 11% de las emisiones totales (FAO, 2019a), cabe mencionar

que estos valores son representativos de las diferentes actividades consideradas en el

Análisis de Ciclo de Vida (ACV), datos que ademas son generados por el Modelo de

Evaluación Ambiental de la Ganadería Mundial por sus siglas en inglés (GLEAM) donde

incluye a varios países del mundo.

El proceso para la estimación de las emisiones de GEI del sector ganadero es un

factor importante para los inventarios nacionales, como se señala en un trabajo de medición

de gas en los bovinos “la verificación de la precisión de los inventarios de gases de efecto

invernadero para la ganadería depende de la disponibilidad de un método preciso y robusto

para medir las emisiones de metano entérico de los rumiantes en pastoreo” (MacMuller &

Hegarty, 2006, p.1). En México la realización de los inventarios se hace en apego a

criterios científicos y técnicos establecidos por el Panel Intergubernamental de Cambio

Climático por sus siglas en inglés (IPCC) y que establece varios niveles de enfoque para la

estimación de gases entéricos de acuerdo a la complejidad y disposición de datos, sin

embargo, en algunos trabajos desarrollados en el país para la estimación de emisiones de

metano en los bovinos, se menciona que son escasos los estudios a nivel nacional que

profundicen en estas áreas (Zuñiga, 2016), por lo que la falta de métodos de cuantificación

juega un papel importante en la estimación de los inventarios de GEI.

pág. 15

En el trabajo “Metodología TRIZ para el Diseño de un Prototipo Cuantificador de

Gas Metano y Dióxido de Carbono en Ganado Vacuno”, (Barrón, 2017) propuso el

desarrollo de un dispositivo capaz de cuantificar vía eructo las emisiones de gas CO2 y CH4

del ganado bovino, ya que al momento en México no existían reportes acerca del desarrollo

de este tipo de dispositivos y debido a la actividad ganadera de bovinos presente en varios

de los estados, uno de ellos el estado de Veracruz. Los únicos países que documentaban el

desarrollo de este tipo de dispositivos eran Estados Unidos, Colombia y Argentina.

Los dispositivos cuantificadores previos al propuesto, según describe el autor no

eran adecuados ya que algunos eran pesados, con dimensiones robustas para ser utilizados

por el bovino, incómodos al ser instalados y algunos al utilizarlos implicaban cierto grado

de daño a la integridad del animal al realizar perforaciones para utilizar sondas para

conectar el estomago del rumiante, por ello el autor planteo el diseño un cuantificador con

sensores electrónicos adaptados a la trompa del rumiante que no afectara al animal, para el

diseño de tal dispositivo utilizó la metodología TRIZ.

La Teoría de Resolución de Problemas Inventivos o Teoría para Resolver Problemas

de Inventiva conocida por sus siglas como TRIZ (Tieoriya Riesheniya Izobrietatielskij

Zadach), es una metodología que fue desarrollada por el ingeniero ruso Genrich Altshuller

quien se baso en la observación de patentes y su evolución a tráves del tiempo (Nikulin &

Becker, 2015), de acuerdo a las patentes que examino acerca de descubrimientos o

innovación, Altshuller decidió establecer una clasificación para el nivel de inventiva,

siendo estos 5 niveles (Córdova, 2008), ademas en la metodología se plateo el uso de 39

parámetros técnicos y el uso de 40 principios (Reyes, 2004) como base para su aplicación,

con el análisis que se realiza se busca llegar al Resultado Final Ideal (RFI).

Después de la implementación de TRIZ en el desarrollo del dispositivo y el análisis

de las características proporcionadas por el estudio, se logro como resultado plantear el

diseño del dispositivo con dos componentes principales: un emisor y un receptor, a su vez

con sus respectivos subcomponentes. El prototipo construido ahora pasa por la etapa de

validación para verificar que el diseño planteado sea funcional, por ello en esta etapa es

donde entra la propuesta de estudio de operación mediante el AMEF con el fin de asegurar

la funcionalidad del prototipo construido.

pág. 16

2.2. El Efecto Invernadero

El Efecto Invernadero es un proceso natural que se da en la Tierra y su atmósfera, su

nombre se debe a la similitud que tiene con las instalaciones construidas para cultivar

plantas en un ambiente más cálido que el exterior; dado que el techo de un invernadero

tiene la misma propiedad de dejar entrar la radiación solar y bloquear la terrestre generada

en su interior (Martínez & Fernández, 2004). El Efecto Invernadero es considerado como el

mecanismo por el cual la atmósfera de la Tierra se calienta y ha existido aproximadamente

desde hace unos 40,000 millones de años (Caballero, Lozano, & Ortega, 2007), la

atmósfera está constituida en su mayoría por nitrógeno (N) aproximadamente en un 79% y

Oxígeno (O2) en un 20%, el porcentaje restante está compuesto por varios gases entre los

que destaca el argón (Ar) y dióxido de carbono (CO2). El Efecto Invernadero se da cuando

la radiación solar es proyectada hacia a la Tierra, como se muestra en la figura 1 parte de la

radiación es contrarrestada por la atmósfera y las emisiones de GEI en el planeta, otra

pasa hacia la superficie terrestre donde esta se refleja de nuevo hacia la atmósfera.

Figura 1. Proceso del Efecto Invernadero en la Tierra

Fuente: Recuperado y editado de (Earth News Nature, Science, Life, 2016).

El equilibrio térmico de la Tierra es importante para evitar el calentamiento global,

para mantener equilibrio es necesario que los niveles de radiación recibidos y emitidos sean

pág. 17

similares, a la alteración del equilibrio ya sea por causas naturales o antropogénicas se le

conoce como forzamiento radioactivo y provoca cambios bruscos en la temperatura (IPCC,

2013). El incremento de las emisiones de GEI y su impacto en el cambio climático se

atribuye a muchos factores, entre los principales: el crecimiento poblacional, la

industrialización y el incremento de las actividades agropecuarias.

2.2.1. Las emisiones de gas de Efecto Invernadero

Las emisiones de GEI son gases atmosféricos que tienen la capacidad de absorber y

emitir radiación infrarroja, las fuentes que generan estas emisiones de gas pueden ser

naturales o bien causadas por actividades antropogénicas, las principales emisiones son el

vapor de agua (H2O) en su fase gaseosa ya sea por evaporación, ebullición o sublimación,

el dióxido de carbono (CO2) que es el producto de la oxidación del carbono en materia

orgánica, erupciones volcánicas, incendios naturales, respiración de materia orgánica en

ecosistemas naturales (Annenberg Learner, 2017), el metano (CH4) consecuencia de la

descomposición anaeróbica de material de restos animales y plantas, también resultado de

la fermentación entérica en animales rumiantes como bovinos, caprinos y ovinos, además

de otras actividades dentro del ciclo de vida en estas especies como la generación y manejo

de estiércol, aguas residuales, fuentes para el mantenimiento entre otras, el óxido nitroso

(N2O) este es generado principalmente por las actividades de agricultura debido al uso de

fertilizantes, otra fuente importante es la quema de combustibles fósiles, el ozono (O3) este

se forma al disociarse los átomos que componen el gas oxígeno y se encuentra a diferentes

de la atmósfera, otros GEI de origen sintético que son producto de procesos industriales que

han tenido un incremento a partir de la revolución industrial son los gases fluorados como

hidrofluorocarbonos (HFC), perfluorocarbonos (PFC), hexafluoruro de azufre (SF6) y

trifluoruro de nitrógeno (NF3). Las emisiones a nivel mundial por sectores han ido en

aumento según reportes debido al incremento de actividad antropogénica, de acuerdo al

Panel Intergubernamental del Cambio Climático por sus siglas en inglés (IPCC) figura 2,

hasta el 2014 los mayores contribuyentes de los sectores económicos eran los relacionados

con la generación de energías, actividades agropecuarias, silvicultura y la industria.

pág. 18

Figura 2. Emisión de gases de Efecto Invernadero global por sector económico

Fuente: Recuperado y editado de (Intergovernmental Panel on Climate Change, 2014).

De acuerdo al Instituto Nacional de Ecología y Cambio Climático (INECC), México

durante el 2015 emitió 683 millones de toneladas de bióxido de carbono equivalente de

gases de efecto invernadero, esta cantidad se muestran clasificada en la figura 3 donde se

muestran los valores aproximados por los diferentes sectores del país.

Figura 3. Inventario nacional de emisión de gases de Efecto Invernadero en México por sectores

Fuente: Recuperado de (Instituto Nacional de Ecología y Cambio Climático, 2018).

pág. 19

2.2.2. Las emisiones del sector ganadero

Las emisiones de GEI en el sector ganadero según (FAO, 2019b) depende

principalmente de cuatro procesos: la fermentación entérica, gestión del estiércol,

producción de los piensos y el consumo de energía. El proceso de fermentación entérica

ocurre en los aparatos digestivos de ciertas especies animales como los rumiantes y

monogástricos, consiste en la descomposición de los alimentos ingeridos, gracias a los

microorganismos presentes en el tracto digestivo es posible la fermentación anaeróbica

(SEI, 2017), ademas de las moléculas simples y solubles útiles para el ganado, también uno

de los subproductos generados de este proceso es el gas metano. El estiércol es otra fuente

de emisiones de gas, genera metano cuando la materia orgánica se descompone y óxido

nitroso que es resultado de la descomposición del amoniaco presente en el estiércol, el

manejo del estiércol en las actividades pecuarias es un proceso que influye en los niveles de

emisiones, según sea su almacenamiento y tratamiento serán los niveles generados, por ello

en algunos sectores deben cumplir estrictos programas de producción y manejo de estiércol.

El proceso de producción de alimentos, que incluye la extensión y preparación cultivos

forrajeros, producción de piensos, el uso de fertilizantes y pesticidas, son considerados

como factores de este proceso que contribuyen en las emisiones. El ultimo proceso del

sector ganadero considerado como fuente de emisiones es el consumo de energía para su

mantenimiento, la figura 4 muestra un esquema de los porcentajes de GEI derivados de las

actividades pecuarias a nivel mundial.

Figura 4. Emisión global de las principales fuentes en las cadenas ganaderas

Fuente: Recuperado de (Organización de las Naciones Unidas para la Alimentación y la Agricultura, 2019).

pág. 20

2.3. Análisis de Modo y Efecto de Falla

El AMEF es una metodología utilizada para maximizar la satisfacción del cliente, lo

que implica definir, identificar, eliminar y/o reducir fallos que sean conocidos o potenciales

en los sistemas, diseños, procesos y/o servicios (Omdahl, 1988; ASQC, 1983). La

metodología fue originalmente desarrollada por las fuerzas militares de los Estados Unidos

y publicado como “MIL-STD-1629A; Procedimientos para realizar un Análisis de Modo de

Fallo, Efectos y Critacabilidad” por sus siglas en inglés (FMECA), posteriormente la

Administración Nacional de la Aeronáutica y del Espacio (NASA) implemento variaciones

del FMECA, en agosto del 1966 se aplicó a la misión del Programa Apolo, así también en

otros programas de la agencia tales como Viking, Voyager, Magellan y Galileo. Durante

este periodo de aplicación en los programas de la NASA su uso también se extendió en la

aviación civil y en 1967 la Sociedad de Ingenieros de Automoción (SAE) realizo la primera

publicación donde citaba el uso de FMECA (SAE International, 1967). El uso de esta

metodología dentro de la industria automotriz ganó importancia entre 1970-1971, después

de que Ford Motor Company lanzara el modelo “Ford Pinto” y este presentara fallas graves

que llevaría a la compañía a retirar los modelos, la compañía recibió varias demandas por

daños a los usuarios por diversas fallas de los modelos de esta línea (Kritzinger, 2016). A

partir de estos problemas fue que la compañía introdujo el uso de la metodología AMEF y

más tarde sería adoptada por otras compañías del mismo sector como Chrysler y General

Motors. En 1993 a través del Grupo de Acción de la Industria Automotriz conocido por sus

siglas (AIAG), se emitió la primera versión del AMEF estándar para la industria

automotriz, desde entonces ha sido obligatorio en Ford, Chrysler y General Motors. A partir

de la primera publicación se han realizado cambios en estándares para la industria

automotriz. La segunda revisión fue presentada en 1998, una tercera edición se publicó en

el 2002 y la última se reportó en el 2008 (Banduka, Tadic, Macuzic, & Crnjac, 2018).

En la actualidad el uso de la metodología se ha extendido a diferentes rubros, por lo

que se han adecuada algunos aspectos de la misma a las necesidades específicas. Existen 4

tipos de formatos en función a los tipos de AMEF, aunque estos pueden presentar

variaciones en la estructura y elementos contenidos, la tabla 1 muestra un formato que

contiene los elementos básicos según las principales aplicaciones.

pág. 21

Tabla 1. Formato genérico del Análisis de Modo y Efecto de Falla

Tipo de AMEF: Otros involucrados: Fecha del AMEF:

Preparado por: Responsable: Página ____de ____ páginas Sistema

diseño

proceso

servicio

Modo

potencial

de fallo

Efecto(s)

potencial

de fallo

Causa(s)

potencial

de fallo

Método de

detección

Ocu

rrencia

Sev

eri

dad

Dete

cció

n

NP

R

Acciones

recomendadas

Responsable y

fecha de

terminación

Resultados de acciones

Acciones

tomadas

Sev

eri

dad

Ocu

rrencia

Dete

cció

n

NP

R

Ingeniería Equipo de trabajo Ingeniería con equipo selectivo de trabajo

Fuente: Elaboración propia basado en (Failure Mode and Effect Analysis; FMEA from Theory to Execution,

2003, pág. 29).

2.3.1. Clasificación

En la actualidad la aplicación de la metodología AMEF se ha extendido en

diferentes rubros y adaptado a las necesidades específicas, aunque en general se reconoce

que existen cuatro tipos de AMEF; para sistema, diseño, proceso y servicio (Stamatis,

2003). La implementación de cada tipo es mostrada en el orden que muestra el siguiente

esquema.

Figura 5. Tipos de Análisis de Modo y Efecto de Falla

Fuente: Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003, pág. 41).

pág. 22

2.3.1.1. Sistema

Es utilizado en etapas tempranas de desarrollo y diseño, se enfoca en los fallos

potenciales entre las funciones de sistemas, causadas por deficiencias, incluye las

interacciones entre sistemas y subsistemas. Es usualmente desarrollado a través de una serie

de etapas que incluye diseño conceptual, detallado y desarrollo, prueba y evaluación.

Como resultados logrados de la implementación de este AMEF de sistema se enlista

lo siguiente:

Lista potencial de modos de fallo clasificados por el NPR

Lista potencial de funciones del sistema que pueda detectar modos de fallo

Lista potencial de acciones de diseño para eliminar modos de fallo,

problemas de seguridad, y reducir la ocurrencia.

Los beneficios de utilizar este enfoque son los siguientes:

Ayuda a seleccionar la alternativa óptima de diseño del sistema

Ayuda en la determinación de redundancia

Ayuda a definir la base de los procedimientos de diagnóstico a nivel del

sistema

Incrementa la probabilidad de que problemas potenciales serán considerados

Identifica fallos potenciales del sistema y sus interacciones con otros

sistemas o subsistemas.

Los resultados obtenidos son utilizados como datos de entrada para el AMEF de

diseño, y a su vez posteriormente sirve como referencia de entrada para el AMEF de

proceso y/o servicio.

2.3.1.2. Diseño

Se considera una disciplina de análisis para identificar modos de fallo conocidos o

potenciales, permite establecer acciones correctivas antes de que se realice la primera

producción. Es un proceso evolucionario que involucra el uso de varias tecnologías y

métodos para producir un diseño efectivo de salida.

pág. 23

Entre los resultados que se pueden lograr con AMEF de diseño se describen los

siguientes:


Lista potencial de características críticas de características críticas y/o

significantes

Lista potencial de acciones de diseño para eliminar modos de fallo,

problemas de seguridad y reducir la ocurrencia

Lista potencial de parámetros para la realización adecuada de pruebas,

inspección y/o detección de métodos

Lista potencial de acciones recomendadas para las características críticas y

significantes.

Los beneficios de la implementación de este tipo son los que se mencionan en la

siguiente lista:

Establece una prioridad para las acciones de mejora de diseño

Documenta la justificación para los cambios

Proporciona información que ayuda en la verificación de diseño de

productos y pruebas

Ayuda a identificar las características críticas y significantes

Asiste en la evaluación de requerimientos de diseño y alternativas

Ayuda a identificar y eliminar peligros potenciales de seguridad

Ayuda a identificar fallos tempranos en la fase de desarrollo del producto.

Los resultados de la implementación sirven como base de entrada para el desarrollo

del AMEF de proceso y/o de servicio.

2.3.1.3. Proceso

Es empleado para analizar los procesos de manufactura y ensamblado, su objetivo

es definir, demostrar y maximizar soluciones de ingeniería en respuesta a la calidad,

confiabilidad, mantenibilidad, costo y productividad como se define por el AMEF de

diseño y el cliente. En este enfoque el cliente tiene un rol importante en la definición del

proceso, producto, procedimiento y otros. Este tipo de aplicación es lograda mediante la

pág. 24

consideración de una serie de pasos que involucra mano de obra, maquinaria, método,

material, medición y consideraciones ambientales.

La implementación de este enfoque logra como resultados:


Lista potencial de características críticas y/o significantes

Lista potencial de acciones recomendadas para abordar las características

críticas y significantes.

Los beneficios del AMEF de proceso son:

Identifica deficiencias de proceso y ofrece un plan de acciones correctivas

Identifica las características críticas y significativas y ayuda en el desarrollo

de planes de control

Establece una prioridad de acciones correctivas

Asiste en el análisis del proceso de manufactura o ensamble

Documenta la justificación para los cambios.

2.3.1.4. Servicio

La aplicación del AMEF de servicio es muy amplia y al igual que los otros tipos

este se logra a través de una serie de interacciones que incluye la mano de obra, maquinaria,

métodos, materiales, medición y consideraciones ambientales. La efectividad de su

aplicación se realiza básicamente a través de la participación activa del cliente del servicio,

desarrollo del servicio (producto), investigación, aseguramiento de la calidad, márquetin,

operaciones o una combinación de todas las entidades. El enfoque del servicio es minimizar

los efectos de fallo en el proceso de servicio (sistema), sin importar el nivel de AMEF que

se esté realizando.

Los resultados de la implementación del AMEF de servicio son:

Lista potencial de errores clasificados por el NPR

Lista potencial de tareas o procesos críticos o significativos

Lista potencial de procesos con cuello de botella, o tareas

Lista potencial para eliminar los errores

pág. 25

Lista potencial de funciones de monitoreo para sistemas/procesos

Los beneficios de la implementación del AMEF de servicio son:

Asiste en el análisis de flujo de trabajo

Asiste en el análisis del sistema y/o proceso

Identifica deficiencias en las tareas

Identifica tareas críticas o significativas y ayuda en el desarrollo de planes

de control

Establece una prioridad para acciones de mejora

Documenta la justificación para los cambios.

2.3.2. Criterios de evaluación del AMEF

En general al implementar el AMEF, se busca prevenir fallos que bien sean

conocidos o potenciales, esto para evitar que lleguen al cliente, y para lograr dicho

propósito se analizan tanto registros de fallos como también se realizan estudios, desde los

más sencillos hasta los más especializados con el propósito de generar información que

sirva como referencia para comprobar, visualizar, identificar o suponer las posibilidades de

fallo, esta información generada se evalúa a través de criterios que permiten calificar y

priorizar los posibles fallos, para ello la metodología emplea tres elementos:

Severidad: Es la gravedad que representan los efectos de los posibles fallos.

Ocurrencia: La frecuencia con la que un modo de fallo se pueda presentar en

determinado tiempo; en un sistema, diseño, proceso o servicio.

Detección: Es la habilidad para detectar en un producto y/o servicio los

posibles fallos, antes de lleguen al cliente.

Los elementos se multiplican (Severidad*Ocurrencia*Detección) para obtener

el NPR y realizar la priorización. De la tabla 2 a la tabla 9 se presenta la descripción de

cada uno de los criterios que se utilizan en la evaluación para los principales tipos

de AMEF: sistema, diseño, proceso y servicio. Estos criterios en la actualidad se

pueden adecuar acorde al contexto de su aplicación, esto permite que la

evaluación sea representativa y los resultados de la jerarquización sea adecuados.

pág. 26

Tabla 2. Severidad en el Análisis de Modo y Efecto de Falla para sistema

Efecto Rango Criterios

No 1 Sin efecto.

Muy Ligero 2 El cliente no se molesta. Efecto muy pequeño en el

desempeño del producto o sistema.

Ligero 3 Cliente ligeramente molesto. Efecto ligero en el desempeño

del producto o sistema.

Menor 4 El cliente experimenta una incomodidad menor. Efecto menor

en el desempeño del producto o sistema.

Moderado 5 El cliente experimenta alguna insatisfacción. Efecto moderado

en el desempeño del producto o sistema.

Significativo 6 El cliente experimenta incomodidad. El desempeño del

producto esta degradado, pero operativo y seguro. Falla

parcial, pero operable.

Mayor 7 Cliente insatisfecho. El desempeño del producto severamente

afectado pero funcional y seguro. Sistema disminuido.

Extremo 8 Cliente muy insatisfecho. Producto inoperable pero seguro.

Sistema inoperable.

Serio 9 Efecto potencialmente peligroso. Capaz de detener el

producto sin daño - falla dependiente del tiempo.

Cumplimiento con la regulación del gobierno en peligro.

Peligroso 10 Efecto peligroso. Falla súbita - involucrada la seguridad. No

cumplir con la regulación del gobierno.

Fuente: Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003, pág.

117).

Tabla 3. Severidad en el Análisis de Modo y Efecto de Falla para diseño

Efecto Rango Criterios

No 1 Sin efecto.

Muy Ligero 2 El cliente no se molesta. Efecto muy pequeño en el

desempeño del producto. Alguna falla no vital notada algunas

veces.


del producto .Alguna falla no vital notada muchas veces.

Menor 4 El cliente experimenta una incomodidad menor. Efecto menor

en el desempeño del producto. La falla no requiere reparación.

Falla no vital siempre notada.

Moderado 5 El cliente experimenta alguna insatisfacción. Efecto moderado

en el desempeño del producto. Falla en parte no vital, requiere

pág. 27

compostura.


producto esta degradado, pero operativo y seguro. Parte no

vital inoperable.

Mayor 7 Cliente insatisfecho. El desempeño del producto severamente

afectado pero funcional y seguro. Subsistema inoperable.

Extremo 8 Cliente muy insatisfecho. Producto inoperable pero seguro.

Sistema inoperable.

Serio 9 Efecto potencialmente peligroso. Capaz de detener el producto

sin daño - falla dependiente del tiempo. Cumplimiento con la

regulación del gobierno en peligro




141).

Tabla 4. Severidad en el Análisis de Modo y Efecto de Falla para proceso Efecto Rango Criterios

No 1 Sin efecto en el producto o procesos subsecuentes.

Muy Ligero 2 El cliente muy probablemente no notará la falla. Efecto muy

ligero en el desempeño del producto / proceso. Falla no vital

notada a veces.


del producto o proceso .Alguna falla no vital notada muchas

veces.

Menor 4 El cliente experimenta una incomodidad menor. Efecto

menor en el desempeño del producto o proceso. La falla no

requiere reparación. Falla no vital siempre notada.

Moderado 5 El cliente experimenta alguna insatisfacción. Efecto

moderado en el desempeño del producto / proceso. Falla en

parte no vital requiere reparación.


producto / proceso esta degradado, pero operativo y seguro.

Parte no vital inoperable.

Mayor 7 Cliente insatisfecho. Efecto mayor en el proceso; retrabajo /

reparaciones sobre la parte son necesarias. El desempeño del

producto / proceso severamente afectado pero funcional y

seguro. Subsistema inoperable.

Extremo 8 Cliente muy insatisfecho. Efecto extremo en el proceso;

equipo dañado. Producto inoperable pero seguro. Sistema

pág. 28

inoperable.

Serio 9 Efecto potencialmente peligroso. Capaz de detener el

producto sin daño - falla dependiente del tiempo.

Interrupción a las operaciones subsecuentes del proceso.

Cumplimiento con la regulación del gobierno en peligro.



Fuente: Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003).

Tabla 5. Severidad en el Análisis de Modo y Efecto de Falla para servicio Efecto Rango Criterios

Sin efecto 1 Sin efecto en el producto o servicios subsecuentes.

Efecto muy ligero 2 El cliente muy probablemente no notará la falla. Efecto muy ligero en el

desempeño del producto / servicio. Falla no vital notada a veces.

Efecto ligero 3 Cliente ligeramente molesto. Efecto ligero en el desempeño del producto

o servicio. Alguna falla no vital notada muchas veces.

Efecto menor 4 El cliente experimenta una incomodidad menor. Efecto menor en el

desempeño del producto o servicio. La falla no requiere atención. Falla no

vital siempre notada.

Efecto moderado 5 El cliente experimenta alguna insatisfacción. Efecto moderado en el

desempeño del producto / servicio. Falla en parte no vital requiere

reparación.

Efecto

significativo

6 El cliente experimenta incomodidad. El desempeño del producto /

servicio esta degradado, pero operativo y seguro. Servicio no vital

incompleto.

Efecto mayor 7 Cliente insatisfecho. Efecto mayor en el servicio; retrabajo sobre el

servicio es necesario. El desempeño del producto / servicio severamente

afectado pero funcional y seguro. Subsistema incompleto.

Efecto extremo 8 Cliente muy insatisfecho. Efecto extremo en el proceso / servicio; equipo

dañado. Producto / servicio incompleto pero seguro. Sistema incompleto.

Efecto serio 9 Efecto potencialmente peligroso. Capaz de detener el producto sin daño.

Relacionado con la Seguridad. Falla dependiente del tiempo. Interrupción

a las operaciones subsecuentes del servicio. Cumplimiento con la

regulación del gobierno en peligro.

Efecto peligroso 10 Efecto peligroso. Falla súbita - involucrada la seguridad. No cumplir con

la regulación del gobierno.

Fuente: Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003).

pág. 29

Tabla 6. Ocurrencia en el Análisis de Modo y Efecto de Falla para sistema, diseño,

proceso y servicio

Detección Rango Criterios CNF/1000

Casi nunca 1 Falla irreparable. La historia no registra fallas. <0.00058

Remota 2 Escaso número de fallas posibles. 0.0068

Muy ligera 3 Muy pocas fallas posibles. 0.0633

Ligera 4 Pocas fallas posibles. 0.46

Baja 5 Número ocasional de fallas posibles. 2.7

Media 6 Número medio de fallas posibles. 12.4

Moderadamente alta 7 Número moderadamente alto de fallas posibles. 46

Alta 8 Número alto de fallas posibles. 134

Muy alta 9 Número muy alto de fallas posibles. 316

Casi cierta 10 Falla casi cierta. Existe un historial de fallas de diseños similares o previos. >316

Nota. CNF representa el número acumulativo de fallas de componente por 1000 componentes. Fuente:

Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003, pág. 123 y 144).

Tabla 7. Detección en el Análisis de Modo y Efecto de Falla para sistema

Detección Rango Criterios

Casi cierta 1 Métodos de detección probados en la etapa conceptual.

Muy Alta 2 Análisis por computadora probado, disponible en etapa inicial de diseño.

Alta 3 Simulación o modelación en etapa inicial.

Moderadamente

Alta

4 Pruebas en elementos prototipo del sistema.

Media 5 Pruebas pre-producción en componentes del sistema.

Baja 6 Pruebas en componentes de sistemas similares.

Ligera 7 Pruebas en producto con prototipos con componentes de sistema instalados.

Muy Ligera 8 Comprobando pruebas de durabilidad en productos con componentes de sistema

instalados.

Remota 9 Solo técnicas no probadas o inconfiables disponibles.

Casi imposible 10 No se conocen técnicas disponibles


126).

pág. 30

Tabla 8. Detección en el Análisis de Modo y Efecto de Falla para diseño Detección Rango Criterios

Casi cierta 1 Tiene la más alta efectividad en cada categoría aplicable.

Muy Alta 2 Tiene una efectividad muy alta.

Alta 3 Tiene una efectividad alta.

Moderadamente

Alta

4 Tiene una efectividad alta moderada.

Media 5 Tiene una efectividad media.

Baja 6 Tiene baja efectividad.

Ligera 7 Tiene una efectividad muy baja.

Muy Ligera 8 Tiene la efectividad más baja en cada categoría aplicable.

Remota 9 No se ha probado o es inconfiable, se desconoce su efectividad.

Casi imposible 10 No hay técnica de diseño disponible o conocida, / ninguna se ha planeado.


149).

Tabla 9. Detección en el Análisis de Modo y Efecto de Falla para proceso y servicio

Detección Rango Criterios

Casi cierta 1 Los controles presentes casi siempre detectan la falla. Controles para detección

confiables se conocen y usados en procesos similares.

Muy Alta 2 Muy alta posibilidad de que los controles presentes detectarán la falla.

Alta 3 Muy buena posibilidad de que los controles presentes detectarán la falla.

Moderadamente

Alta

4 Posibilidad moderadamente alta que los controles presentes detectarán la falla.

Media 5 Posibilidad media de que los controles presentes detectarán la falla.

Baja 6 Posibilidad baja de que los controles presentes detectarán la falla.

Ligera 7 Posibilidad ligera de que los controles presentes detectarán la falla.

Muy Ligera 8 Posibilidad muy ligera de que los controles presentes detectarán la falla.

Remota 9 Posibilidad remota de que los controles presentes detectarán la falla.

Casi imposible 10 No se conocen controles disponibles para detectar la falla.

Fuente: Recuperado (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003, pág. 180).

pág. 31

2.4. Diagrama de Causa y Efecto

Esta herramienta fue desarrollada por el Dr. Kaoru Ishikawa en 1943 la cual es

conocida como Diagrama de Causa y Efecto, de Cola de Pescado, de Grandal o de Ishikawa

como lo mencionó el Dr. Juran a su honor en el manual de Quality Control Handbook

(Ishikawa, 1985). Se considerada como una de las siete herramientas de la calidad y es

utilizada para estudiar de forma sistemática las causas que generan un problema, ayuda a

averiguar las causas posibles, a clasificarlas y a organizar su interrelación (Soin, 1997), el

diagrama inicialmente presentado se divide en 5 categorías que permiten la clasificación de

la información. Para el desarrollo del diagrama generalmente se requiere de la participación

de un grupo multidisciplinario de trabajo relacionado a la temática del problema y la lluvia

de ideas es un recurso muy utilizado para generar la información en este tipo de estudio.

Existen varias categorías que se han propuesto en relación al tipo de enfoque que esta

herramienta toma, en el caso de la industria de manufactura se utilizan 5 categorías como se

muestra en la siguiente figura.

Figura 6. Diagrama de Causa y Efecto

Fuente: Elaboración propia basado en (¿Qué es el Control Total de Calidad?, 1985, pág. 76).

En otros enfoques de aplicación se han incluido más elementos, algunos incluyen a

las 5Ms y el Medio Ambiente, mientras que otros agregan más categorías, el uso del

diagrama tiene diferentes enfoques por lo que no se limita al uso de determinados

elementos, este puede ser utilizado según sea necesario para analizar las causas que

originan un problema utilizando los elementos que sean necesarios.

Máquina Material Medición

Hombre Método

Problema

Causa principal

Sub-causa

Sub-causa

pág. 32

2.5. Lógica Difusa

Esta técnica fue desarrollada por el Dr. Lotfi Asker Zadeh durante su labor docente

en la Universidad de California Berkley, fue en 1965 que el doctor introdujo el término

Lógica Difusa en la publicación de su trabajo “Teoría de los Conjuntos Difusos” donde

presentó una extensión de la noción clásica de conjuntos, existen precedentes que indican el

previo estudio de la técnica desde una perspectiva distinta, desde 1920 a 1930 se había

tratado con otros enfoques por Lukasiewicz y Tarski, aunque algunos atribuyen al doctor

Zadeh el uso de la lógica de valor infinito en referencia a la Lógica Difusa (Pelletier, 2000).

La Lógica Difusa es una técnica que permite representar y manipular la naturaleza

imprecisa e incierta de algunas variables, aunque su uso no se limita solo a estas variables

sino también a aquellas que son conocidas y precisas hasta cierto grado, la técnica permite

hacer convivir estos tipos de variables principalmente en casos de toma de decisiones y el

desarrollo de sistemas inteligentes, casos donde es necesaria la modelación de imprecisión

e incertidumbre y también la inclusión de variables conocidas para un análisis en conjunto.

A diferencia de la lógica clásica donde solo se admiten dos valores por ejemplo

“verdadero o falso” o “0 y 1” en el ámbito informático, en la lógica propuesta por Zadeh se

pueden tomar valores intermedios entre dicho rango, por lo que una verdad absoluta en el

contexto de un problema no solo puede recaer sobre dos valores sino más bien puede tomar

valores contenidos en un rango, en este caso de 0 hasta 1.

Figura 7. Representación gráfica del uso de Lógica Difusa

Fuente: Elaboración propia.

μ

1

Valor asociado

Universo de discurso de la variable

0

0 …(n) (x) valor dado

Conjunto A Conjunto B Conjunto C

Gra

do d

e p

erte

nen

cia

Grado de pertenencia (μA) fA(x)

fB(x) Grado de pertenencia (μB)

γ

Variable X en representación

pág. 33

Para modelar una variable mediante LD, se utiliza un plano bidimensional donde se

representan los conjuntos difusos que puedan componer dicha variable, estos se distribuyen

sobre un determinado rango que representa el universo, en el plano es posible manipular los

conjuntos en función de los dos ejes, específicamente son las figuras que se utilizan las que

se manipulan según sea necesario, estas poseen propiedades matemáticas que permiten

establecer ecuaciones y por lo tanto se puede calcular cómo se distribuye el grado de

pertenencia. Como se muestra en la figura 7 en un eje se representa el grado de pertenencia

(μ) y en el otro (γ) se establece la magnitud que limita el universo en discurso en el que se

asocian los conjuntos difusos.

2.5.1. Conjunto difuso

Un conjunto difuso es una clase de objetos con un continuo de grados de membresía

(Zadeh, 1965). Estos son utilizados para representar un grupo de elementos que por sus

características se clasifican dentro un contexto similar, normalmente se asocian a términos

lingüísticos, como “poco, regular, mucho” entre otros, estos en su implementación pueden

representar variables discretas o continuas, cualitativas o cuantitativas, y se asocian a

figuras geométricas.

2.5.2. Funciones de pertenencia

Estas son representaciones matemáticas que se establecen mediante el uso de figuras

geométricas que permiten modelar la naturaleza de distintas variables dentro de un plano

bidimensional, según el tipo de variable es que se seleccionan las figuras que mejor se

adapten para representar los conjuntos difusos, las figuras se relacionan a ecuaciones que

establecen determinadas condiciones de pertenencia entre los intervalos que conforman sus

puntos geométricos. Algunas de las figuras más utilizadas son las que se muestran a

continuación.

pág. 34

Figura 8. Funciones de pertenencia de la figura triangular


Figura 9. Funciones de pertenencia de la figura trapezoidal


Figura 10. Funciones de pertenencia de la figura gaussiana


1

0

Gra

do d

e p

erte

nen

cia

γ

Conjunto A

0 …(n)

Conjunto B Conjunto C

μ

1

0

Gra

do d

e p

erte

nen

cia

γ

Conjunto A

0 …(n)


μ

1

0

Gra

do d

e p

erte

nen

cia

γ

Conjunto A

0 …(n)


μ

pág. 35

Figura 11. Funciones de pertenencia de la figura campana


2.5.3. Grado de pertenencia

Es la intensidad que un valor de entrada tiende a tomar sobre la pertenencia de los

conjuntos difusos contenidos dentro de un universo de discurso, el grado de pertenencia

varia a lo largo de los valores del universo según hayan sido modelados mediante las

figuras. En la figura 12 se muestran los elementos con los que se definen las ecuaciones

(1-3) que permiten el cálculo del grado de pertenencia para las figuras trapezoidales, en la

figura 13 se ejemplifica el uso de las fórmulas para obtener el grado de pertenencia de un

valor de entrada (7.75), la sustitución de las ecuaciones (4) y (5) muestran los

respectivos resultados de pertenencia para los conjuntos difusos.

Figura 12. Planteamiento de ecuaciones para figuras trapezoidales


1

0

Gra

do d

e p

erte

nen

cia

γ

Conjunto A

0 …(n)


μ

1 Universo de discurso de la variable

0

0

Gra

do d

e p

erte

nen

cia

γ

Conjunto C Conjunto B Conjunto A

Variable (X)

a b c d

pág. 36

Ecuación 1. Conjunto difuso A de la variable (X).

𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐴(𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋) = {1 −

1 ; 𝑋 ≤ 𝑎𝑋 − 𝑎

𝑏 − 𝑎 ; 𝑎 < 𝑋 < 𝑏

0 ; 𝑏 ≤ 𝑋

(1)

Ecuación 2. Conjunto difuso B de la variable (X).

𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐵(𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋) =

{

0 ; 𝑋 ≤ 𝑎

1 −𝑏 − 𝑋

𝑏 − 𝑎 ; 𝑎 < 𝑋 < 𝑏

1 ; 𝑏 ≤ 𝑋 ≤ 𝑐

1 −𝑋 − 𝑐

𝑑 − 𝑐 ; 𝑐 < 𝑋 < 𝑑

0 ; 𝑑 ≤ 𝑋

(2)

Ecuación 3. Conjunto difuso C de la variable (X).

𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐶(𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋) = {1 −

0 ; 𝑋 ≤ 𝑐𝑑 − 𝑋

𝑑 − 𝑐 ; 𝑐 < 𝑋 < 𝑑

0 ; 𝑑 ≤ 𝑋

(3)

Dado que el valor de entrada (7.75) gráficamente se intercepta con dos conjuntos

difusos (Conjunto B y C) en el universo de discurso (γ), se sustituyen las ecuaciones

representativas de dichos conjuntos para determinar la pertenencia.

Figura 13. Representación del grado de pertenencia en conjuntos difusos


1 Universo de discurso de la variable

0

0 … (n) Valor de entrada (7.75)

Conjunto A Conjunto B Conjunto C

Gra

do d

e p

erte

nen

cia

Grado de pertenencia (μA) fA(x1)

fB(x2) Grado de pertenencia (μB)

γ

Variable X representada

4 6 7 9

pág. 37

Sustituyendo la ecuación (2) en la ecuación (4) y considerando la intersección entre

el intervalo 𝑐 < 𝑋 < 𝑑 equivalente a 7 < 𝑋 < 9, se obtiene lo siguiente:

Ecuación 4. Cálculo del grado de pertenencia del conjunto difuso B de la variable (X).

𝜇𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐵(𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋) =

{

0 ; 𝑋 ≤ 4

1 −6 − 𝑋

6 − 4 ; 4 < 𝑋 < 6

1 ; 6 ≤ 𝑋 ≤ 7

1 −𝑋 − 7

9 − 7 ; 7 < 𝑋 < 9

0 ; 9 ≤ 𝑋

=

{

0 ; 𝑋 ≤ 4𝑋 − 4

2 ; 4 < 𝑋 < 6

1 ; 6 ≤ 𝑋 ≤ 79 − 𝑋

2 ; 7 < 𝑋 < 9

0 ; 9 ≤ 𝑋

(4)

𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐵(𝑋 = 7.75) =9 − 𝑋

2; 7 < 𝑋 < 9 =

9 − 7.75

2= 0.625

Sustituyendo la ecuación (3) en la ecuación (5) y considerando la intersección entre

el intervalo 𝑐 < 𝑋 < 𝑑, se obtiene lo siguiente:

Ecuación 5. Cálculo del grado de pertenencia del conjunto difuso C de la variable (X).

𝜇𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐶(𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋) = {

0 ; 𝑋 ≤ 7

1 −9 − 𝑋

9 − 7 ; 7 < 𝑋 < 9

1 ; 9 ≤ 𝑋

= {

0 ; 𝑋 ≤ 7𝑋 − 7

2 ; 7 < 𝑋 < 9

1 ; 9 ≤ 𝑋

(5)

𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐶(𝑋 = 7.75) =𝑋 − 7

2; 7 < 𝑋 < 9 =

7.75 − 7

2= 0.375

Por lo tanto, la pertenencia del valor dado (7.75) en el universo de discurso (γ),

equivale para el Conjunto B f (x1) = 0.625 y para el Conjunto C f (x2) = 0.375, lo que

sumado resulta 1 que es valor del intervalo de pertenencia en el eje (μ).

pág. 38

CAPÍTULO III. MARCO METODOLÓGICO

3.1. Objeto de estudio

El objeto de estudio es un prototipo cuantificador de emisiones de gas dióxido de

carbono (CO2) y metano (CH4) desarrollado en un trabajo anterior, específicamente para

cuantificar las emisiones del ganado bovino. El prototipo está diseñado para ser colocado

en la cabeza del animal y entre los componentes importantes cuenta con una serie de

sensores que son los últimamente miden los gases emitidos a través de la trompa del

ganado. Es entonces el prototipo es el que será sometido a evaluación, para profundizar la

parte funcional de sus componentes, esto mediante la implementación de un AMEF y la

Lógica Difusa.

3.2. Tipo de investigación

El tipo de investigación para este caso de estudio es del tipo “explicativa”, el

propósito de la realización de este trabajo es evaluar el riesgo de los modos de falla de los

componentes más importantes del dispositivo cuantificador, para realizar dicha evaluación

se debe justificar ¿Con base en qué consideraciones? se realiza la evaluación, es decir, se

deben proporcionar y explicar las causas en este caso de los modos de falla, por ello se hará

uso de la metodología AMEF y la técnica de Inteligencia Artificial Lógica Difusa. Parte

importante del uso de la metodología es que proporciona las causas que generan los fallos,

ya que así se logra conocer que aspectos se deben cambiar y/o las acciones se deben tomar.

3.3. Enfoque de investigación

El enfoque de la investigación es “cuali-cuantitativo”, ya que se hace uso de la

metodología AMEF la cual evalúa de forma clásica el riesgo de fallos es decir mediante

valores numéricos pero que a su vez también representan valores lingüísticos. Para este

caso también se utilizará la técnica Lógica Difusa para modelar los criterios de evaluación,

la naturaleza de la información requerida para realizar el estudio es cualitativa y

cuantitativa, el modelo de Lógica Difusa utiliza fundamentos matemáticos para llegar a los

resultados que son en primera instancia valores lingüísticos y que desdifusificados se

interpretan como valores numéricos.

pág. 39

3.4. Fuentes de información

Las fuentes de información para este trabajo son primarias puesto que la

información necesaria para la integración y análisis del AMEF se obtendrá de forma directa

al realizar entrevistas con personal especialista y al aplicar diagramas de Causa y Efecto

como apoyo para colectar y estructurar la información de los modos, causas y efectos de

falla, así como para la adecuación del cálculo del NPR.

3.5. Procedimiento

El orden de las actividades a realizar para lograr el objetivo general del trabajo se

describe a continuación, donde se puntualiza cada uno de los objetivos específicos de forma

más extensa, el uso de las herramientas propuestas y su propósito en el desarrollo del

trabajo.

3.5.1. Analizar y seleccionar componentes vitales para el funcionamiento del

dispositivo

Para cumplir con el primer objetivo, será necesario realizar una descripción del

dispositivo, es decir los componentes que lo integran y las funciones que desempeñan,

segundo mediante una lluvia de ideas se propondrán los elementos potenciales para el

estudio, de los cuales se seleccionarán aquellos considerados como más importantes para el

funcionamiento según los especialistas.

3.5.2. Analizar y proponer posibles modos, causas y efectos de falla mediante

diagramas de Causa y Efecto

3.5.2.1. Diagramas de Causa y Efecto

Una vez que se han seleccionado los componentes más importantes que serán

sometidos a estudio, se utilizarán diagramas de Causa y Efecto como se propone en el

procedimiento considerado para el desarrollo del AMEF, con el propósito de identificar

fallas potenciales y analizar las causas que las generan, los diagramas serán construidos por

los especialistas desarrolladores del dispositivo y la información que se genere servirá para

llenar algunas de las secciones del AMEF.

pág. 40

3.5.3. Desarrollar el AMEF

Después de haber recolectado información en los diagramas de Causa y Efecto se

procederá a llenar algunas secciones del formato para su posterior evaluación. Para el

desarrollo del AMEF se tomará como referencia el siguiente procedimiento el cual ha sido

adecuado para aplicaciones de diseño y proceso según describe Vázquez (2014).

1) Seleccionar al equipo y realizar lluvia de ideas (equipo formado por personal

por diferentes áreas)

2) Elaborar diagrama de bloques (diseño) o diagrama de flujo (proceso)

3) Obtener datos de fallas y llenado de la forma (modos de falla)

4) Análisis de la información. Pueden ser análisis cuantitativos o cualitativos.

Se puede usar lluvia de ideas, Ishikawa, SPC, DOE, simulación para obtener

información sobre los efectos de las fallas y estimar la severidad, ocurrencia

y detección

5) Recomendar acciones de mejoramiento

6) Evaluar las acciones (confirmar efectividad de las acciones y recomendar

mejoras – llenar las columnas apropiadas: recalcular RPN)

7) Continuar con las mejoras (documento dinámico).

3.5.4. Adecuar los criterios de evaluación del NPR

En este punto cuando ya se conoce el contexto o dimensiones de la información que

se evaluará del AMEF, se establecerá la descripción de Severidad, Ocurrencia y Detección

con la que se evaluará el NPR, esta descripción se hará en torno a términos categóricos que

denoten cierta intensidad de calificación en cada elemento de evaluación, los términos

categóricos y su descripción se establecerá de acuerdo a los especialistas según consideren

adecuado. En esta parte la adecuación solo será descriptiva y más adelante los términos

categóricos utilizados serán asociados a valores numéricos en el modelo de Lógica Difusa

tipo Mamdani.

pág. 41

3.5.5. Determinar el NPR por medio de un modelo de Lógica Difusa tipo Mamdani

3.5.5.1. Desarrollar el modelo de Lógica Difusa en MATLAB

Para determinar el NPR el cuál es el indicador de riesgo a fallo, durante esta fase se

realizará el desarrollo del modelo de Lógica Difusa tipo Mamdani en el software

MATLAB, lo que implica realizar el proceso de: fusificación, introducción de reglas de

inferencia y desdifusificación.

3.5.5.2. Proceso de fusificación

3.5.5.3. Introducción de variables

Una vez se haya adecuado cada uno de los criterios de evaluación de Severidad,

Ocurrencia y Detección, en el entorno de desarrollo del software MATLAB en el Toolbox

Fuzzy Logic Designer, se realizará el proceso de fusificación de las variables de entrada y

salida, el proceso de fusificación consiste en el análisis de figuras geométricas que propone

el modelo de Lógica Difusa para seleccionar aquellas en que la función de pertenencia

mejor se ajuste al tipo de variable que se pretenda representar, sea esta continua o discreta,

cuantitativa o cualitativa, esto también implica asociar a las figuras valores lingüísticos que

sean representativos de un rango de valores, las figuras con su valor lingüístico y rango en

el modelo se conocen como conjuntos difusos.

En este caso las variables del modelo serán: Severidad, Ocurrencia, Detección y

NPR, estas se modelarán según se haya establecido previamente con los especialistas los

términos y lo que representen. En el software de MATLAB al introducir el sistema el

término “fuzzy” en la ventana de “Command Window” se mostrará la siguiente ventana.

pág. 42

Figura 14. Modelo de Lógica Difusa tipo Mamdani

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Fuzzy Logic Designer.

En la pestaña “Edit” se seleccionará la opción “Add Variable” donde se introducirán

las variables de Severidad, Ocurrencia y Detección las cuales se agregarán sobre “Input”, se

hará lo mismo con la variable de salida seleccionando la opción “Output” donde se

introducirá el “NPR”, quedando como se muestra en la siguiente figura.

Figura 15. Modelo de Lógica Difusa tipo Mamdani para evaluar el Número de Prioridad Riesgo

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Fuzzy Logic Designer, contenido

de elaboración propia.

pág. 43

3.5.5.4. Configuración de variables

Una vez introducidas todas las variables estas se deben configurar, es decir, se

deben agregar los conjuntos de cada variable, en este caso para Severidad, Ocurrencia,

Detección y NPR acorde a los criterios de los especialistas, de acuerdo a la naturaleza del

tipo de variables que representan es que se seleccionarán las figuras geométricas

correspondientes a cada conjunto.

En el software MATLAB se seleccionará cada variable introducida lo que

por default mostrará la ventada de edición como se muestra en la figura 16, aquí

se seleccionarán las figuras geométricas según correspondan, posterior se asignaran

los valores lingüísticos y ajustarán los valores de los rangos de las figuras según

hayan establecido los especialistas.

Figura 16. Ventana de edición de los conjuntos difusos

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de Fuzzy Logic Designer; apartado de edición

de conjuntos, contenido de elaboración propia.

3.5.5.5. Introducción de reglas de inferencia

Las reglas de inferencia del modelo Mamdani resultan de las combinaciones entre

los conjuntos de cada variable de entrada, estas reglas representan en el modelo los

escenarios que se pueden generar dados los conjuntos difusos de las variables de entrada.

Para determinar las salidas o conjuntos de la variable de salida que corresponden a cada

regla o escenario que en este caso son los modos de fallo, los especialistas que

establecieron la descripción de cada variable del modelo, son los que realizarán la

formulación de las reglas, debido al conocimiento y comprensión de la problemática. La

pág. 44

figura 17 muestra la ventana de edición de reglas tipo “If-then” en el software MATLAB

donde seleccionan las condiciones que conforman cada regla.

Figura 17. Ventana de edición de reglas de inferencia

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Rule Editor, contenido de

elaboración propia.

El número de reglas de inferencia depende del tipo de resultado al que se pretenda

llegar y el método de interpretación o desdifusificación necesario, por lo que no en todos

los casos se requiere el introducir todas las reglas que se generan al combinar los conjuntos,

sino solo las reglas necesarias que permitan plasmar el tipo de resultados que se esperan.

3.5.5.6. Desdifusificación

En esta parte final del modelo es en donde se determinará numéricamente el NPR

que represente cada conjunto de salida de las reglas activadas según sea haya evaluado a

cada modo de fallo del AMEF. En esta parte se seleccionará el método de desdifusificación

que se considere adecuado para obtener el NPR. En la figura 18 se muestra la ventana “

Fuzzy Logic Designer” donde se marca en color rojo el apartado de selección de los

diferentes métodos de desdifusificación en MATLAB.

pág. 45

Figura 18. Métodos de desdifusificación del modelo Mamdani

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Fuzzy Logic Designer.

Como se muestra en la siguiente figura, en la ventana “Rule Viewer” de MATLAB

también se puede manipular el valor de las variables de entrada y observar el valor

numérico correspondiente en la variable de salida, este valor en la salida varía según el

método de desdifusificación seleccionado.

Figura 19. Ventana interactiva de las reglas de inferencia

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Rule Viewer, contenido de


pág. 46

CAPÍTULO IV. MARCO OPERATIVO

4.1. Análisis y selección de componentes vitales para el funcionamiento del prototipo

4.1.1. Descripción del prototipo

El diseño del prototipo desarrollado cumple la función principal de estimar las

emisiones de gases que el ganado bovino genera y expulsa a través de la trompa,

específicamente las de gas CO2 y CH4, los componentes principales en dicho dispositivo

son: un emisor y un receptor, a su vez los subcomponentes son: una batería, una estructura

soporte que se ajusta a las características de la trompa del bovino, dos sensores que

cuantifican las emisiones gas, unas correas que sujetan a la estructura soporte y demás

componentes a la cabeza del animal y el receptor el cual se conecta al ordenador para

registrar la información de las mediciones. En la siguiente imagen se muestra el dispositivo,

así como la instalación en el ganado bovino.

Figura 20. Cuantificador de emisiones de gas para ganado bovino

Fuente: Recuperado de Autodesk 3ds Max, contenido de elaboración propia.

pág. 47

1. Emisor: Este cumple dos funciones, una es enviar vía inalámbrica la información

generada por los sensores hacia el receptor, dicha información emitida son datos de

mediciones de gas CO2 y CH4 en forma de bytes hacia el ordenador. La otra función

del emisor es distribuir la energía de la batería hacia los sensores, esto a través

líneas de corriente que viajan en el interior de la estructura de cobre hasta los

sensores ubicados cerca de la trompa del animal. El emisor opera con un voltaje de

5v y a una corriente de consumo de 675 mA, las dimensiones de la caja del emisor

son 80 cm de ancho con 80 cm de largo y 40 cm de alto. En el interior del emisor se

encuentra la tarjeta de adquisición de datos, así como los módulos XBee Pro 528

inalámbrico y un XBee Explorer Dongle, gracias a este conjunto ensamblado, es

posible el envío de la información vía inalámbrica hasta el receptor el cual se

conecta al ordenador donde se registra la información, la capacidad máxima

aproximada de envío de señal del emisor es de 1.5 km de distancia, esto puede

variar acorde a las características geográficas.

Figura 21. Emisor del dispositivo cuantificador


2. Conexión sensor-emisor: Al ser dos sensores se tienen dos conexiones tipo

hembra, cada una con tres líneas de corriente, ambas conexiones tienen un mismo

puerto de entrada en la caja del emisor, estas conexiones tienen dos funciones, una

es que permiten transmitir la corriente eléctrica desde el emisor hacia cada uno de

pág. 48

los sensores y la otra función es transmitir en primera instancia las mediciones de

los sensores hacia el receptor antes de ser transmitidas vía inalámbrica.

3. Dual In-line Package (DIP) en emisor: Este es un conjunto de interruptores

eléctricos que tiene la función de activar diferentes opciones del dispositivo, como

el paso de corriente o paso de información, estos interruptores tienen una

presentación en forma encapsulada, el utilizado en el emisor es un DIP que consta

de 4 interruptores.

4. Entrada de corriente VCC (Voltage at the Common Collector) en emisor: Esta

es la entrada para la corriente eléctrica que permite alimentar al emisor, esta se

conecta directamente desde la batería al emisor a través de una conexión USB tipo

hembra.

5. Receptor: Este tiene la función de recibir la información enviada por el emisor,

dicha información son cifras de los registros de gas que llegan en forma de bytes,

por medio de una conexión USB estándar se conecta al ordenador, donde los datos

son procesados en el entorno de un software donde finalmente se capturan las

emisiones de gas, las dimensiones del receptor son 11cm de largo por 90cm de

ancho y 5.5 cm de alto.

Figura 22. Receptor del dispositivo cuantificador


pág. 49

6. Entrada de corriente VCC (Voltage at the Common Collector) en receptor: Es

la entrada en el receptor para la conexión USB tipo hembra similar a la del emisor,

en este caso esta entrada no solo es para recibir la corriente que alimenta al receptor,

sino que también en esta entrada es por donde los datos son pasados al ordenador, la

conexión se conecta directamente en el ordenador.

7. Dual In-line Package (DIP) en receptor: Este conjunto de interruptores son

similares a los utilizados en el emisor, el modelo utilizado en el receptor también es

de cuatro interruptores, el cual permite habilitar o deshabilitar funciones de

corriente eléctrica y paso de información.

8. Potenciómetro Trimmer de pantalla LCD: Conocido también como resistencia

variable, es un variador de intensidad que se encuentra ubicado en el receptor, en

este caso permite cambiar la intensidad de iluminación en la imagen que proyecta la

pantalla LCD en donde se muestran principalmente los valores de las mediciones

gas de los sensores, así como otras características del dispositivo, el Trimmer

utilizado en el receptor es del tipo rotativo multivuelta de 10 K y de tres terminales.

9. Pantalla LCD del receptor: La pantalla permite visualizar diferente información

de las funciones de dispositivo, como las mediciones de los dos sensores las cuales

se transmiten desde el emisor vía inalámbrica, así como otras características, la

pantalla utilizada en el receptor tiene aproximadamente 7 cm de largo con 2.5 cm de

ancho.

10. Batería: La batería es Shark Lemon es utilizada para el alimentar el emisor que se

coloca en el ganado, esta se coloca junto al emisor, tiene una capacidad de 8000

mili-amperios hora (mAh). Es en la batería donde se tiene el botón de

encendido/apagado encender el emisor.

11. Conexión batería-emisor: Esta conexión es del tipo USB estándar, esta es la que

proporciona la corriente eléctrica de la batería hacia el emisor, los sensores de forma

pág. 50

indirecta reciben la energía mientras el animal lo lleva puesto gracias a esta

conexión.

12. Ranura para carga de energía: Es una entrada tipo USB estándar ubicada en la

batería, la conexión que se coloca en esta ranura es la misma que llega al emisor, la

capacidad de corriente aproximada para esta entrada es de 200 a 400 amp.

13. Sensor MQ-4: En el dispositivo este sensor se encarga de realizar las mediciones

de metano CH4, la alimentación de energía de este sensor es de 5V, el rango de

operación de temperatura va desde los -10 a 50°C, la capacidad para medir

concentraciones es de 300 a 10,000 ppm, la sensibilidad Rs (aire)/Rs (1,000ppm

C4H10) > 5 y humedad relativa RH < 95 %.

14. Sensor MQ-7: Este sensor es capaz de detectar las concentraciones de monóxido de

carbono en aire, por lo que en el dispositivo es utilizado para cuantificar las

emisiones de dióxido de carbono CO2, al igual que el sensor MQ4, este opera con

un voltaje de 5V, el rango de operación de temperatura para este es de -20 a 50°C,

la capacidad para medir concentraciones de oxigeno es de 20 a 2000ppm, y una

humedad relativa < 95%.

15. Sistema de correas: Este sistema de correas sujetan principalmente la estructura de

cobre a la trompa del bovino así como el emisor, proporcionan estabilidad en la

cabeza del animal para evitar que exista demasiado movimiento, esto ayuda de

forma considerable en la estabilidad del emisor, así como en los sensores en la

trompa del bovino, ya que el ganado realiza constantes movimientos en su entorno

de desarrollo lo cual puede repercutir en la postura del dispositivo y del sensor pues

es importante mantener la postura de la estructura para que exista una cercanía que

permita a los sensores captar las emisiones en la trompa del animal.

16. Estructura soporte: La estructura de cobre se ajusta a parte de la trompa del

bovino, una de las funciones es mantener de forma rígida los sensores cerca de la

trompa del animal, la estructura es de un tubo de 9 mm de diámetro, cada brazo

pág. 51

tiene una longitud de 50 cm, la separación entre cada uno de los brazos a los lados

del animal es de 19 cm, por el interior de la estructura viajan conexiones

provenientes del emisor, que proporcionan corriente y transmiten la información de

las mediciones, la estructura por lo tanto protege también estas líneas de corriente

en su interior.

17. Porta sensores: Estos se ubican en la parte final de la estructura de cobre cerca de

la trompa, donde salen del interior de la estructura las líneas de corriente que van

hacia los sensores, estos porta sensores son pequeñas estructuras que sujetan a los

sensores a la estructura de cobre y los sostienen de forma rígida en la trompa del

bovino, esto ayuda para que se mantengan en una sola postura durante las

mediciones y así evitar se muevan durante la actividad del animal.

4.1.2. Selección de componentes

El alcance del AMEF para este caso de estudio puede ser muy extenso si se

considera a la mayoría de los componentes y subcomponentes del dispositivo, por ello se

debe seleccionar estratégicamente solo aquellos que estén asociados a fallas importantes y

que puedan llegar a representen un gran impacto negativo en el funcionamiento del

cuantificador. Para la selección de los elementos necesarios para realizar el estudio de

riesgo a fallos del prototipo, primero un grupo de especialistas participantes en el diseño del

dispositivo fueron quienes mediante una lluvia de ideas lograron generar una lista tanto de

componentes como de subcomponentes potenciales para el estudio, después de una análisis

en base a la relación de componentes y su importancia en el funcionamiento se logró

priorizar dicha lista, a continuación se muestran los elementos resultantes que serán

utilizados para el desarrollo del estudio.

Tabla 10. Elementos seleccionados para el desarrollo del estudio de fallos

Emisor Receptor

Conexión emisor-batería Conexión receptor-computadora

Conexión emisor-sensor DIP del receptor

pág. 52

DIP del emisor Potenciómetro trimmer de luz en pantalla

Batería Módulo XBee Coordinador

Correas

Estructura soporte

Sensores

Porta sensores

Módulo XBee Router


4.2. Análisis y proposición de posibles modos, causas y efectos de falla mediante

diagramas de Causa y Efecto

Uno de los principales objetivos al aplicar el AMEF es el garantizar que se

consideran los fallos existentes y los posibles modos de fallo para valorar el riesgo que

representen, para analizar e identificar los posibles modos de fallo se utilizan distintas

herramientas que permiten generar la información necesaria en este tipo de estudio.

En el caso del cuantificador al ser un prototipo del cual se ha generado poca

información de fallos durante la etapa de pruebas, el principal interés es precisamente el de

conocer ¿Cuáles son los posibles modos en que este puede llegar a fallar? es por ello que se

propone el uso de diagramas de Causa y Efecto como una herramienta de análisis, para

estudiar los elementos seleccionados previamente por los especialistas como más

importantes, para generar y ordenar la información que será evaluada en el AMEF.

La estructura de los diagramas que se utilizará para analizar el cuantificador será

distinta de la comúnmente utilizada donde las categorías principales se resumen en: las

personas, las maquinas, los materiales y el método (Soin, 1997). Para este análisis las

categorías principales se reemplazan por los subcomponentes del cuantificador, es decir, los

subcomponentes del “Emisor y Receptor”. Las causas primarías de cada categoría serán los

“Modos de fallo” y las secundarias serán las “Causas de fallo”. Como resultado del análisis

del prototipo cuantificador se generaron los siguientes diagramas.

pág. 53

4.2.1 Diagramas de Causa y Efecto

Figura 23. Diagrama de Causa y Efecto para componentes del emisor del dispositivo cuantificador


Fluidos de animal

Humedad del ambiente

Corto circuito

Conectores descubiertos

Contacto con objetos del entorno

Contacto con el cuerpo del animal

Funciones inactivas

interruptor expuesto



Falso

Conectores no fijos

Mal

funcionamiento

del emisor

Línea emisor-

batería

Restos alimenticios

Mucosidad

Baja sensibilidad

Fuertes vientos

Mala posición

Atorada con objetos del entorno

Jaloneo del animal

Desenchufe

Línea expuesta



Falso

Conectores no fijos

Movimientos bruscos de la trompa del animal

Obstrucción por objetos del entorno

Broches de ensamble sueltos

Fluidos del animal


Corto circuito

Conectores descubiertos

Bajas temperaturas

Altas temperaturas

Fuga térmica

Funda de batería inadecuada

Mal manejo del operador

Movimientos bruscos del animal

Interruptores fracturados

Ubicación

expuesta

Fundido por golpes

Desoldado a circuito impreso

Led indicador sin operar

Dañado por humedad

Material flexible

Forcejeo del animal

Brazos doblados


Mala trabajo de soldadura

Soldadura poco resistente

Uniones desoldadas

Sobresfuerzos de estructura

Atorada con objetos del entorno

Jaloneo del animal

Desenchufe

Línea expuesta

Longitud inadecuada

Fluidos del animal

Funda protectora rota

Corto circuito

Falta de hermeticidad


Función puesta a tierra inactiva


Corto circuito

Interruptor descubierto

Fluidos del animal

Mucosidad

Restos alimenticios

Corto circuito

Circuito impreso descubierto


Movimientos bruscos de la trompa del animal

Ajuste incorrecto

Estructura doblada

Material poco rígido

Línea emisor-

sensor DIP emisor Batería

Correas Estructura

soporte Sensores Porta sensores

Desgaste por fricción

Deterioro por humedad

Ruptura de correas

Movimiento brusco del animal

Baja resistencia del material

Forcejeo del animal

Broche plástico poco resistente

Broches sueltos

Mal ajuste del operador

pág. 54

Figura 24. Diagrama de Causa y Efecto para componentes del receptor del dispositivo cuantificador


4.3. Desarrollo del AMEF

La información estructurada en los diagramas de Causa y Efecto fue

complementada y utilizada para llenar las columnas “Modos de falla” y “Causas de falla”, a

partir de esta se realizó un análisis y se determinaron los “Efectos de falla” que se

consideraron consecuentes según cada caso, el formato a continuación muestra la

información recabada del prototipo que será necesaria para el posterior análisis de riesgo.

Tabla 11. Formato del Análisis de Modo y Efecto de Falla para el dispositivo cuantificador

Componente

principal

Subcomponente No. Modos de falla Causas de falla Efectos de falla

Emisor Línea batería-

emisor 1

Desenchufe de

conectores

Línea expuesta al

exterior del emisor,

el jaloneo del

animal o línea

atorada con objetos

del entorno

Emisor y sensores

fuera de operación

por falta de

suministro de

energía eléctrica,

interrupción de

mediciones

Mal

funcionamiento

del receptor

Condiciones topográficas

Interferencia por otras señales

Pérdida de señal

Bajo capacidad de alcance


Funciones inactivas

Interruptores fracturados

Error en controladores de software

Desconexión

Mal manejo del operario

Módulos XBee DIP receptor

Potenciómetro de

pantalla LCD

Conexión receptor-

computadora

Regulador barrido

Presencia de humedad

Regulación de luz incorrecta

Suciedad interna

pág. 55

2 Falso en conectores

Conectores tipo

enchufe no fijos,

contacto de la línea

con el cuerpo del

animal u objetos

del entorno

Corriente eléctrica

y funcionamiento

intermitente del

emisor,

descalibración de

sensores, envío

discontinuo e

incorrecto de datos

3 Corto circuito

Conectores

descubiertos a

intemperie, la

humedad del

ambiente o los

fluidos del animal

Daño parcial o total

en componentes

internos del emisor

y/o la batería

Emisor Línea emisor-

sensor

4 Desenchufe de

conectores

Línea expuesta al

exterior del emisor,

longitud de línea

inadecuada, línea

atorada con objetos

del entorno o el

jaloneo del animal

Sensores fuera de

funcionamiento por

falta de suministro

de energía eléctrica

5 Falso en conectores

Conectores tipo

enchufe no fijos,

contacto de la línea

con el cuerpo del

animal u objetos

del entorno

Corriente eléctrica

y funcionamiento

de los sensores

intermitente,

descalibración de

sensores,

mediciones

incorrectas y

discontinuas

6 Corto circuito

Conectores

descubiertos a

intemperie, la

humedad del

ambiente o los

fluidos del animal

Daño parcial o total

de los sensores y/o

componentes

internos del emisor

Emisor DIP del emisor

7

Función de

corriente eléctrica

inactiva

Interruptor

expuesto a

intemperie,

desactivado por el

contacto con el

cuerpo del animal o

con objetos del

entorno

No se permite el

paso de corriente

eléctrica desde el

emisor hacia cada

uno de los sensores,

los sensores no

realizarán

mediciones

8

Función de

corriente a tierra

inactiva

Interruptor

expuesto a

intemperie,

desactivado por el

contacto con el

cuerpo del animal o

con objetos del

entorno

Componentes del

emisor y sensores

vulnerables a daño

por sobrecargas

eléctricas

9

Función de

radiofrecuencia TX

inactiva

Interruptor

expuesto a

intemperie,

desactivado por el

Los sensores

realizan mediciones

pero los datos no

son transmitidos

pág. 56

contacto con el

cuerpo del animal o

con objetos del

entorno

por el módulo

XBee Coordinador

hacia el receptor

para el registro de

datos.

10

Función de

radiofrecuencia RX

inactiva

Interruptor

expuesto a

intemperie,

desactivado por el

contacto con el

cuerpo del animal o

con objetos del

entorno

La señal de las

mediciones es

trasmitida desde el

módulo XBee

Coordinador pero

no se logra la

comunicación con

el módulo XBee

Router del receptor

11 Interruptores

fracturados

Ubicación de

interruptores

expuesta,

movimientos

bruscos del animal

o el mal manejo del

operador

Dificultad para

manipular las

funciones de los

interruptores en el

emisor

12 Corto circuito

Interruptores

descubiertos a

intemperie, función

puesta a tierra

inactiva, la

presencia de

humedad o fluidos

del animal

Inestabilidad de las

funciones, daño de

componentes del

emisor

Emisor Batería

13 Fuga térmica

Funda protectora

inadecuada contra

las altas o bajas

temperaturas

Bajo rendimiento

de la batería,

interrupción de las

mediciones,

periodos de

medición

incompletos

14 Corto circuito

Falta de

hermeticidad, funda

protectora rota,

filtración de

humedad del

ambiente o los

fluidos del animal

Daño de batería,

daño a

componentes de la

caja del emisor y/o

sensores

Emisor Correas

15 Broches de

seguridad sueltos

Forcejeo del

animal, mal ajuste

del operador o el

material plástico

poco resistente

Inestabilidad de la

estructura a la

cabeza del animal o

estructura suelta de

la cabeza del

animal

16 Ruptura de bandas

de seguridad

Desgaste por

fricción, deterioro

por humedad,

movimiento brusco

del animal o la baja

resistencia del

material

Inestabilidad de la

estructura a la

cabeza del animal o


la cabeza del

animal

pág. 57

Emisor Estructura soporte

17 Brazos metálicos

doblados

Material flexible,

forcejeo del animal

o el mal manejo del

operador

Posición

inadecuada del

sensor a la trompa

del animal, bajo

alcance de

medición del

sensor,

estimaciones de gas

poco confiables con

alto nivel de

variación

18 Uniones de brazos

desoldadas

Mal trabajo de

soldadura, la

soldadura poco

resistente o el

sobresfuerzo de la

estructura

Inestabilidad de la

estructura a la

cabeza del animal o


la cabeza del

animal

Emisor Sensores

19 Baja sensibilidad

de medición

La obstrucción del

sensor por restos

alimenticios o

mucosidad del

animal, la mala

postura y las

fuertes corrientes

de viento

Estimaciones de

gas poco confiables

con un alto nivel de

variación

20 Corto circuito

Circuito impreso

del sensor

descubierto, la

humedad del

ambiente,

mucosidad del

animal o los restos

alimenticios

Inestabilidad de la


en los sensores,

lapsos de medición

discontinuos, daño

parcial o total del

sensor

21 Led indicador de

medición sin operar

Led desoldado del

circuito impreso,

dañado por

humedad o fundido

por golpes

Dificultad para

identificar en

tiempo real el mal

funcionamiento del

sensor

Emisor Porta sensores

22 Estructura doblada

Material estructural

poco rígido,

movimientos

brusco de trompa

del animal y/o el

ajuste incorrecto en

la trompa del

animal

Posición

inadecuada del

sensor a la trompa

del animal, bajo

alcance de

medición del

sensor,

estimaciones de gas

poco confiables con

alto nivel de

variación

23 Broches de

ensamble sueltos

Los movimientos

bruscos de la

trompa del animal

y la obstrucción

con objetos del

entorno

Inestabilidad de los

sensores a la

trompa del animal

pág. 58

Receptor

Módulos XBee

(Router y

Coordinador)

24 Pérdida en la señal

de comunicación

Las condiciones

topográficas poco

favorables, la

interferencia de

otras señales o la

baja capacidad de

alcance de los

módulos

Pérdida de datos de

las mediciones de

gas durante la

interrupción de

señal entre los

módulos XBee

Receptor DIP del receptor

25

Función de


inactiva

Mal manejo del

operador o

interruptor

fracturado

No se permite el

paso de corriente

eléctrica

proveniente de la

computadora,

dificultad para

manipular las

funciones de los

interruptores

26 Función puesta a

tierra inactiva

Mal manejo del

operador o

interruptor

fracturado

En caso de corto

circuito daño de los

componentes del

receptor, dificultad

para manipular las

funciones de los

interruptores

27

Función de

radiofrecuencia TX

inactiva

Mal manejo del

operador o

interruptor

fracturado

El receptor no

envía de regreso la

señal de

comunicación hacia

el emisor,

dificultad para

manipular las

funciones de los

interruptores

28

Función de

radiofrecuencia RX

inactiva

Mal manejo del

operador o

interruptor

fracturado

El receptor no

recibe la señal

proveniente del

emisor, dificultad

para manipular las

funciones de los

interruptores en el

receptor

Receptor

Potenciómetro

Trimmer de

pantalla LCD

29 Regulación de luz

incorrecta

Regulador barrido,

presencia de

humedad o

suciedad interna

Dificultad para

manipular la

intensidad de

iluminación en la

pantalla del

receptor.

Receptor

Conexión

receptor-

computadora

30 Desconexión de

puerto

Error en los

controladores del

software, mal

manejo del operario

Interrupción en la

transferencia de

información,

pérdida de datos en

el software

registrador.


pág. 59

4.4. Adecuación de los criterios de evaluación

Al considerar fallos actuales y considerar las posibilidades de que otros ocurran lo

que se busca es plasmar un panorama del riesgo que estos representan en el funcionamiento

del prototipo, el NPR es precisamente el indicador que permite conocer la importancia de

cada uno de ellos, este indicador en su forma convencional es resultado de la multiplicación

de los criterios “Severidad*Ocurrencia*Detección”, sin embargo, debido al contexto en el

cual estos criterios fueron definidos es que resulta poco adecuado el utilizarlos en

problemáticas muy diferentes al contexto, el no adecuar los criterios podría resultar en una

análisis poco representativo del riesgo real. Fue en la armada estadounidense donde se

desarrolló la metodología, pero fue en el sector de manufactura automotriz donde la

metodología tuvo gran auge (Gilchrist, 1993), es por ello que los criterios utilizados en la

actualidad son referentes a este sector y sus principales tipos de aplicación en sistemas,

diseños, procesos y servicios. La “Ocurrencia” en su forma estándar es un ejemplo, ya que

utiliza una escala muy grande que puede no ser representativa en casos donde el nivel de

ocurrencia de un fallo es relativamente menor pero el grado o significado representativo es

mayor que el que se asignaría en la forma convencional.

Al realizar la adecuación de los criterios y del NPR se debe también proporcionar

los valores lingüísticos o categóricos que sirvan como referencia para utilizarlos como

valores que permitan en el modelo tipo Mamdani realizar la valoración mediante reglas, es

en función de estos valores que se asociarán los rangos de valores según consideren

representativo los especialistas, en la fusificación es donde se modelarán los criterios

categóricos con dichas escalas y figuras geométricas, los criterios propuestos para la

evaluación por los especialistas son los que se muestran en la siguiente tabla.

Tabla 12. Adecuación de parámetros para la evaluación del Número de Prioridad de

Riesgo

Valor

lingüístico

Severidad Valor

lingüístico

Ocurrencia Valor

lingüístico

Detección

Muy baja No representa

afectación

significativa, el

funcionamiento

del prototipo será

Remota Apenas y una vez

por cada periodo de

medición.

Muy alta En la mayoría de

las pruebas se

identifican, no

son necesarias

inspecciones

pág. 60

casi normal detalladas

Baja Representa

afectación

mínima, el

prototipo

funcionará con

ligeras

afectaciones.

Baja Aproximadamente

hasta tres veces por

cada periodo de

medición

Alta Casi siempre se

detectan en las

pruebas, no son

necesarias

inspecciones

detalladas

Media Las afectaciones

son significativas,

el dispositivo

funcionara, la

información

generada será

poco confiable

Regular Aproximadamente

hasta cinco veces

por periodo cada de

medición

Media Algunas veces se

detectan durante

las pruebas, es

necesaria

inspección básica

Alta Las afectaciones

son graves, en

ocasiones no

funcionará, la

información

generada no será

confiable

Alta Aproximadamente

hasta siete veces

por cada periodo de

medición

Baja Difícilmente se

detectan durante

las pruebas, es

necesaria

inspección

detallada

Muy alta Las afectaciones

no permitirán el

funcionamiento

del prototipo

Muy alta Más de siete por

cada periodo de

medición

Muy baja Casi nunca se

detectan durante

las pruebas, es

necesaria la

inspección con

métodos

especiales


4.5. Determinación del NPR por medio de un modelo de Lógica Difusa tipo Mamdani

4.5.1. Desarrollo del modelo de Lógica Difusa en MATLAB

El modelo de Lógica Difusa es planteado para evaluar el riesgo de los posibles

fallos en el prototipo, la construcción se hace en torno a las variables que utiliza el AMEF,

el proceso para la obtención del riesgo o NPR se lleva a cabo por medio de reglas de

inferencia basadas en el conocimiento humano. La estructura del modelo difuso plantea

variables de entrada y salida, siendo las entradas para este modelo los criterios de

evaluación Severidad, Ocurrencia y la Detección y la salida el indicador NPR. El desarrollo

pág. 61

del modelo Mamdani consta básicamente de tres procesos importantes: fusificación,

introducción de reglas de inferencia y la desdifusificación de las salidas, el siguiente

diagrama representa la estructura de este tipo de modelo aplicado al caso.

Figura 25. Diagrama general del modelo de Lógica Difusa tipo Mamdani para la evaluación del prototipo

cuantificador


4.5.2. Proceso de fusificación

En el proceso de fusificación se realiza para las variables de entrada y de salida del

modelo, siendo estas las del AMEF: Severidad, Ocurrencia, Detección y el NPR, para cada

variable se asignan las figuras geométricas que mejor ajusten la función de membresía al

tipo de variable que se modela, también se establecen los rangos aproximados de las

variables y se asocian a valores lingüísticos que son los que representarán a los conjuntos

difusos del modelo Mamdani.

4.5.2.1. Variables de entrada

Las variables de entrada para este modelo son Severidad, Ocurrencia y Detección,

con base a estas y a partir de los conjuntos difusos que resulten será que se establecerán las

reglas de inferencia que determinen los correspondientes escenarios de salida, estas

Modelo tipo Mamdani

Variable de salida Variables de entrada Mecanismo de inferencia

Número de Prioridad

de Riesgo (Z)

Severidad (W)

Ocurrencia (X) Almacenamiento de

reglas difusas

Detección (Y)

Fusificación Introducción de reglas Desdifusificación

pág. 62

variables en el modelo representan los parámetros de evaluación con los cuales se busca

analizar el riesgo o NPR de cada uno de los fallos planteados en el AMEF. La descripción

detallada de cada uno de los conjuntos difusos de las variables de entrada no se proporciona

en este apartado ya que esta descripción fue presentada anteriormente en la tabla 12 de la

adecuación de criterios del AMEF.

4.5.2.2. Severidad

Esta variable es el criterio para evaluar el grado con el que un posible modo de fallo

puede afectar el funcionamiento del prototipo cuantificador, los rangos fueron establecidos

acorde al criterio de los especialistas, las figuras geométricas para esta variable son

trapezoidales, la siguiente tabla muestra cómo fueron asociados los valores lingüísticos con

los respectivos rangos de valores, la escala utilizada fue considerada en función a la escala

original.

Tabla 13. Características de los conjuntos difusos de la variable de entrada Severidad

Conjuntos difusos Rango

difuso

Valores de las figuras geométricas

Muy baja 0-2 [0, 0, 1, 2]

Baja 1-4 [1, 2, 3, 4]

Media 3-6 [3, 4, 5, 6]

Alta 5-8 [5, 6, 7, 8]

Muy Alta 7-10 [7, 8, 10, 10]


Figura 26. Conjuntos difusos de la variable Severidad Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Membership Function Editor,

contenido de elaboración propia.

pág. 63

Ecuación 6. Conjunto difuso “Muy baja” de la variable Severidad (W).

𝑀𝑢𝑦 𝑏𝑎𝑗𝑎(𝑆𝑒𝑣𝑒𝑟𝑖𝑑𝑎𝑑) = {1 −

1 ; 𝑊 ≤ 1𝑊 − 1

2 − 1 ; 1 < 𝑊 < 2

0 ; 2 ≤ 𝑊

(6)

Ecuación 7. Conjunto difuso “Baja” de la variable Severidad (W).

𝐵𝑎𝑗𝑎(𝑆𝑒𝑣𝑒𝑟𝑖𝑑𝑎𝑑) =

{

0 ; 𝑊 ≤ 1

1 −2 −𝑊

2 − 1 ; 1 < 𝑊 < 2

1 ; 2 ≤ 𝑊 ≤ 3

1 −𝑊 − 3

4 − 3 ; 3 < 𝑊 < 4

0 ; 4 ≤ 𝑊

(7)

Ecuación 8. Conjunto difuso “Media” de la variable Severidad (W).

𝑀𝑒𝑑𝑖𝑎(𝑆𝑒𝑣𝑒𝑟𝑖𝑑𝑎𝑑) =

{

0 ; 𝑊 ≤ 3

1 −4 −𝑊

4 − 3 ; 3 < 𝑊 < 4

1 ; 4 ≤ 𝑊 ≤ 5

1 −𝑊 − 5

6 − 5 ; 5 < 𝑊 < 6

0 ; 6 ≤ 𝑊

(8)

Ecuación 9. Conjunto difuso “Alta” de la variable Severidad (W).

𝐴𝑙𝑡𝑎(𝑆𝑒𝑣𝑒𝑟𝑖𝑑𝑎𝑑) =

{

0 ; 𝑊 ≤ 5

1 −6 −𝑊

6− 5 ; 5 < 𝑊 < 6

1 ; 6 ≤ 𝑊 ≤ 7

1 −𝑊 − 7

8 − 7 ; 7 < 𝑊 < 8

0 ; 8 ≤ 𝑊

(9)

Ecuación 10. Conjunto difuso “Muy alta” de la variable Severidad (W).

pág. 64

𝑀𝑢𝑦 𝑎𝑙𝑡𝑎(𝑆𝑒𝑣𝑒𝑟𝑖𝑑𝑎𝑑) = {1 −

0 ; 𝑊 ≤ 78 −𝑊

8 − 7 ; 7 < 𝑊 < 8

1 ; 8 ≤ 𝑊

(10)

4.5.2.3. Ocurrencia

En este modelo la ocurrencia fue planteada en consideración de periodos de

medición, es decir, para poder establecer una métrica de referencia acerca de la frecuencia

con que las fallas se puedan presentar en el prototipo, se tomó en cuenta el tiempo en el que

este fue utilizado para los estudios de medición de gas en los bovinos que en este caso fue

por semana, 5 días de medición y 2 de reposo y por cada día de medición se tomaron 2

pruebas por lo que en un periodo de medición el prototipo era usado en 10 ocasiones, en

este contexto es que se estableció la escala referente a las fallas ocurridas y a partir de ello

se pudo relacionar la frecuencia a valores categóricos que califican la ocurrencia, como

resultado se plantean los siguientes conjuntos difusos con los rangos representativos de

cada figura geométrica.

Tabla 14. Características de los conjuntos difusos de la variable de entrada Ocurrencia


difuso


Remota 0-2 [0, 0, 1, 2]

Baja 1-4 [1, 2, 3, 4]

Regular 3-6 [3, 4, 5, 6]

Alta 5-8 [5, 6, 7, 8]

Muy alta 7-10 [7, 8, 10, 10]


pág. 65

Figura 27. Conjuntos difusos de la variable Ocurrencia

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Membership Function Editor,


Ecuación 11. Conjunto difuso “Remota” de la variable Ocurrencia (X).

𝑅𝑒𝑚𝑜𝑡𝑎(𝑂𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎) = {1 −

1 ; 𝑋 ≤ 1𝑋 − 1

2 − 1 ; 1 < 𝑋 < 2

0 ; 2 ≤ 𝑋

(11)

Ecuación 12. Conjunto difuso “Baja” de la variable Ocurrencia (X).

𝐵𝑎𝑗𝑎(𝑂𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎) =

{

0 ; 𝑋 ≤ 1

1 −2 − 𝑋

2 − 1 ; 1 < 𝑋 < 2

1 ; 2 ≤ 𝑋 ≤ 3

1 −𝑋 − 3

4 − 3 ; 3 < 𝑋 < 4

0 ; 4 ≤ 𝑋

(12)

Ecuación 13. Conjunto difuso “Regular” de la variable Ocurrencia (X).

𝑅𝑒𝑔𝑢𝑙𝑎𝑟(𝑂𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎) =

{

0 ; 𝑋 ≤ 3

1 −4 − 𝑋

4 − 3 ; 3 < 𝑋 < 4

1 ; 4 ≤ 𝑋 ≤ 5

1 −𝑋 − 5

6 − 5 ; 5 < 𝑋 < 6

0 ; 6 ≤ 𝑋

(13)

pág. 66

Ecuación 14. Conjunto difuso “Alta” de la variable Ocurrencia (X).

𝐴𝑙𝑡𝑎(𝑂𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎) =

{

0 ; 𝑋 ≤ 5

1 −6 − 𝑋

6 − 5 ; 5 < 𝑋 < 6

1 ; 6 ≤ 𝑋 ≤ 7

1 −𝑋 − 7

8 − 7 ; 7 < 𝑋 < 8

0 ; 8 ≤ 𝑋

(14)

Ecuación 15. Conjunto difuso “Muy alta” de la variable Ocurrencia (X).

𝑀𝑢𝑦 𝑎𝑙𝑡𝑎(𝑂𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎) = {1 −

0 ; 𝑋 ≤ 78 − 𝑋

8 − 7 ; 7 < 𝑋 < 8

1 ; 8 ≤ 𝑋

(15)

4.5.2.4. Detección

La variable detección representa la facilidad con la que el operador del prototipo

puede identificar los modos de fallo durante las pruebas y/o posterior a la realización de las

pruebas, la escala establecida al igual que en la forma convencional llega hasta 10, para este

caso los conjuntos asociados a tal escala son los siguientes.

Tabla 15. Características de los conjuntos difusos de la variable de entrada Detección


difuso


Muy alta 0-2 [0, 0, 1, 2]

Alta 1-4 [1, 2, 3, 4]

Media 3-6 [3, 4, 5, 6]

Baja 5-8 [5, 6, 7, 8]

Muy baja 7-10 [7, 8, 10, 10]


pág. 67

Figura 28. Conjuntos difusos de la variable Detección



Ecuación 16. Conjunto difuso “Muy alta” de la variable Detección (Y).

𝑀𝑢𝑦 𝑎𝑙𝑡𝑎(𝐷𝑒𝑡𝑒𝑐𝑐𝑖ó𝑛) = {1 −

1 ; 𝑌 ≤ 1𝑌 − 1

2 − 1 ; 1 < 𝑌 < 2

0 ; 2 ≤ 𝑌

(16)

Ecuación 17. Conjunto difuso “Alta” de la variable Detección (Y).

𝐴𝑙𝑡𝑎(𝐷𝑒𝑡𝑒𝑐𝑐𝑖ó𝑛) =

{

0 ; 𝑌 ≤ 1

1 −2 − 𝑌

2 − 1 ; 1 < 𝑌 < 2

1 ; 2 ≤ 𝑌 ≤ 3

1 −𝑌 − 3

4 − 3 ; 3 < 𝑌 < 4

0 ; 4 ≤ 𝑌

(17)

Ecuación 18. Conjunto difuso “Media” de la variable Detección (Y).

𝑀𝑒𝑑𝑖𝑎(𝐷𝑒𝑡𝑒𝑐𝑐𝑖ó𝑛) =

{

0 ; 𝑌 ≤ 3

1 −4 − 𝑌

4 − 3 ; 3 < 𝑌 < 4

1 ; 4 ≤ 𝑌 ≤ 5

1 −𝑌 − 5

6 − 5 ; 5 < 𝑌 < 6

0 ; 6 ≤ 𝑌

(18)

pág. 68

Ecuación 19. Conjunto difuso “Baja” de la variable Detección (Y).

𝐵𝑎𝑗𝑎(𝐷𝑒𝑡𝑒𝑐𝑐𝑖ó𝑛) =

{

0 ; 𝑌 ≤ 5

1 −6 − 𝑌

6 − 5 ; 5 < 𝑌 < 6

1 ; 6 ≤ 𝑌 ≤ 7

1 −𝑌 − 7

8 − 7 ; 7 < 𝑌 < 8

0 ; 8 ≤ 𝑌

(19)

Ecuación 20. Conjunto difuso “Muy baja” de la variable Detección (Y).

𝑀𝑢𝑦 𝑏𝑎𝑗𝑎(𝐷𝑒𝑡𝑒𝑐𝑐𝑖ó𝑛) = {1 −

0 ; 𝑌 ≤ 78 − 𝑌

8 − 7 ; 7 < 𝑌 < 8

1 ; 8 ≤ 𝑌

(20)

4.5.2.5. Variable de salida

La variable de salida NPR en el modelo Mamdani, es la respuesta a la que se busca

llegar acorde a las entradas, al igual que las entradas se establece en conjuntos que son

representativos de una escala, que en este caso permite evaluar el nivel de riesgo y es el

método de desdifusificación el que permitirá determinar los valores de cada regla usada en

la salida.

4.5.2.6. Número de Prioridad de Riesgo.

Para la variable NPR de salida se consideró adecuado utilizar siete conjuntos

difusos asociados con términos lingüísticos y que denotan una categoría que permite

evaluar la intensidad de la variable, la escala que se utiliza para los conjuntos al igual que la

utilizada en el AMEF clásico es hasta 1000, esto con el propósito de hacer un comparativo

entre los resultados del modelo Mamdani y los del método convencional.

pág. 69

Tabla 16. Características de los conjuntos difusos de la variable de salida Número de

Prioridad de Riesgo


difuso


Muy bajo 0-250 [0, 125, 250]

Bajo 125-375 [125, 250, 375]

Significativo 250-500 [250, 375, 500]

Medio 375-625 [375, 500, 625]

Predominante 500-750 [500, 625, 750]

Alto 625-875 [625, 750, 875]

Muy alto 750-1000 [750, 875, 1000]


Figura 29. Conjuntos difusos de la variable Número de Prioridad de Riesgo



Ecuación 21. Conjunto difuso “Muy bajo” de la variable NPR (Z).

𝑀𝑢𝑦 𝑏𝑎𝑗𝑜(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 0

1 −125 − 𝑍

125 − 0 ; 0 < 𝑍 ≤ 125

1 −𝑍 − 125

250 − 125 ; 125 < 𝑍 < 250

0 ; 250 ≤ 𝑍

(21)

Ecuación 22. Conjunto difuso “Bajo” de la variable NPR (Z).

pág. 70

𝐵𝑎𝑗𝑜(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 125

1 −250 − 𝑍

250 − 125 ; 125 < 𝑍 ≤ 250

1 −𝑍 − 250

375 − 250 ; 250 < 𝑍 < 375

0 ; 375 ≤ 𝑍

(22)

Ecuación 23. Conjunto difuso “Significativo” de la variable NPR (Z).

𝑆𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 250

1 −375 − 𝑍

375 − 250 ; 250 < 𝑍 ≤ 375

1 −𝑍 − 375

250 − 375 ; 375 < 𝑍 < 500

0 ; 500 ≤ 𝑍

(23)

Ecuación 24. Conjunto difuso “Medio” de la variable NPR (Z).

𝑀𝑒𝑑𝑖𝑜(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 375

1 −375 − 𝑍

375 − 250 ; 375 < 𝑍 ≤ 500

1 −𝑍 − 375

250 − 375 ; 500 < 𝑍 < 625

0 ; 625 ≤ 𝑍

(24)

Ecuación 25. Conjunto difuso “Predominante” de la variable NPR (Z).

𝑃𝑟𝑒𝑑𝑜𝑚𝑖𝑛𝑎𝑛𝑡𝑒(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 500

1 −625 − 𝑍

625 − 500 ; 500 < 𝑍 ≤ 625

1 −𝑍 − 625

750 − 625 ; 625 < 𝑍 < 750

0 ; 750 ≤ 𝑍

(25)

Ecuación 26. Conjunto difuso “Alto” de la variable NPR (Z).

pág. 71

𝐴𝑙𝑡𝑜(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 625

1 −750 − 𝑍

750 − 625 ; 625 < 𝑍 ≤ 750

1 −𝑍 − 750

875 − 750 ; 750 < 𝑍 < 875

0 ; 875 ≤ 𝑍

(26)

Ecuación 27. Conjunto difuso “Muy alto” de la variable NPR (Z).

𝑀𝑢𝑦 𝑎𝑙𝑡𝑜(𝑁𝑃𝑅) =

{

0 ; 𝑍 ≤ 750

1 −875 − 𝑍

875 − 750 ; 750 < 𝑍 ≤ 875

1 −𝑍 − 875

1000 − 875 ; 875 < 𝑍 < 1000

0 ; 1000 ≤ 𝑍

(27)

4.5.3. Introducción de reglas de inferencia

Las reglas de inferencia utilizadas para este modelo tipo Mamdani fueron

consideradas en función del número variables de entrada y sus conjuntos, es decir, se

consideraron todas las combinaciones posibles que representan los escenarios que se

pueden llegar a presentar dadas las condiciones que se establecen, como resultado se

formularon 125 reglas de inferencia (Apéndice A), las salidas fueron definidas por los

especialistas, para asignar en cada caso la calificación categórica correspondiente del NPR.

Estas reglas fueron introducidas en el modelo de MATLAB como se muestra en la

siguiente figura.

pág. 72

Figura 30. Reglas de inferencia del modelo de Lógica Difusa tipo Mamdani para evaluar el prototipo

cuantificador

Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Rule Viewer, contenido de


4.5.4. Proceso de desdifusificación

El interés en este apartado de desdifusificación es el de obtener numéricamente los

valores que correspondan a los conjuntos de la variable de salida NPR, esto según sea el

caso de la regla activada en el modelo Mamdani al momento de evaluar los diferentes

modos de fallo del AMEF, por lo tanto, un método adecuado de desdifusificación debe ser

seleccionado en consideración de las figuras utilizadas en los conjuntos de la variable de

salida y de cómo estas figuras fueron modeladas, en este caso se decidió utilizar el método

“Centro de Gravedad” una vez que se analizaron los aspectos antes mencionados.

Los modos potenciales de fallo que se lograron identificar en el prototipo fueron 30 como

se describe en la tabla 11, cada modo de fallo fue evaluado utilizando el método de

desdifusificación antes mencionado y los valores que se obtuvieron del NPR son los que se

muestran a continuación.

pág. 73

Tabla 17. Desdifusificación de la variable NPR del modelo Mamdani aplicado al prototipo

cuantificador

Modo de fallo NPR modelo difuso

1 625

2 250

3 625

4 625

5 375

6 500

7 500

8 375

9 375

10 250

11 125

12 375

13 125

14 625

15 125

16 375

17 375

18 125

19 750

20 500

21 125

22 500

23 125

24 125

25 500

26 375

27 375

28 250

29 125

30 250


Como se muestra en la tabla anterior, los valores del NPR obtenidos del modelo

Mamdani se repiten entre algunos modos de fallo, esto se debe a que los valores que

pág. 74

proporciona el método de desdifusificación “Centro de Gravedad” no se han manipulado

sino dejado por default en el modelo Mamdani, de esta forma solo se activa una regla por

modo de fallo según sea el caso y aunque los conjuntos que conforman las reglas sean

diferentes, varias de estas coinciden ya que en la variable de salida solo se tienen siete

conjuntos, pero si en lugar de dejar los valores por default que permiten que solo se active

una regla cuando se proporcionan los conjuntos de entrada y se manipularán los valores de

las entradas de cada variable, se podrían activar más reglas a la vez de manera que el valor

en la salida puede ser diferente de los siete que se repiten en la tabla 17, esto ocurriría

cuando los valores proporcionados entraran en las regiones de intersección entre conjuntos,

lo que provocaría que otras reglas se activaran y que el resultado sea distinto en función de

estas reglas y el método de desdifusificación empleado. Para este caso se han dejado los

valores por default ya que la evaluación estaba pensada para realizarse en torno al uso de

los términos lingüísticos de entrada de tal manera que solo se activará la regla necesaria.

4.5.5. Superficies de respuesta

En este tipo de aplicación el uso de las superficies de respuesta que resultan del

modelo Mamdani de MATLAB, no son un recurso directo para obtener el tipo de resultado

que se busca, que es la obtención del nivel de riesgo de forma particular en los conjuntos de

la variable de salida, sin embargo, estas superficies permiten visualizar y comprender la

lógica que existe en la representación gráfica del NPR y que permite que la evaluación del

riesgo sea posible una vez que las reglas difusas se han establecido como precedente en la

base de inferencia del sistema, por lo tanto, en este modelo no es necesario un análisis

detallado de las superficies como en otros casos de aplicación. Las superficies de respuesta

generadas del modelo se muestran en la figura 31 y figura 32 y en ellas se puede

observar como el nivel de riesgo aumenta o disminuye en función de los criterios

de entrada Severidad, Ocurrencia y Detección; cuando estos tienden a tomar un

determinado valor sobre los ejes inferiores del plano tridimensional.

pág. 75

Figura 31. Superficie de respuesta Ocurrencia contra Severidad del modelo de evaluación de riesgo a fallo

Fuente: Recuperado de MATLAB R2018b, captura de pantalla ventana Response Surface, contenido de


Figura 32. Superficie de respuesta Detección contra Severidad del modelo de evaluación de riesgo a fallo

Fuente: Recuperado de MATLAB R2018b, captura de pantalla ventana Response Surface, contenido de


pág. 76

CAPÍTULO V. RESULTADOS Y ANÁLISIS DE RESULTADOS

5.1. Resultados

Los resultados del AMEF a través del modelo Lógica Difusa se muestran en la

figura 33 y tabla 18, y como parte complementaria también se realizó la evaluación del

prototipo por el método clásico, esto con el fin de poder realizar un comparativo en cuanto

a los resultados y como su proyección cambia con cada uno de los procedimientos, aunque

para los propósitos de este trabajo se da mayor importancia a los resultados del modelo

difuso, ya que se considera que este método tiene mayor efectividad dado el proceso que

sigue para llegar a los resultados.

5.1.1. NPR del AMEF difuso

Con el método de desdifusificación “Centro de Gravedad” se lograron obtener los

resultados de NPR para cada modo de fallo del AMEF tal como se muestra en la siguiente

figura, la numeración de los “modos fallos” corresponde a la presentada en el formato de la

tabla 11.

Figura 33. Representación del Número de Prioridad de Riesgo por el modelo de Lógica Difusa


0

100

200

300

400

500

600

700

800

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Núm

ero

de

Pri

ori

dad

de

Rie

sgo

Modos de fallo

Modelo Mamdani

pág. 77

5.1.2. NPR del AMEF clásico

El formato del AMEF clásico utilizado también para evaluar el

prototipo cuantificador se muestran en el (Apéndice C), la numeración de los modos de

fallo también corresponde a la utilizada por el método difuso.

Figura 34. Representación del Número de Prioridad de Riesgo por el método clásico


La tabla que se presenta a continuación recopila los valores del NPR que se

obtuvieron por ambos métodos, así como el orden de prioridad correspondiente.

Tabla 18. Comparación de los resultados del AMEF en su forma convencional y con el uso

del modelo de Lógica Difusa Mamdani

Número de

modo de fallo

NPR difuso Priorización NPR clásico Priorización

1 625 3 72 9

2 250 19 96 7

3 625 2 72 8

4 625 5 96 4

5 375 17 144 3

6 500 6 64 13

7 500 7 64 14

8 375 15 48 17

9 375 12 96 5

0

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Núm

ero

de

Pri

ori

dad

de

Rie

sgo

Modos de fallo

Método clásico

pág. 78

10 250 21 64 15

11 125 25 16 27

12 375 13 48 16

13 125 26 36 21

14 625 4 36 20

15 125 28 32 25

16 375 14 72 11

17 375 18 72 12

18 125 29 16 29

19 750 1 512 1

20 500 9 144 2

21 125 27 16 28

22 500 10 96 6

23 125 24 32 24

24 125 23 48 19

25 500 8 32 22

26 375 16 24 26

27 375 11 72 10

28 250 20 48 18

29 125 30 8 30

30 250 22 32 23


Para ordenar los modos de fallo que repiten los valores en el modelo difuso, se

consideró lo descrito en la literatura acerca de la interpretación del NPR: si hay más de dos

fallos con el mismo NPR, entonces primero abordar la falla con mayor Severidad y después

Detección (Stamatis, 2003, pág. 34). Por lo tanto, en este orden se evalúa la intensidad de

los conjuntos que conforman las reglas que repiten el valor de salida, para lograr distinguir

la importancia y asignar el orden que les corresponde, el (Apéndice B) muestra la

estructura de las reglas que se utilizaron para evaluar los modos de fallo del prototipo, así

como el orden que tomaron en función de lo antes descrito, este mismo principio de

interpretación también fue aplicado para los resultados del AMEF por el método clásico. La

siguiente figura muestra la representación de resultados entre ambos métodos.

pág. 79

Figura 35. Comparación de resultados del AMEF difuso y clásico Fuente: Elaboración propia.

5.1.3. Acciones recomendadas

La descripción de acciones recomendadas para este caso se estableció para aquellos

modos de fallo cuyos valores del NPR fueran equivalentes a los del conjunto difuso

“Significativo”, es decir, cuyo valor fuese igual o mayor a 250. La metodología AMEF

tiene como objetivo la mejora continua por ello es necesario que se realice de forma

periódica para identificar fallos y establecer acciones, en este caso al tratarse de un

prototipo es importante establecer acciones de mejora para la mayoría de fallos con el fin

de asegurar el funcionamiento, por ello se determinó establecer como referencia un NPR

bajo para el contexto de la problemática, para tratar la mayoría de deficiencias del prototipo

y posteriormente reevaluar los resultados. La tabla 19 proporciona la descripción de

recomendaciones para mejorar aquellos modos de fallo identificados en el prototipo.

Tabla 19. Acciones recomendadas del formato AMEF para el prototipo cuantificador

Subcomponente No. Fallo Acciones recomendadas

Línea batería-

emisor

1 Modificar el arreglo de la línea, disminuir la exposición al exterior de la caja

del emisor

2 Modificar los conectores por conexiones fijas o disminuir la exposición al

exterior del emisor

0

125

250

375

500

625

750

875

1000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Núm

ero

de

Pri

ori

dad

de

Rie

sgo

Modos de fallo

Comparación de resultados

AMEF difusoAMEF clásico

pág. 80

3 Proteger los conectores de la línea con recubrimientos

Línea emisor-

sensor

4 Modificar el arreglo de la línea, disminuir la exposición fuera de la estructura

soporte, disminuir longitud de línea

5 Modificar los conectores en el emisor por conexiones fijas o disminuir la

exposición al exterior del emisor

6 Proteger los conectores de la línea con recubrimientos

DIP del emisor

7

Modificar el sistema de activación, la presentación del DIP y/o cambiar la

ubicación en la superficie de la caja del emisor

8

9

10

12

Batería 14 Cambiar la cubierta protectora por una de mayor hermeticidad y protección

térmica

Correas 16 Utilizar materiales de mayor resistencia y/o modificar el arreglo de las

correas

Estructura

soporte 17 Utilizar materiales de mayor rigidez en la estructura y modificar el

mecanismo de ajuste de la estructura

Sensores 19

Rediseñar el arreglo de los sensores a la trompa del bovino, cambiar la

capacidad de los sensores y/o aumentar el número de sensores 20

Porta sensores 22 Utilizar materiales de mayor rigidez y rediseñar las dimensiones

DIP del receptor

25

Modificar el sistema de control físico de las funciones por un sistema vía

software o modificar las dimensiones de los interruptores

26

27

28

Conexión

receptor-

computadora

30 Añadir una conexión vía inalámbrica desde el receptor hacia la computadora.

Fuente: elaboración propia.

5.2. Análisis de resultados

5.2.1. Preguntas de investigación

Los resultados obtenidos permiten responder a las preguntas plateadas al inicio del

trabajo de investigación.

¿Qué componentes del prototipo cuantificador de emisiones son más vulnerables a

fallar? Acorde a los resultados del AMEF difuso y considerando la mayor ocurrencia y

severidad, los elementos del prototipo más vulnerables son: los sensores, la línea emisor-

batería y porta sensores.

La pregunta ¿Cuáles son los posibles modos de fallo en que los componentes

vulnerables pueden llegar a fallar? Se respondió con el llenado del AMEF presentado en la

tabla 11 y la pregunta ¿Qué modos de fallo de los componentes vulnerables representan

mayor riesgo para el correcto funcionamiento? Mediante la obtención del NPR con el

modelo Mamdani que se presentó en la figura 33.

5.2.2. Hipótesis planteada

Ante la problemática presentada, los conocimientos previos y los hallazgos en la

revisión literaria de trabajos investigación acerca del uso de las herramientas propuestas

como potenciales para resolver la problemática, se planteó una hipótesis en torno a los

resultados a los que se llegarían y es a través de la obtención de resultados que se puede

confirmar ahora como correcta.

Con los resultados se conocen los modos de fallo, las posibles causas y se conoce el

posible impacto en el funcionamiento del prototipo. Por otra parte, la implementación de un

modelo de Lógica Difusa permitió mejorar la obtención de resultados al utilizar el

conocimiento de especialistas para valorar los fallos.

5.2.3. Discusión

El diseño del dispositivo cuantificador de emisiones para ganado bovino vía eructo

es mejor que otros modelos presentados anteriormente en algunos aspectos y el prototipo

construido que se ha sometido a pruebas ha mostrado tener algunas deficiencias en su

operación que necesitan ser mejoradas. La información generada de las mediciones

demuestra que los valores de las emisiones presentan una variabilidad muy grande, no

existe normalidad en los datos de medición que se obtienen, por lo que en este aspecto el

funcionamiento del prototipo no está siendo el mejor, la precisión es cuestionable dado los

datos de medición que registra (Osorio, 2019). Con este estudio que complementa la

validación del dispositivo desde una perspectiva operativa se ha encontrado que asociado a

la falta de precisión del dispositivo, se encuentran las características del diseño que pueden

ser poco adecuadas para las condiciones en las que el animal se desempeña, principalmente

pág. 81

pág. 82

las relacionadas al arreglo de los sensores a la trompa del animal y que juegan un papel

importante en cuanto a la precisión, por la forma en que el dispositivo funciona y como el

ganado interactúa en el medio natural, varias fallas pueden afectar en la precisión de

las mediciones, como se muestra en la representación del NPR de la figura 33 entre los

modos de fallo que mayor valor toma, se encuentra “baja sensibilidad” que

corresponde a los sensores, las causas de este modo de fallo están relacionadas a la

actividad del animal y las condiciones del ambiente, desde “la obstrucción del sensor

por restos alimenticios o mucosidad del animal, la mala postura y hasta la fuertes

corrientes de viento”, por lo tanto se entiende que el diseño del cuantificador necesita ser

modificado en esta parte en orden de lograr una mayor precisión en las estimación de

emisiones.

En cuanto a los métodos utilizados para evaluar el NPR del AMEF aplicado, la

diferencia de resultados es muy evidente, en la figura 35 se puede apreciar que en el

método clásico los valores en su mayoría son más bajos en comparación con los resultados

del modelo Mamdani, esto se debe a la descripción de los criterios con los que se evalúa, se

puede decir que hay dos razones principales por las que los resultados varían de

forma significativa, una es que los criterios de evaluación en el modelo de Lógica Difusa

han sido adecuados al contexto de la problemática por lo que los valores tanto

lingüísticos como numéricos tienen un significado muy distinto en la evaluación,

mientras que en el método clásico los criterios que se usan no se ajustan o representan en

su totalidad el contexto de lo que se evalúa, la segunda razón se debe al método con el

que se obtiene el NPR, en la forma convencional la obtención de este indicador se da a

través de la multiplicación de los criterios de evaluación

(Severidad*Ocurrencia*Detección), solo que en esta forma no siempre los fallos con

mayor Severidad son los prioritarios, ocurre en ocasiones que fallos con menor Severidad

pero con mayor valor de Ocurrencia y/o Detección al multiplicarse dan como resultado

un valor mayor de NPR y por lo tanto toman mayor prioridad, como se trata de una

multiplicación; la prioridad depende en primera instancia del mayor valor NPR en función

de los parámetros de evaluación que multiplican sin considerar su relevancia individual

y solo cuando los valores de NPR se repiten entonces se considera la valoración individual

de los criterios para determinar en función de su relevancia cuál debe ir primero, no

obstante, esto no solo se debería realizar cuando los valores se repiten sino en general

con todos los fallos, si bien se establece en la literatura del NPR que “El valor por sí mismo

pág. 83

debería ser usado únicamente para clasificar el orden y las preocupaciones del sistema,

diseño, producto, proceso y servicio. Todos los NPR no tienen otro valor o significado”

(Ford, 1999, 2000), también se cita de la relevancia de los criterios que “La Severidad se

aborda primero debido a que se relaciona con los efectos de los fallos. La Detección se usa

sobre la Ocurrencia porque depende del cliente, lo cual es más importante que solo las

frecuencias del fallo” (Stamatis, 2003, pág. 34), sin embargo, debido al proceso que sigue

el método clásico de obtención, se llega a dar mayor prioridad a los fallos con mayor valor

de NPR sin importar que su Severidad sea baja que a aquellos con mayor Severidad. El

método utilizado en el modelo Mamdani para la obtención del NPR es de inferencia a

través de reglas y estas se establecen según el conocimiento y raciocinio de especialistas

acerca del nivel o intensidad de los criterios de evaluación, en este método el mayor NPR

es asignado en función de la relevancia sugerida en la literatura de los criterios de

evaluación, en el orden: Severidad, Detección y Ocurrencia, por ello se considera con

mayor validez los valores obtenidos del modelo Mamdani y porque la descripción de cada

criterio ha sido adecuada a la situación específica de la problemática, por lo tanto los

resultados son más representativos que en la forma convencional.

pág. 84

CAPÍTULO VI. CONCLUSIONES Y RECOMENDACIONES

6.1. Conclusiones

El desarrollo de este tipo de estudio era necesario como parte complementaría en la

validación del diseño del prototipo cuantificador de emisiones, otros estudios estadísticos

que se realizaron al prototipo fueron para verificar la confiabilidad de las mediciones, para

analizar si la precisión era aceptable y el evaluar el prototipo desde el punto de vista

operativo fue necesario para relacionar la baja precisión que se observó, con las

características de diseño y su desempeño en el campo, para de esta forma poder establecer

medidas de mejora.

La implementación de la metodología AMEF permitió recopilar, ordenar y evaluar

información del prototipo concerniente a los fallos de operación de los diferentes

componentes, se puede decir que el diseño del cuantificador estudiado es mejor en algunas

características importantes en comparación con otros prototipos diseñados para el mismo

propósito, los cuales son muy robustos o para su funcionamiento provocan daño al animal,

sin embargo, un aspecto que es muy importante resaltar es la precisión y basado en los

resultados se puede concluir que la precisión en este diseño aun no es aceptable; las

condiciones de operación a las que se somete el cuantificador provocan afectación en la

precisión, específicamente son las características relacionadas a la configuración o arreglo

de los sensores a la trompa del animal que necesitan ser modificadas de manera que los

sensores ya no se vean afectados como ocurre; que con facilidad se pueden obstruir con

residuos, que por su diseño los sensores sufren roce con superficies solidas que los dañan y

que por las fuertes corrientes de viento del ambiente donde se desenvuelve el bovino;

provoque que gran parte de las emisiones expulsadas vía eructo sean arrastradas y solo

registren los sensores cantidades bajas. En términos generales estos son los aspectos que se

requieren mejorar para lograr una mayor precisión.

6.2. Recomendaciones

En aplicaciones del AMEF y modelos del tipo Mamdani se recomienda

automatizar el modelo para facilitar la evaluación por medio de una interfaz,

pág. 85

esto también cuando la aplicación de la metodología vaya a ser prolongada y

sea necesario estar reevaluando periódicamente los resultados, esto

facilitaría el proceso.

Para modelos de Lógica Difusa no se recomienda utilizar pocos conjuntos

difusos en cada uno de los elementos de evaluación del NPR ya que esto

puede representar menor precisión y pero tampoco demasiados conjuntos ya

que puede resultar confuso en la práctica.

pág. 86

BIBLIOGRAFÍA

Adar, E., İnce, M., Karatop, B., & Sinan Bilgili, M. (Febrero de 2017). The Risk Analysis

by Failure Mode and Effect Analysis (FMEA) and Fuzzy-FMEA of Supercritical

Water Gasification System used in the Sewage Sludge Treatment. Journal of

Environmental Chemical Engineering, Volumen 5(1), 1261-1268.

doi:https://doi.org/10.1016/j.jece.2017.02.006

Ahmadi, M., Behzadian, K., Ardeshir, A., & Kapelan, Z. (Julio de 2016). Comprehensive

Risk Management using Fuzzy FMEA and MCDA Techniques in Highway

Construction Projects. Journal of Civil Engineering and Management, Volumen

23(2), 300-310. doi:https://doi.org/10.3846/13923730.2015.1068847

Ahn, J., Noh, Y., Ho Park, S., Il Choi, B., & Chang, D. (Octubre de 2017). Fuzzy-based

Failure Mode and Effect Analysis (FMEA) of a Hybrid Molten Carbonate Fuel Cell

(MCFC) and Gas Turbine System for Marine Propulsion. Journal of Power

Sources, Volume 364(1), 226-233.

doi:https://doi.org/10.1016/j.jpowsour.2017.08.028

Annenberg Learner. (2017). The Habitable Planet. Obtenido de

https://www.learner.org/courses/envsci/unit/text.php?unit=2&secNum=4

Aranti Wessiani, N., & Oktaufanus Sarwoko, S. (23 de Diciembre de 2015.). Risk Analysis

of Poultry Feed Production Using Fuzzy FMEA. Procedia Manufacturing, Volumen

4, 270-281. doi:https://doi.org/10.1016/j.promfg.2015.11.041

Asker Zadeh, L. (1965). Fuzzy Sets. Information and Control, Volumen 8(3), 338-353.

doi:https://doi.org/10.1016/S0019-9958(65)90241-X

Banduka, N., Tadic, D., Macuzic, I., & Crnjac, M. (Junio de 2018). Extended Process

Failure Mode and Effect Analysis (PFMEA) for the Automotive Industry: The

FSQC-PFMEA. Advances in Production Engineering & Management, Volumen

13(2), 206–215. doi:https://doi.org/10.14743/apem2018.2.285

Barrón Santiago, S. (Julio de 2017). Metodología TRIZ para el Diseño de un Prototipo

Cuantificador de Gas Metano y Dióxido de Carbono en Ganado Vacuno.

Tantoyuca, Veracruz, México.

Batbayar, K., Takács, M., & Kozlovszky, M. (11 de Julio de 2016). Medical Device

Software Risk Assessment using FMEA and Fuzzy Linguistic Approach: Case

Study. Institute of Electrical and Electronics Engineers. doi:DOI:

10.1109/SACI.2016.7507369

Caballero, M., Lozano, S., & Ortega, B. (Octubre de 2007). Efecto Invernadero,

Calentamiento Global y Cambio Climático: Una Perspectiva desde las Ciencias de

la Tierra. Revista Digital Universitaria, Volumen 8(10). Obtenido de

http://www.revista.unam.mx/vol.8/num10/art78/oct_art78.pdf

pág. 87

Chanamool, N., & Naenna, T. (Junio de 2016). Fuzzy FMEA Application to Improve

Decision Making. Applied Soft Computing, Volumen 43, 441-453.

doi:https://doi.org/10.1016/j.asoc.2016.01.007

Córdova Ames, W. (Noviembre de 2008). TRIZ, la Herramienta del Pensamiento e

Innovación Sistemática. Contabilidad y Negocios: Revista del Departamento

Académico de Ciencias Administrativas(6), 38-46. Obtenido de

https://dialnet.unirioja.es/servlet/articulo?codigo=5038357

Dağsuyu, C., Göçmen, E., Narlı, M., & Kokangül, A. (Noviembre de 2016). Classical and

Fuzzy FMEA Risk Analysis in a Sterilization Unit. Computers & Industrial

Engineering, Volumen 101, 286-294. doi:https://doi.org/10.1016/j.cie.2016.09.015

Earth News Nature, Science, Life. (13 de Octubre de 2016). Hydrofluorocarbons:

Greenhouse Gases More Powerful than Carbon Dioxide. Obtenido de

https://www.earth.com/news/hydrofluorocarbons-greenhouse-gases-powerful-

carbon-dioxide/

Escalante Vázquez, E. (2014). Seis-Sigma Metodología y Técnicas. Segunda edición, 608.

México: Limusa.

FAO. (2019). Organización de las Naciones Unidas para la Alimentación y la Agricultura.

Obtenido de http://www.fao.org/gleam/results/es/#top

Fattahi, R., & Khalilzadeh, M. (Febrero de 2018). Risk Evaluation using a Novel Hybrid

Method Based on FMEA, Extended MULTIMOORA, and AHP Methods Under

Fuzzy Environment. Safety Science, Volumen 102, 290-300.

doi:https://doi.org/10.1016/j.ssci.2017.10.018

Ford Motor Company. (2000). Failure Mode and Effects Analysis Handbook with

Robustness Linkages. (F. D. Institute, Ed.) Dearborn, Michigan, United States of

America.

Gilchrist, W. (1 de Mayo de 1993). Modelling Failure Modes and Effects Analysis.

International Journal of Quality & Reliability Management, Volumen 10(5).

doi:https://doi.org/10.1108/02656719310040105

Grossi, G., Goglio, P., Vitali, A., & Williams, A. (12 de Noviembre de 2018). Livestock

and Climate Change: Impact of Livestock on Climate and Mitigation Strategies.

Animal Frontiers, Volumen 9, 69–76. doi:https://doi.org/10.1093/af/vfy034

Instituto Nacional de Ecología y Cambio Climático. (Mayo de 2018). Inventario Nacional

de Emisiones de Gases y Compuestos de Efecto Invernadero. México. Obtenido de

https://www.gob.mx/inecc/acciones-y-programas/inventario-nacional-de-emisiones-

de-gases-y-compuestos-de-efecto-invernadero

pág. 88

Intergovernmental Panel on Climate Change. (2013). Annex III: Glossary. (S. Planton, Ed.)

Obtenido de https://archive.ipcc.ch/pdf/assessment-

report/ar5/wg1/WG1AR5_AnnexIII_FINAL.pdf

Intergovernmental Panel on Climate Change. (2014). AR5 Climate Change 2014:

Mitigation of Climate Change. Obtenido de https://www.ipcc.ch/report/ar5/wg3/

Ishikawa, K. (1985). ¿Qué es el Control Total de Calidad? (M. Cárdenas, Trad.) Norma

S.A.

Jeffry Pelletier, F. (Septiembre de 2000). Metamathematics of Fuzzy Logic. Bulletin of

Symbolic Logic, Volumen 6(3), 342-346. doi: https://doi.org/10.2307/421060

Kritzinger, D. (2016). Aircraft System Safety: Assessments for Initial Airworthiness

Certification. Woodhead Publishing.

MacHmüller, A., & Hegarty, R. S. (Julio de 2006). Alternative Tracer Gases for the

ERUCT Technique to Estimate Methane Emission from Grazing Animals.

International Congress Series, Volume 1293, 50-53.

doi:https://doi.org/10.1016/j.ics.2006.01.029

Martínez, J., & Fernández, A. (2004). Cambio Climático: Una Visión desde México. (S. d.

Naturales, Ed.) México. Obtenido de

https://s3.amazonaws.com/academia.edu.documents/36565762/Cambio_Climatico._

Una_Vision_Desde_Mexico._Julia_Martines_y_Adrian_Fernandez.pdf?response-

content-

disposition=inline%3B%20filename%3DCambio_Climatico_Una_Vision_Desde_

Mexico.pdf&X-Amz-Algorithm=AWS4

Nikulin, C., & Becker, G. (Julio de 2015). A Systematic and Creative Methodology to

Drive Strategic Management: Chilean Case Study in Atacama-Region. Journal of

Technology Management & Innovation. doi:http://dx.doi.org/10.4067/S0718-

27242015000200009

Organización de las Naciones Unidas para la Alimentación y la Agricultura. (2019).

Modelo de Evaluación Ambiental de la Ganadería Mundial. Fuentes de emisión.

Obtenido de http://www.fao.org/gleam/results/es/

Osorio Cruz, F. (Julio de 2019). Métodos Estadísticos de Validación del Prototipo

Cuantificador de CH4 y CO2 No Invasivo para Bovinos. Tantoyuca, Veracruz,

México.

Reyes, P. (Abril de 2004). Método TRIZ. Distrito Federal, México. Obtenido de

https://www.icicm.com/files/MetodoTRIZ.pdf

SAE International. (Septiembre de 1967). Design Analysis Procedure for Failure Mode,

Effects and Criticality Analysis (FMECA) ARP926. Obtenido de

https://www.sae.org/standards/content/arp926/

pág. 89

Singh Soin, S. (1997). Control de Calidad Total: Claves, Metodologías y Administración

para el Éxito. (G. Meza Staines, Trad.) McGraw-Hill.

Sistema Español de Inventario y Proyecciones de Emisiones a la Atmósfera. (2017).

Metodologías de Estimación de Emisiones. Fermentación Entérica en Bovino

Lechero. España. Obtenido de https://www.miteco.gob.es/es/calidad-y-evaluacion-

ambiental/temas/sistema-espanol-de-inventario-sei-/100401-ferment-enterica-

bovino-lechero_tcm30-496941.pdf

Stamatis, D. (2003). Failure Mode and Effect Analysis; FMEA from Theory to Execution

(Segunda edición ed.). Milwaukee, Wisconsin: American Society for Quality.

Yazdi, M., Daneshvar, S., & Setareh, H. (Octubre de 2017). An Extension to Fuzzy

Developed Failure Mode and Effects Analysis (FDFMEA) Application for Aircraft

Landing System. Safety Science, Volumen 98, 113-123.

doi:https://doi.org/10.1016/j.ssci.2017.06.009

Zhou, Y., Xia, J., Zhong, Y., & Pang, J. (Mayo de 2016). An Improved FMEA Method

Based on the Linguistic Weighted Geometric Operator and Fuzzy Priority. Quality

Engineering, Volume 28(4), 491-498.

doi:https://doi.org/10.1080/08982112.2015.1132320

Zuñiga González, N. (Junio de 2016). Estimación de las Emisiones en Bovinos en los

Sistemas de Producción Lechera en Pequeña Escala a través del Factor de

Conversión de Metano. (U. A. México, Ed.) México. Obtenido de

http://ri.uaemex.mx/handle/20.500.11799/59202

pág. 90

APÉNDICES

Apéndice A. Reglas de inferencia formuladas para el modelo Mamdani

No. Regla Severidad Ocurrencia Detección NPR

1 Muy baja Remota Muy alta Muy bajo

2 Muy baja Remota Alta Muy bajo

3 Muy baja Remota Media Muy bajo

4 Muy baja Remota Baja Muy bajo

5 Muy baja Remota Muy baja Muy bajo

6 Muy baja Baja Muy alta Muy bajo

7 Muy baja Baja Alta Muy bajo

8 Muy baja Baja Media Muy bajo

9 Muy baja Baja Baja Muy bajo

10 Muy baja Baja Muy baja Muy bajo

11 Muy baja Regular Muy alta Muy bajo

12 Muy baja Regular Alta Muy bajo

13 Muy baja Regular Media Muy bajo

14 Muy baja Regular Baja Bajo

15 Muy baja Regular Muy baja Bajo

16 Muy baja Alta Muy alta Muy bajo

17 Muy baja Alta Alta Muy bajo

18 Muy baja Alta Media Muy bajo

19 Muy baja Alta Baja Bajo

20 Muy baja Alta Muy baja Significativo

21 Muy baja Muy alta Muy alta Muy bajo

22 Muy baja Muy alta Alta Muy bajo

23 Muy baja Muy alta Media Bajo

24 Muy baja Muy alta Baja Significativo

25 Muy baja Muy alta Muy baja Significativo

26 Baja Remota Muy alta Muy bajo

27 Baja Remota Alta Bajo

28 Baja Remota Media Bajo

29 Baja Remota Baja Bajo

30 Baja Remota Muy baja Significativo

31 Baja Baja Muy alta Muy bajo

32 Baja Baja Alta Bajo

33 Baja Baja Media Bajo

34 Baja Baja Baja Significativo

35 Baja Baja Muy baja Significativo

36 Baja Regular Muy alta Muy bajo

pág. 91

37 Baja Regular Alta Bajo

38 Baja Regular Media Significativo

39 Baja Regular Baja Significativo

40 Baja Regular Muy baja Significativo

41 Baja Alta Muy alta Bajo

42 Baja Alta Alta Significativo

43 Baja Alta Media Significativo

44 Baja Alta Baja Significativo

45 Baja Alta Muy baja Medio

46 Baja Muy alta Muy alta Significativo

47 Baja Muy alta Alta Significativo

48 Baja Muy alta Media Significativo

49 Baja Muy alta Baja Medio

50 Baja Muy alta Muy baja Medio

51 Media Remota Muy alta Significativo

52 Media Remota Alta Significativo

53 Media Remota Media Significativo

54 Media Remota Baja Medio

55 Media Remota Muy baja Medio

56 Media Baja Muy alta Significativo

57 Media Baja Alta Significativo

58 Media Baja Media Medio

59 Media Baja Baja Medio

60 Media Baja Muy baja Medio

61 Media Regular Muy alta Significativo

62 Media Regular Alta Medio

63 Media Regular Media Medio

64 Media Regular Baja Medio

65 Media Regular Muy baja Predominante

66 Media Alta Muy alta Medio

67 Media Alta Alta Medio

68 Media Alta Media Medio

69 Media Alta Baja Predominante

70 Media Alta Muy baja Predominante

71 Media Muy alta Muy alta Medio

72 Media Muy alta Alta Medio

73 Media Muy alta Media Predominante

74 Media Muy alta Baja Predominante

75 Media Muy alta Muy baja Predominante

76 Alta Remota Muy alta Medio

77 Alta Remota Alta Medio

pág. 92

78 Alta Remota Media Medio

79 Alta Remota Baja Predominante

80 Alta Remota Muy baja Predominante

81 Alta Baja Muy alta Medio

82 Alta Baja Alta Medio

83 Alta Baja Media Predominante

84 Alta Baja Baja Predominante

85 Alta Baja Muy baja Predominante

86 Alta Regular Muy alta Predominante

87 Alta Regular Alta Predominante

88 Alta Regular Media Predominante

89 Alta Regular Baja Predominante

90 Alta Regular Muy baja Alto

91 Alta Alta Muy alta Predominante

92 Alta Alta Alta Predominante

93 Alta Alta Media Predominante

94 Alta Alta Baja Alto

95 Alta Alta Muy baja Alto

96 Alta Muy alta Muy alta Predominante

97 Alta Muy alta Alta Predominante

98 Alta Muy alta Media Alto

99 Alta Muy alta Baja Alto

100 Alta Muy alta Muy baja Muy alto

101 Muy alta Remota Muy alta Predominante

102 Muy alta Remota Alta Predominante

103 Muy alta Remota Media Alto

104 Muy alta Remota Baja Muy alto

105 Muy alta Remota Muy baja Muy alto

106 Muy alta Baja Muy alta Predominante

107 Muy alta Baja Alta Alto

108 Muy alta Baja Media Muy alto

109 Muy alta Baja Baja Muy alto

110 Muy alta Baja Muy baja Muy alto

111 Muy alta Regular Muy alta Alto

112 Muy alta Regular Alta Muy alto

113 Muy alta Regular Media Muy alto

114 Muy alta Regular Baja Muy alto

115 Muy alta Regular Muy baja Muy alto

116 Muy alta Alta Muy alta Alto

117 Muy alta Alta Alta Muy alto

118 Muy alta Alta Media Muy alto

pág. 93

119 Muy alta Alta Baja Muy alto

120 Muy alta Alta Muy baja Muy alto

121 Muy alta Muy alta Muy alta Muy alto

122 Muy alta Muy alta Alta Muy alto

123 Muy alta Muy alta Media Muy alto

124 Muy alta Muy alta Baja Muy alto

125 Muy alta Muy alta Muy baja Muy alto

pág. 94

Apéndice B. Priorización de los modos de fallo en función de las reglas de inferencia

utilizadas

No. Fallo No. Regla Regla NPR

lingüístico Desdifusificación Priorización

S O D

19 94 Alta Alta Baja Alto 750 1

3 102 Muy alta Remota Alta Predominante 625 2

1 106 Muy alta Baja Muy alta Predominante 625 3

14 101 Muy alta Remota Muy alta Predominante 625 4

4 86 Alta Regular Muy alta Predominante 625 5

6 77 Alta Remota Alta Medio 500 6

7 81 Alta Baja Muy alta Medio 500 7

25 76 Alta Remota Muy alta Medio 500 8

20 58 Media Baja Media Medio 500 9

22 66 Media Alta Muy alta Medio 500 10

27 53 Media Remota Media Significativo 375 11

9 57 Media Baja Alta Significativo 375 12

12 52 Media Remota Alta Significativo 375 13

16 61 Media Regular Muy alta Significativo 375 14

8 56 Media Baja Muy alta Significativo 375 15

26 51 Media Remota Muy alta Significativo 375 16

5 38 Baja Regular Media Significativo 375 17

17 46 Baja Muy alta Muy alta Significativo 375 18

2 33 Baja Baja Media Bajo 250 19

28 28 Baja Remota Media Bajo 250 20

10 32 Baja Baja Alta Bajo 250 21

30 27 Baja Remota Alta Bajo 250 22

24 36 Baja Regular Muy alta Muy bajo 125 23

23 31 Baja Baja Muy alta Muy bajo 125 24

11 26 Baja Remota Muy alta Muy bajo 125 25

13 5 Muy baja Remota Muy baja Muy bajo 125 26

21 2 Muy baja Remota Alta Muy bajo 125 27

15 16 Muy baja Alta Muy alta Muy bajo 125 28

18 6 Muy baja Baja Muy alta Muy bajo 125 29

29 1 Muy baja Remota Muy alta Muy bajo 125 30

pág. 95

Apéndice C. Evaluación clásica del AMEF

Subcomponentes No. Modos de falla Causas de falla Efectos de falla S O D NPR

Línea batería-

emisor

1 Desenchufe de

conectores

Línea expuesta al exterior del emisor, el jaloneo del animal o

línea atorada con objetos del entorno

Emisor y sensores fuera de operación por falta de suministro de

energía eléctrica, interrupción de mediciones

9 4 2 72

2 Falso en conectores Conectores tipo enchufe no fijos, contacto de la línea con el

cuerpo del animal u objetos del entorno

Corriente eléctrica y funcionamiento intermitente del emisor,

descalibración de sensores, envío discontinuo e incorrecto de

datos

4 4 6 96

3 Corto circuito Conectores descubiertos a intemperie, la humedad del

ambiente o los fluidos del animal

Daño parcial o total en componentes internos del emisor y/o la

batería

9 2 4 72

Línea emisor-

sensor

4 Desenchufe de

conectores

Línea expuesta al exterior del emisor, longitud de línea

inadecuada, línea atorada con objetos del entorno o el jaloneo

del animal

Sensores fuera de funcionamiento por falta de suministro de

energía eléctrica

8 6 2 96

5 Falso en conectores Conectores tipo enchufe no fijos, contacto de la línea con el

cuerpo del animal u objetos del entorno

Corriente eléctrica y funcionamiento de los sensores

intermitente, descalibración de sensores, mediciones incorrectas

y discontinuas

4 6 6 144

6 Corto circuito Conectores descubiertos a intemperie, la humedad del

ambiente o los fluidos del animal

Daño parcial o total de los sensores y/o componentes internos

del emisor

8 2 4 64

DIP del emisor 7 Función de corriente

eléctrica inactiva

Interruptor expuesto a intemperie, desactivado por el contacto

con el cuerpo del animal o con objetos del entorno

No se permite el paso de corriente eléctrica desde el emisor hacia

cada uno de los sensores, los sensores no realizarán mediciones

8 4 2 64

8 Función de corriente a

tierra inactiva



Componentes del emisor y sensores vulnerables a daño por

sobrecargas eléctricas

6 4 2 48

9 Función de

radiofrecuencia TX

inactiva



Los sensores realizan mediciones pero los datos no son

transmitidos por el módulo XBee Coordinador hacia el receptor

para el registro de datos.

6 4 4 96

10 Función de

radiofrecuencia RX

inactiva



La señal de las mediciones es trasmitida desde el módulo XBee

Coordinador pero no se logra la comunicación con el módulo

XBee Router del receptor

4 4 4 64

11 Interruptores

fracturados

Ubicación de interruptores expuesta, movimientos bruscos del

animal o el mal manejo del operador

Dificultad para manipular las funciones de los interruptores en el

emisor

4 2 2 16

12 Corto circuito Interruptores descubiertos a intemperie, función puesta a tierra

inactiva, la presencia de humedad o fluidos del animal

Inestabilidad de las funciones, daño de componentes del emisor 6 2 4 48

Batería 13 Fuga térmica Funda protectora inadecuada contra

las altas o bajas temperaturas

Bajo rendimiento de la batería, interrupción de las mediciones,

periodos de medición incompletos

2 2 9 36

14 Corto circuito Falta de hermeticidad, funda protectora rota, filtración de

humedad del ambiente o los fluidos del animal

Daño de batería, daño a componentes de la caja del emisor y/o

sensores

9 2 2 36

Correas 15 Broches de seguridad

sueltos

Forcejeo del animal, mal ajuste del operador o el material

plástico poco resistente

Inestabilidad de la estructura a la cabeza del animal o estructura

suelta de la cabeza del animal

2 8 2 32

16 Ruptura de bandas de

seguridad

Desgaste por fricción, deterioro por humedad, movimiento

brusco del animal o la baja resistencia del material



6 6 2 72

Estructura

soporte

17 Brazos metálicos

doblados

Material flexible, forcejeo del animal o el mal manejo del

operador

Posición inadecuada del sensor a la trompa del animal, bajo

alcance de medición del sensor, estimaciones de gas poco

confiables con alto nivel de variación

4 9 2 72

18 Uniones de brazos

desoldadas

Mal trabajo de soldadura, la soldadura poco resistente o el

sobresfuerzo de la estructura



2 4 2 16

Sensores 19 Baja sensibilidad de

medición

La obstrucción del sensor por restos alimenticios o mucosidad

del animal, la mala postura y las fuertes corrientes de viento

Estimaciones de gas poco confiables con un alto nivel de

variación

8 8 8 512

20 Corto circuito Circuito impreso del sensor descubierto, la humedad del

ambiente, mucosidad del animal o los restos alimenticios

Inestabilidad de la corriente eléctrica en los sensores, lapsos de

medición discontinuos, daño parcial o total del sensor

6 4 6 144

21 Led indicador de

medición sin operar

Led desoldado del circuito impreso, dañado por humedad o

fundido por golpes

Dificultad para identificar en tiempo real el mal funcionamiento

del sensor

2 2 4 16

Porta sensores 22 Estructura doblada Material estructural poco rígido, movimientos brusco de

trompa del animal y/o el ajuste incorrecto en la trompa del

animal

Posición inadecuada del sensor a la trompa del animal, bajo

alcance de medición del sensor, estimaciones de gas poco

confiables con alto nivel de variación

6 8 2 96

23 Broches de ensamble

sueltos

Los movimientos bruscos de la trompa del animal y la

obstrucción con objetos del entorno

Inestabilidad de los sensores a la trompa del animal 4 4 2 32

Módulos XBee

(Router y

Coordinador)

24 Pérdida en la señal de

comunicación

Las condiciones topográficas poco favorables, la interferencia

de otras señales o la baja capacidad de alcance de los módulos

Pérdida de datos de las mediciones de gas durante la interrupción

de señal entre los módulos XBee

4 6 2 48

DIP del emisor 25 Función de corriente

eléctrica inactiva

Mal manejo del operador o interruptor fracturado No se permite el paso de corriente eléctrica proveniente de la

computadora, dificultad para manipular las funciones de los

interruptores

8 2 2 32

26 Función puesta a tierra

inactiva

Mal manejo del operador o interruptor fracturado En caso de corto circuito daño de los componentes del receptor,

dificultad para manipular las funciones de los interruptores

6 2 2 24

27 Función de

radiofrecuencia TX

inactiva

Mal manejo del operador o interruptor fracturado El receptor no envía de regreso la señal de comunicación hacia el

emisor, dificultad para manipular las funciones de los

interruptores

6 2 6 72

28 Función de

radiofrecuencia RX

inactiva

Mal manejo del operador o interruptor fracturado El receptor no recibe la señal proveniente del emisor, dificultad

para manipular las funciones de los interruptores en el receptor

4 2 6 48

Potenciómetro

Trimmer de

pantalla LCD

29 Regulación de luz

incorrecta

Regulador barrido, presencia de humedad o suciedad interna Dificultad para manipular la intensidad de iluminación en la

pantalla del receptor.

2 2 2 8

Conexión

receptor-

computadora

30 Desconexión de

puerto

Error en los controladores del software, mal manejo del

operario

Interrupción en la transferencia de información, pérdida de datos

en el software registrador.

4 2 4 32

Documents

SEP SEV TECNM INSTITUTO TECNOLÓGICO SUPERIOR DE …