Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
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 modos de fallo clasificados por el NPR
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 modos de fallo clasificados por el NPR
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.
Ligero 3 Cliente ligeramente molesto. Efecto ligero en el desempeño
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.
Significativo 6 El cliente experimenta incomodidad. El desempeño del
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
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.
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.
Ligero 3 Cliente ligeramente molesto. Efecto ligero en el desempeño
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.
Significativo 6 El cliente experimenta incomodidad. El desempeño del
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.
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).
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
Fuente: Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003, pág.
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.
Fuente: Recuperado de (Failure Mode and Effect Analysis; FMEA from Theory to Execution, 2003, pág.
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
Fuente: Elaboración propia.
Figura 9. Funciones de pertenencia de la figura trapezoidal
Fuente: Elaboración propia.
Figura 10. Funciones de pertenencia de la figura gaussiana
Fuente: Elaboración propia.
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)
Conjunto B Conjunto C
μ
1
0
Gra
do d
e p
erte
nen
cia
γ
Conjunto A
0 …(n)
Conjunto B Conjunto C
μ
pág. 35
Figura 11. Funciones de pertenencia de la figura campana
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
1
0
Gra
do d
e p
erte
nen
cia
γ
Conjunto A
0 …(n)
Conjunto B Conjunto C
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
Fuente: Elaboración propia.
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
elaboración propia.
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
Fuente: Recuperado de Autodesk 3ds Max, contenido de elaboración propia.
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
Fuente: Recuperado de Autodesk 3ds Max, contenido de elaboración propia.
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
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
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
Contacto con objetos del entorno
Contacto con el cuerpo del animal
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
Contacto con objetos del entorno
Contacto con el cuerpo del animal
Falso
Conectores no fijos
Movimientos bruscos de la trompa del animal
Obstrucción por objetos del entorno
Broches de ensamble sueltos
Fluidos del animal
Humedad del ambiente
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
Mal manejo del operador
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
Humedad del ambiente
Función puesta a tierra inactiva
Humedad del ambiente
Corto circuito
Interruptor descubierto
Fluidos del animal
Mucosidad
Restos alimenticios
Corto circuito
Circuito impreso descubierto
Humedad del ambiente
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
Fuente: Elaboración propia.
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
Mal manejo del operador
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
estructura suelta de
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
estructura suelta de
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
corriente eléctrica
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
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
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.
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
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]
Fuente: Elaboración propia.
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
Conjuntos difusos Rango
difuso
Valores de las figuras geométricas
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]
Fuente: Elaboración propia.
pág. 65
Figura 27. Conjuntos difusos de la variable Ocurrencia
Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Membership Function Editor,
contenido de elaboración propia.
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
Conjuntos difusos Rango
difuso
Valores de las figuras geométricas
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]
Fuente: Elaboración propia.
pág. 67
Figura 28. Conjuntos difusos de la variable Detección
Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Membership Function Editor,
contenido de elaboración propia.
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
Conjuntos difusos Rango
difuso
Valores de las figuras geométricas
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]
Fuente: Elaboración propia.
Figura 29. Conjuntos difusos de la variable Número de Prioridad de Riesgo
Fuente: Recuperado de MATLAB R2018b, captura de pantalla de ventana Membership Function Editor,
contenido de elaboración propia.
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
elaboración propia.
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
Fuente: Elaboración propia.
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
elaboración propia.
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
elaboración propia.
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
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
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
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
6 4 2 48
9 Función de
radiofrecuencia TX
inactiva
Interruptor expuesto a intemperie, desactivado por el contacto
con el cuerpo del animal o con objetos del entorno
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
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
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
Inestabilidad de la estructura a la cabeza del animal o estructura
suelta de la cabeza del animal
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
Inestabilidad de la estructura a la cabeza del animal o estructura
suelta de la cabeza del animal
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