Inteligencia Artificial

DISEÑO DE UN SISTEMA EXPERTO EN MANTENIMIENTO E
IMPLEMENTACION EN UN SISTEMA DE INGENIERIA
DANIEL ESCOBAR VILLEGAS
UNIVERSIDAD EAFIT
ESCUELA DE INGENIERIA
DEPARTAMENTO DE INGENIERIA MECANICA
MEDELLIN
2008
DISEÑO DE UN SISTEMA EXPERTO EN MANTENIMIENTO E
IMPLEMENTACION EN UN SISTEMA DE INGENIERIA
DANIEL ESCOBAR VILLEGAS
Proyecto de grado para optar al titulo de Ingeniero Mecanico
RONALD MAURICIO MARTINOD

ASESOR
UNIVERSIDAD EAFIT
ESCUELA DE INGENIERIA
DEPARTAMENTO DE INGENIERIA MECANICA
MEDELLIN
2008
Nota de aceptación:
________________________________
________________________________
________________________________
________________________________
________________________________
________________________________
_______________________________
Firma del presidente del jurado
_______________________________
Firma del jurado
_______________________________
Firma del jurado
Medellín, 5 de agosto de 2008.

AGRADECIMIENTOS
El autor desea expresar sus agradecimientos a Ronald Martinod, asesor del

proyecto de grado, Leonel Castañeda coordinador del Grupo de Investigación
en Mantenimiento Industrial – GEMI y cada uno de sus integrantes sin cuya
colaboración no habría sido posible la realización de este proyecto.
CONTENIDO
Pág.
CONTENIDO 5
LISTA DE FIGURAS 11
LISTA DE TABLAS 13
LISTA DE ECUACIONES 14
1 INTRODUCCION 14
2 ANTECEDENTES 15
3 JUSTIFICACION 16
4 OBJETIVOS 17
4.1 GENERAL 17
4.2 ESPECIFICOS 17
5 INTELIGENCIA ARTIFICIAL 18
5.1 HISTORIA 18
5.2 DEFINICION 19
5.3 CLASIFICACION 21
5.3.1 Inteligencia Artificial Convencional 21
5.3.2 Inteligencia Computacional 22
6 REDES NEURONALES 25
6.1 HISTORIA 25
6.2 DEFINICION 26
6.2.1 Funciones de Activación 29
6.2.1.1 Función de Activación Lineal 29
6.2.1.2 Función de Activación de Umbral de Paso 30
6.2.1.3 Función de Activación de Rampa No Lineal o Seudolineal 32
6.2.1.4 Función de Activación de Umbral Sigmoidal 33
6.2.2 Estructuras Neuronales 34
6.2.2.1 Redes Neuronales Hacia Adelante de una Sola Capa 35
6.2.2.2 Redes Neuronales Hacia Adelante Multicapa 36
6.2.2.3 Redes Neuronales Recurrentes 37
6.3 APLICACIONES 38
6.4 INSTITUTOS QUE TRABAJAN CON REDES NEURONALES 39

6.4.1 INSTITUTE FOR NEURAL COMPUTATION 39
6.4.2 NEURAL NETWORK RESEARCH GROUP 40
7 SISTEMAS DIFUSOS 41
7.1 HISTORIA 41
7.2 DEFINICION 41
7.2.1 Incertidumbre Estocástica 42
7.2.2 Incertidumbre Léxica 42
7.2.3 Lógica Difusa 43
7.3 APLICACIONES 47
7.4 INSTITUTOS QUE TRABAJAN CON SISTEMAS DIFUSOS 48

7.4.1 FUZZY SYSTEMS RESEARCH GROUP 48
7.4.2 THE FUZZY SYSTEMS RESEARCH GROUP 49
8 REDES BAYESIANAS 50
8.1 HISTORIA 50
8.2 DEFINICION 50
8.2.1 Aspectos Básicos de las Redes Bayesianas 51
8.2.2 Redes Bayesianas Como Sistemas Expertos Probabilísticos 52
8.3 APLICACIONES 54
8.4 INSTITUTOS QUE TRABAJAN CON REDES BAYESIANAS 55

8.4.1 DAGS 55
9 SISTEMAS EXPERTOS 56
9.1 HISTORIA 56
9.1.1 Etapa de Invención 56
9.1.2 Etapa de Prototipos 56
9.1.3 Etapa de Experimentación 56
9.1.4 Etapa de Industrialización 57
9.2 DEFINICION 57
9.3 CARACTERISTICAS 57
9.4 COMPONENTES DE UN SISTEMA EXPERTO 59

9.4.1 Base de Conocimientos 59
9.4.2 Mecanismo de Inferencia 61
9.4.3 Memoria de Trabajo 61
9.4.4 Interfaces 61
9.4.5 Subsistema de Explicación 62
9.4.6 Subsistema de Aprendizaje 62
9.5 CICLO DE VIDA DE UN SISTEMA EXPERTO 62
9.6 APLICACIONES 63
9.6.1 Monitorización 63
9.6.2 Diseño 63
9.6.3 Planificación 64
9.6.4 Control 65
9.6.5 Simulación 65
9.6.6 Instrucción 66
9.6.7 Recuperación de información 66
9.6.8 Aplicaciones de los Sistemas Expertos en el Campo del Mantenimiento Industrial 67
9.7 INSTITUTOS QUE TRABAJAN CON SISTEMAS EXPERTOS 68

9.7.1 BERKELEY EXPERT SYSTEMS TECHNOLOGY – BEST 68
9.7.2 GRUPO DE INVESTIGACION Y DESARROLLO EN INTELIGENCIA ARTIFICIAL 69
10 PAQUETES COMPUTACIONALES. 70
10.1 ACQUIRE 70
10.1.1 Fortalezas 71
10.1.2 Debilidades 72
10.1.3 Requerimientos del Sistema 72
10.1.4 Costo 72
10.1.5 Contacto 73
10.2 CORVID 73
10.2.1 Fortalezas. 73
10.2.4 Costo 75
10.2.5 Contacto 75
10.3 JESS 75
10.3.1 Fortalezas 75
10.3.4 Costo 76
10.3.5 Contacto 77
10.4 COMPARACION DE SOFTWARE 77
11 HERRAMIENTA COMPUTACIONAL 81
11.1 INTRODUCCION 81
11.2 FUNCIONAMIENTO DE LA HERRAMIENTA 81
11.3 COMPONENTES PRINCIPALES DE LA HERRAMIENTA 82

11.3.1 Reglas 82
11.3.3 Encadenamiento Hacia delante o Hacia Atrás 84
11.3.3.1 Encadenamiento Hacia Delante 85
11.3.3.2 Encadenamiento Hacia Atrás 86
11.3.4 Tipos de Variables 87
11.3.5 Bloques Lógicos 88
11.3.6 Bloques de Acción 89
11.3.7 Bloques de Comando 89
11.4 COMPARACION HERRAMIENTA COMPUTACIONAL CON LA TEORIA DE SISTEMAS

EXPERTOS 90
11.4.1 Base de Conocimientos 90
11.4.3 Memoria de trabajo 91
11.4.4 Interfaces 91
11.4.5 Subsistema de Explicación 91
11.4.6 Subsistema de Aprendizaje 92
12 METODOLOGIA PARA EL DESARROLLO DE UN SISTEMA EXPERTO CON LA

HERRAMIENTA COMPUTACIONAL SELECCIONADA. 93
12.1 PROTAGONISTAS 93
12.1.1 Desarrollador 93
12.1.2 Experto 93
12.1.3 Usuario 94
12.1.4 Administración 94
12.2 METODOLOGIA 94
12.2.1 Determinar el problema específico 95
12.2.2 Determinar la estructura del sistema 96
12.2.3 Determinar el grupo de expertos 98
12.2.4 Documentar los Pasos Realizados por el Experto para Resolver el Problema 99
12.2.4.1 Adquisición de Conocimientos 99
12.2.5 Construcción del Sistema Experto 106
12.2.6 Verificación del Sistema Experto 107
12.2.7 Mantenimiento del Sistema Experto 108
13 DESARROLLO DE UN SISTEMA EXPERTO APLICADO A UN SISTEMA

FERROVIARIO 110
13.1 OBJETO DE ESTUDIO 110
13.2 SISTEMAS DE LOS VEHICULOS PARA PASAJEROS 112
13.3 DESCRIPCION DEL SISTEMA DE VIA PERMANENTE 113
13.4 DESCRIPCION DE LAS RUEDAS 116
13.5 FUERZAS DE INTERACCION RUEDA-RIEL 117

13.5.1 Fuerzas Verticales 118
13.5.2 Fuerzas Axiales 120
13.5.3 Fuerzas Longitudinales 121
13.5.4 Otras Fuerzas 121
13.6 INDICE Y CRITERIOS DE SEGURIDAD EN MARCHA VEHICULOS FERROVIARIOS 122

13.6.1 Escalamiento de Pestaña 122
13.6.2 Criterios de Seguridad para el Escalamiento de Pestaña 123
13.6.2.1 Criterio de limite Y/Q para una rueda de Nadal 124
13.6.2.2 Criterio de Límite de la Suma de Y/Q de Todos los Ejes de Weinstock 125
13.6.2.3 Criterio de Chartet 126
13.6.3 Aplicación de los Criterios de Seguridad para el Escalamiento de Pestaña 126
13.6.3.1 Escalamiento de Pestaña Debido a Bajos Ángulos de Pestaña 126
13.6.3.2 Incremento en la Longitud de la Pestaña 127
13.6.3.3 Escalamiento de Pestaña Debido a Altos Coeficientes de Fricción 127
13.7 PREGUNTAS PARA EL SISTEMA EXPERTO 128
13.8 SISTEMA PARA EVALUAR EL INDICE DE SEGURIDAD EN MARCHA DE VEHICULOS

FERROVIARIOS SEGUN EL CRITERIO DE NADAL 129
13.8.1 Descripción del Sistema 129
13.8.2 Variables del Sistema 130
13.8.3 Fuerzas Laterales y Verticales para el Sistema 132
13.8.4 Estructura del sistema 133
13.8.5 Evaluación del Índice de Seguridad Mediante un Sistema Experto 134
13.8.6 Presentación de Resultados 136
13.8.6.1 Resultados Bajo Condiciones Optimistas 136
13.8.6.2 Resultados Bajo Condiciones Pesimistas 137
14 CONCLUSIONES 140
15 RECOMENDACIONES 142
16 NUEVAS LINEAS DE INVESTIGACION 143
17 BIBLIOGRAFIA 144
17.1 CLASICA 144
17.2 INTERNET 147
18 ANEXOS 148
18.1 ANEXO 1- SISTEMA EXPERTO PARA EL MANTENIMIENTO PREDICTIVO DE UNA

CENTRAL HIDROELECTRICA 148
18.2 ANEXO 2 - SISTEMA EXPERTO DE AYUDA AL MANTENIMIENTO DE

OSCILOSCOPIOS ANALOGICOS 159
18.3 ANEXO 3- SISTEMA EXPERTO PARA EL MONITOREO DE CONDICIONES EN

MÁQUINAS ROTATIVAS. 167
18.4 ANEXO 4- FUZZY NONLINEAR REGRESSION MODEL FOR RAILWAYS RIDE

QUALITY 171
18.5 ANEXO 5- REGLAS DEL SISTEMA EXPERTO 171
18.6 ANEXO 6 – FUERZAS LATERALES Y VERTICALES OBTENIDAS

EXPERIMENTALMENTE 189
18.7 ANEXO 7 – CARACTERISTICAS TIPICAS DE UNA UNIDAD 189

LISTA DE FIGURAS
Pág.
Ilustración 1. Enfoques Inteligencia Artificial 20

Ilustración 2. Diagrama Inteligencia Artificial 24
Ilustración 3. Modelo de una Neurona. 27
Ilustración 4. Modelo de una neurona artificial. 28
Ilustración 5. Función de Activación Lineal. 30
Ilustración 6. Función de Activación de Umbral de Paso. 31
Ilustración 7. Función de Activación de Rampa No Lineal. 32
Ilustración 8. Función de Activación de Umbral Sigmoidal. 34
Ilustración 9. Red Neuronal Hacia Adelante de una Sola Capa. 35
Ilustración 10. Red Neuronal Hacia Adelante Multicapa. 36
Ilustración 11. Red Neuronal Recurrente Sin Autoretroalimentacion ni Capas Ocultas. 37
Ilustración 12. Red Neuronal Recurrente Con Autoretroalimentacion y Capas Ocultas. 38
Ilustración 13. Arreglo Convencional para un Conjunto de Temperaturas Corporales 44
Ilustración 14. Arreglo Difuso de Pacientes con “Fiebre Alta” 44
Ilustración 15. Función Continua Del Caso de Fiebre Alta. 45
Ilustración 16. Función Continua Del Caso de Fiebre Para Varias Temperaturas y Clasificaciones. 46
Ilustración 17. Representación grafica de un modelo de probabilidad simple. 51
Ilustración 18. Estructura Básica de un Sistema Experto. 60
Ilustración 19. Criterios de Selección de Software 70
Ilustración 20. Diagrama Funcionamiento de la Herramienta Computacional. 82
Ilustración 21. Diagrama Encadenamiento Hacia Delante 85
Ilustración 22. Diagrama Encadenamiento Hacia Atrás 87
Ilustración 23. Diagrama Metodología para el desarrollo de sistemas expertos. 95
Ilustración 24. Aplicaciones de los sistemas expertos en el mantenimiento de sistemas técnicos. 96
Ilustración 25. Diseño de la arquitectura del sistema experto. 97
Ilustración 26. Pasos Para Determinar los Expertos en Mantenimiento. 98
Ilustración 27. Tipos de Conocimientos del Experto. 100
Ilustración 28. Fase 1 adquisición de conocimiento. 100
Ilustración 31. Esquema de preparación de las sesiones. 102
Ilustración 32. Esquema de las sesiones. 103
Ilustración 33. Diagrama de construcción del sistema experto. 106
Ilustración 34. Evaluación del sistema experto. 107
Ilustración 35. Mantenimiento del Sistema Experto 108
Ilustración 36. Dimensiones generales del vehículo 110
Ilustración 37. Esquema general de la superestructura de la vía 114
Ilustración 38. Configuración típica de la vía 114
Ilustración 39. Esquema de un cambiavías 115
Ilustración 40. Parámetros del perfil de rueda 116
Ilustración 41. Fuerzas cuasi-estáticas del vehículo en una curva 119
Ilustración 42. Fuerzas en el punto de contacto de la pestaña 124
Ilustración 43. Ruedas con ángulos de pestaña de 63º y 75º 126
Ilustración 44. Longitud de Pestaña 127
Ilustración 45. Configuración del montaje para la medición de fuerzas rueda-riel 133
Ilustración 46. Entradas y salidas del sistema 133
Ilustración 47. Diagrama de flujo de información del sistema 134
Ilustración 48. Primeros 4 pasos del sistema 135
Ilustración 49. Segundos 4 pasos del sistema 136
Ilustración 50. Pantalla de resultados bajo condiciones optimistas 137
Ilustración 51. Pantalla de resultados bajo condiciones pesimistas 138
LISTA DE TABLAS
Pág.
Tabla 1. Inteligencia Artificial Convencional Vs Inteligencia Computacional. 22

Tabla 2. Comparación Software 80
Tabla 3. Características básicas de la unidad 110
Tabla 4. Cargas de los coches y la unidad 111
Tabla 5. Sistema de control del vehículo 111
Tabla 6. Datos técnicos de la vía permanente 115
Tabla 7. Variables utilizadas en el sistema 130
LISTA DE ECUACIONES
Pág.
Ecuación 1. Suma ponderada de las entradas de la red neuronal 29

Ecuación 2. Ecuación para obtener la salida de la red neuronal 29
Ecuación 3. Función de activación de umbral de paso 30
Ecuación 4. Función de activación de umbral de paso con valores binarios 31
Ecuación 5. Función de activación de umbral de paso bipolar 31
Ecuación 6. Función de activación de rampa no lineal 32
Ecuación 7. Función de activación de rampa no lineal con valores binarios 33
Ecuación 8. Función de activación de umbral sigmoidal 33
Ecuación 9. Función de activación de umbral sigmoidal con tangente hiperbólica 34
Ecuación 10. Ángulo de la pestaña de la rueda 116
Ecuación 11. Fuerza vertical sobre el riel 118
Ecuación 12. Fuerzas verticales estáticas y centrifugas sobre el vehículo 119
Ecuación 13. Deficiencia de peralte 119
Ecuación 14. Fuerzas axiales 120
Ecuación 15. Fuerza lateral máxima 120
Ecuación 16. Fuerza lateral multiplicada por el factor de amplificación dinámico 120
Ecuación 17. Incremento en longitud de riel 121
Ecuación 18. Fuerza normal en el área de contacto 124
Ecuación 19. Fuerza tangencial en el área de contacto 125
Ecuación 20. Relación de fuerza lateral y fuerza vertical 125
Ecuación 21. Relación Y/Q con F2/F3=µ 125
Ecuación 22. Relación Y/Q teórica 130
1 INTRODUCCION
Los sistemas expertos son una rama de la inteligencia artificial que se encarga
de emular el proceso de razonamiento humano para la solución de problemas
específicos para los cuales fue programado, teniendo en cuenta los
conocimientos previos adquiridos por expertos humanos y representados en el
programa por medio de reglas.
Se realizará una revisión de los aportes de la inteligencia artificial en el campo
de los diagnósticos técnicos, médicos etc. Para ello se realizara una
conceptualización de lo que significa inteligencia artificial, la clasificación y
ramas de esta.
Los sistemas expertos son una rama de la inteligencia artificial, y será en esta
en la cual se enfocara este trabajo, con el fin de obtener conocimientos sobre
los sistemas expertos para luego ver los aportes que han hecho estos al
mantenimiento y la aplicación que pueden tener estos dentro de esta línea de
énfasis de la ingeniería mecánica.
En el mercado actual se ofrecen varios paquetes computacionales que
permiten construir sistemas expertos. Para determinar que paquete es el más
adecuado para la construcción de un sistema experto en mantenimiento, se
realizara una revisión de los paquetes más comerciales y así tener
herramientas para escoger el más conveniente para el proyecto.
El fin de este trabajo es la construcción de un sistema experto en
mantenimiento y su aplicación en el índice de seguridad en marcha de
vehículos ferroviarios.
14
2 ANTECEDENTES
La inteligencia artificial se empezó a desarrollar a partir de la década de 1940,

pero es descrita formalmente en el año de 1956, año en que John McCarthy
introdujo dicho termino en una conferencia sobre informática en el colegio de
Darmouth. A partir de este tiempo con los avances tecnológicos en hardware y
lenguajes de programación, ha sido muy grande el avance que ha tenido la
inteligencia artificial en el área de los sistemas expertos.
La inteligencia artificial está clasificada en dos grupos que son inteligencia
artificial convencional e inteligencia computacional. La inteligencia artificial
convencional a su vez comprende varios métodos de estudio los cuales son:
sistemas expertos, razonamiento basado en el caso, redes Bayesianas,
inteligencia artificial basada en el comportamiento. Los sujetos de la
inteligencia computacional básicamente son: redes neuronales, sistemas
difusos, computación evolutiva. También existen sistemas inteligentes híbridos
dentro de la inteligencia artificial. Estos sistemas son construidos con la
combinación de estos dos grupos.
Los sistemas expertos empezaron a desarrollarse aproximadamente hacia el
año de 1965 basados en la necesidad de construir un sistema que emule el
funcionamiento del cerebro humano para solucionar problemas comunes de un
área específica basada en conocimientos previamente adquiridos. A partir de
este momento, se han desarrollado numerosos sistemas expertos que ayudan
a avanzar en la tecnificación de campos como la medicina, química, agricultura,
educación e ingeniería.
15
3 JUSTIFICACION
Se realizara un análisis de lo que son los sistemas expertos actualmente y

como ha sido su evolución en el tiempo, el uso que se puede dar a estos en el
mantenimiento de sistemas de ingeniería, para luego evaluar paquetes
computacionales comerciales para el desarrollo de sistemas expertos y elegir el
más adecuado para las necesidades de diseñar un sistema experto en el
mantenimiento de un sistema de ingeniería.
Los sistemas expertos aplicados al mantenimiento, son un gran paso en la
implementación de los avances tecnológicos a un campo como el
mantenimiento, para así incrementar el desempeño de este dentro de la
industria.
16
4 OBJETIVOS
4.1 GENERAL
Construir un sistema experto en mantenimiento de un sistema de ingeniería.
4.2 ESPECIFICOS
Conocer acerca de la inteligencia artificial, sus clasificaciones y ramas

para enfocarse en los sistemas expertos.
Identificar los aportes que han hecho los sistemas expertos dentro del
mantenimiento industrial.
Reconocer los paquetes computacionales comerciales para el desarrollo
de sistemas expertos.
Seleccionar un paquete computacional con alta compatibilidad y
aplicabilidad dentro del diseño de un sistema experto en mantenimiento
de un sistema de ingeniería.
Diseñar y construir un sistema experto en mantenimiento de un sistema
de ingeniería.
Implementar el sistema experto en mantenimiento de un sistema de
ingeniería.
17
5 INTELIGENCIA ARTIFICIAL
5.1 HISTORIA
La inteligencia artificial, comienza a partir de la década de 1940 y se ha

desarrollado enormemente hasta el presente con el surgimiento de los agentes
inteligentes.
La gestación de la inteligencia artificial (1943- 1955):
Warren McCulloch y Walter Pitts fueron los pioneros, ellos se basaron en tres
fuentes: El conocimiento de la fisiología y funciones básicas de las neuronas
del cerebro; un análisis formal de la lógica preposicional hecha por Rusell y
Whitehead; y la teoría de computación de Turing. Ellos propusieron un modelo
de neuronas artificiales en el cual cada neurona se caracteriza por estar
“activa” o “inactiva” (“on” u “off”), con un cambio a “activa” en respuesta al
estimulo de un número suficientes de neuronas vecinas. Donald Hebb en 1949,
demostró una regla de actualización para modificar los pesos de las
conexiones entre neuronas. Su regla ahora llamada aprendizaje de Hebbian
(“Hebbian Learning”), tiene una gran influencia actualmente.
En 1950 dos estudiantes de Harvard, Marvin Minsky y Dean Edmonds,
construyeron la primer computadora de redes neuronales.
Estudiosos del tema realizaron grandes trabajos en inteligencia artificial, fue
Alan Turing el primero en articular una visión completa de inteligencia artificial
en su artículo “Computing Machinery and Intelligence” (Maquinaria
Computacional e Inteligencia) de 1950. Luego el mismo introdujo el test de
Turing, máquinas de aprendizaje, algoritmos genéticos y refuerzo del
conocimiento.
El término inteligencia artificial, fue introducido por John McCarthy en una
conferencia sobre informática en Darmouth Collage, de 1956. McCarthy reunió
a investigadores interesados en los temas de la teoría autómata, redes
neuronales y el estudio de la inteligencia. Figuras como Marvin Minsky, Claude
Shannon y Nathaniel Rochester pertenecieron al estudio de McCarthy. Todos
ellos se conocen como los pioneros de la inteligencia artificial. Allen Newel y
18
Herbert Simon del Carnegie Mellon University, en 1956, desarrollaron un
programa computacional llamado Logic Theorist, el cual según sus autores era
capaz de pensar no-numéricamente y probar teoremas matemáticos. Luego de
estos adelantos primarios, vino una serie de desarrollos que han llevado la
inteligencia artificial a desarrollar lo que hoy se conoce como agentes
inteligentes, los cuales fuera de actuar de la mejor manera posible, pueden
actuar bajo control autónomo, percibir su ambiente, persistir a través de un
largo periodo de tiempo, adaptarse al cambio y ser capaces de plantearse otras
metas.
5.2 DEFINICION
El término inteligencia artificial no es fácil de definir, ya que existen una gran

cantidad de conceptos que se han ido acumulando en la última mitad de siglo.
A continuación se verán algunas de ellas:
Según John McCarthy introductor del término, inteligencia artificial es “la
ciencia e ingeniería de fabricar máquinas inteligentes” (1956).
Habilidad del computador para simular el pensamiento humano
(LONDOÑO, 1988, 1).
El estudio de las facultades mentales a través del uso de modelos
computacionales (LONDOÑO, 1988,2).
Grupo de técnicas de software que incrementan la productividad humana
permitiéndole al computador trabajar de una manera muy similar al hombre
(LONDOÑO, 1998, 1).
Rama de la ciencia computacional cuyo objeto de estudio es el diseño e
implementación de programas capaces de emular las habilidades
cognitivas humanas como la resolución de problemas, percepción visual y
entendimiento de lenguajes (JACKSON, 1990, 3).
Las definiciones de la inteligencia artificial se pueden clasificar según los
enfoques de los autores en cuatro grupos principales: Sistemas que piensan
como humanos, sistemas que piensan racionalmente (entiéndase
racionalmente como un concepto ideal de inteligencia), sistemas que actúan
19
como humanos y sistemas que actúan racionalmente. Véase Ilustración 1
(RUSELL, NORVIG, 2003).
Ilustración 1. Enfoques Inteligencia Artificial
Inteligencia
Artificial
Sistemas que Sistemas que

piensan como piensan
humanos racionalmente
Sistemas que Sistemas que

actúan como actúan
humanos racionalmente
Se darán dos definiciones según diferentes autores de cada uno de estos

enfoques.
Sistemas que piensan como humanos:
La automatización de actividades que se asocian con el pensamiento
humano, actividades tales como toma de decisiones, solución de
problemas, aprendizaje (Bellman, 1978).
El excitante esfuerzo de hacer pensar a las computadoras, máquinas
con mentes, en el sentido completo y literal (Haugeland, 1985).
Sistemas que actúan como humanos:

El arte de crear máquinas que desempeñan funciones que requieren
inteligencia cuando son desempeñadas por humanos (Kurzweil, 1990).
20
El estudio de cómo hacer que las computadoras realicen funciones para
las cuales los humanos son mejores actualmente (Rich and Knight,
1991).
Sistemas que piensan racionalmente:

El estudio de las facultades mentales a través de modelos
computacionales (Charniak and McDermott, 1985).
El estudio de las computaciones que hacen posible percibir, razonar y
actuar (Winston, 1992).
Sistemas que actúan racionalmente:

Inteligencia computacional es el estudio del diseño de agentes
inteligentes (Poole, 1998).
Inteligencia artificial está relacionada con el comportamiento inteligente
de artefactos (Nilsson, 1998).
5.3 CLASIFICACION
La inteligencia artificial se clasifica básicamente en dos grupos que son

inteligencia artificial convencional e inteligencia computacional. Véase
A continuación se profundizará acerca de algunas de las subdivisiones de la

inteligencia artificial que son más relevantes para el proyecto, debido a la
naturaleza del proyecto y del avance tecnológico y en investigación en estas,
las cuales son redes neuronales, sistemas difusos, redes bayesianas y
sistemas expertos.
Ilustración 2 y Tabla 1.
5.3.1 Inteligencia Artificial Convencional. Comprende varios métodos de

estudio entre los cuales se encuentran:
Razonamiento basado en el caso: Almacena un conjunto de problemas y
soluciones organizadas en una estructura de datos llamada casos. El
21
sistema busca un caso en su base de datos que se encuentre
estrechamente relacionado con el nuevo problema y presenta sus
soluciones como una salida con algunas modificaciones.
Redes Bayesianas: Modelo gráfico probabilístico que representa un
conjunto de variables y sus independencias probabilísticas.
Inteligencia artificial basada en el comportamiento: Método modular de
construcción de sistemas de inteligencia artificial a mano.
Sistemas Expertos: Aplicación computarizada, la cual resuelve operaciones
y problemas complicados que de otra forma requeriría de los conocimientos
de expertos en el tema para resolverlos (WIKI1@, 2008).
5.3.2 Inteligencia Computacional. Se divide en:

Redes neuronales: Sistemas entrenables con grandes capacidades de
reconocimiento de patrones.
Sistemas difusos: Técnicas de razonamiento bajo incertidumbre, han sido
ampliamente utilizados en la moderna industria de productos de consumo y
sistemas de control; Capaz de trabajar con conceptos como 'caliente', 'frío',
'tibio' y 'ebullición'.
Computación evolutiva: Aplica conceptos inspirados biológicamente tales
como la población, la mutación y la supervivencia de los más aptos para
generar cada vez mejores soluciones al problema. Se dividen en algoritmos
evolutivos (por ejemplo, algoritmos genéticos) y de inteligencia de enjambre
(por ejemplo, algoritmos de hormiga) (WIKI1@, 2008).
También existen sistemas inteligentes híbridos dentro de la inteligencia

artificial. Estos sistemas son construidos con la combinación de estos dos
grupos.
Tabla 1. Inteligencia Artificial Convencional Vs Inteligencia Computacional.
INTELIGENCIA ARTIFICIAL
CARACTERISTICAS
CONVENCIONAL COMPUTACIONAL
SE CONOCE IA simbólico-deductiva e IA subsimbólica-inductiva e
22
IA débil. IA fuerte.
FUNDAMENTOS Se fundamenta en el
Implica desarrollo o
análisis formal y
aprendizaje iterativo. El
estadístico del
aprendizaje se realiza
comportamiento humano
basándose en datos
ante diferentes
empíricos
problemas.
INTELIGENCIA ARTIFICIAL
CARACTERISTICAS
CONVENCIONAL COMPUTACIONAL
La inteligencia es muy
Las soluciones deben ser
compleja para ser
elegantes, claras y
solucionada de manera
BASES probablemente correctas,
formal, por lo tanto involucra
e involucra métodos
métodos iterativos donde se
formales y lógicos.
desarrolla el conocimiento.
Razonamiento
basado en casos.
METODOS Redes Neuronales.
Redes Bayesianas.
Sistemas difusos.
Sistemas Expertos.
Computación evolutiva.
IA basada en el
comportamiento.
Procesamiento de
lenguaje natural.
Motores de búsqueda.
Programación de
Diagnósticos procesos en fábricas.
médicos.
Robots para ambientes
Detección de fraudes peligrosos.
APLICACIONES en tarjetas de crédito.
Juegos de ajedrez.
Análisis de mercado
Vehículos autónomos.
de acciones.
Sistemas cooperativos.
Reconocimiento del
habla. Sistemas de traducción
de lenguaje natural.
Reconocimiento de
caracteres.
Movimiento de robots.
23
A continuación se profundizará acerca de algunas de las subdivisiones de la
inteligencia artificial que son más relevantes para el proyecto, debido a la
naturaleza del proyecto y del avance tecnológico y en investigación en estas,
las cuales son redes neuronales, sistemas difusos, redes bayesianas y
sistemas expertos.
Ilustración 2. Diagrama Inteligencia Artificial
Inteligencia Artificial
Inteligencia Artificial Inteligencia

Convencional Computacional
Sistemas Redes Redes Sistemas

Expertos Bayesianas Neuronales Difusos
Razonamiento I.A. Basada en el Computación

basado en el comportamiento Evolutiva
caso
Algoritmos Inteligencia
genéticos de enjambre
24
6 REDES NEURONALES
6.1 HISTORIA
La historia de las redes neuronales está muy conectada con la de la

inteligencia artificial, ya que muchos de los pioneros de la inteligencia artificial,
se enfocaron en el desarrollo de las redes neuronales. El nacimiento de las
redes neuronales se dio cuando McCulloch y Pitts origino los modelos
conexionistas definiendo formalmente la neurona (1943) como una máquina
binaria con varias entradas y salidas. Luego Hebb, definió (1949) dos
conceptos muy importantes y fundamentales que han pesado en el campo de
las redes neuronales, basándose en investigaciones psicofisiológicas las
cuales pueden basarse en estos postulados:
• El aprendizaje se localiza en las sinapsis (conexiones entre las neuronas).
• La información se representan en el cerebro mediante un conjunto de
neuronas activas o inactivas.
Las hipótesis de Hebb, se sintetizan en la regla de aprendizaje de Hebb, que
sigue siendo usada en los actuales modelos. Esta Regla nos dice que los
cambios en los pesos de las sinapsis se basan en la interacción entre las
neuronas pre y postsinapsitcas.
La primera conferencia sobre inteligencia artificial en la cual se discutió sobre la
capacidad de las computadoras para simular el aprendizaje fue en 1956
(Darmouth). A partir de ahí, investigadores han desarrollado distintos modelos
de redes neuronales que se citan a continuación:
• Widrow (1959)- Teoría sobre la adaptación neuronal y el Adaline (Adaptative
Linear Neuron) y el Madaline (Multiple Adaline). Es la primera aplicación de las
redes a problemas reales: filtros adaptativos para eliminar ecos en las líneas
telefónicas.
• Rosemblatt (1962)- El Perceptrón es un identificador de patrones ópticos
binarios, y salida binaria. Dio lugar a regla de aprendizaje delta, que permitía
emplear señales continuas de entrada y salida.
25
• Minsky y Papert (1969)- Una seria crítica del Perceptrón que dada su
naturaleza lineal tenía bastantes limitaciones, provocó una caída en picado de
las investigaciones y una época gris para las redes neuronales.
• Anderson (1977)- Los Modelos de memorias asociativas. Investiga el
autoasociador lineal brain-state-in-a-box
• Rumelhart, McClelland y Hinton (década del 80)- Crean el grupo PDP
(Parallel Distributed Processing). Como resultado de los trabajos de este grupo
salieron los manuales con más influencia desde el trabajo de Minsky y Papert.
• Hopfield (1982)- Elabora un modelo de red consistente en unidades de
proceso interconectadas que alcanzan mínimos energéticos, aplicando los
principios de estabilidad desarrollados por Grossberg.
• Kohonen (1984)- Mapas de Kohonen. Desarrolló redes basadas en
aprendizaje competitivo, con una idea nueva basada en la biología: Las
unidades de procesos físicamente adyacentes aprenderán a representar
patrones de entrada similares, así las neuronas de salida adyacentes
identifican patrones similares.
• Grossberg (1987)- El modelo ART (Adaptative Resonance Theory), estudia
los principios de la estabilidad de redes neuronales.
• Hinton y Sejnowski (1986)- La máquina de Boltzmann, una red que usa la
probabilidad para encontrar mínimos totales.
• Kosko (1987)- Los modelos BAM (Bi-directional Associative Memory.)
En la actualidad gracias a diversos grupos de investigación repartidos por
universidades de todo el mundo, las redes neuronales han alcanzado una
madurez muy aceptable y se usan en todo tipo de aplicaciones. (@REDES-
NEURONALES, 2008)
6.2 DEFINICION
Las redes neuronales están compuestas de varios elementos simples operando

en paralelo. Estos elementos están inspirados en sistemas nerviosos
biológicos. La función de la red está determinada en gran proporción por las
conexiones entre los elementos. Pueden ser entrenadas para desempeñar una
función particular, ajustando los valores de las conexiones entre los elementos.
26
Estas, han sido entrenadas a través de los años para desempeñar funciones
complejas en varios campos de aplicación incluyendo reconocimiento de
patrones, identificación, clasificación, habla, visión, y sistemas de control. Las
redes neuronales pueden ser entrenadas para resolver problemas que son
difíciles para computadores convencionales o seres humanos (DEMUTH,
BEALE, 1996, 1-1).
Las redes neuronales artificiales están compuestas por conjuntos de neuronas
artificiales entrelazadas entre si operando en paralelo.
Las neuronas artificiales, se basan en modelos del las neuronas presentes en
el cerebro humano, las cuales se explicaran a continuación. Véase Ilustración
3.
Ilustración 3. Modelo de una Neurona.
RUSELL, NORVIG, 2003, 11
Cada neurona consiste en un soma o cuerpo de la célula que contiene el

núcleo. Saliendo de la célula existen una gran cantidad de fibras llamadas
dendritas o entradas sinápticas en las cuales se realiza una reacción
electroquímica con otras células y produce una entrada de información a la
27
neurona. La neurona tiene una sola fibra muy larga llamada axon o salida
sináptica, la cual se arboriza y da lugar a varias sinapsis en las cuales se
realiza una conexión con otras neuronas y entrega una información de salida
de dicha neurona, la cual será información de entrada para otras células
(RUSELL, NORVIG, 2003, 10).
Las redes neuronales artificiales, emulan el comportamiento de las neuronas
del cerebro en simples funciones matemáticas que van desde la entrada de
información, procesamiento de esta de acuerdo a su relevancia en el proceso y
salida de nueva información. El modelo de una neurona artificial se puede
observar en la Ilustración 4.
Ilustración 4. Modelo de una neurona artificial.
Pesos
Sinápticos ai =g (ini )
ao
W0,i
W1,i g
a1
Señales Wj,i Σini ai
de aj Señales
Entrada Wn,i de
Función Salida
an de Función Salida
Entrada de
Activación
RUSELL, NORVIG, 2003, 737

Donde:
ao, a1…..aj…..an son las señales de entrada a la red neuronal.
W0,i , W 1,i.....W j,i…..W n,I son los pesos sinápticos de las entradas.
g es la función de activación de la neurona.
ai es la señal de salida de la neurona.
Las redes neuronales están compuestas por nodos o unidades conectados por
enlaces directos. Un enlace de la unidad j a la unidad i sirve para propagar la
activación aj, desde j hasta i. Cada enlace tiene un peso numérico W j,i
asociado, el cual determina la fuerza y el signo de la conexión. Cada unidad i
primero computa una suma ponderada de sus entradas véase Ecuación 1:
28
Ecuación 1. Suma ponderada de las entradas de la red neuronal
Luego se aplica la función de activación g a esta suma, para así obtener la

salida véase Ecuación 2:
Ecuación 2. Ecuación para obtener la salida de la red neuronal
6.2.1 Funciones de Activación. La función de activación g es la encargada de

definir la salida de una neurona en términos del nivel de activación de su
entrada y debe cumplir dos requerimientos:
La unidad i debe estar “activa” (tendiendo a +1) cuando se dan las
entradas “correctas”, e “inactiva” (tendiendo a 0) cuando se dan las
entradas “incorrectas”.
La activación debe ser no-lineal, de otra manera, la red neuronal
completa colapsaría en una función lineal simple. (RUSELL, NORVIG,
2003, 737)
Existen miles de posibles funciones de activación g pero las más utilizadas se
pueden resumir a cuatro:
6.2.1.1 Función de Activación Lineal. Basándose en los dos requerimientos

de activación expuestos anteriormente, se observa que no es viable diseñar
una red neuronal artificial con una función de activación lineal ya que esta
colapsaría en una función lineal simple. Sin embargo se explicará este tipo de
función de activación.
Esta función produce una salida lineal modulada de la entrada in i descrita por la
ecuación g(ini )= α· ini. Donde la entrada ini fluctúa sobre los números reales y α
es un valor real constante positivo que regula la amplitud de las entradas
(BERNAL, GUTIERREZ, 1999, 29).
Gráficamente se puede ver cómo opera esta función en la Ilustración 5.
29
Ilustración 5. Función de Activación Lineal.
g(ini )
ini
BERNAL, GUTIERREZ, 1999, 29
6.2.1.2 Función de Activación de Umbral de Paso. Esta función produce

como salida únicamente dos valores predeterminados α y β (escalares
positivos), respondiendo al signo de la entrada. Si la entrada a la función ini
iguala o excede un valor predefinido δ, entonces la función producirá el valor α,
de otra forma, la función producirá el valor – β. Esta función se puede expresar
matemáticamente como (BERNAL, GUTIERREZ, 1999, 30):
Ecuación 3. Función de activación de umbral de paso
α si ini ≥ δ
g(ini )=
-β si ini < δ
La función de umbral de paso descrita anteriormente es la función general,
válida para cualquier par de escalares positivos α y β, pero típicamente en las
redes neuronales se trabaja con valores binarios α=1 y β=0, emitiendo +1 si la
entrada es positiva y 0 si no lo es. Con las asignaciones α=1, β=0 y δ=0, la
30
función de umbral de paso se convierte en la función binaria expresada
matemáticamente en la Ecuación 4.
Ilustración 6. Función de Activación de Umbral de Paso.
g(ini )
ini
β δ
Ecuación 4. Función de activación de umbral de paso con valores binarios
1 si ini ≥ 0
g(ini )=
0 en otro caso
Otra modificación muy común de esta función es cambiar el valor de β=0 por
β=-1, de esta manera se obtiene la función de activación bipolar (BERNAL,
GUTIERREZ, 1999, 30):
Ecuación 5. Función de activación de umbral de paso bipolar
1 si ini ≥ 0
g(ini )=
-1 en otro caso
31
6.2.1.3 Función de Activación de Rampa No Lineal o Seudolineal. Esta
función también conocida como función simétrica de saturación lineal, resulta
de una combinación de la función de activación lineal y la función de activación
de umbral de paso. Esta función define los límites inferior y superior en los
valores que dicha función produce y permite una respuesta lineal entre los
límites. Los valores límite, son conocidos como puntos de saturación. Esta
función se puede expresar matemáticamente en su forma general de la
siguiente forma:
Ecuación 6. Función de activación de rampa no lineal
α si ini ≥ α
ini si -α< ini <α

g(ini )=
-α si ini ≤-α
El valor α es el valor de saturación para la función y los puntos ini = α y ini =-α
es aquellos puntos donde la función g(ini ) tiene discontinuidades (BERNAL,
GUTIERREZ, 1999, 31).
Ilustración 7. Función de Activación de Rampa No Lineal.
g(ini )
+α
ini
-α

32
Al igual que la función de activación de umbral de paso, esta función es muy
comúnmente utilizada en el diseño de redes neuronales con valores binarios.
Matemáticamente esta función con estos valores binarios se puede expresar de
la siguiente manera:
Ecuación 7. Función de activación de rampa no lineal con valores binarios
1 si ini ≥ 1/2
g(ini )= ini si -1/2< ini <1/2
0 si ini ≤-1/2
Esta función puede tener dos casos especiales en los cuales puede operar o
como función de activación lineal o como función de activación de umbral de
paso:
Se puede volver una función de activación lineal si la región de
operación se mantiene sin llegar a la saturación.
Se puede volver una función de activación de umbral de paso si el factor
de amplificación de la región lineal se hace infinitamente grande, lo cual
causaría una región lineal acercándose a la vertical (HAYKIN, 1994,12).
6.2.1.4 Función de Activación de Umbral Sigmoidal. También es conocida

como función de activación logística ya que es la más usada entre estas y es
probablemente la más usada en la construcción de redes neuronales
artificiales. Es una función similar a la función de activación de rampa no lineal,
solo que hecha continua suavizando sus curvas por lo que se hace
diferenciable (BERNAL, GUTIERREZ, 1999, 31) véase Ilustración 8. Esta
función está representada matemáticamente de la siguiente manera:
Ecuación 8. Función de activación de umbral sigmoidal
33
O utilizando la función de la tangente hiperbólica, se puede representar
matemáticamente así:
Ecuación 9. Función de activación de umbral sigmoidal con tangente

hiperbólica
Ilustración 8. Función de Activación de Umbral Sigmoidal.
g(ini )
+α
+α
BERNAL, GUTIERREZ, 1999, 31.
Donde α>0, usualmente se utiliza α=1, lo cual proporciona una valor de salida
entre 0 y 1 (BERNAL, GUTIERREZ, 1999, 31-32).
6.2.2 Estructuras Neuronales. Se pueden clasificar principalmente de dos

formas: hacia delante o aciclicas y cíclicas o recurrentes. Las redes hacia
adelante pueden ser de una sola capa o multicapa. También existen
estructuras de latice o rejilla, pero no se profundizará en ellas ya que no son
relevantes al proyecto. Cabe señalar que las estructuras hacia delante o
feedforward son las más utilizadas actualmente.
34
6.2.2.1 Redes Neuronales Hacia Adelante de una Sola Capa. Una red con
las entradas conectadas directamente a las salidas es llamada red neuronal
hacia adelante de una sola capa, o red de perceptrón. Como cada unidad de
salida es independiente de la otra, cada peso afecta solo una de las salidas
(RUSELL, NORVIG, 2003, 737). Es aquella en la cual las neuronas o unidades
están organizadas en forma de capas. En la forma más simple de red neuronal
por capas, se tiene solo una capa de nodos de entrada, los cuales se proyectan
en una capa de neuronas de salida (nodos de computación), pero no viceversa.
Por eso se dice que este tipo de red es exclusivamente hacia adelante o
“feedforward”. Este tipo de red se llama de capa única debido a que no se
cuentan los nodos de entrada, ya que allí no se realiza ningún cómputo, solo se
cuenta la capa de los nodos de salida o neuronas ya que allí es donde se
realizan las computaciones. Los nodos de entrada, reciben señales del mundo
exterior, las cuales son interpretadas y multiplicadas por su peso, para llegar a
los nodos de salida, los cuales muestran su resultado al mundo exterior
(HAYKIN, 1994, 18).
En la Ilustración 9 se puede observar una red neuronal hacia delante de una
sola capa con cinco nodos de entrada y cinco nodos de salida.
Ilustración 9. Red Neuronal Hacia Adelante de una Sola Capa.
Unidades Pesos Capa de

de Sinápticos. Neuronas
Entrada W j,i de Salida
HAYKIN, 1994,18
35
6.2.2.2 Redes Neuronales Hacia Adelante Multicapa. Es una red que tiene
más de una capa de unidades, a diferencia de la red de una sola capa, en este
tipo de red se realizan cómputos en más de una capa de neuronas. Este tipo
de red tiene la capa de los nodos de entrada, en la cual no se realizan
cómputos; tiene al menos una capa de unidades ocultas (se les dice ocultas
debido a que no están en contacto con el mundo exterior) donde se realizan
cómputos; y tiene una capa de unidades de salida, en la cual también se
realizan cómputos y sus resultados son mostrados al mundo exterior. La
función de la capa de unidades ocultas es intervenir entre las entradas
externas, y las salidas de la red neuronal. Las señales de entrada del mundo
exterior, son las entradas de la primera capa oculta, allí se realiza un computo y
estas salidas se convierten en las señales de entrada de las segunda capa,
cuyas salidas serán las entradas de la tercera capa y así sucesivamente
dependiendo del número de capas que posea la red (HAYKIN, 1994, 19).
Las redes multicapa, pueden ser entrenadas para resolver problemas más
complicados que las redes de una sola capa.
En la Ilustración 10 se muestra la estructura de una red hacia delante multicapa
con cinco nodos de entrada, cinco nodos ocultos y tres nodos de salida.
Ilustración 10. Red Neuronal Hacia Adelante Multicapa.
Unidades Pesos Capa de Pesos Capa de

de Sinápticos. Neuronas Sinápticos. Neuronas
Entrada V j,i Ocultas W j,i de Salida
HAYKIN, 1994, 19.
36
6.2.2.3 Redes Neuronales Recurrentes. Las salidas de la red pueden
alimentar nuevamente sus mismas entradas. Estas redes se distinguen de las
redes hacia delante en que estas tienen al menos un lazo de retroalimentación,
por lo tanto se consideran cíclicas, ya que la salida depende del estado inicial
de la red, y el estado inicial, depende de la salida del ciclo anterior. Las redes
recurrentes pueden tener lazos de autoretroalimentacion, esto ocurre cuando
una salida de una neurona, se conecta directamente a su entrada. Así como las
redes por capas, las redes recurrentes pueden tener o no capas ocultas.
Al tener lazos de retroalimentación la red tiene la capacidad de tener memoria
a corto plazo ya que se produce un sistema dinámico que puede alcanzar un
estado estable, exhibir oscilaciones o hasta comportamiento caótico. Los lazos
de retroalimentación involucran el uso de ramificaciones particulares
compuestas de elementos de retardo unitario (denotados por Z -1) (HAYKIN,
1994, 21).
En la Ilustración 11 se ilustra un modelo de red neuronal recurrente sin
autoretroalimentacion ni capas ocultas y en la Ilustración 12 se ilustra un
modelo con capas ocultas y autoretroalimentacion.
Ilustración 11. Red Neuronal Recurrente Sin Autoretroalimentacion ni Capas

Ocultas.
Z-1
Z-1
Z-1
Z-1
Operadores de
Entradas retraso unitario
HAYKIN, 1994, 21
37
Ilustración 12. Red Neuronal Recurrente Con Autoretroalimentacion y Capas
Ocultas.
Z-1
Salidas
Z-1
Z-1
Z-1
Operadores de
retraso unitario
Entradas
HAYKIN, 1994, 21
6.3 APLICACIONES
Las redes neuronales han sido aplicadas a un número en aumento de

problemas en la vida real y de considerable complejidad, donde su mayor
aplicación es la solución de problemas que son bastante complejos para la
tecnología actual, tratándose de problemas que no tienen una solución
algorítmica o cuya solución algorítmica es demasiado compleja para ser
encontrada.
En general, debido a que son parecidas a las del cerebro humano, las redes
neuronales son bien nombradas ya que son buenas para resolver problemas
que el humano puede resolver pero las computadoras no. Estos problemas
incluyen el reconocimiento de patrones y la predicción del tiempo. De cualquier
forma, el humano tiene capacidad para el reconocimiento de patrones, pero la
38
capacidad de las redes neuronales no se ve afectada por la fatiga, condiciones
de trabajo, estado emocional, y compensaciones.
Entre las aplicaciones más comunes de las redes neuronales, están:
Reconocimiento de textos manuscritos.
Reconocimiento del habla.
Simulación de centrales de producción de energía.
Detección de explosivos.
Identificación de blancos de radares.
Sistemas de control en reactores, procesos químicos físicos etc.
Reconocimiento de patrones, voz y vídeo, Compresión de imágenes.
Estudio y predicción de sucesos muy complejos (ej. La bolsa).
Aplicaciones de apoyo a la medicina.
Todo tipo de aplicaciones que necesiten el análisis de grandes
cantidades de datos.
6.4 INSTITUTOS QUE TRABAJAN CON REDES NEURONALES
6.4.1 INSTITUTE FOR NEURAL COMPUTATION

El Instituto de Computación Neuronal (INC) es una unidad de investigación
organizada de la Universidad de California en San Diego. Cuenta con 44
miembros en 14 disciplinas diferentes de investigación y está dedicado a la
investigación y el desarrollo de una nueva generación de computadoras que
trabajen paralelamente a través de un planteamiento coherente y un
cohesionado plan de investigación que abarca las áreas de la neurociencia, la
ciencia visual, ciencia cognitiva, la inteligencia artificial, matemáticas, economía
y las ciencias sociales, ingeniería e informática.
El Instituto es el hogar de Neural Computation, una revista fundada por el Dr
Terrence Sejnowski y publicada por la MIT Press, dedicada a informar sobre
los últimos acontecimientos en estos campos. INC es un centro líder en el
campo de la computación neuronal, iniciando proyectos conjuntos de
investigación, proporcionando instalaciones especiales para llevar a cabo la
investigación, la coordinación y la formación de jóvenes investigadores, y
39
ofreciendo actividades especiales a través de su programa de afiliados
industriales.
Información Adicional:
Institute for Neural Computation
University of California, San Diego
9500 Gilman Drive DEPT 0523
La Jolla, California 92093-0523
Teléfono: (858) 534 - 8949
Fax: (858) 534 - 2014
Luisa Flores
e-mail: m2flores@ucsd.edu
http://inc2.ucsd.edu
6.4.2 NEURAL NETWORK RESEARCH GROUP
El UTCS Neural Networks Research Group fue fundado en 1992 por el profesor
Risto Miikkulainen. El grupo forma parte del Laboratorio de Inteligencia Artificial
en el Departamento de Ciencias de la Computación en la Universidad de Texas
en Austin. La investigación se concentra en las ciencias cognitivas,
neurociencia computacional, y computación evolutiva, incluyendo el
procesamiento del lenguaje natural, la memoria episódica, concepto y esquema
de aprendizaje, la corteza visual, y la evolución de redes neuronales en forma
consecutiva decisión tareas tales como la robótica, juego, y la optimización de
recursos.
Informacion Adicional:
E mail: risto@cs.utexas.edu
Telefono: (512) 471-9571; Fax: (512) 471-8885
Direccion Postal:
Department of Computer Sciences,
The University of Texas at Austin, 1 University Station C0500
Austin, TX 78712-0233 USA
http://nn.cs.utexas.edu/
40
7 SISTEMAS DIFUSOS
7.1 HISTORIA
El desarrollo de sistemas difusos comenzó en Estados Unidos más

específicamente en la Universidad de California, Berkeley, en 1965 en una
publicación del profesor Lotfi Zadeh. En los Estados Unidos, muchos
estudiosos del tema se opusieron a su teoría y afirmaron que esta no tendría
ningún futuro ni desarrollo científico aplicable. Hacia la década de los setenta,
se comenzó a aplicar en Europa la teoría de sistemas difusos y se
desarrollaron varias aplicaciones, lo que hacia la década de los ochenta,
incentivo el desarrollo de estos sistemas en Japón. Los japoneses
desarrollaron muchos tipos de sistemas de control basados en lógica difusa y
se fundaron varios institutos de investigación de sistemas difusos. Al comienzo
de la década de los noventa, Europa se percató de los grandes avances que
habían hecho los japoneses en sistemas difusos y quisieron desarrollarlos para
no perder este tipo de tecnología, lo que llamo la atención en los Estados
Unidos los cuales también quisieron participar de este tipo de tecnología. Así
fue como los sistemas difusos fueron inventados en Estados Unidos,
desarrollados en Europa y masificados en Japón. Luego del gran avance
logrado en Japón, se extendieron hacia Europa y retornaron a los Estados
Unidos (VON ALTROCK, 1995, 3-7).
7.2 DEFINICION
Muchas disciplinas matemáticas como la teoría de la probabilidad, teoría de la

información, y teoría de arreglos difusos, tratan la descripción de la
incertidumbre. Los sistemas difusos se basan en la incertidumbre, por ello es
muy importante clasificarla según el tipo. Se usan básicamente dos tipos de
incertidumbre: estocástica y léxica.
41
7.2.1 Incertidumbre Estocástica. Trata la incertidumbre o probabilidad acerca
de la ocurrencia de cierto evento. Por ejemplo “la probabilidad de dar en el
blanco es de 0.8”. El evento está bien definido, entonces la incertidumbre está
en que el blanco sea alcanzado o no. La incertidumbre esta cuantificada por un
grado de probabilidad (0.8 para el ejemplo). Afirmaciones que contengan
incertidumbre estocástica, pueden ser procesadas y combinadas con otras,
utilizando métodos estocásticos como teorema de Bayes (VON ALTROCK,
1995, 7).
7.2.2 Incertidumbre Léxica
Muy ligada al comportamiento humano y su lenguaje como forma de
comunicación. Este tipo de incertidumbre trata con la imprecisión que esta
inherente en muchas de las palabras que los humanos utilizan para evaluar
conceptos y desarrollar conclusiones. Por ejemplo: adjetivos modificativos del
sustantivo como hombre “alto”, días “calientes” etc. no tienen un significado
específico, ya que es relativo a la persona que tenga la apreciación. Un niño
tiene un concepto diferente de un hombre “alto” al que tiene un adulto. El
contexto y el ambiente también juegan un papel muy importante en la
apreciación que una persona puede tener sobre otra para considerarla “alta” o
no. No existe una definición exacta para considerar una persona “alta” o no. No
existe una ley que determine un umbral por encima del cual una persona se
considere “alta” o no. Si existiera, esta ley no tendría sentido ya que por
ejemplo si una ley dice que una persona es alta si mide más de 1.80 mt,
entonces implicaría que si una persona mide 1.79 mt no es para nada alta.
La ciencia que trata con la manera en que los humanos evalúan conceptos y
toman decisiones, es la psicolingüística. Esta probado que los humanos utilizan
palabras como categorías subjetivas para clasificar figuras como “altura”,
“temperatura” etc. Utilizando estas categorías subjetivas, los temas en el
mundo real son evaluados según el grado en que satisfacen el criterio.
Aunque muchos de los conceptos utilizados no están definidos precisamente,
los humanos pueden usarlos para evaluaciones complejas y decisiones que
están basadas en diferentes factores. Utilizando abstracción y pensando en
analogías unas pocas sentencias, pueden describir contextos complejos que
42
serian muy difícil de modelar con precisión matemática. Por ejemplo considere
la siguiente oración: “Nosotros probablemente tendremos un exitoso año
financiero”. En una primera mirada, esta oración es muy parecida a la del
ejemplo de incertidumbre estocástica, en el contexto de que las dos expresan
incertidumbre. En esta última, el evento como tal no está bien definido, ya que
para algunas compañías, un año exitoso puede significar que superar la
bancarrota, para otras puede significar superar las ganancias del año anterior o
superar un valor de utilidades previamente establecido. Por lo tanto el concepto
de “año financiero exitoso” es una categoría subjetiva.
Una diferencia fundamental entre incertidumbre estocástica y léxica, es la
forma en que la probabilidad está siendo expresada, mientras que en la
estocástica, la probabilidad se expresa matemáticamente, en la léxica, la
probabilidad no se cuantifica (VON ALTROCK, 1995, 8-9).
7.2.3 Lógica Difusa
Ha sido desarrollada como un modelo matemático para representar el proceso
de decisión y evaluación de los humanos de una manera algorítmica (VON
ALTROCK, 10, 1995).
En un arreglo difuso, se comparan valores extremos (máximos y mínimos) para
de esta manera determinar en qué punto está el valor que se tiene. Por ejemplo
se asume que un paciente tiene fiebre alta si su temperatura corporal supera
los 102º F pero esto no quiere decir que si un paciente tiene una temperatura
de 101.9º F no sufre de fiebre. En un arreglo convencional la fiebre alta estaría
descrita exactamente por encima del valor de 102º F (véase Ilustración 13)
pero en un arreglo difuso, también se pueden contener valores que puedan
pertenecer más o menos al subconjunto. (Véase Ilustración 14 )
43
Ilustración 13. Arreglo Convencional para un Conjunto de Temperaturas
Corporales
100.8º F Subconjunto
de pacientes
con “fiebre
102º F alta”
107º F
104º F
Subconjunto
de pacientes
99.2º F
sin “fiebre
98.4º F
101.9º F alta”
VON ALTROCK, 1995, 12.
Ilustración 14. Arreglo Difuso de Pacientes con “Fiebre Alta”
Arreglo
100.8º F Difuso de
Pacientes
con “fiebre
106.9º F
alta”
105.4º F
102.6º F
101.6º F
99.1º F
98.4º F

En la Ilustración 13 se ilustra un arreglo convencional en el cual los valores
pueden estrictamente pertenecer o no al subconjunto de “fiebre alta”, mientras
44
que en la Ilustración 14 se ilustra un subconjunto difuso en el cual los valores
pueden pertenecer “más o menos” al subconjunto. La escala de grises indica el
grado en el cual la temperatura corporal pertenece al subconjunto de “fiebre
alta”.
Este grado se conoce como “grado de pertenencia”, e indica que tan ligado
esta al grupo. Estos valores van desde 0 hasta 1. En el ejemplo anterior, la
temperatura de 94º F no pertenecería para nada al subconjunto, mientras que
una temperatura de 110º F pertenecería totalmente al grupo de “fiebre alta”.
El grado de pertenencia puede ser representado por una función continua. En
la Ilustración 15 se ilustra una función continua que representa el caso de fiebre
alta.
Ilustración 15. Función Continua Del Caso de Fiebre Alta.
μ(x)
0.5
Temperatura
96 98 100 102 104 106 108 110
(ºF)
En esta función se representa en el eje x la temperatura de los pacientes,

mientras que en el eje y se representa el grado de pertenencia al subconjunto
de fiebre alta.
45
A continuación se presentaran algunos grados aproximados de pertenencia al
subconjunto de fiebre alta.
μ(94ºF)=0 μ(100ºF)=0.1 μ(106ºF)=1
μ(96ºF)=0 μ(102ºF)=0.35 μ(108ºF)=1
μ(98ºF)=0 μ(104ºF)=0.65 μ(110ºF)=1
En los arreglos borrosos se pueden hacer combinaciones de múltiples
categorías subjetivas describiendo el mismo contexto. Por ejemplo para el caso
de la fiebre alta, también se pueden describir de manera gráfica, los valores
para temperatura baja, normal, elevada y fiebre alta (véase Ilustración 16).
Ilustración 16. Función Continua Del Caso de Fiebre Para Varias Temperaturas
y Clasificaciones.
μ(x)
Baja Normal Elevada Fiebre Alta

1
0.5
0
96 98 100 102 104 106 108 110 Temperatura (ºF)
Así por ejemplo una temperatura de 100º F podría tener dos valores diferentes
según su grado de pertenencia. Para el subconjunto de fiebre elevada
μ(100ºF)=0.8 mientras que para el subconjunto de fiebre alta μ(100ºF)=0.15.
En los sistemas difusos, no es posible aplicar los operadores boléanos, ya que
un valor no puede ser mas o menos verdadero, por lo tanto fue necesario
definir nuevos operadores que representen el AND, OR y NOT (VON
ALTROCK, 1995, 23).
46
AND: μA۸B =min {μA, μB}
OR: μA۷B =max {μA, μB}
NOT: μ⌐A = 1- μA
La lógica difusa, utiliza la regla If-Then (Si-Entonces), y esta computación
consiste en dos componentes:
Agregación: Computación de la parte “If” de la regla.
Composición: Computación de la parte “Then” de la regla.
A partir de aquí se pueden desarrollar sentencias para crear una regla
completa que modele un problema en lógica difusa (VON ALTROCK, 1995, 22-
23).
7.3 APLICACIONES
La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es

muy alta y no existen modelos matemáticos precisos, para procesos altamente
no lineales y cuando se envuelven definiciones y conocimiento no
estrictamente definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algún modelo matemático ya
soluciona eficientemente el problema, cuando los problemas son lineales o
cuando no tienen solución.
A continuación se citan algunos ejemplos de su aplicación:
Sistemas de control de acondicionadores de aire.
Sistemas de foco automático en cámaras fotográficas.
Electrodomésticos familiares (Frigoríficos, lavadoras...)
Optimización de sistemas de control industriales
Sistemas de reconocimiento de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un
experto humano)
Tecnología informática
Bases de datos difusas: Almacenar y consultar información imprecisa.
Para este punto, por ejemplo, existe el lenguaje FSQL.
47
En sistemas de control que no dependen de un Sí/No. (WIKI2 @ 2008)
En el Anexo 4 de la sección 18.4 se muestra un ejemplo de sistema de
diagnostico desarrollado aplicando sistemas difusos. Este sistema fue
desarrollado como proyecto de maestría en el Grupo de Estudios en
Mantenimiento Industrial – GEMI de la universidad EAFIT. Se presenta debido
a que el desarrollo esta enfocado al objeto de estudio planteado en el presente
proyecto, el cual será expuesto en el numeral 13.1.
7.4 INSTITUTOS QUE TRABAJAN CON SISTEMAS DIFUSOS
7.4.1 FUZZY SYSTEMS RESEARCH GROUP. Grupo de investigación

conjunto de Rhodes University y Univerity of Fort Hare en Sudafrica, cuyo
enfoque es el de desarrollo de sistemas difusos con profesores pioneros en la
materia.
Este grupo se centra en la investigación de matemáticas difusas y sus
aplicaciones a la teoría de sistemas, ya sean sistemas de información,
sistemas médicos, sistemas operativos o sistemas que se plantean en los
ámbitos social, económico, científico o administrativo. Cabe destacar que este
grupo no se limita al estudio de conjuntos y sistemas difusos, sino que alienta
la investigación en áreas afines. La estrategia del grupo se articula en torno a
cuatro grandes principios: la complementariedad, la coherencia, la sinergia y la
eficacia.
Informacion Adicional:
http://www.ru.ac.za/affiliates/fuzzysystems/index.php
Prof V. Murali (Rhodes University)
E-mail: v.murali@ru.ac.za
Prof. B.B. Makamba (University of Fort Hare)
E-mail: BMakamba@ufh.ac.za
Dr. G. Lubczonok (Rhodes University)
E-mail: g.lubczonok@ru.ac.za
Dr. C.C. Remsing (Rhodes University)
E-mail: c.remsing@ru.ac.za
Mr Z.Mahlasela (University of Fort Hare)
48
E-mail:ZMahlasela@ufh.ac.za
7.4.2 THE FUZZY SYSTEMS RESEARCH GROUP. Grupo de investigación
en sistemas difusos establecido en el Centre For Computational Intelligence en
la University of Essex, UK.
El Fuzzy Systems Research Group se dedica a hacer una importante
contribución a los fundamentos teóricos y aplicaciones en el mundo real de
sistemas difusos. El grupo es un reconocido líder internacional en las áreas de
sistemas de control basados en lógica difusa y sistemas difusos híbridos.
Informacion Adicional
http://cic.essex.ac.uk/fuzzy/
The Computational Intelligence Centre,
Fuzzy Systems Research Group,
University of Essex,
Wivenhoe Park, Colchester CO4 3SQ,
United Kingdom.
Telefono: +44 1206 873601
Fax: +44 1207 872788
Email: hani@essex.ac.uk
49
8 REDES BAYESIANAS
8.1 HISTORIA
Es muy reciente, ya que esta surge como teoría en la década de 1980. Desde
este tiempo, se ha ido intensificando la investigación acerca de las redes
bayesianas como herramienta para ayuda a la toma de decisiones basado en
probabilidades.
Los fundamentos de las redes bayesianas vienen de más atrás ya que en
1913 John Henry Wigmore utilizó un tipo de variante de estas redes para
analizar evidencia de juicio. Pocos años más tarde, en la década de 1920 el
biólogo Sewall Wright combinó gráficas dirigidas y modelos de regresión lineal
para inventar los análisis de ruta crítica. Estos modelos fueron estudiados más
a fondo por Herbert Simon y Hubbert Blalock.
Basándose en las teorías de Markov (cadenas de Markov) y Bayes (teorema
de Bayes), los investigadores fueron desarrollando teorías hasta llegar a
implementarlas en lo que hoy se conoce como las redes bayesianas.
En la década de 1990, las redes bayesianas atrajeron mucha atención como
una estructura para construir sistemas normativas, no solo en institutos de
investigación, sino también en la industria.
8.2 DEFINICION
Modelo grafico probabilístico que representa un arreglo de variables y sus

independencias probabilísticas. Refleja los estados de una parte del mundo
que está siendo modelada y que describe como esos estados están
relacionados a través de probabilidades condicionales. Todos los posibles
estados del modelo representan todos los posibles mundos que pueden existir,
es decir, todas las posibles formas en que las partes o estados pueden ser
configurados. En un sistema causal, algunos estados tienden a ocurrir más
frecuentemente cuando otros estados están presentes (si está nublado, las
probabilidades de llover son más altas).
50
Las redes bayesianas están demostrando ser muy útiles porque son
adaptables. Es posible comenzar con un conocimiento limitado acerca del
dominio, y aumentarlo a la medida que se sepa mas.
8.2.1 Aspectos Básicos de las Redes Bayesianas. Muchas tareas prácticas

se reducen al problema de clasificación. Los diagnósticos de fallos son uno de
estos ejemplos. Una red bayesiana ayuda a abordar el problema de
clasificación de manera que soluciona problemas que otros métodos
solucionan parcialmente:
Capacidad de mezclar conocimiento a priori con datos o conocimiento
experimental.
Capacidades explicativas.
Tratamiento de la incertidumbre – tratamiento de la causalidad.
Aprendizaje en asuntos estructurales y paramétricos.
Las redes bayesianas son una combinación de dos áreas matemáticas
diferentes: teoría de grafos y teoría de la probabilidad. Se pueden definir como
la representación de una distribución de probabilidad conjunta definida sobre
un conjunto finito de variables aleatorias, que puede ser discreto o continuo.
La representación es un grafo dirigido aciclico que se compone de nodos, que
representan variables aleatorias, y arcos, que representan dependencias entre
las variables. Hay una distribución de probabilidad condicional asociada a cada
nodo que describe la dependencia entre el nodo y sus padres. La Ilustración 17
muestra un ejemplo de red bayesiana.
Ilustración 17. Representación grafica de un modelo de probabilidad simple.
U (unbalance) M (misalignment)
Arco
I (incr) S (speed)
1X 2X
51
Aquí se puede observar un grafo dirigido aciclico donde cada arco está dirigido
y no hay ciclos. Contiene cinco nodos (variables aleatorias discretas) que
corresponden a diferentes estados que pueden ocurrir en el sistema:
Unbalance (U) (desbalanceo), Misalignment (M) (desalineamiento), Increase
Speed (IS) (incremento de amplitud de vibraciones cuando incrementa la
velocidad), picos de amplitud altos en la frecuencia fundamental (1X) y picos de
amplitud altos en 2ª armónica (2X). Esta representación grafica sirve para
representar las suposiciones dependientes e independientes, que encamina a
desarrollar una distribución de probabilidad conjunta. Por ejemplo, se puede
decir que 2X es condicionalmente dependiente de M, pero es condicionalmente
independiente de U dado M.
Es decir, P(2X I U,M)= P(2X I M)
Se puede decir también que 1X y 2X son condicionalmente independientes
bajo un fallo de eje dado.
Es decir, P(1X I M,2X)= P(1X I M)
Dicho esto, se puede ver que la distribución de probabilidad conjunta es, en
este caso, reducida por factorización a los términos incluidos en:
P(U, M, IS, 1X, 2X)= P(U)* P(M)*P(1X I U,M)*P(2X I M)*P(IS I U) =
P(+U)* P(+M)*P(+1X I+ U,+M)*P(+2X I +M)*P(+IS I +U)+ P(+U)* P(+M)*P(+1X
I+ U,+M)*P(+2X I +M)*P(+IS I -U)+ P(+U)* P(+M)*P(+1X I+ U,+M)*P(+2X I
+M)*P(-IS I +U)+……………………………+P(-U)* P(-M)*P(-1X I-U,-M)*P(-2X I -
M)*P(-IS I -U)
8.2.2 Redes Bayesianas Como Sistemas Expertos Probabilísticos. Por la

teoría de la probabilidad, se conoce que se pueden inferir muchas
probabilidades P(2X I M) = P(M)*P(M I 2X) / P(2X) mediante el uso del
teorema de Bayes y las probabilidades condicionales. Esto se usa para inferir
la probabilidad de desalineamiento (M) tomando como evidencia la aparición de
un pico de amplitud en la 2ª armónica (2X), pero también puede trabajar en la
dirección opuesta, haciéndolo útil, por ejemplo, para reforzar otras causas
(como desbalanceo) si ya se sabe que no hay desalineamiento en el sistema.
52
Mediante los mecanismos de inferencia apropiados, el tratamiento de las
distribuciones condicionales parciales permite el cálculo de probabilidades de
cualquier nodo en la red dada una evidencia.
Las descripciones de arriba de probabilidades condicionales y distribuciones de
probabilidad, se usaron mucho antes de que surgieran las redes bayesianas.
Por Ejemplo, Prospector fue uno de los primeros sistemas expertos en usar
teorema de Bayes para el tratamiento de la incertidumbre. Sin embargo, los
enfoques probabilísticos fueron, en principio difíciles de seguir debido a la
dificultad de representar/definir la distribución de probabilidad conjuntas de
diversas variables.
La solución vino una década después a través del desarrollo de modelos
gráficos probabilísticos, cuyos dos principales exponentes fueron los modelos
de Markov ocultos y los modelos Bayesianos, y cuya principal característica fue
la asociación de modelos gráficos con factores de probabilidad condicional y la
inclusión de algoritmos apropiados para manejar estas distribuciones. Haciendo
esto, las redes Bayesianas desarrollaron un proceso de inferencia- inferencia
probabilística- que puede ser comparada a la de los sistemas expertos:
La base de conocimientos está compuesta de hechos en ambos casos,
pero en lugar de reglas, los sistemas expertos probabilísticos incluyen
distribuciones de probabilidad condicional.
El motor de inferencia se dirige ahora mediante la teoría de la
probabilidad que activa las probabilidades condicionales mediante
diferentes algoritmos que normalmente aportan inferencias apropiadas.
El modelado de redes bayesianas se ajusta completamente a las nuevas
tendencias existentes en la ingeniería del conocimiento: el cambio de la
adquisición del conocimiento a modelado del conocimiento. Las redes
bayesianas y las metodologías de modelado del conocimiento comparten la
necesidad de una representación del conocimiento adecuada a través del
modelado del problema dentro de las plantillas disponible. En ambos casos, los
sistemas basados en conocimiento se pueden ver como antecedentes. Con
respecto a esto, las redes bayesianas se pueden ver como sistemas de
53
representación del conocimiento especiales que se ajustan a la representación
de semánticas causales (Arnaiz et al, 2005, 39-46).
8.3 APLICACIONES
Las redes bayesianas han sido desarrolladas en la industria mayormente en la

última veintena y han sido aplicados en un gran número de campos que se
describirán a continuación:
En el campo académico se han desarrollado sistemas inteligentes de ayuda a

la tutoría en campos como la física. En la biología se han desarrollado técnicas
de aprendizaje de relaciones causales genéticas y métodos de reconstrucción
de arboles filogenéticos. En los negocios y las finanzas se modelo y predijo el
comportamiento de clientes en una gran variedad de configuraciones de
negocios. Otro desarrollo en el campo de las finanzas fue la segmentación de
los clientes bancarios. En juegos computacionales se han desarrollado
simulaciones de la evolución del mundo. En el campo del hardware
computacional se han desarrollado sistemas para el diagnostico de fallos en
procesadores. Las redes bayesianas también se han aplicado en el desarrollo
de sistemas de soporte al diagnostico. En el campo de la medicina se han
hecho grandes adelantos utilizando redes bayesianas en el diagnostico de
traumas, desordenes del sueño, dermatología, patologías etc. En el
procesamiento de lenguaje natural se han utilizado para representar contenido
semántico, relacionar palabras utilizadas para expresar conceptos, inferir
palabras omitidas en oraciones debido a errores, etc. En la planeación se han
aplicado redes bayesianas dinámicas para la planeación y control bajo
condiciones de incertidumbre. En la psicología se han desarrollado
aplicaciones para la rama de la psicología cognitiva. Para análisis de
confiabilidad se han desarrollado sistemas para el análisis en plantas
generadoras de potencia, vehículos militares etc. También se han desarrollado
aplicaciones para el reconocimiento de voz y control vehicular.
54
8.4 INSTITUTOS QUE TRABAJAN CON REDES BAYESIANAS
8.4.1 DAGS. Es el grupo de investigación de la profesora Daphne Koller cuyo

principal objetivo es la investigación sobre el control de dominios complejos que
implican grandes cantidades de incertidumbre. Su trabajo se basa en el marco
de la teoría de la probabilidad, teoría de decisión y la teoría de juegos, pero
utiliza técnicas de inteligencia artificial e informática que permita aplicar este
marco a complejos problemas del mundo real.
La mayor parte de su trabajo se basa en el uso de modelos gráficos
probabilísticos como las redes bayesianas, diagramas de influencia de Markov
y procesos de toma de decisiones. Dentro de ese tema su trabajo se ve
representado en muchas áreas como la representación, inferencia y
aprendizaje, así como la toma de decisiones. Uno de sus objetivos principales
ha sido la ampliación del poder de representación del lenguaje del modelo
probabilístico gráfico para abarcar un mayor dominio de problemas del mundo
real.
Professor Daphne Koller
Room 142, Gates Building 1A
Computer Science Department
Stanford University
Stanford, CA 94305-9010
Telefono: (650) 723-6598
Fax: (650) 725-1449
E mail: koller@CS.Stanford.EDU
http://dags.stanford.edu/
55
9 SISTEMAS EXPERTOS
9.1 HISTORIA
La evolución histórica de los sistemas expertos ha sido clasificada en cuatro

etapas, las cuales se describirán a continuación.
9.1.1 Etapa de Invención. Comprendida entre los años de 1965 y 1970, años
entre los cuales se desarrollaron los sistemas que hoy se consideran
precursores como el DENDRAL de la Universidad de Stanford iniciado en 1965,
o el MACSYMA, el cual es un sistema experto en matemáticas desarrollado en
el MIT.
9.1.2 Etapa de Prototipos. Comprendida entre 1970 y 1977, fue en ella donde
se desarrollaron los primeros prototipos de sistemas expertos, los cuales son
muy conocidos en el medio. Por ejemplo en la Universidad de Pittsburg se
desarrollo el sistema INTERNIST para el diagnostico medico. Luego en 1973
se desarrolla el MYCIN el cual es un sistema experto para diagnostico y
tratamiento en oftalmología y de allí surge el primer Shell (o armazón) llamado
EMYCIN.
9.1.3 Etapa de Experimentación. Comprendida entre 1977 y 1981. En esta
etapa, las ideas obtenidas sobre la representación del conocimiento como
reglas en los prototipos, se van asentando y allí aparecen los llamados “Shells”
o “Sistemas Esenciales”, lo que permite que se desarrollen rápidamente otros
Sistemas Expertos. En 1977 se desarrolla el OPS el cual es un Shell de un
sistema experto. Un Shell es el resultado de “vaciar” o eliminar el conocimiento
de la base de datos y conservar todos los demás módulos. De esta manera
este Shell se convierte en una herramienta para construir sistemas expertos en
otras áreas y con otros conocimientos. De allí que utilizando los shells de un
sistema experto, se de paso a la creación de otros, por ejemplo del sistema
PROSPECTOR, se derivo KAS (Knowledge Aquisition System).
56
9.1.4 Etapa de Industrialización. Comienza en 1981 ya que es en este año
donde se fundan la primera empresa especializada en el desarrollo de sistemas
expertos, TEKNOWLEDGE. Y es a partir de allí que empresas tecnológicas
como Xerox, Texas y otras, se interesen por la inteligencia artificial e IBM la
cual había perdido el interés por la inteligencia artificial, retome el interés en
esta y comercializa su producto INTELLEC. Es en el año de 1982 cuando se
empieza el proyecto japonés de quinta generación para desarrollar
computadores inteligentes (LONDOÑO, 1988, 5-7).
9.2 DEFINICION
A continuación se mostrarán algunas definiciones de sistemas expertos:

Sistemas de computación que utilizan un conocimiento específico para
resolver problemas que solo pueden ser resueltos por expertos
(LONDOÑO, 1988, 5).
Programa computacional que representa y razona con conocimientos de
algún especialista en un tema especifico, con el fin de resolver problemas o
dar consejos (JACKSON, 1990, 3).
Sistema que cumple completamente una función que normalmente
requeriría experiencia humana, o puede cumplir el papel de asistente a la
toma de decisiones (JACKSON, 1990, 3).
9.3 CARACTERISTICAS
Un sistema experto simula el razonamiento humano acerca de un problema

de dominio de un experto, en lugar de simular el mismo el dominio. Esto
distingue los sistemas expertos de otros programas más familiares que
incluyen modelación matemática. Lo que no quiere decir que el programa es
un fiel modelo psicológico del experto, simplemente es que la atención se
fija a la emulación de la capacidad de resolución de problemas de un
experto; es decir, la realización de las tareas pertinentes, tal como, o mejor
que el experto.
57
Un sistema experto realiza razonamiento más que representaciones de los
conocimientos humanos, además de realizar cálculos numéricos o
recuperación de datos. El conocimiento en el programa normalmente se
expresa en algún lenguaje con fines específicos y esta separado del código
que lleva a cabo el razonamiento. Estos distintos módulos del programa se
conocen como la base de conocimientos y el motor de inferencia,
respectivamente.
Los sistemas expertos resuelven los problemas por métodos heurísticos o
aproximados, que a diferencia de las soluciones algorítmicas, no tienen el
éxito garantizado. La heurística1 es esencialmente una regla de oro que
codifica una porción de conocimientos sobre la manera de resolver los
problemas en algún dominio. Tales métodos son aproximados en el sentido
de que no requieren datos perfectos y las soluciones derivadas por el
sistema pueden ser propuestas con distintos grados de certeza.
Un sistema experto se diferencia de otros programas que utilicen inteligencia
artificial debido a las siguientes características que poseen los sistemas
expertos:
Los sistemas expertos tratan temas de realidad compleja que normalmente
requieren de una gran cantidad de conocimientos de un experto humano.
Muchos programas de inteligencia artificial son realmente vehículos de
búsqueda, y pueden por lo tanto centrarse en problemas matemáticos
abstractos o versiones simplificadas de problemas reales para adquirir
conocimientos o refinar sus técnicas. Por otro lado, los sistemas expertos
resuelven problemas de genuino interés científico o comercial.
Un sistema experto debe mostrar alto desempeño en términos de velocidad
y confiabilidad para ser una herramienta útil. Los vehículos de búsqueda de
inteligencia artificial, no deben tener mucha velocidad y pueden cometer
errores, ya que ellos son programas, no software apoyado. Un sistema
1
Heurística: Trata métodos o algoritmos exploratorios durante la resolución de problemas en los
cuales las soluciones se descubren por la evaluación del progreso logrado en la búsqueda de un
resultado final.
58
experto debe proponer soluciones en un tiempo razonable y debe ser
acertado en la mayoría de las veces, al menos como un experto humano.
El sistema experto debe ser capaz de explicar y justificar sus soluciones o
recomendaciones al usuario, para convencerlo que su razonamiento es de
verdad correcto. Los programas de búsqueda son usualmente utilizados por
sus creadores o por otro personal en laboratorios similares. Un sistema
experto será utilizado por un amplio rango de usuarios, por lo tanto debe ser
diseñado de tal manera que sea entendible y sus procesos más sencillos
(JACKSON, 1990, 5).
9.4 COMPONENTES DE UN SISTEMA EXPERTO
Un sistema experto está compuesto mínimamente por:

La base de conocimientos.
Mecanismo de inferencia.
Memoria de trabajo (base de hechos).
Interfaces (con el usuario, con el desarrollador y con otros
sistemas).
También puede tener un subsistema de explicación o justificador y un

subsistema de aprendizaje. La estructura de un sistema experto se puede ver
en la Ilustración 18. A continuación se explicara detalladamente cada uno de
estos componentes.
9.4.1 Base de Conocimientos. La información contenida en la base de

conocimientos es una colección de normas que componen el conocimiento de
un especialista en un área determinada. En ellas esta todo lo necesario para
comprender, formular y resolver el problema. Mientras más amplia sea la base
de conocimientos, mayor capacidad tendrá el sistema experto para resolver
problemas (JARAMILLO, VELASQUEZ, 1993, 7).
La base de conocimientos está compuesta por dos elementos básicos:
- Hechos: Se encuentra la situación del problema la cual tiene un nombre
de relación, seguido por cero o más ranuras y sus valores asociados.
Por ejemplo:
59
Persona (Nombre “Pepito Pérez”)
(Edad “25”)
(Altura “1.75 mt”)
Aquí el nombre de relación seria “persona” y el hecho contendría tres ranuras,
las cuales serian: nombre, edad y altura.
- Reglas: Estas dirigen la utilización del conocimiento para resolver
problemas. Mayormente son del tipo If-Then (Si- Entonces)
(RESTREPO, 1993, 12).
Por ejemplo:
Si la luz esta roja.
Entonces detenga el vehículo.
Ilustración 18. Estructura Básica de un Sistema Experto.
Usuario Experto
Adquisición de Conocimientos
Datos de la
Situación
Desarrollador
Experto
Interfaz Del
Usuario Interfaz De
Desarrollo
Acción Justificación
Recomendada
Mecanismo Base de Hechos

de Inferencia Conocimientos Reglas
Memoria de Interfaz Con

Trabajo Otros Sistemas
RESTREPO, 1993, 12.
60
9.4.2 Mecanismo de Inferencia. También es llamado motor de inferencia, y es
quizás la parte más importante de un sistema experto, ya que recorre todas las
reglas que componen la base de conocimientos con el fin de solucionar un
problema. Este hace inferencias al decidir cuales reglas satisfacen los hechos u
objetos, da prioridad a las reglas satisfechas y ejecuta la regla de mayor
prioridad (JARAMILLO, VELASQUEZ, 1993, 8).
9.4.3 Memoria de Trabajo. También es conocida como base de hechos, ya

que en ella se mantienen los conocimientos activos. Allí se mantiene una parte
de la base de conocimientos, reservada para la descripción del problema
actual, tal como lo especifican los datos de entrada; también es utilizada para
registrar resultados intermedios. Esta memoria conserva hipótesis y decisiones
de tres tipos:
Plan: Describe en forma general como se puede atacar el problema.
Agenda: Acciones potenciales esperando ejecución.
Solución: Hipótesis y decisiones candidatas que el sistema ha arrojado hasta el
momento así como las dependencias que relacionan una decisión con otra
(RESTREPO, 1993, 12).
9.4.4 Interfaces. Este componente hace posible la interacción entre varios

tipos de entidades con el sistema experto. Las interfaces pueden ser de varios
tipos:
Interfaz con el usuario: Maneja la relación directa entre el usuario y el sistema
experto, presentándole preguntas para ayudar a la inferencia, o conclusiones
que haya desarrollado el sistema así como algún tipo de explicación de cómo
se llego a esta conclusión, si el sistema cuenta con este módulo (JARAMILLO,
VELASQUEZ, 1993, 9).
Interfaz con el desarrollador: Maneja la relación con el desarrollador del
sistema para hacerle posible la actualización de la base de conocimientos o
hacer mejoras al sistema.
61
Interfaz con otros sistemas: Maneja la relación con otros sistemas como por
ejemplo bases de datos, aplicaciones o hardware como sensores para la
adquisición de datos (RESTREPO, 1993, 14).
9.4.5 Subsistema de Explicación. También se conoce como justificador y este

se encarga de explicarle al usuario como se llego a determinada conclusión,
porque se llegó o no a esta o qué tipo de información adicional se necesita para
garantizar la confiabilidad de los resultados (RESTREPO, 1993, 15).
9.4.6 Subsistema de Aprendizaje. Es un subsistema que permite al sistema

experto mejorar sus conocimientos a partir de la experiencia, tal como lo haría
un experto humano. Este lo hace analizando las razones de sus éxitos y
fracasos para perfeccionar la base de conocimientos y así ser más eficaz y
efectivo en el futuro. No muchos sistemas expertos comerciales cuentan con
este subsistema de aprendizaje por lo que su actualización se remite
únicamente al desarrollador (RESTREPO, 1993, 15).
9.5 CICLO DE VIDA DE UN SISTEMA EXPERTO
Describir una metodología exacta para el desarrollo de sistemas expertos es

muy difícil, ya que estos aplican para un sinnúmero de ramas, y para cada una
de ellas el método seria ligeramente distinto, pero realizando un análisis de
varios sistemas expertos, se pueden identificar algunos elementos comunes
para ellos, los cuales permiten trazar un esquema de implementación para un
proyecto especifico. Una metodología muy completa para el desarrollo de un
sistema experto se muestra a continuación en trece pasos que van desde un
análisis de factibilidad hasta el mantenimiento post-utilización.
Análisis de la factibilidad de la aplicación.

Formulación de requisitos.
Diseño conceptual.
Escogencia de las fuentes de conocimiento: Experto, Documentos, etc.
62
Conformación del equipo humano de desarrollo
Selección de herramienta de desarrollo y equipo de cómputo.
Adquisición y representación del conocimiento.
Verificación del prototipo.
Validación del prototipo.
Corridas de pasos de prueba.
Entrega a los usuarios.
Utilización o explotación
Mantenimiento, Actualizaciones.(RESTREPO, 1993, 15-16)
9.6 APLICACIONES
Los sistemas expertos tienen una amplia aplicación en distintas aéreas

dependiendo de los conocimientos del experto. A continuación se expondrán
algunas de ellas.
9.6.1 Monitorización. Es un caso particular de la interpretación, y consiste en

la comparación continua de los valores de las señales o datos de entrada y
unos valores que actúan como criterios de normalidad o estándares. En el
campo del mantenimiento predictivo los Sistemas Expertos se utilizan
fundamentalmente como herramientas de diagnóstico. Se trata de que el
programa pueda determinar en cada momento el estado de funcionamiento de
sistemas complejos, anticipándose a los posibles incidentes que pudieran
acontecer. Así, usando un modelo computacional del razonamiento de un
experto humano, proporciona los mismos resultados que alcanzaría dicho
experto.
9.6.2 Diseño. Diseño es el proceso de especificar una descripción de un

artefacto que satisface varias características desde un número de fuentes de
conocimiento.
El diseño se concibe de distintas formas:
63
El diseño en ingeniería es el uso de principios científicos, información
técnica e imaginación en la definición de una estructura mecánica,
máquina o sistema que ejecute funciones específicas con el máximo de
economía y eficiencia.
El diseño industrial busca rectificar las omisiones de la ingeniería, es un
intento consciente de traer forma y orden visual a la ingeniería de
hardware donde la tecnología no provee estas características.
Los SE en diseño ven este proceso como un problema de búsqueda de una
solución óptima o adecuada. Las soluciones alternas pueden ser conocidas de
antemano o se pueden generar automáticamente probándose distintos diseños
para verificar cuáles de ellos cumplen los requerimientos solicitados por el
usuario, ésta técnica es llamada “generación y prueba”, por lo tanto estos SE
son llamados de selección. En áreas de aplicación, la prueba se termina
cuando se encuentra la primera solución; sin embargo, existen problemas más
complejos en los que el objetivo es encontrar la solución más óptima.
9.6.3 Planificación. La planificación es la realización de planes o secuencias

de acciones y es un caso particular de la simulación. Está compuesto por un
simulador y un sistema de control. El efecto final es la ordenación de un
conjunto de acciones con el fin de conseguir un objetivo global.
Los problemas que presentan la planificación mediante SE son los siguientes:
Existen consecuencias no previsibles, de forma que hay que explorar y
explicar varios planes.
Existen muchas consideraciones que deben ser valoradas o incluirles un
factor de peso.
Suelen existir interacciones entre planes de sub-objetivos diversos, por
lo que deben elegirse soluciones de compromiso.
Trabajo frecuente con incertidumbre, pues la mayoría de los datos con
los que se trabaja son más o menos probables pero no seguros.
Es necesario hacer uso de fuentes diversas tales como bases de datos.
64
9.6.4 Control. Un sistema de control participa en la realización de las tareas
de interpretación, diagnóstico y reparación de forma secuencial. Con ello se
consigue conducir o guiar un proceso o sistema. Los sistemas de control son
complejos debido al número de funciones que deben manejar y el gran número
de factores que deben considerar; esta complejidad creciente es otra de las
razones que apuntan al uso del conocimiento, y por tanto de los SE (@WIKI3,
2008).
Cabe aclarar que los sistemas de control pueden ser en lazo abierto, si en el
mismo la realimentación o el paso de un proceso a otro lo realiza el operador, o
en lazo cerrado si no tiene que intervenir el operador en ninguna parte del
mismo. Reparación, correcta o terapia.
La reparación, corrección, terapia o tratamiento consiste en la proposición de
las acciones correctoras necesarias para la resolución de un problema. Los SE
en reparación tienen que cumplir diversos objetivos, como son: Reparación lo
más rápida y económicamente posible. Orden de las reparaciones cuando hay
que realizar varias. Evitar los efectos secundarios de la reparación, es decir la
aparición de nuevas averías por la reparación.
9.6.5 Simulación. Es una técnica consistente en crear modelos basados en

hechos, observaciones e interpretaciones, sobre la computadora, a fin de
estudiar el comportamiento de los mismos mediante la observación de las
salidas para un conjunto de entradas. Las técnicas tradicionales de simulación
requieren modelos matemáticos y lógicos que describen el comportamiento del
sistema bajo estudio.
El empleo de los SE para la simulación viene motivado por la principal
característica de los SE, que es su capacidad para la simulación del
comportamiento de un experto humano, que es un proceso complejo.
En la aplicación de los SE para simulación hay que diferenciar cinco
configuraciones posibles:
Un SE puede disponer de un simulador con el fin de comprobar las
soluciones y en su caso rectificar el proceso que sigue.
65
Un sistema de simulación puede contener como parte del mismo a un
SE y por lo tanto él SE no tiene que ser necesariamente de simulación.
Un SE puede controlar un proceso de simulación, es decir que el modelo
está en la base de conocimiento del SE y su evolución es función de la
base de hechos, la base de conocimientos y el motor de inferencia, y no
de un conjunto de ecuaciones aritmético – lógicas.
Un SE puede utilizarse como consejero del usuario y del sistema de
simulación.
Un SE puede utilizarse como máscara o sistema frontal de un simulador
con el fin de que el usuario reciba explicación y justificación de los
procesos.
9.6.6 Instrucción. Un sistema de instrucción realizara un seguimiento del

proceso de aprendizaje. El sistema detecta errores ya sea de una persona con
conocimientos e identifica el remedio adecuado, es decir, desarrolla un plan de
enseñanza que facilita el proceso de aprendizaje y la corrección de errores.
9.6.7 Recuperación de información. Los Sistemas Expertos, con su

capacidad para combinar información y reglas de actuación, han sido vistos
como una de las posibles soluciones al tratamiento y recuperación de
información, no sólo documental. La década de 1980 fue prolija en
investigación y publicaciones sobre experimentos de este orden, interés que
continua en la actualidad.
Lo que diferencia a estos sistemas de un sistema tradicional de recuperación
de información es que éstos últimos sólo son capaces de recuperar lo que
existe explícitamente, mientras que un Sistema Experto debe ser capaz de
generar información no explícita, razonando con los elementos que se le dan.
Pero la capacidad de los SE en el ámbito de la recuperación de la información
no se limita a la recuperación. Pueden utilizarse para ayudar al usuario, en
selección de recursos de información, en filtrado de respuestas, etc. Un SE
puede actuar como un intermediario inteligente que guía y apoya el trabajo del
usuario final (@WIKI3, 2008).
66
9.6.8 Aplicaciones de los Sistemas Expertos en el Campo del Mantenimiento
Industrial. Los sistemas expertos pueden ser utilizados en el mantenimiento
preventivo y predictivo de sistemas de ingeniería en casos como el de la
monitorización, lo cual es un caso particular de la interpretación, y consiste en
la comparación continua de los valores de las señales o datos de entrada y
unos valores que actúan como criterios de normalidad o estándares. En el
campo del mantenimiento predictivo los sistemas expertos se utilizan
fundamentalmente como herramientas de diagnóstico. Se trata de que el
programa pueda determinar en cada momento el estado de funcionamiento de
sistemas complejos, anticipándose a los posibles incidentes que pudieran
acontecer. Así, usando un modelo computacional del razonamiento de un
experto humano, proporciona los mismos resultados que alcanzaría dicho
experto.
Dado que el mantenimiento predictivo se caracteriza por la detección de fallos
antes de que estos sean críticos sin alterar el funcionamiento normal de la
planta, los sistemas expertos en este tipo de mantenimiento se emplean como
herramientas de diagnóstico, de modo que vigilen los valores de variables y
parámetros para indicar la existencia de fallos antes de que sean críticos.
El uso de sistemas expertos en mantenimiento se está incrementando en los
últimos años debido a la tendencia de automatización en las máquinas y
equipos de la industria, lo que conlleva a que cada vez haya un menor número
de expertos disponibles para consultar en caso de estados de fallo o avería.
Mayormente en la industria se utilizan los sistemas expertos como
herramientas de diagnóstico para detectar fallos incipientes en máquinas.
En sistemas rotativos los sistemas expertos se están utilizando para
monitorear variables tales como vibraciones, temperatura de cojinetes, presión
de lubricación, consumo de energía, gases de combustión etc.
La variable de vibraciones puede proporcionar información importante para
diagnosticar el estado de una máquina rotativa, ya que de allí se pueden
detectar cambios en el funcionamiento de la máquina a través del estudio de
las frecuencias naturales del sistema, modo de vibración del eje, amplitud etc.,
es decir el análisis del espectro.
67
Las vibraciones de la máquina son manifestaciones de incorrectos
funcionamientos que ocurren como respuesta a alteraciones de cualquier
fuerza interna o modificaciones en la rigidez dinámica del sistema.
De esta manera el monitoreo continuo de la vibración debe ser archivado en
una base de datos que permita una comparación histórica para realizar una
análisis de tendencia y así tener un seguimiento continuo del estado de la
máquina que pueda llevar a un estado de alarma para planificación de
mantenimiento en caso de un estado de incorrecto funcionamiento.
En la industria de la aviación, los sistemas expertos en mantenimiento han ido
haciéndose necesarios debido a los extenuantes y complicados controles
manuales que se tienen que realizar por norma a estos equipos. Los sistemas
expertos pueden analizar y controlar variables rápidamente que a un humano le
tomaría mucho tiempo revisar. De esta manera se pueden reducir fallas y
aumentar la confiabilidad del equipo, algo tan necesario en este campo de la
industria.
En el Anexo 1 se presenta aplicaciones de sistemas expertos en
mantenimiento.
9.7 INSTITUTOS QUE TRABAJAN CON SISTEMAS EXPERTOS
9.7.1 BERKELEY EXPERT SYSTEMS TECHNOLOGY – BEST. Laboratorio

perteneciente al departamento de ingeniería mecánica de la University of
California at Berkeley dedicado a la investigación de inteligencia artificial,
sistemas expertos y tecnologías de la información, dirigido por la profesora
Alice Agogino. En este laboratorio se desarrollan sistemas expertos aplicados a
muchos campos de la industria entre ellos el monitoreo de condiciones y
validación de señales de sensores.
http://best.me.berkeley.edu/
Professor Alice M. Agogino
email: aagogino@me.berkeley.edu
6102 Etcheverry Hall
Department of Mechanical Engineering
68
University of California at Berkeley
Berkeley, CA 94720-1740
Telefono: 510-643-8146
Fax: 510-643-8982
9.7.2 GRUPO DE INVESTIGACION Y DESARROLLO EN INTELIGENCIA

ARTIFICIAL. El Grupo en Investigación y Desarrollo en Inteligencia Artificial
está adscrito a la Escuela de Ingeniería de Sistemas de la Facultad de Minas
de la Universidad Nacional de Colombia Sede-Medellín. Fue reconocido por
COLCIENCIAS como grupo de excelencia en la categoría A, en noviembre de
2006, para el periodo 2006 - 2009.
Entre sus líneas de investigación se encuentra la de sistemas basados en
conocimientos cuyo objetivo principal es el de diseñar sistemas expertos que
aporte soluciones a problemas, como si lo hiciera un humano, es decir, realizar
un sistema capaz de aportar soluciones inteligentes.
http://www.unalmed.edu.co/~gidia/se.html
Grupo de Investigación y Desarrollo en Inteligencia Artificial, Escuela de
Ingeniería de Sistemas, Facultad de Minas, Universidad Nacional de Colombia
Sede Medellín.
69
10 PAQUETES COMPUTACIONALES.
Con la creciente demanda de shells (Véase sección 9.1.3) para el desarrollo

de sistemas expertos, el mercado ofrece gran variedad de herramientas
especializadas en el desarrollo de dichos sistemas. A continuación se
estudiarán tres softwares muy influyentes en el desarrollo de sistemas expertos
los cuales son Acquire, Jess y Corvid.
Los factores más influyentes para la selección de un software para el desarrollo
de sistemas expertos se muestran en la Ilustración 19.
Ilustración 19. Criterios de Selección de Software
Representación del Conocimiento
Interfaz al usuario Interfaz externa
Facilidad de aprendizaje Mantenimiento
Compatibilidad Shell Costo
Facilidad de ayuda Documentacion
Requerimientos de hardware Soporte tecnico

Generacion de reportes
10.1 ACQUIRE
Software de la empresa ACQUIRED ITELLIGENCE2 la cual es una empresa

de desarrollo de software que ha venido desarrollando productos y aplicaciones
basados en el conocimiento desde 1987. Acquire es una herramienta de
desarrollo de sistemas expertos que se utiliza en todo el mundo, y ha
2
Acquired Intelligence: Empresa canadiense ubicada en la ciudad de Victoria, British Columbia.
70
proporcionado servicios de ingeniería del conocimiento para el desarrollo de
software en América del Norte, América del Sur y Europa.
El software Acquire ofrece una metodología paso a paso para la adquisición y
estructuración de los conocimientos a fin de que personas sin conocimientos de
programación, puedan desarrollar aplicaciones de sistemas expertos. Esta
interacción directa de expertos en la materia, mejora la calidad, precisión y
facilidad de uso, y disminuye el tiempo y costo de desarrollo y mantenimiento.
Acquire incluye un kit de desarrollo de software para que los programadores
puedan integrar sus bases de conocimiento con otras aplicaciones de software,
desarrollar interfaces al usuario personalizadas, añadir funcionalidad
computacional, o desplegar las bases de conocimientos en un modelo cliente /
servidor o entorno de Internet.
La metodología estructurada de Acquire le permite crear una base de
conocimientos mientras que el motor de inferencia permite que otros utilicen
ese conocimiento. Los programadores utilizan el Acquire SDK (Software
Development Kit) para integrar las bases de conocimientos con cualquier
aplicación de software y el Acquire Service (NT/2000/XP) para operar en un
entorno cliente / servidor. Personas sin conocimientos de programación pueden
desplegar sus bases de conocimientos en la web usando myAcquire.
10.1.1 Fortalezas. A continuación se describirán las mayores fortalezas de

este producto.
Enfoque estructurado: una metodología paso a paso para adquirir y representar
el conocimiento elimina la necesidad de capacitación especializada.
Adquisición de conocimientos por reconocimiento de patrones: Las personas
reaccionan a las situaciones que reconocen, lo que es la base de
conocimientos en las personas y en Acquire. Las reglas especifican el patrón
de información que debe reconocerse en una situación y la reacción que se
debe tener. Estas acciones pueden generar nuevos patrones reconocidos por
otras reglas, y así sucesivamente. Por lo tanto, un sistema experto captura el
conocimiento basado en patrones que se aplica en una secuencia de ciclos de
reconocimiento y actuación.
71
Base de conocimientos completa y consistente: la minuciosidad del desarrollo
paso a paso basado en el reconocimiento de patrones, minimiza los errores
porque todas las situaciones que un usuario pueda reconocer, son
especificadas y manejadas adecuadamente. La adecuada estructuración de la
base de conocimientos, elimina de la consideración patrones irrelevantes.
Manejo comparativo de la incertidumbre: muchos sistemas manejan la
incertidumbre con valores de confianza numéricos, pero las personas no
especifican esos números absolutos confiablemente. Por esto, los números
son sobrevalorados y esto lleva a resultados poco confiables en una aplicación.
Acquire maneja la incertidumbre comparativamente, consistentemente con la
forma de pensar humana, lo que resulta en un mayor rendimiento de las
aplicaciones.
Amplia documentación en su página web con tutoriales en video así como
soporte técnico.
Una versión de evaluación de 30 días está disponible en la página web.
10.1.2 Debilidades. No posee módulo para generación de prototipos, ni

ejecuciones de prueba para ver errores en la lógica.
La estructuración de las reglas no se realiza mediante arboles de lógica lo que
puede hacer más difícil de seguir la estructura del sistema.
No posee ventana de vista fácil de las reglas lo cual puede ser un
inconveniente, ya que si se desea ver una regla, se tiene que buscar y seguir
esta desde el principio del sistema.
10.1.3 Requerimientos del Sistema

Windows 95, 98, NT, ME, 2000 o XP.
Bajo pedido, se puede hacer disponible para plataformas Unix o Linux.
10.1.4 Costo. $495 USD - licencia individual de Acquire incluyendo ACQUIRE,

SDK, servidor y documentación para descarga y en CD.
72
10.1.5 Contacto
Pagina Web: http://www.aiinc.ca/
Información: info@aiinc.ca o teléfono: 1-250-479-8646
Soporte Técnico: support@aiinc.ca
10.2 CORVID
Este es un software de la empresa Exsys Inc3. La cual comenzó con el

desarrollo de sistemas expertos para computador en 1983 y fue la primera en
traer estos sistemas a la web en 1999.
Corvid nace de un examen minucioso de lo necesario para construir sistemas
para la toma de decisiones en el actual mundo orientado al internet. Corvid
está diseñado para permitir desarrollar y desplegar poderosas aplicaciones de
asesoría interactivas y en línea de forma fácil y rápida.
La mayor parte de las decisiones tomadas por los expertos son pensadas y
descritas en forma de reglas Si-Entonces. Esta es la misma forma en la cual el
conocimiento es descrito en Corvid. De hecho, los pasos en la construcción de
un sistema son muy similares a explicar a una persona cómo es tomada una
decisión. Las herramientas incorporadas en el software, ayudan a los
desarrolladores a pensar y describir sus pasos en la toma de decisiones y su
lógica en la solución de problemas.
10.2.1 Fortalezas. Los bloques lógicos de esta herramienta definen, organizan

y estructuran la información de la toma de decisiones en bloques lógicos
relacionados. La lógica puede ser una compleja ramificación de árboles que
cubren sistemáticamente todos los posibles casos de entrada o de un simple
diagrama que corresponde a una regla simple. Esto permite que un simple
bloque sea organizado para tener toda la lógica de un aspecto de un problema
en una estructura simple. La ventana de vista de reglas, permite que la lógica
de un sistema se vista simultáneamente leyendo la regla y la estructura
completa del sistema en la ventana de bloques lógicos.
3
Exsys Inc.: Empresa estadounidense localizada en Albuquerque, New México.
73
Los sistemas construidos con esta herramienta pueden ser entregados a través
de la web utilizando el Corvid Servlet Runtime, el cual construye paginas html
dinámicamente para la interface al usuario, o con el Java Applet Runtime el
cual ejecuta el sistema en el computador del usuario. Los sistemas se pueden
comunicar con bases de datos a través de interfaces ODBC/JDBC y comandos
SQL. Otros programas pueden ser llamados del lado del servidor mediante
CGI, ASP y JSP para acceder a bases de datos o realizar cálculos
personalizados. La herramienta también puede ejecutarse como una aplicación
independiente que permite que le permite integrarse en otras arquitecturas de
información.
El entorno de desarrollo permite una amplia gama de posibilidades para el
control de la apariencia del programa. Tanto texto e imágenes se pueden
incorporar con completo control de fuentes, colores, estilos, fondos y posición.
Las plantillas del Servlet Runtime permiten la flexibilidad completa que ofrece el
HTML para el diseño del sitio. En una sola pantalla se pueden hacer varias
preguntas, generar reportes complejos en una sola ventana del explorador y
guardar estos resultados en bases de datos.
Este software cuenta con una excelente documentación así como soporte
técnico en línea.
Una versión de evaluación de 30 días está disponible en la página web.
10.2.2 Debilidades. El costo de este software es muy elevado y la licencia es

solo para un desarrollador. El contrato de soporte técnico solo se extiende a un
año.

Microsoft Windows NT 4.0 con Service Pack 3 o Windows 95, 98, ME,
2000 o XP.
Microsoft Internet Explorer 5.0 o superior.
75 MB de espacio libre en disco.
Resolución mínima en pantalla: 1024 x 768 con fuentes normales o 1156
x 864 con fuentes grandes.
74
10.2.4 Costo. $12.450 USD, Incluye: Licencia para un desarrollador, en un
computador, en un servidor. Licencia de distribución de Java Applet Runtime
para un servidor. 20 copias de licencia de distribución para aplicaciones
independientes. Un año del software Exsys Corvid con un contrato de soporte
técnico.
10.2.5 Contacto
Pagina Web: http://www.exsys.com
Información: info@exsys.com o teléfono 1-505-888-9494
Soporte Técnico: support@exsys.com
10.3 JESS
Jess es un motor de reglas y ambiente ápto para crear scripts4, escrito por
completo en lenguaje Sun Java por Ernest Friedman-Hill en el Sandia National
Laboratories5 en Livermore, California. Usando Jess es posible desarrollar
software Java con capacidad de razonar utilizando el conocimiento provisto en
forma de reglas declarativas. El software a pesar de ser ligero y pequeño, tiene
un motor de inferencia muy rápido. Su lenguaje de programación da acceso a
todas las API (Applications Programming Interface) de Java. El software incluye
un entorno de desarrollo con todas las funciones, basado en la plataforma
Eclipse.
Fortalezas. El software utiliza una versión mejorada del algoritmo Rete6 para el
procesamiento de reglas.
4
Script: conjunto de instrucciones generalmente almacenadas en un archivo de texto que deben
ser interpretados línea a línea en tiempo real para su ejecución.
5
Sandia National Laboratories: Instituto gubernamental de soporte a la seguridad nacional,
ubicado en Livermore, California.
6
Algoritmo eficiente en el reconocimiento de patrones aplicado en sistemas de procesamiento de
reglas y sistemas expertos.
75
Posee muchas características útiles como encadenamiento hacia atrás,
consultas a la memoria de trabajo y manipulación y razonamiento directo con
objetos Java.
Es también un potente entorno de programación Java, a partir de la cual puede
crear objetos Java, llamar métodos Java e implementar interfaces Java sin
compilar ningún código. Es altamente compatible con otros sistemas y genera
reportes a pedido del usuario.
La licencia es gratis para estudiantes y grupos de investigación.
Este software cuenta con un tutorial en la página web así como soporte técnico.
En la página web existe un demo del software.
10.3.1 Debilidades. El ambiente para desarrollar sistemas expertos en Jess es

muy diferente a los demás sistemas comerciales, debido a que se necesitan
conocimientos de programación en lenguaje Java. La interface para el
desarrollador es del tipo en el cual es necesario escribir código en Java.
El software requiere aplicaciones diferentes, algunas de las cuales no vienen
dentro del programa, pero su licencia es gratis y se pueden descargar desde
internet.
Al no poseer una interfaz grafica, es un software más complicado de aprender
a usar.
El software no posee módulo de generación de prototipos para realizar
ejecuciones de prueba y detectar errores en la lógica.

Cualquier versión de Windows, Unix o Macintosh.
Tener instalado Java Virtual Machine (JVM). Disponible en Sun
Microsystems.
Tener instalado Eclipse SDK. Disponible en www.eclipse.org.
10.3.3 Costo. Licencia gratis para estudiantes y grupos de investigación.
76
10.3.4 Contacto
Pagina Web: http://www.jessrules.com/
Información: casmith@sandia.gov
Soporte Técnico: ejfried@sandia.gov
10.4 COMPARACION DE SOFTWARE
Se realizo una comparación cualitativa entre los tres programas exponiendo

sus fortalezas y debilidades. A continuación se propone una comparación
cuantitativa que puede ser sujeta a verificación ya que esta basada en datos
proporcionados en la documentación técnica y de publicidad de los programas.
Se propone los siguientes aspectos a considerar para la evaluación del
software:
1- ¿El software opera bajo la plataforma XP o superior?
Si (10 puntos)
No (5 puntos)
2- ¿El software requiere otros programas o aplicaciones distintas a las
comunes?
Si (0 puntos)
No (10 puntos)
3- ¿De necesitar otras aplicaciones, están estas incluidas en el producto?
Si (10 puntos)
No (0 puntos)
4- ¿El software tiene interfaz grafica al desarrollador?
Si (10 puntos)
No (0 puntos)
5- ¿El software requiere habilidades de programación en algún lenguaje
específico?
Si (0 puntos)
No (10 puntos)
6- ¿El software es fácil de utilizar?
Si (10 puntos)
No (0 puntos)
77
7- ¿El software es de fácil aprendizaje?
Si (10 puntos)
No (0 puntos)
8- ¿El software es compatible con otras aplicaciones y/o bases de datos?
Si (10 puntos)
No (0 puntos)
9- ¿El software genera reportes a petición del desarrollador?
Si (10 puntos)
No (0 puntos)
10- ¿El software genera prototipos de prueba?
Si (10 puntos)
No (0 puntos)
11- ¿El software hace ejecuciones de prueba para detectar errores en la
lógica?
Si (10 puntos)
No (0 puntos)
12- ¿El software permite crear interfaces personalizadas?
Si (10 puntos)
No (0 puntos)
13- ¿Cómo es representado el conocimiento en el software?
Reglas (10 puntos)
Frames (5 puntos)
14- ¿El software posee ventana de vista fácil de las reglas?
Si (10 puntos)
No (0 puntos)
15- ¿El software posee estructuración en arboles de reglas?
Si (10 puntos)
No (0 puntos)
16- ¿El motor de inferencia puede ejecutar encadenamiento hacia delante y
hacia atrás?
Solo hacia delante (5 puntos)
Solo hacia atrás (8 puntos)
78
En ambos sentidos (10 puntos)
17- ¿Qué tanta documentación técnica y manuales de usuario posee el
software?
Buena (10 puntos)
Normal (5 puntos)
Mala (0)
18- ¿El software posee soporte técnico en línea?
Si (10 puntos)
No (0 puntos)
19- ¿El fabricante ofrece programas adicionales de capacitación en
Medellín?
Si (10 puntos)
No (0 puntos)
20- ¿Cuál es el precio del producto en USD?
0-1.000 USD (10 puntos)
1.000-10.000 USD (5 Puntos)
Mayor de 10.000 USD (0 puntos)
21- ¿Cuánto tiempo dura la licencia?
Mayor a un Año (10 puntos)
Menor o Igual a un Año (0 puntos)
En la Tabla 2 se muestra la comparación realizada en cuanto a aspectos

funcionales, técnicos y económicos de las tres herramientas mencionadas
anteriormente.
En dicha tabla se encuentran representadas numéricamente estas preguntas,
dándole un peso igual a cada una de ellas. Con las respuestas a estas
preguntas se procede a llenar la tabla para de esta manera concluir cual es el
software más conveniente para el proyecto según los criterios mencionados
anteriormente.
El soporte a los resultados de esta tabla puede ser consultado en los manuales
de cada programa, los cuales pueden ser consultados en los siguientes sitios
de internet:
79
Acquire: http://www.aiinc.ca/acquire/acquire.shtml
Jess: http://www.jessrules.com/jess/docs/71
Corvid: http://www.exsys.com/manuals.html
Tabla 2. Comparación Software
SOFTWARE
Peso
CRITERIO Criterio ACQUIRE CORVID JESS
1 Plataforma 4,8% 10 4,8% 4,8% 10 4,8% 4,8% 10 4,8% 4,8%

2 Aplicaciones Diferentes 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
3 Aplicaciones Incluidas 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
4 Interfaz Grafica 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
5 Habilidades de Programación 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
6 Facilidad de Uso 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
7 Facilidad de Aprendizaje 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
8 Compatibilidad 4,8% 10 4,8% 4,8% 10 4,8% 4,8% 10 4,8% 4,8%
9 Generación de Reportes 4,8% 10 4,8% 4,8% 10 4,8% 4,8% 10 4,8% 4,8%
10 Generación de Prototipos 4,8% - 4,8% 0,0% 10 4,8% 4,8% - 4,8% 0,0%
11 Ejecuciones de Prueba 4,8% - 4,8% 0,0% 10 4,8% 4,8% - 4,8% 0,0%
12 Creación de Interfaces 4,8% 10 4,8% 4,8% 10 4,8% 4,8% 10 4,8% 4,8%
13 Representación Conocimiento 4,8% 10 4,8% 4,8% 10 4,8% 4,8% 10 4,8% 4,8%

14 Vista de Reglas 4,8% - 4,8% 0,0% 10 4,8% 4,8% - 4,8% 0,0%
15 Estructuración de Reglas 4,8% - 4,8% 0,0% 10 4,8% 4,8% - 4,8% 0,0%
16 Encadenamiento 4,8% 10 4,8% 4,8% 10 4,8% 4,8% 10 4,8% 4,8%
17 Documentación Técnica 4,8% 5 4,8% 2,4% 10 4,8% 4,8% - 4,8% 0,0%
18 Soporte Técnico 4,8% 10 4,8% 4,8% 10 4,8% 4,8% - 4,8% 0,0%
19 Capacitación 4,8% - 4,8% 0,0% 10 4,8% 4,8% - 4,8% 0,0%
20 Precio 4,8% 10 4,8% 4,8% - 4,8% 0,0% 10 4,8% 4,8%
21 Tiempo Licencia 4,8% 10 4,8% 4,8% - 4,8% 0,0% 10 4,8% 4,8%
TOTAL 100,0% 155 100% 73,8% 190 100% 90,5% 80 100% 38,1%
Después de la comparación cualitativa y la propuesta cuantitativa expresada en

la Tabla 2, se propone que el software más apropiado para el proyecto es el
Corvid de la empresa Exsys Inc. Ya que este muestra grandes fortalezas en su
interfaz grafica y estructuración y según la propuesta en la Tabla 2 sus
mayores debilidades son su costo y el tiempo de duración de la licencia.
80
11 HERRAMIENTA COMPUTACIONAL
11.1 INTRODUCCION
Dentro del software computacional para el desarrollo de sistemas expertos,

está el Corvid desarrollado por Exsys, especializado en el desarrollo de
sistemas expertos (Manual Exsys Corvid).
La herramienta permite emular eficientemente las reglas lógicas y
procedimientos usados por expertos en un sistema fácil de leer, entender y
mantener.
El programa permite al usuario una interacción con el sistema, tal como si
estuviera teniendo una conversación con el experto; produciendo avisos y
recomendaciones para una situación específica en un gran rango de temas.
El sistema entrega respuestas, no solo información para resolver el problema
sino que puede accesar y analizar información externa, automatizar reportes,
monitorear problemas en desarrollo, producir diagnósticos, optimizar
operaciones, alertar a los operadores de situaciones inusuales y desempeñar
muchas otras tareas de ayuda a la toma de decisiones.
El sistema elabora preguntas de forma lógica, pasando por alto preguntas
innecesarias, pero preguntando por mayores detalles cuando son necesarios.
Cuando el sistema obtiene toda la información necesaria, este produce
respuestas precisas al problema planteado.
11.2 FUNCIONAMIENTO DE LA HERRAMIENTA
Cuando se desarrolla un sistema, los procesos y procedimientos necesarios

para la toma de decisiones de un experto, son convertidos a reglas, las cuales
son una representación lógica de estos, que el computador puede procesar.
Estas reglas son analizadas por el motor de inferencia del sistema, el cual
determina como usarlas para realizar determinada acción o alcanzar una meta.
El sistema hace preguntas al usuario que le permiten determinar cuáles reglas
son validas y poder este procesarlas. En la sección 11.3 se explicará con
81
mayor detenimiento acerca de las reglas, motor de inferencia y otros elementos
necesarios en el desarrollo de sistemas expertos esta herramienta. Véase
Ilustración 20 para un esquema de funcionamiento de la herramienta.
Ilustración 20. Diagrama Funcionamiento de la Herramienta Computacional.
Por Medio Bloques De

Procesos Y
Comando
Procedimientos
de Expertos
Ejecuta el
Programa
Se Motor De Inferencia
Convierten Runtime Applet /
a Servlet Runtime
Reglas IF/THEN Entrega
Respuestas
Bloques Lógicos Al Usuario
En Bloques De Acción Se
Procesan Interfaz
11.3 COMPONENTES PRINCIPALES DE LA HERRAMIENTA
A continuación se describirán los principales componentes que utiliza la

herramienta computacional seleccionada.
11.3.1 Reglas. Un sistema construido con esta herramienta está basado en

reglas (Véase sección 9.4.1), las cuales describen la lógica del proceso de
toma de decisiones.
El ambiente de la herramienta simplifica el proceso ya que ayuda a organizar
reglas que tienen relación, en estructuras de arboles de lógica. Lo más
importante en estos árboles son las reglas, ya que estos son simplemente una
ayuda para estructurar la lógica y hacer más fácil su vista, entendimiento y
mantenimiento.
Estas reglas son procesadas por el motor de inferencia, el cual las combina y
guía al usuario a los resultados.
En una representación del conocimiento basada en reglas, cada regla de los
expertos se llama heurística (Véase sección 9.4.3), la cual es un pequeño
82
factor que ayuda a tomar una parte de la decisión. La combinación de todas
estas heurísticas permite resolver todo el problema de toma de decisiones. Una
gran parte a tener en cuenta al desarrollar un sistema en esta herramienta, es
identificar los pasos individuales de decisión y convertirlos a una forma que el
computador pueda utilizar.
Existen muchas maneras de describir las heurísticas para un problema de toma
de decisiones, pero probablemente la más efectiva y eficiente es la regla If-
Then (Si-Entonces). En esta regla la parte If puede ser probada como cierta o
falsa basado en la información obtenida para un caso o situación especifico.
Cuando la parte If resulta verdadera, se añade información al sistema con la
parte Then de la regla.
En esta regla se pueden utilizar funciones booleanas como AND, OR, NOT y
sus combinaciones.
11.3.2 Mecanismo de Inferencia. Es usado para analizar y combinar reglas

individuales que ayuden a resolver un problema mayor (Véase sección 9.4.2).
El mecanismo de inferencia determina:
Posibles soluciones al problema.
Información necesaria para determinar si una respuesta en particular es
apropiada.
Si hay alguna manera para calcular la información necesaria a partir de
otras reglas.
Como diferenciar entre varias respuestas posiblemente correctas.
Cual respuesta es más apropiada basándose en las reglas.
El mecanismo de inferencia de esta herramienta es lo que hace las reglas If-
Then muy diferentes a los comandos If-Then en lenguajes de programación
comunes tales como Visual Basic y C++. Las reglas no son equivalentes a
líneas de código, son hechos que son combinados automáticamente de varias
maneras por el motor de inferencia. De esta manera, la herramienta tiene un
acercamiento al conocimiento más efectivo que las técnicas tradicionales de
programación.
83
Adicionalmente, el mecanismo de inferencia controla la presentación y formato
de las preguntas y respuestas dadas al usuario final.
El mecanismo de inferencia procesa tanto comandos de procedimiento
(usualmente en bloques de comando) como reglas lógicas en bloques lógicos y
bloques de acción. Las reglas pueden ser corridas usando encadenamiento
hacia adelante o hacia atrás.
Cuando un programa es corrido, la herramienta crea un archivo con las reglas y
comandos en el sistema y los pasa al programa de Corvid runtime, el cual
contiene el mecanismo de inferencia.
La herramienta posee dos opciones de programa runtime: El Corvid applet
runtime, el cual corre en una ventana del navegador en el computador del
usuario y el Corvid servlet runtime el cual corre en un servidor y envía formas
html al navegador web. Los dos programas runtime pueden ser utilizados para
correr un sistema experto, solo depende de cuanta complejidad y estética se
quiera en la interfaz al usuario. Cuando se está desarrollando la lógica, el
applet runtime es el normalmente utilizado.
11.3.3 Encadenamiento Hacia delante o Hacia Atrás. El mecanismo de

inferencia tiene dos maneras de probar y utilizar las reglas: encadenamiento
hacia delante o hacia atrás. También se refieren a ellas como “guiadas por la
información” (encadenamiento hacia adelante) o “guiadas por el objetivo”
(encadenamiento hacia atrás) pero es más sencillo pensar en ellas como “en
orden” (encadenamiento hacia adelante) o “cuando se necesitan”
(encadenamiento hacia atrás).
Un sistema tiene un gran rango en el número de reglas dependiendo de su
tamaño; unas pocas docenas si es un sistema pequeño hasta varios miles en
sistemas grandes. Estas reglas típicamente están divididas en varias
secciones, los cual las provee de un orden.
Los bloques lógicos usan diagramas de árbol para estructurar las reglas. La
primera rama del árbol sería la primera regla, la segunda regla sería la segunda
rama y así sucesivamente.
84
El mecanismo de inferencia puede correr las reglas de dos maneras
encadenamiento hacia delante o encadenamiento hacia atrás.
11.3.3.1 Encadenamiento Hacia Delante. Cuando las reglas son corridas hacia
delante, estas son corridas en orden, es decir, la primera regla del sistema se
probara primero. Si el sistema no posee información suficiente para determinar
si la condición “If” es verdadera o falsa, el hará preguntas al usuario para
obtener la información específica necesaria para probar dicha condición (Véase
Ilustración 21). Si la condición “If” es verdadera, la declaración en la parte Then
será considerada verdadera y añadida a lo que el sistema “sabe”. Luego se
moverá a la segunda regla, repetirá el proceso, se moverá a la tercera, repetirá
el proceso y así sucesivamente hasta alcanzar el final de las reglas. El
encadenamiento hacia delante también es conocido como “guiado por la
información” ya que las reglas se corren con un arreglo de datos de entrada
para ver cuáles son los resultados.
En el encadenamiento hacia delante, el mecanismo de inferencia usa las reglas
en orden, sin consideración de la pertinencia de los valores que se pueden
adquirir por la declaración en la parte “Then” de la regla.
Ilustración 21. Diagrama Encadenamiento Hacia Delante
Tiene Información?
N
Regla 1 Pregunta al usuario
o
Si
N
o
Si
N
o
Si
N
Regla n Pregunta al usuario
o
85
11.3.3.2 Encadenamiento Hacia Atrás. La otra manera en la cual el motor de
inferencia puede utilizas las reglas se llama encadenamiento hacia atrás. Aquí
las reglas no son utilizadas en orden, más bien son utilizadas basadas en la
necesidad de alcanzar un objetivo. Los objetivos son ítems específicos de
información. Un objetivo para el encadenamiento hacia atrás puede ser creado
de dos maneras:
Los comandos le dicen al motor de inferencia que determine el valor de
algo, hallar este valor se convierte en el objetivo de máximo nivel.
Cuando prueba la condición If en una regla, si un ítem de información no
es conocido, este se convertirá en el nuevo objetivo, reemplazando
temporalmente el objetivo actual.
En el encadenamiento hacia atrás, el motor de inferencia mirara a través de las
reglas, para buscar cual es relevante para el objetivo. En este caso, relevante
significa que la información necesaria aparece en la parte Then de la regla. La
regla puede estar en cualquier parte del sistema, lo único que importa es que
esta tenga el potencial de proveer la información necesaria en el momento. La
regla será probada y determinada falsa o verdadera basándose en la
información ingresada por el usuario (Véase Ilustración 22).
Si existe otra regla que pueda proveer información relevante para el objetivo,
esta será probada de segunda. El encadenamiento hacia atrás utiliza
únicamente las reglas que son relevantes para un objetivo específico.
La ventaja del encadenamiento hacia atrás es su recursividad, debido a que su
objetivo actual cambia temporalmente basándose en la información que
necesita en el momento.
La forma en la cual el encadenamiento (hacia delante o hacia atrás) es llamado
en un sistema es determinada por el comando usado para correr las reglas. El
encadenamiento hacia delante es usado cuando un arreglo específico de
reglas es corrido como bloque de acción. El encadenamiento hacia atrás es
usado cuando un comando le pide al sistema hallar el valor para un objetivo
específico, o sea utilizando bloques lógicos. Los bloques lógicos pueden utilizar
encadenamiento hacia delante o hacia atrás según sea requerido.
86
Ilustración 22. Diagrama Encadenamiento Hacia Atrás
Es la regla relevante
para el objetivo?
Regla 1 Si Ejecuta la Regla
No
Si
Regla 2
Ejecuta la Regla
No
Regla 3 Si Ejecuta la Regla
No
Si
Regla n
Ejecuta la Regla
11.3.4 Tipos de Variables. En la herramienta se emplean diversos tipos de

variables según el caso. A continuación se explicarán las variables que admite
el sistema.
Lista Estática: Es un tipo de variable que tiene una lista especifica de
valores posibles. Esta variable se usa en preguntas de selección múltiple
y puede haber cualquier número de posibles respuestas. Los valores
posibles permanecen constantes para cualquier usuario del sistema.
Lista Dinámica: Es un tipo de variable que como la lista estática tiene
una lista especifica de posibles valores, pero a diferencia de la estática,
los valores son ingresados dinámicamente a medida que se corre el
sistema. Los valores pueden provenir de varias fuentes, ya sea de una
fuente externa o de la lógica del sistema.
Numérica: esta es una variable a la cual se le asigna un valor numérico.
Puede provenir de distintas fuentes como preguntas al usuario,
calculado por el sistema, extraído de fuentes externas etc.
87
Cadena de Caracteres: esta es una variable a la cual se le asigna una
cadena de caracteres de texto. El valor de la cadena de caracteres
puede probarse por la lógica de diferentes maneras para construir
condiciones. Pero generalmente se utilizan para identificar información
proveniente de una fuente externa o para generar reportes.
Fecha: esta es una variable a la cual se le asigna un valor que es una
fecha. La fecha puede ser una fecha calendario o puede incluir horas
exactas. Este tipo de variable se utiliza cuando el sistema es
dependiente del tiempo.
Colección/ Reporte: Son un tipo de variable muy funcional y está
compuesta de varias cadenas de caracteres de texto. Estas cadenas de
caracteres de texto, son añadidos por el programa para generar reportes
y se van ingresando a la variable a medida que se corre el programa.
Este tipo de variables puede contener cualquier número de datos e
información.
Confiabilidad: Esta es una variable a la cual se le asigna un valor que
refleja el grado de certeza de un resultado o recomendación específica.
Esta variable es un número pero expresa que tan confiable es el
resultado para una situación específica.
11.3.5 Bloques Lógicos. En la herramienta, las reglas se definen, organizan y

estructuran mediante bloques lógicos relacionados. Estos bloques son grupos
de reglas que pueden ser definidos en diagramas de árbol o como reglas
individuales según el caso. Cada bloque puede contener varias reglas, varios
árboles o tan solo una simple regla. Usualmente, cada bloque lógico agrupa
reglas relacionadas para un aspecto específico del proceso de toma de
decisiones.
El contenido de cada bloque esta hecho de nodos que pueden ser pruebas
booleanas si se encuentran en la parte If de la regla o sentencia si se
encuentra en la parte Then de la regla.
88
11.3.6 Bloques de Acción. Los bloques de acción son una manera muy simple
de construir sistemas pequeños, ya que en ellos se resuelven los problemas
haciendo al usuario una serie de preguntas que lo guiaran hasta el resultado.
Las filas en los bloques de acción, representan una regla completa, y en la
parte Then de la regla se decidirá que paso seguir dependiendo de la
respuesta.
La diferencia entre los bloques lógicos y los bloques de acción radica en la
complejidad del sistema a construir. Los bloques lógicos permiten infinitas
reglas anidadas en estructuras de árbol, mientras que los bloques de acción no
permiten el anidado de reglas.
11.3.7 Bloques de Comando. En los bloques lógicos y bloques de acción esta

la base de conocimientos del sistema. En ellos se encuentran las reglas y toda
la información relacionada con el problema a resolver, ellos responden la
pregunta “¿Cómo hacer para resolver el problema?”. En los bloques de
comando se resuelve la pregunta” ¿Qué hacer con la información?”. En los
bloques de comando esta la información de los comandos procedimentales que
le dice al motor de inferencia que hacer con las reglas. La separación de los
comandos procedimentales en los bloques de comando de la lógica del
sistema, permiten construir y mantener los sistemas más fácilmente. Cada
sistema debe tener al menos un bloque de comando.
Los usos más comunes de los bloques de comando son:
Determinar si las reglas serán corridas en encadenamiento hacia delante
o hacia atrás.
Controlar el orden el cual serán ejecutados los bloques.
Determinar el objetivo para el encadenamiento hacia atrás.
Obtener información de fuentes externas al principio de la sesión.
Enviar los resultados y recomendaciones del sistema a otros programas.
Ejecutar arreglos de reglas varias veces para ciclos For o While.
Realizar preguntas al usuario en un orden determinado.
Mostrar ventanas complementarias de ayuda u otros procesos
explicativos.
89
Mostrar reportes
Enviar e-mails.
11.4 COMPARACION HERRAMIENTA COMPUTACIONAL CON LA TEORIA

DE SISTEMAS EXPERTOS
Para desarrollar un sistema experto completo se deben tener en cuenta todos

los componentes que comprenden dicho sistema los cuales son: base de
conocimientos, motor de inferencia, memoria de trabajo, interfaces (usuario,
desarrollador y otros sistemas), subsistema de explicación y subsistema de
aprendizaje. A continuación se referenciara como la herramienta seleccionada
cumple con estos requisitos.
11.4.1 Base de Conocimientos. En la herramienta, esta se va componiendo

cada vez que el desarrollador ingresa información (previamente obtenida del
experto) al sistema (Véase sección 9.4.1). Mientras mayor sea la información
ingresada, mas grande será la base de conocimientos y mayor número de
problemas se podrán resolver eficientemente. En la herramienta la información
se ingresa al sistema en forma de reglas, las cuales hacen referencia a
variables previamente establecidas. No existe un número límite de reglas ni
variables en la herramienta, de tal manera se garantiza que la base de
conocimientos puede ser tan grande como se considere necesario.
11.4.2 Mecanismo de Inferencia. El mecanismo de inferencia de la herramienta

es un mecanismo muy poderoso (Véase sección 9.4.2), el cual permite correr el
programa y hacer inferencias en las reglas para determinar una solución para
un problema determinado. El motor de inferencia es el encargado de buscar la
información necesaria en la base de conocimientos, que conduzca a una
solución óptima del problema específico. El motor de inferencia puede correr de
dos manera, encadenamiento hacia delante o hacia atrás según sea el enfoque
del sistema y la manera que el desarrollador determine mejor para el usuario.
90
11.4.3 Memoria de trabajo. La memoria de trabajo (Véase sección 9.4.3) es
almacenada por el programa de Runtime cada vez que el usuario corre el
sistema. Allí se almacena la información que va encontrando el motor de
inferencia a medida que busca en la base de conocimientos. La forma en que
se guarda esta memoria de trabajo es determinada por el programa Runtime
con que se ejecute el sistema (Applet Runtime y Servlet Runtime).
Dependiendo de esto, la información se guarda en una carpeta temporal en el
disco duro del computador donde se está ejecutando el programa o en un
servidor.
11.4.4 Interfaces. La herramienta cuenta con los tres tipos de interfaces

descritos anteriormente (al desarrollador, al usuario y a otros sistemas). (Véase
sección 9.4.4)
La interface al desarrollador es muy amigable y fácil de utilizar para desarrollar
el programa. La base de conocimientos se va creando a medida que se añaden
reglas al sistema, lo cual es un proceso relativamente simple debido a la
sencillez de la interface.
La interface al usuario puede variar mucho dependiendo del desarrollador, ya
que este es quien puede embellecer y expresar de forma mas grafica sus
preguntas y respuestas al usuario. El desarrollador es quien define el formato
de la interface al usuario, ya que por medio de la herramienta, este puede
añadirle gráficos, fotos, cambiar el tipo y estilo de fuente etc.
La interface con otros programas se realiza para accesar bases de datos y
convertirlas en listas dinámicas y de esta manera correr el sistema con valores
obtenidos de otros sistemas.
11.4.5 Subsistema de Explicación. El desarrollador tiene la opción de añadir un

subsistema de explicación (Véase sección 9.4.5) el cual justifique al usuario la
manera en que se hallo una respuesta específica o explicar el porqué, si no fue
posible obtener una solución.
91
11.4.6 Subsistema de Aprendizaje. El aprendizaje (Véase 9.4.6) en la
herramienta está a cargo del desarrollador, ya que para ampliar la base de
conocimientos, es este quien debe tener nueva información proveniente del
experto e ingresarla a la base de conocimientos.
92
12 METODOLOGIA PARA EL DESARROLLO DE UN SISTEMA EXPERTO
CON LA HERRAMIENTA COMPUTACIONAL SELECCIONADA.
12.1 PROTAGONISTAS
Los principales protagonistas en el desarrollo de un sistema experto

convencional se pueden clasificar básicamente en desarrollador(es),
experto(s), usuario(s) y administrador(es). A continuación se describirán los
roles de cada uno de estos protagonistas en todo el ciclo de vida del sistema
experto.
12.1.1 Desarrollador. El desarrollador o ingeniero de conocimiento es quien se

encarga de:
Ayudar al experto en la labor de explicar los conocimientos.
Codificar los conocimientos en la representación en forma de reglas que
utiliza la herramienta.
Conocer las fortalezas y debilidades de la herramienta.
Aprender las particularidades del dominio, tarea específica y del
ambiente donde se utilizara el sistema experto.
Analizar los procedimientos del experto.
Detectar inconsistencias dentro de la lógica de solución de problemas.
Refinar la base de conocimientos por medio de la realización de
pruebas.
12.1.2 Experto. El experto es un protagonista principal en el desarrollo del

sistema experto ya que entre sus tareas están:
Proveer conocimiento del dominio y de la tarea específica.
Explica sus métodos y conocimientos.
93
12.1.3 Usuario. El usuario es quien regularmente estar utilizando el sistema
experto para resolver problemas. Se debe tener en cuenta que normalmente no
es un experto en el dominio y por lo tanto utiliza el sistema como herramienta
para la solución del problema especifico.
12.1.4 Administración. La administración es la encargada de identificar

problemas relacionados con el sistema, aprobar la realización o actualización
del sistema y asignar los recursos necesarios para llevar a cabo esta labor.
12.2 METODOLOGIA
Para el desarrollo del sistema experto se debe implementar una metodología

que exprese cual será la función principal desempeñada por el sistema y la
cual preste ayuda en el proceso del diseño del sistema experto.
El desarrollo de un sistema experto en esta herramienta consta de varios pasos
esenciales, los cuales son aplicables a casi la totalidad de los sistemas
desarrollados en este programa.
Esta metodología se puede resumir básicamente en los siguientes 7 pasos:
1. Determinar el problema específico, centrado en lo que se hará en
realidad.
2. Determinar la estructura del sistema.
3. Determinar el grupo de expertos.
4. Documentar de manera precisa los pasos realizados por el experto para
resolver el problema.
5. Construcción del sistema experto.
6. Verificación del funcionamiento del sistema experto.
7. Mantenimiento del sistema experto.
A continuación se explicaran cada uno de los 7 pasos necesarios para el
desarrollo de un sistema experto con la herramienta seleccionada. Véase
Ilustración 23.
94
Ilustración 23. Diagrama Metodología para el desarrollo de sistemas expertos.
4. Documentar 5. Construcción
1. Determinar
los del Sistema
el Problema
Procedimientos Experto
Específico
del Experto
2. Determinar 6. Probar el
3. Determinar Sistema
la Estructura
el Grupo de
Del Sistema
Expertos
7.
Mantenimiento
Encadenamiento Encadenamiento del sistema
Hacia Adelante Hacia Atrás
12.2.1 Determinar el problema específico. Mientras más específico sea el

problema, más sencillo será el desarrollo del sistema. Es válido plantearse la
pregunta ¿Puede el experto explicarle a otra persona como resolver el
problema? Si la respuesta es sí, el problema puede ser desarrollado en un
sistema experto. En este paso se debe realizar un análisis de la solución del
problema por medio de un sistema experto. El primer paso es analizar los
avances de los sistemas expertos y su aplicabilidad en mantenimiento de
sistemas técnicos. Se debe analizar el sistema técnico desde tres puntos de
vista (Véase Ilustración 24):
El análisis: El cual comprende la evaluación del estado técnico del
sistema.
La modificación: La cual comprende el control de las condiciones de
operación y programación de las actividades de manutención del
sistema técnico.
La síntesis: En la cual se establecen criterios de reemplazo y rediseño
de componentes mecánicos del sistema técnico.
95
Ilustración 24. Aplicaciones de los sistemas expertos en el mantenimiento de
sistemas técnicos.
SISTEMA EXPERTO
ANALISIS MODIFICACION SINTESIS
Pronóstico Reconocimiento Reemplazo Diseño
Reparación Control
Vigilancia Clasificación
Diagnosis Verificación
Diagnosis
De los protagonistas anteriormente mencionados, en este paso debe estar

presente básicamente el desarrollador ya quien este es quien analiza la
posibilidad de llegar a una solución por medio del desarrollo de un sistema
experto. La administración debe estar parcialmente presente en este paso ya
que esta recibe el informe del desarrollador y analiza la viabilidad y asigna
recursos de ser factible el desarrollo del sistema.
12.2.2 Determinar la estructura del sistema. Un sistema puede tener diferentes

estructuras así como los problemas pueden tener varias formas de resolverse
que serán igualmente correctas, por eso el sistema debe tener una estructura
que cumpla con tres características:
Producir resultados correctos.
Tener sentido para el desarrollador.
Ser fácil para otros de entender y mantener.
Para esto, el desarrollador debe escoger entre dos tipos de estructura
encadenamiento hacia delante o hacia atrás. (Véase seccion 11.3.3)
96
En el diseño de la arquitectura del sistema experto se deben diseñar los flujos
de entrada y de salida. El modelo experimental de diagnóstico, información del
sistema técnico (normas, teorías, técnicas) y el conocimiento técnico y empírico
de los expertos en sistemas relacionados con el sistema técnico en cuestión,
son los flujos de entrada del sistema experto y el flujo principal son los criterios
de toma de decisiones para la planificación de actividades de mantenimiento
preventivo y predictivo necesarias para el buen funcionamiento y sostenimiento
de la vida útil de los componentes mecánicos.
Ilustración 25. Diseño de la arquitectura del sistema experto.
Objeto en Inicial
Estudio Procesamiento
de Datos
Conocimientos Datos de las

de Ingeniería Mediciones
Adquisición de
Conocimiento
Base de
Conocimiento Módulo
Explicativo
Modelos Conocimiento
Prescriptivo
Motor de Interfaz Usuario

Experto Inferencia con el Del
Conocimiento Usuario Sistema
no
Prescriptivo
Capa del sistema
Datos de
Sistema
Referencia
Experto
Este paso está a cargo básicamente del desarrollador, ya que este es el

encargado de elegir una arquitectura que se adapte a las necesidades del
problema específico.
97
12.2.3 Determinar el grupo de expertos. Elaboración del método para
determinar el grupo de expertos en mantenimiento en el sistema técnico a
tratar. Selección de los expertos en el sistema técnico desde el punto de vista
del diseño, fabricación, operación y manutención.
Ilustración 26. Pasos Para Determinar los Expertos en Mantenimiento.
START
Definición del número

necesario de especialistas
Selección Inicial del

Grupo de Especialistas
Selección de Expertos del

Grupo de Especialistas
Selección del Grupo de

Expertos de Opinión Coherente
STOP
Aquí se selecciona un número inicial de especialistas en el tema y se

seleccionan las personas que cumplan el perfil de la especialidad necesaria.
De este grupo se seleccionarán las personas que tengan mejor conocimiento
del tema y estos se denominaran expertos. Luego se realizarán una serie de
preguntas y de aquí se seleccionara el grupo de expertos que tengan una
opinión coherente.
Este paso debe estar a cargo tanto del desarrollador como de la
administración, ya que se requieren varios criterios de selección por parte de
varios evaluadores y estos son el desarrollador y la administración.
98
12.2.4 Documentar los Pasos Realizados por el Experto para Resolver el
Problema. Los expertos realizan procedimientos para resolver un problema en
un área específica, la documentación de estos procedimientos facilitará el
desarrollo del sistema experto. Si toda la lógica está documentada, solo será
cuestión de convertir esta lógica a la forma sintáctica que el programa utiliza.
En este paso es donde se lleva a cabo la adquisición del conocimiento,
extrayéndole información al experto por varios métodos previamente
determinados.
12.2.4.1 Adquisición de Conocimientos. La etapa de la adquisición de

conocimientos es una de las etapas principales para el desarrollo del sistema
experto. En esta etapa están envueltos el experto, el desarrollador y la
administración.
Hay varias maneras de adquirir conocimientos para implementarlos en la base
de conocimientos del sistema experto, pero todas son con el mismo fin y es el
de sacar la información que ha recopilado el experto a lo largo de los años ya
sea a través de libros, estudios, conferencias o simplemente la experiencia.
Los conocimientos a representar en el sistema experto se pueden presentar
bajo diversas formas y se ilustran el la Ilustración 27.
Esta etapa puede ser muy compleja porque muchas veces puede ser difícil
para el experto explicar los procedimientos mentales realizados para la toma de
decisiones. Por este motivo las preguntas a realizar en las entrevistas y
encuestas deben estar muy bien planteadas para entender hasta el detalle el
porqué de las respuestas del experto.
La etapa de adquisición de conocimientos, se puede dividir en tres fases
(Véase
Ilustración 28, Ilustración 29 e Ilustración 30).
99
Ilustración 27. Tipos de Conocimientos del Experto.
Situaciones
Típicas Hipótesis
Descripciones de
Comportamientos
Hechos
Denominaciones Inciertos
(Vocabulario)
Procesos
Definiciones Base de
Conocimientos
Restricciones
Relaciones
Entre Objetos
Heurísticas
Reglas de Disyunción
Decisión de Hechos
RESTREPO, 1993, 58.

Ilustración 28. Fase 1 adquisición de conocimiento.
DEFINIR EL Terminología del dominio.

PROBLEMA Información general.
Conceptos importantes.
DESARROLLAR Identificar relaciones entre

UN MODELO objetos y hechos.
MENTAL Identificar funcionamientos.
HACER UN Identificar módulos.

ANALISIS Identificar entradas y salidas
FUNCIONAL
ANALIZAR Determinar tipos de

LAS TAREAS conocimientos.
Elaborar planes para la
adquisición de conocimientos.
RESTREPO, 1993, 59
100
En la fase 1, un 80% depende del desarrollador y un 20% depende del experto.
Esta fase se basa en la familiarización del desarrollador con el dominio, por lo
tanto se debe manejar a nivel general, no entrando mucho en un terreno en
específico. En esta primera fase se debe elaborar un glosario con los términos
del dominio desconocidos por el desarrollador y se intercambian ideas entre los
miembros del grupo.
Planear la sesión.
Desarrollar un repertorio de
CONDUCIR LAS problemas.
SESIONES Utilizar técnicas de entrevista.
INICIALES DE Observar comportamientos del
ADQUISICION experto.
Inducir reglas.
REALIMENTACION
Y REFINAMIENTOS Desarrollar grafos de
DE LA SESION conocimientos.
Desarrollar pseudocódigo.
Revisar notas de la sesión.
CONDUCIR LAS Planear la sesión.

SESIONES Utilizar entrevistas estructuradas.
SIGUIENTES Utilizar simulaciones.
Desarrollar prototipos.
RESTREPO, 1993, 59.
Durante la etapa 2, la adquisición del conocimiento está repartida

aproximadamente en un 50% entre el desarrollador y el experto.
101
IMPLEMENTAR Representar los conocimientos.

LOS Hacer refinamientos
CONOCIMIENTOS continuamente.
PRUEBAS,
ITERACIONES, Desarrollar escenarios de
REFINAMIENTOS prueba.
Hacer pruebas con varios
expertos.
Realizar seguimientos.
RESTREPO, 1993, 60.
En esta tercera fase el desarrollador es el encargado del 80% de la adquisición

del conocimiento y el experto se encarga del 20%. Esto se debe a que esta
tercera fase es básicamente la representación y refinamiento de los
conocimientos previamente adquirido en fases anteriores.
Para cada sesión de adquisición de conocimiento se debe seguir el siguiente
esquema de preparación (Véase Ilustración 31):
Ilustración 31. Esquema de preparación de las sesiones.
Planeación de la 40% del tiempo

sesión
Ejecución de la 15% del tiempo

sesión
Revisión de la
sesión 45% del tiempo
Una sesión de adquisición de conocimiento tiene la siguiente estructura:
102
Ilustración 32. Esquema de las sesiones.
Resumen de la sesión anterior (si

INTRODUCCION la hubo).
Presentación de la sesión actual:
objetivo, técnicas, duración etc.
ADQUISICION DE Técnicas de adquisición de

CONOCIMIENTOS conocimientos.
Resumen de la sesión.
CONCLUSION Repaso de los hallazgos.
Solicitudes de aclaración.
Solicitudes de extensión.
Información sobre la sesión
siguiente.
Las preguntas a realizarle al experto pueden ser de dos tipos abiertas o

cerradas. Las abiertas, dan un mayor espacio al experto para explicar su
respuesta mientras que las cerradas son básicamente de selección múltiple.
A continuación se presentara un prototipo general de encuesta a realizar a los
expertos.
¿Para qué tipo de máquina se desarrollara el sistema experto?
(Rotativa, lineal etc.)
¿Cuál es la marca de la máquina?
¿Cuál es la referencia de la máquina?
¿Esta codificada la máquina?
¿Utilizan codificación inteligente o bruta?
¿Cuál es el código de la máquina?
¿Cuál es la función principal de la máquina?
¿Cuáles son los principales sistemas de la máquina? (Eléctrico,
Lubricación, Combustible, etc.)
¿Cuáles son los componentes básicos de la máquina?
¿Para qué sirve cada uno de los componentes?
103
¿Cuáles son los componentes críticos en el funcionamiento de la
máquina?
¿De qué materiales están fabricados estos componentes?
¿Cuál es la criticidad de falla de cada uno de los componentes críticos?
¿Cuáles son los modos de falla de estos componentes?
¿De qué manera se pueden prevenir estas fallas?
¿con que variables se pueden monitorear estas fallas?
¿Cuáles son los elementos con mayor número histórico de fallas?
¿Cuál es el rango de operación de la máquina sugerido por el
fabricante? (rpm, velocidad, etc.)
¿Cuál es el rango de operación real de la máquina?
¿Cómo pueden ser afectados los componentes con la variación en el
rango de operaciones?
¿Cuál es el ambiente de operación de la máquina? (corrosivo, con
polvo, etc.)
¿Está la máquina diseñada para este tipo de ambientes?
¿Se tiene documentación acerca de la operación de la máquina?
¿La máquina se opera bajo estos parámetros del fabricante?
¿Se tiene documentación acerca del mantenimiento de la máquina
sugerido por el fabricante?
¿Se cumplen los planes de mantenimiento sugeridos por el fabricante?
¿Cuáles son los componentes consumibles de la máquina? (bandas,
cadenas, filtros etc.)
¿Requiere lubricación la máquina?
¿Se utilizan los lubricantes y grasas sugeridos por el fabricante?
¿Qué tipo de mantenimiento se le realiza a la máquina? (preventivo,
predictivo, correctivo, etc.)
¿Se tiene establecido un plan de mantenimiento para la máquina?
¿Cada cuanto se interviene la máquina?
¿Se tiene historial de las intervenciones hechas a la máquinas?
104
¿Quién realiza el mantenimiento de la máquina, personal propio o
personal subcontratado?
¿Cuál es el tiempo de operación diaria de la máquina?
¿Cuál es la vida útil de la máquina?
¿Cuál es la edad de la máquina?
¿Se le ha realizado algún overhaul a la máquina?
¿Se le ha realizado alguna modificación a la máquina? ¿Por que?
¿Se tienen indicadores de mantenimiento para la máquina?
¿Cuál es el MTTR (tiempo medio de reparación) histórico de la
máquina?
¿Cuál es el MTBF (tiempo medio entre fallas) histórico de la máquina?
¿Qué tipo de repuestos de la máquina se tienen en el almacén?
¿Están los repuestos clasificados por su criticidad?
¿Qué componentes de la máquina se van a monitorear para el sistema
experto?
¿Qué variables se desean controlar para el sistema? (vibraciones,
temperatura, etc.)
¿Cómo se van a tomar estas mediciones? (sensores, etc.)
¿Cada cuanto se tomaran estas mediciones?
¿Cuáles son los rangos normales de estas variables dependiendo del
rango de operación?
Una vez se tengan las respuestas a todas las preguntas, se puede iniciar con la
etapa del desarrollo de la base de conocimientos, que es estructurar la
información obtenida de las preguntas y traducirla a reglas que puedan ser
utilizadas por el sistema.
Luego se debe hacer un proceso de refinamiento de las reglas para comprobar
la calidad de la base de conocimientos.
105
12.2.5 Construcción del Sistema Experto. Construcción del sistema experto de
mantenimiento preventivo y predictivo, con el fin de capturar el conocimiento
del sistema técnico en cuestión y entregar respuestas alrededor del
mantenimiento preventivo y predictivo.
En este paso se deben convertir los procedimientos utilizados para resolver el
problema a la forma lógica de reglas If/Then utilizada por la herramienta.
También se debe diseñar como será la interface al usuario, la cual no debe ser
demasiado simple, ya que un programa puede tener mucha capacidad pero no
ser agradable a la vista. Muchos desarrolladores prefieren lograr un programa
con mucha capacidad pero con una interface sencilla para luego pulirla una vez
el sistema este funcionando correctamente. Diseñar una buena interface desde
el principio puede ayudar debido a que durante las pruebas del sistema
también se podrá probar la interface.
Ilustración 33. Diagrama de construcción del sistema experto.
Base de Conocimientos
Módulo de Conclusión Módulo de Preguntas Módulo de Variables
Módulo de Árboles Módulo de Reglas Módulo de Control
Módulo de Control Módulo de Cartas de

de Dialogo Conclusión Cálculo
Otros
Programas
Interfaz del
Red Base de
Usuario Neuronal Datos
Este paso está a cargo principalmente del desarrollador, ya que allí su principal
función es la de tomar la información adquirida del experto y traducirla en
reglas que la herramienta pueda procesar.
106
12.2.6 Verificación del Sistema Experto. La última etapa de la investigación es
la validación y puesta a punto del sistema experto de mantenimiento en
condiciones reales.
El programa debe ser probado y validado por el experto para asegurar que los
resultados que produce son correctos. El sistema puede ser probado
individualmente a mano o se puede utilizar el programa de validación que
posee la herramienta, el cual detecta errores en la lógica en un poco tiempo.
Mientras más complejo sea el sistema, más tiempo tomara la validación.
Ilustración 34. Evaluación del sistema experto.
START
Condición de la
Medición
Máquina
Reemplazo o
Medición
Reparación
Valor de la Medición= número, L

Localización
del Fallo
NO SI
Estado de Estado
Si Lo<L<Li
Avería Bueno
STOP
La verificación y validación debe estar a cargo del desarrollador conjuntamente

con el experto. Esto se hace con el fin de probar que las respuestas entregadas
por el sistema concuerdan con las dadas por el experto. En este punto luego de
verificar que los resultados son correctos, se debe llevar el sistema al campo e
107
instalarlo en el lugar de uso para que el usuario final sea quien se encargue de
sacarle provecho a toda la información contenida en la base de conocimientos
y usarla como apoyo a la toma de decisiones.
12.2.7 Mantenimiento del Sistema Experto. El último paso es el mantenimiento

del sistema experto debido a que con el uso diario se pueden ir descubriendo
baches en la información que deben ser corregidos con el fin de tener un
sistema más completo.
Ilustración 35. Mantenimiento del Sistema Experto
START
Condición de la
Medición
Máquina
Reemplazo o
Reparación Medición
SI
NO Valor de la Medición= número, L
Actualiz
Respuesta
ación Satisfactoria
S.S.E.E
NO SI Estado
Pregunta Bueno
al S.S.E.E Si Lo<L<Li
STOP
En la etapa del mantenimiento del sistema experto deben estar presentes todos
los protagonistas del desarrollo. El usuario detecta la falla en el sistema al este
no encontrar una respuesta en su base de conocimientos. El usuario le informa
a la administración quien decide si se debe actualizar la base de conocimientos
y contacta al experto y al desarrollador. Al ser un problema nuevo del sistema
108
que no tiene respuesta, se debe realizar una nueva adquisición de
conocimientos del experto y el desarrollador traducirlo a reglas de la
herramienta, para así ampliar la base de conocimientos y de esta manera el
sistema puede estar en capacidad de generar mejores y mayor número de
respuestas.
109
13 DESARROLLO DE UN SISTEMA EXPERTO APLICADO A UN SISTEMA
FERROVIARIO
13.1 OBJETO DE ESTUDIO
El objeto de estudio de este trabajo es un vehículo ferroviario y su interacción

rueda-riel.
La estructura de los coches de cada unidad está formada por dos coches
motores en los extremos denominados “A” y “B”, con una construcción casi
idéntica, los cuales cuentan con cabina para conductores; y un coche remolque
“R” intermedio el cual no tiene accionamiento (MARIN, 2006, 8) (Véase
Ilustración 36). Las características del vehículo se muestran en la Tabla 3.
Ilustración 36. Dimensiones generales del vehículo
Manual de mantenimiento Metro de Medellín.
Tabla 3. Características básicas de la unidad
Tipo Vehículo bidireccional articulado

Bogie motor 4
Bogie portador 2
Ancho de vía 1435 mm
Altura del coche desde el riel al techo 3,8 m
Ancho exterior del coche 3,2 m
Longitud del coche sobre los enganches 22.860 (coche motor)
22.760 (coche remolque)
Tensión de catenaria 1500 v.c.c +20%-30%
Tensión auxiliar 110 v.c.c batería
3x220 V 60 hz. Convertidor
3x440 V 60 hz. Convertidor
110
Tipo Vehículo bidireccional articulado
Tracción 4 motores de tracción perpendiculares a ejes.

Cada motor impulsa un eje de un bogie.
Potencia del motor 205 KW (permanente)
Razón de transmisión 5.95 : 1 = Z1/Z2 = 119/ 20 : 1
Diámetro de las ruedas 850 mm (nueva)
800 mm (desgastada)
Velocidad máxima de servicio 80 Km/h
Para las cargas que aplican sobre el vehículo, se considera este vacío AW0, el
vehículo con carga normal AW1 (5.5 per/m2) y el vehículo con carga máxima
AW2 (8 per/m2) (Véase Tabla 4).
Tabla 4. Cargas de los coches y la unidad
Coche motor
Peso Coche motor A B Coche remolque Unidad
Vacio 113.500
AW0 42.640 Kg 41.980 Kg 28880 Kg Kg
Carga 171.090
AW1 61.425 Kg 60.765 Kg 48.900 Kg Kg
Carga 192.800
AW2 68.575 Kg 67.915 Kg 56.310 Kg Kg
En la Tabla 5 se muestra el sistema de control con el que cuenta cada unidad.
Tabla 5. Sistema de control del vehículo
Nombre Característica
Sistema de control Mando de cuatro motores de tracción por choper.
Arranque, marcha y frenado controlables.
Sistema de freno Freno electrodinámico, recuperación de energía
por
resistencias. Frenos magnéticos de vía en cada
bogie.
Freno de parqueo por resortes. Freno electro
neumático
Aceleración 0.95 m/s2- carga normal (AW1=5.5 per/m2). 0.85
m/s2
carga maxima (AW2= 8 per/m2)
111
Nombre Característica
Desaceleración de servicio 1.1 hasta 1.2 m/s2

Desaceleración de emergencia 1.3 m/s2
Desaceleración de emergencia excepcional 1.9 m/s2
Radio mínimo de Curva 90 m
13.2 SISTEMAS DE LOS VEHICULOS PARA PASAJEROS
Los vehículos de pasajeros objeto de estudio, están compuestos por los

siguientes sistemas:
Sistema de caja del vehículo: Es el compartimiento de pasajeros.
Sistema de bogies: Soportan los ejes y en algunos los motores; son
intercambiables.
Sistema de aire comprimido: Es un sistema neumático en cada vehículo de
pasajeros.
Sistema de tracción: Está compuesto por motores que accionan los ejes de un
bogie.
Sistema de mando y control: Este sistema lo constituyen los diferentes
elementos por los cuales se realiza la conducción del vehículo.
Sistemas auxiliares: Son los encargados de dar soporte a la marcha del
vehículo.
Sistema de frenos: Está compuesto por circuitos eléctricos y mecánicos, los
cuales dan el control del freno electro-neumático.
Sistema de puertas: Está compuesto por 8 puertas por coche, 4 puertas por
cada lado, las cuales abren según el tipo de plataforma (central o lateral).
Sistema de alumbrado: Se compone del alumbrado interior y el alumbrado
exterior. Está compuesto por luces internas y faros frontales del vehículo.
Sistema de radio: Se compone de comunicación al interior del vehículo y con el
puesto central de control.
Sistema de control automático del tren: Es el que permite la marcha segura del
vehículo en los diferentes modos de operación.
112
Sistema de enganches de los vehículos: Es el que permite el acople eléctrico y
mecánico de los trenes.
Sistemas neumáticos auxiliares: Son todos los equipos neumáticos diferentes
al equipo de freno y suministro de aire (MARIN, 2006, 10).
13.3 DESCRIPCION DEL SISTEMA DE VIA PERMANENTE
El Metro de Medellín cuenta con un sistema de 75 km. de vía férrea distribuidos

de la siguiente forma:
13.5 km en el Patio de Bello.
3.5 km en la línea de enlace.
5.59 km en la línea B descendente.
5.59 km en la línea B ascendente.
23.41 km en la línea A descendente.
23.41 km en la línea A ascendente.
En las vías del sistema Metro de Medellín, pueden funcionar tanto vehículos de
pasajeros como vehículos auxiliares para el mantenimiento. El recorrido de
estos vehículos de pasajeros se realiza en una sola dirección, mientras que el
movimiento de los vehículos auxiliares se puede realizar en ambos sentidos.
En general, la vía del Metro de Medellín está compuesta por tramos de vía
continuamente soldada, unidos por otros equipos llamados cambiavías, cuya
función es permitir a los vehículos pasar de una vía a otra. En la vía comercial
se tiene un total de 67 cambiavías, estratégicamente ubicados en las líneas A y
B, lo cual permite operar el sistema por tramos intermedios (MARIN, 2006, 13).
En la Ilustración 37 y en la Ilustración 38 se muestran los esquemas generales
de la vía y sus formas de sujeción. En la Ilustración 39 se muestra el esquema
de un cambiavías. Para información técnica sobre la vía véase la Tabla 6.
Datos técnicos de la vía permanente.
113
Ilustración 37. Esquema general de la superestructura de la vía
Ilustración 38. Configuración típica de la vía
114
Ilustración 39. Esquema de un cambiavías
Tabla 6. Datos técnicos de la vía permanente
Dato Valor
Ancho de vía 1.435 mm
Peralte máximo 150 mm
Peralte mínimo 20 mm
Pendiente máxima de la vía 37 0/00
Ancho exterior del coche 3.200 mm
Radio de acuerdo vertical mínimo 2.000 m
(admisible en el trayecto)
Radio mínimo horizontal en la Línea A 300 m
Radio mínimo horizontal en la Línea B 200 m
Radio mínimo en la vía de enlace 90 m
Distancia mínima entre vías 3,75 m
Distancia entre durmientes Línea 0,63 m
Distancia entre durmientes Patio Bello 0,75 m
Altura mínima del balasto sobre la sub-base 0,3 m
Hombro del balasto 0,4 m
Riel UIC 54
Durmiente de hormigón Tipo Dywidag
Longitud durmiente de hormigón 2,50 m
Tipo de sujeción HM (Vossloh)
Finales de vía Parachoques
Cambiavía UIC 54 190 1:9
Cambiavías en Patio Bello UIC 54 190/90
1:6
Velocidad máxima en Patio Bello 20 Km/h
Velocidad máxima en línea comercial 80 Km/h
Longitud de curvas (R<200m) 643,5 m
Longitud de curvas (200m<R<350m) 9.695,6 m
115
Dato Valor
Longitud de curvas (R>1000m) 956,7 m
Porcentaje de curvas en el sistema 43%
13.4 DESCRIPCION DE LAS RUEDAS
Las ruedas son la parte fundamental que hace contacto con el riel para así
producir la interacción rueda-riel. La superficie de la rueda que interactúa con el
riel, se denomina perfil de rueda. En la Ilustración 40 se muestran los
parámetros de las ruedas.
Ilustración 40. Parámetros del perfil de rueda
Donde Sd es el espesor de la pestaña de la rueda; Qr es la escarpadura de la

pestaña de la rueda; Sh es la altura de la pestaña de la rueda.
Para hallar el ángulo de la pestaña δ, se toman los valores medidos de Sh y Qr
y se toma la tangente inversa como se aprecia en la Ecuación 10.
Ecuación 10. Ángulo de la pestaña de la rueda
Sh
tan1( )δ
Qr
Estos parámetros son independientes del perfil de rueda que se utilice.

Los parámetros de la rueda que se deben controlar son los siguientes:
116
Diferencia de diámetro: Se pretende que en dos ruedas de un mismo eje, se
mantenga la menor diferencia de diámetro. La diferencia máxima permisible
entre ruedas de un mismo eje son: 0.3 mm en estado nuevo y 0.5 mm en
servicio admisible.
Ovalizacion: Es la perdida de circularidad de las ruedas. La diferencia máxima
admisible entre ruedas de un mismo eje son: 0.3 mm en estado nuevo y 1 mm
en servicio admisible.
Desviación frontal: Es la pérdida de perpendicularidad de la rueda respecto al
eje donde se encuentre montada. Esta medida se garantiza desde el montaje
de la rueda. La diferencia máxima admisible por rueda es de 0.5 mm.
Desviación concéntrica de la rueda (excentricidad): Es la pérdida del centro de
la rueda respecto al eje donde está montada. Normalmente esta medida se
garantiza desde la fabricación y el maquinado, conservando las referencias y
tolerancias de rueda y eje. La diferencia máxima admisible por cada rueda es
de hasta 0.3 mm.
Desviación de la forma de la pestaña: Es la pérdida de la forma de la pestaña
de la rueda. La diferencia máxima admisible por cada rueda es de hasta 0.5
mm.
Desviación de forma en la banda de rodadura: Es la pérdida de la forma de la
superficie de rodadura de la rueda. La diferencia máxima permisible por cada
rueda es de hasta 0.5 mm.
Diferencias admisibles en los diámetros: Los siguientes son los criterios de
aceptación en las diferencias en los diámetros (MARIN, 2006, 21).
Ruedas de un eje montado 0.3 mm
Ejes montados en un bogie 0.3 mm
Bogies de un mismo coche 3 mm
Coches de una unidad 20 mm
13.5 FUERZAS DE INTERACCION RUEDA-RIEL
Estas fuerzas pueden ser de tres tipos: verticales, axiales y longitudinales, y

estas a su vez se pueden clasificar como cuasi-estáticas y dinámicas. Las
117
fuerzas cuasi-estáticas pueden ser causadas por: la carga del vehículo; fuerzas
centrifugas en curvas, transiciones y cambiavías; vientos cruzados.
Las fuerzas dinámicas pueden ser debidas a: irregularidades verticales y
horizontales en pista; irregularidades en la rigidez de la vía debido a
variabilidades en el balasto; discontinuidades en soldaduras y uniones;
defectos en el vehículo como planitudes en ruedas y vibraciones naturales.
Adicionalmente los efectos de la temperatura en la vía pueden causar fuerzas
considerables a tensión y compresión que pueden resultar en pandeo del riel
(ESVELD, 2001, 57).
13.5.1 Fuerzas Verticales. La fuerza vertical sobre el riel es causada por los
siguientes componentes (Véase Ilustración 41):
Ecuación 11. Fuerza vertical sobre el riel
QTot = (Qestat + Qcent + Q viento )+Qdin

Donde:
Qestat: Carga estática de la rueda (1/2 de la carga estática por eje)
Qcent: Incremento de carga en el riel exterior debido a curvas. Qe en la
Ilustración 41.
Qviento: Incremento de la carga estática en el riel contrario a la aplicación de la
fuerza debido a vientos cruzados.
Qdin = Carga dinámica causada por: masas suspendidas, masas no
suspendidas, corrugaciones en la via, soldaduras y planitud en las ruedas.
Del equilibrio de fuerzas que actúan sobre el vehículo (Véase Ilustración 41 ),
se puede deducir la siguiente fórmula para cada rueda en un pequeño Angulo
de peralte (ESVELD, 2001, 58).
118
Ilustración 41. Fuerzas cuasi-estáticas del vehículo en una curva
ESVELD, 2001, 58.
Ecuación 12. Fuerzas verticales estáticas y centrifugas sobre el vehículo
Pc*hd Pw
Qestat + Qcent = G 2
+Hw
s s
Donde hd es la deficiencia de peralte calculada con la siguiente fórmula:
Ecuación 13. Deficiencia de peralte
s*v 2
hd= -h
g*R
Donde G es el peso del vehículo por juego de ruedas; Hw es la fuerza puntual
ejercida por el viento cruzado, s es el ancho de la pista; v es la velocidad; g es
la aceleración de la gravedad; R es el radio de la curva; h es el peralte; Pc es la
distancia al centro de gravedad; Pw es la distancia de la fuerza resultante
lateral del viento (ESVELD, 2001, 58).
119
13.5.2 Fuerzas Axiales. La fuerza lateral total de la rueda tiene varios
componentes (Véase Ilustración 41). En la Ecuación 14 se aprecian estos
componentes.
Ecuación 14. Fuerzas axiales
Ytot = (Ypestaña +Ycent +Yviento )+Ydin
Donde:
Ypestaña = Fuerza lateral ejercida por la pestaña de la rueda en el riel exterior. Ye
según Ilustración 41
Ycent = Componente lateral de la fuerza centrifuga.
Yviento = Componente lateral de la fuerza ejercida por los vientos cruzados.
Ydin = Componente lateral de la fuerza dinámica; en vía tangente es

primordialmente debido al fenómeno de hunting7.
Si se asume que Ycent y Yviento actual totalmente en el riel exterior, del
equilibrio de fuerzas por juego de ruedas considerado en la Ilustración 41 se
obtiene:
Ecuación 15. Fuerza lateral máxima
hd
Ye_Max = G +Hw
s
La fuerza lateral en la vía Y, se puede asumir como la suma de todas las
fuerzas Y, multiplicadas por un factor de amplificación debido a fuerzas
dinámicas.
Ecuación 16. Fuerza lateral multiplicada por el factor de amplificación dinámico
hd
Y=DAF*(G +Hw)
s
Donde DAF es el factor de amplificación debido a fuerzas dinámicas (ESVELD,
2001, 60).
7
Fenómeno de hunting: Movimiento oscilatorio de un vehículo ferroviario causada por la
conicidad de las ruedas, donde se ve afectada la estabilidad direccional.
120
13.5.3 Fuerzas Longitudinales. Las fuerzas longitudinales ejercidas sobre la
pista son el resultado de:
Fuerzas por temperatura.
Acelerado y frenado.
Encogimiento del riel causado por soldaduras.
Desplazamientos de la pista.
Las fuerzas en la pista causadas por la temperatura se pueden considerar
estáticas, y son resultado del cambio de longitud del riel, el cual se puede
calcular con la siguiente fórmula:
Ecuación 17. Incremento en longitud de riel
Δl=α*li*Δt
Donde Δl es el cambio en la longitud del riel; α es el coeficiente de expansión
del material del riel; Δt es el cambio en la temperatura (Δt= tfinal - tinicial).
Las fuerzas por los desplazamientos de la vía son debidas al movimiento
relativo del riel respecto a los durmientes, o del riel y los durmientes respecto al
balasto. En una pista con vehículos en movimiento en ambas direcciones, el
movimiento de la vía es menor.
Las cargas por aceleración y frenado en la vía, deben ser tomadas en cuenta al
dimensionar la estructura. Para la mayor parte de los diseños, se toma esta
fuerza como un 25% del peso del vehículo (ESVELD, 2001, 62).
13.5.4 Otras Fuerzas. El incremento en la velocidad y el peso del vehículo,

también tiene una gran influencia al determinar las fuerzas dinámicas sobre la
pista, ya que estas dependen en mayor parte de la velocidad, peso y
condiciones de la pista. Un incremento en la velocidad o peso del vehículo,
genera fuerzas dinámicas más altas lo cual se traduce en mayores costos de
mantenimiento.
Las planitudes en las ruedas, son quizás las que generan las más altas fuerzas
dinámicas en la pista, ya que estas planitudes ejercen la misma fuerza
aleatoriamente sobre la pista, lo cual puede desencadenarse en daños por
121
fatiga. Estas fuerzas dependen en su mayoría de la velocidad del vehículo y de
la profundidad de la planitud.
Otras fuerzas importantes que se pueden generar en la pista son debidas a
malas soldaduras. Aun pequeñas desviaciones verticales en la geometría de la
soldadura pueden ocasionar grandes fuerzas dinámicas al paso de la rueda
(ESVELD, 2001, 68).
13.6 INDICE Y CRITERIOS DE SEGURIDAD EN MARCHA VEHICULOS

FERROVIARIOS
Los descarrilamientos debidos a la pérdida de la guía lateral en la interface

rueda-riel, se pueden clasificar en cuatro causas principales: escalamiento de
la pestaña de la rueda, ampliación en el ancho de la pista, deflexión lateral del
riel y movimiento lateral del riel (IWNICKI, 2006, 212). Para efectos de este
trabajo, solo se consideraran los descarrilamientos por escalamiento de
pestaña, ya que estos son los directamente relacionados con la interface rueda
riel, los otros son debidos a las condiciones de la pista.
13.6.1 Escalamiento de Pestaña. Los descarrilamientos de escalamientos de

pestaña son causados por el escalamiento de la rueda sobre el riel, para luego
seguir moviéndose por encima del riel. Estos descarrilamientos generalmente
ocurren cuando la rueda experimenta una alta fuerza lateral en combinación
con situaciones donde la fuerza vertical sobre la pestaña es reducida. Las altas
fuerzas laterales son inducidas usualmente por un alto ángulo de ataque de las
ruedas. La fuerza vertical sobre la pestaña puede ser reducida
significativamente en bogies que experimentan mala ecualización de la fuerza
vertical en situaciones como pistas defectuosas, curvas, o cuando el vehículo
experimenta resonancias al rodar.
El escalamiento de pestaña generalmente ocurre en curvas. Las ruedas en el
riel exterior, experimentan una relación de fuerzas laterales a verticales (Y/Q) la
cual esta principalmente relacionada con:
Radio de la curva.
Perfiles de la rueda y el riel.
122
Características de la suspensión del bogie.
Velocidad del vehículo.
Estos factores se combinan para generar un ángulo de ataque, el cual genera
una fuerza lateral en curvas.
Un bogie desalineado (nivel de alineación por fuera del rango admisible) tiende
a inducir mayores ángulos de ataque. Además, cualquier irregularidad o
discontinuidad dinámica en la pista pueden influir en un incremento adicional de
la relación Y/Q en la rueda. Cuando esta relación (Y/Q) excede el límite que la
rueda puede sostener, ocurre el escalamiento de pestaña.
Descarrilamientos por escalamiento de pestaña, pueden presentarse sobre
pistas tangentes cuando las irregularidades en la pista o el movimiento
dinámico lateral del vehículo son severos, tal como en el fenómeno de cacería
del vehículo o en frenados agresivos (IWNICKI, 2006, 212).
13.6.2 Criterios de Seguridad para el Escalamiento de Pestaña. El

descarrilamiento producido por el escalamiento de la pestaña de la rueda ha
sido investigado alrededor del mundo por acerca de 100 años. Varios criterios
de seguridad han sido propuestos, los cuales han sido aplicados por ingenieros
como guía para certificaciones de seguridad en pruebas de vehículos
(IWNICKI, 2006, 214). Los siguientes son los criterios publicados más
comunes:
Criterio de limite Y/Q para una rueda de Nadal.
Criterio de límite de la suma de Y/Q de todos los ejes de Weinstock.
Distancia límite para vehículos de pasajeros a alta velocidad.
Tiempo límite de 50 milisegundos.
Criterio de duración en tiempo de Y/Q. Japanese National Railways
(JNR).
Criterio de duración en tiempo de Y/Q. Electromotive Division of General
Motors (EMD).
Criterio de distancia de escalamiento de la rueda. Transportation
Technology Centre, Inc (TTCI).
123
Los criterios de Nadal y Weinstock están relacionados con el límite de la
relación Y/Q. El resto de criterios están relacionados con limites de duración, ya
sean de tiempo o distancia, los cuales son aplicados a limitar la duración en
que es excedida la relación Y/Q. El escalamiento de rueda es propenso a
ocurrir si ambos criterios, de limite de Y/Q y de duración son excedidos. A
continuación se describirán brevemente los criterios de Nadal y Weinstock, ya
que los otros criterios, son básicamente variaciones de los primeros.
13.6.2.1 Criterio de limite Y/Q para una rueda de Nadal. Nadal estableció la
fórmula original para limitar la relación Y/Q para disminuir el riesgo de
descarrilamiento (IWNICKI, 2006, 214). Esta fórmula se deduce a partir de un
equilibrio de fuerzas en el punto de contacto de la pestaña (Véase Ilustración
42).
Ilustración 42. Fuerzas en el punto de contacto de la pestaña
IWNICKI, 2006, 213
Ecuación 18. Fuerza normal en el área de contacto
Y
F3 =Qcosδ+Ysinδ=Q(cosδ+ sinδ)
Q
124
Ecuación 19. Fuerza tangencial en el área de contacto
Y
F2 =Qsinδ-Ycosδ=Q(sinδ- cosδ)...............cuando...(Qsinδ-Ycosδ)<μ*F3
Q
F2 =μ*F3 .........................................................cuando...(Qsinδ-Ycosδ)  μ*F3
De la Ecuación 18 y la Ecuación 19, la relación Y/Q se puede expresar:
Ecuación 20. Relación de fuerza lateral y fuerza vertical
F2
tanδ-
Y F3
=
Q 1+ F2 tanδ
F3
El criterio de Y/Q limite dado en la Ecuación 20, se propone para la condición
de saturación F2/F3=µ, de donde se obtiene la siguiente ecuación:
Ecuación 21. Relación Y/Q con F2/F3=µ
Y tanδ-μ
=
Q 1+μtanδ
Si se usa el ángulo máximo de contacto, esta ecuación da la relación mínima
Y/Q a la cual ocurriría el descarrilamiento para este ángulo y un coeficiente de
fricción µ. En otras palabras, por debajo de este valor, no ocurrirá
descarrilamiento por escalamiento de pestaña (IWNICKI, 2006, 215).
Analizando la Ecuación 21 se puede deducir que mientras mayor sea el ángulo
de contacto o menor sea el coeficiente de fricción, mayor será el límite Y/Q
para que ocurra descarrilamiento por escalamiento de rueda. El criterio de
Nadal asume que el descarrilamiento ocurre instantáneamente se supera el
límite de la relación Y/Q.
13.6.2.2 Criterio de Límite de la Suma de Y/Q de Todos los Ejes de Weinstock.

Este criterio predice descarrilamientos sumando los valores absolutos de Y/Q
de las dos ruedas en un mismo eje. La relación Y/Q en la rueda de
escalamiento es evaluada usando la ecuación de Nadal, mientras que la
relación Y/Q en la otra rueda es utilizada para representar el coeficiente de
125
fricción en la interface rueda-riel debido a que esta rueda hace contacto con el
riel en un bajo ángulo. Weinstock sugiere que la suma de todas las relaciones
Y/Q en la rueda de escalamiento y el coeficiente de fricción en la otra rueda
provee un criterio más acertado que el de Nadal. Si el coeficiente de fricción en
la otra rueda tiende a cero, este criterio converge al criterio de Nadal, ya que no
habrá contribución del valor Y/Q de la otra rueda. Estudios realizados muestran
que a medida que aumenta el coeficiente de fricción en la otra rueda, el limite
Y/Q en la rueda de escalamiento será mayor (IWNICKI, 2006, 217).
13.6.2.3 Criterio de Chartet. Un refinamiento práctico de la teoría de Nadal ha

sido publicado por Chartet. Para analizar las fuerzas en equilibrio, en el
momento inicial del descarrilamiento, Chartet considera la fuerza de diseño en
la rueda que no descarrila del mismo eje, a demás de la rueda que descarrila.
El encontró que independientemente del aseguramiento, que el coeficiente de
descarrilamiento continúa con el límite del valor Q, no debería caer debajo
de cierto mínimo valor. Este valor es 40% de la carga nominal de la rueda,
donde la carga nominal de rueda es la mitad de la carga del eje, en otras
palabras la rueda descargada no debería ser mayor al 60%.
13.6.3 Aplicación de los Criterios de Seguridad para el Escalamiento de

Pestaña
Escalamiento de Pestaña Debido a Bajos Ángulos de Pestaña. La

Ilustración 43 muestra dos ejemplos de ángulos de pestaña. Una es una rueda
con un ángulo de pestaña de 75º y la otra tiene un ángulo de pestaña de 63º. Si
se analiza el criterio de Nadal para estos dos ángulos y un coeficiente de
fricción constante, se puede ver que el criterio de Nadal es más alto para el
ángulo de 75º, por lo tanto se deduce que para ángulos mayores, el riesgo de
descarrilamiento es menor (IWNICKI, 2006, 220).
Ilustración 43. Ruedas con ángulos de pestaña de 63º y 75º
126
IWNICKI, 2006, 220.
13.6.3.1 Incremento en la Longitud de la Pestaña. La longitud de pestaña Fl

está definida como la medida del contorno de la pestaña de una rueda a un
ángulo de pestaña dado (Véase Ilustración 44 ). Simulaciones y pruebas en
pista, han demostrado que el incremento en la longitud de la pestaña, puede
aumentar considerablemente la distancia de descarrilamiento en un ángulo de
ataque bajo y causar un pequeño aumento en esta distancia en un alto ángulo
de ataque.
Ilustración 44. Longitud de Pestaña
IWNICKI, 2006, 221.
13.6.3.2 Escalamiento de Pestaña Debido a Altos Coeficientes de Fricción.

Descarrilamientos por escalamiento de pestaña se han reportado en curvas de
patios de mantenimiento en vehículos cuyas ruedas acaban de salir de la
127
máquina rectificadora y perfiladora. Este tipo de descarrilamiento es producido
por la alta rugosidad de la superficie de la rueda cuando acaba de salir de
rectificación ya que esto supone coeficientes de fricción más elevados. Al tener
coeficientes de fricción mas elevados en la interface rueda riel, la relación limite
Y/Q es menor lo cual aumenta el riesgo de descarrilamientos. Soluciones para
este caso pueden ser el suavizado de la superficie de la rueda al salir de
rectificado o la lubricación de la interface rueda-riel para disminuir coeficientes
de fricción (IWNICKI, 2006, 221).
13.7 PREGUNTAS PARA EL SISTEMA EXPERTO
A continuación se listan las preguntas realizadas a un experto8 para obtener el

conocimiento necesario para la construcción del sistema experto.
¿Qué componentes de la máquina se van a monitorear para el sistema
experto?
R// Se monitoreara la interface rueda-riel
¿Qué variables se desean controlar para el sistema? (vibraciones,
temperatura, etc.)
R// Se desean controlar el ángulo de la pestaña, coeficiente de fricción
rueda-riel, fuerzas laterales y verticales.
¿Cómo se van a tomar estas mediciones? (sensores, etc.)
R// Por medio de sensores y strain gages.
¿Cada cuanto se tomaran estas mediciones?
R// Periodicidad aun no definida.
¿Cuál es el coeficiente de fricción entre la rueda y el riel?
R// 0.5 en condición seca, 0.2 húmedo, 0.16 en condición de lubricación9.
Valor Metro de Medellín: 0.35.
¿Cuáles son los valores de Sh (altura de la pestaña de la rueda)?
8
GEMI- Grupo de Estudios en Mantenimiento Industrial. Universidad EAFIT. 2008
9
Datos aportados por Peter Klauser, asesor internacional, 2008.
128
R// Depende de la condición de la máquina. Según la normatividad UK debe
estar entre 6.5 mm y 4 mm. El limite europeo 5mm. Metro de Medellín Sh≥
Sh(Teórico)
¿Cuáles son los valores de Qr (escarpadura de la pestaña de la rueda)?
R// Depende de la condición de la máquina. Según la normatividad europea
Qr> 6.5 mm. Metro de Medellín Qr≥0.8 Qr(Teórico)
¿Cuáles son los valores de la fuerza lateral Y?
R// Depende de la condición de la máquina.
¿Cuáles son los valores de la fuerza vertical Q?
R// Depende de la condición de la máquina. Q= Qest + Qdin
Con las respuestas a estas preguntas se puede proceder a establecer las

reglas necesarias para la construcción del sistema experto en mantenimiento y
su aplicación en el índice de seguridad en marcha de vehículos ferroviarios.
Cabe aclarar que existen muchas variables que se podrían controlar en la
interface rueda-riel como diámetros, ovalización etc., pero solo se incluyen las
variables Sh y Qr de la rueda y el coeficiente de fricción, ya que solo estas son
relevantes para evaluar el índice de seguridad en marcha según el criterio de
Nadal.
13.8 SISTEMA PARA EVALUAR EL INDICE DE SEGURIDAD EN MARCHA

DE VEHICULOS FERROVIARIOS SEGUN EL CRITERIO DE NADAL
13.8.1 Descripción del Sistema. El sistema experto evalúa la condición de la

pestaña de la rueda, obteniendo el ángulo de la rueda de datos ingresados por
el usuario y diciendo si este se encuentra en un valor admitido que no ponga en
riesgo la seguridad del vehículo ferroviario. En caso de que este ángulo no esté
en un valor admisible, el sistema da recomendaciones sobre procedimientos a
realizar para que la rueda se encuentre en condiciones de operación segura.
El sistema también evalúa el coeficiente de fricción rueda-riel obtenido del
usuario y da recomendaciones dependiendo de su estado.
129
Utilizando el criterio de Nadal, el sistema halla la relación Y/Q teórica con la
Ecuación 22 y según su valor, emite juicios acerca de su estado y da
recomendaciones sobre como incrementar su valor.
Ecuación 22. Relación Y/Q teórica
Y tanδ-μ
teo=
Q 1+μtanδ
La relación Y/Q real se halla con datos de la fuerza lateral y vertical obtenidos
del usuario para luego ser comparada con la relación Y/Q teórica y
dependiendo de su estado, el sistema emite juicios y da recomendaciones. En
caso de que la relación real sea menor que la teórica, el sistema da un
porcentaje de seguridad que se tiene frente al riesgo de descarrilamiento. En
caso contrario, el sistema emite recomendaciones sobre como incrementar la
seguridad en el vehículo.
El sistema también evalúa la seguridad del vehículo según el criterio de
Chartet, tomando el valor teórico de la fuerza vertical Q y comparándolo con la
fuerza Q experimental, si esta última es menor que el 60% de la teórica, el
sistema emitirá una alarma.
En el anexo 5 se encuentran las reglas que utiliza el sistema.
13.8.2 Variables del Sistema.
En la Tabla 7 se muestran las variables utilizadas en el sistema con su tipo,

descripción y su forma de ser obtenidas.
Tabla 7. Variables utilizadas en el sistema

Variable Tipo Descripción Se Obtiene
Menu1 Lista Pregunta al usuario si se desea Introducida
Estática evaluar el índice de seguridad. Tiene por el
dos respuestas posibles: sí y no. usuario.
Sh Numérica Describe la altura de la pestaña de la Introducida
rueda. por el
usuario.
Qr Numérica Describe la escarpadura de la pestaña Introducida
de la rueda. por el
usuario.
130
Variable Tipo Descripción Se Obtiene
Ángulo Numérica Describe el ángulo de la pestaña de la Inferida por el

rueda. sistema.
Condicion_rueda Lista Evalúa la condición de la rueda. Inferida por el
Estática sistema.
Co_fric Numérica Describe el coeficiente de fricción Introducida
rueda-riel. por el
usuario.
Condicion_friccion Lista Evalúa la condición del coeficiente de Inferida por el
Estática fricción. sistema.
Yqteo Numérica Describe la relación Y/Q teórica. Inferida por el
sistema.
Condicion_YQteo Lista Evalúa la condición de la relación Y/Q Inferida por el
Estática teórica. sistema.
Yreal Numérica Describe el valor de la fuerza lateral. Introducida
por el
usuario.
Qreal Numérica Describe el valor de la fuerza vertical. Introducida
por el
usuario.
YQreal Numérica Describe la relación Y/Q real. Inferida por el
sistema.
Condicion_YQreal Lista Evalúa la condición de la relación Y/Q Inferida por el
Estática real. sistema.
Mg_segur Numérica Describe el margen de seguridad de la Inferida por el
relación Y/Q real sobre la teórica sistema.
Recomendación1 Lista Emite recomendaciones del sistema. Inferida por el
Estática sistema.
Mg_segur2 Numerica Describe el margen de seguridad entre Inferida por el
la Qreal y el criterio de Chartet. sistema.
Qteo Numerica Describe el valor de la fuerza vertical Inferida por el
teórica en una rueda sistema.
Coche Lista Pregunta al usuario que tipo de coche Introducida
Estática es el que se va a evaluar. (A,B o R) por el
usuario.
Chartet Numerica Describe el valor del criterio de Chartet Inferida por el
sistema.
Condicion_Chartet Lista Describe la Condicion de la fuerza Q Inferida por el
Estática real frente al criterio sistema.
de Chartet
131
13.8.3 Fuerzas Laterales y Verticales para el Sistema. El sistema debe
determinar la relación Y/Q real para inferir si esta se encuentra dentro de los
límites permitidos para un riesgo mínimo de descarrilamiento del vehículo
ferroviario.
Estas fuerzas deben ser ingresadas por el usuario al sistema. Se recomienda
que las fuerzas se tomen con el vehículo sin carga, ya que bajo estas
condiciones se obtendrá la relación Y/Q más alta, debido a que las cargas
verticales serán más bajas.
Se realiza el procedimiento para las mediciones de fuerzas en la interface
rueda-riel en la vía. El método debe ser desarrollado según el arreglo
específico de strain gages montados en el riel (Véase Ilustración 45).
El arreglo de strain gages se compone de ocho galgas por punto de medición,
con tres puntos de medición por riel. Cada punto de medición debe estar
ubicado en la mitad entre dos durmientes. Las mediciones son tomadas en tres
posiciones adyacentes y separadas por la distancia entre ejes del bogie. El sitio
de medición se crea con un total de seis puntos de medición, tres por cada riel.
La medición vertical se toma utilizando ¼ de arreglo en una configuración de
puente completa. Las galgas son colocadas sobre la trocha y al lado del riel
(field side). La altura de las galgas debe corresponder al eje neutro del riel
(neutral axis).
La medición lateral se toma utilizando cuatro strain gages uni-axiales en una
configuración de puente completa. Las galgas están en el pie del riel, sobre la
trocha y el lado del riel (gauge y field side).
Se han establecido diferentes velocidades de marcha V={20, 40, 60, 80}km/h,
el cual cubre el rango de operación del vehículo hasta la velocidad máxima de
operación permitida por estándares de seguridad (80km/h). Para cada
velocidad V han sido realizadas una serie de pruebas en un tramo de vía curva
comercial característico de un radio de curvatura de R 445m y longitud
L 200m con un vehículo sin carga útil.
132
Ilustración 45. Configuración del montaje para la medición de fuerzas rueda-riel
Grupo de Estudios en Mantenimiento Industrial – GEMI
En el ANEXO 6 – FUERZAS LATERALES Y VERTICALES OBTENIDAS

EXPERIMENTALMENTE, se encuentran las fuerzas obtenidas
experimentalmente para las 48 ruedas de los 12 ejes del vehículo.
13.8.4 Estructura del sistema. A continuación se muestran los diagramas de la

estructura del sistema. Allí se pueden apreciar las entradas y salidas del
sistema así como el procesamiento de la informacion.
Ilustración 46. Entradas y salidas del sistema
133
Ilustración 47. Diagrama de flujo de información del sistema
13.8.5 Evaluación del Índice de Seguridad Mediante un Sistema Experto. Se

alimenta el sistema experto con los datos de entrada y de esta manera se
configura. Se definen los siguientes pasos a seguir para realizar la evaluación
del índice de seguridad en el vehículo ferroviario objeto de estudio.
A continuación se describirán los pasos de ejecución del sistema:
Paso 1: Pantalla de presentación del sistema. Pulse ok para continuar (Véase
Ilustración 48-a).
Paso 2: Menú del sistema. De click en si y luego en ok para continuar (Véase
Ilustración 48-b).
Paso 3: Ingresar la altura de la pestaña de la rueda. Pulse ok para continuar
(Véase Ilustración 48-c).
Paso 4: Ingresar la escarpadura de la pestaña de la rueda. Pulse ok para
continuar (Véase Ilustración 48-d).
134
Ilustración 48. Primeros 4 pasos del sistema
a. Pantalla principal del sistema b. Menú principal del sistema
c. Pantalla 3 del sistema d. Pantalla 4 del sistema
Paso 5: Ingresar el coeficiente de fricción rueda-riel. Pulse ok para continuar

(Véase Ilustración 49-a).
Paso 6: Ingrese la fuerza lateral Y medida experimentalmente. Pulse ok para
continuar (Véase Ilustración 49-b).
Paso 7: Ingrese la carga vertical Q medida experimentalmente. Pulse ok para
continuar (Véase Ilustración 49-c).
Paso 8: Seleccione a que coche pertenece la rueda. Pulse ok para continuar
(Véase Ilustración 49-d).
135
Ilustración 49. Segundos 4 pasos del sistema
b. Pantalla 5 del sistema a. Pantalla 5 del sistema
d. Pantalla 7 del sistema c. Pantalla 8 del sistema
13.8.6 Presentación de Resultados. A continuación se presentaran dos

escenarios con el fin de comparar el índice de seguridad bajo dos condiciones:
uno con condiciones optimistas y otro con condiciones pesimistas.
13.8.6.1 Resultados Bajo Condiciones Optimistas. El siguiente escenario se

realiza con condiciones optimistas y muestra unos resultados en los cuales el
vehículo no se encuentra en riesgo de sufrir descarrilamiento (Véase Ilustración
50).
Los parámetros utilizados para ejecutar el sistema bajo este escenario son los
siguientes: Sh (Altura de la pestaña): 29 mm; Qr (escarpadura de la pestaña):
10 mm; Coeficiente de fricción µ: 0.35; Fuerza lateral Y medida: 18.39 kN;
Carga vertical Q medida: 65.75 kN.
136
Ilustración 50. Pantalla de resultados bajo condiciones optimistas
Bajo las condiciones mencionadas anteriormente, en la Ilustración 50, se puede

observar que el ángulo de la pestaña es de 70.97º, lo cual según los criterios
anteriormente mencionados indica que la rueda está en buenas condiciones y
no necesita reperfilado. El coeficiente de fricción ingresado de 0.35 está en el
rango admisible. El criterio de Nadal según el ángulo de la pestaña obtenido, y
el coeficiente de fricción ingresado, da un valor de 1.27, el cual según la teoría
esta dentro del rango admisible. La relación Y/Q real obtenida a partir de las
fuerzas ingresadas, da un valor de 0.28 la cual es menor en un 77,9% que la
teórica el cual es el margen de seguridad que se tiene bajo estas condiciones.
El criterio de Chartet da un valor de 31.69 kN, el cual es menor que la carga
vertical Q ingresada de 65.75 kN, lo cual indica que no existe riesgo de
descarrilamiento según este criterio.
Al evaluar el vehículo bajo estas condiciones según los criterios de Nadal y de
Chartet, se concluye que este está en buenas condiciones en cuanto al índice
de seguridad en marcha y no existe riesgo de descarrilamiento.
13.8.6.2 Resultados Bajo Condiciones Pesimistas. El siguiente escenario se
realiza bajo condiciones pesimistas y muestra unos resultados en los cuales el
137
vehículo se encuentra en riesgo de sufrir descarrilamiento (Véase Ilustración
51).
Los parámetros utilizados para ejecutar el sistema bajo este escenario son los
siguientes: Sh (Altura de la pestaña): 25 mm; Qr (escarpadura de la pestaña):
11 mm; Coeficiente de fricción µ: 0.5; Fuerza lateral Y medida: 30 kN; Carga
vertical Q medida: 29 kN.
Ilustración 51. Pantalla de resultados bajo condiciones pesimistas
Bajo las condiciones mencionadas anteriormente, en la Ilustración 51, se puede

observar que el ángulo de la pestaña es de 66.25º, lo cual según los criterios
anteriormente mencionados indica que el ángulo de la rueda se encuentra por
fuera del rango admisible y necesita ser reperfilado hasta obtener un ángulo de
138
70º. El coeficiente de fricción ingresado de 0.5 está muy alto, por lo tanto se
debe suavizar la superficie hasta obtener un coeficiente de fricción mínimo de
0.35. El criterio de Nadal según el ángulo de la pestaña obtenido y el
coeficiente de fricción ingresado, da un valor de 0.83, el cual según la teoría es
muy bajo por lo tanto se debe reperfilar la rueda hasta obtener un ángulo de
70º y suavizar las superficies de esta hasta obtener un coeficiente de fricción
de 0.35. La relación Y/Q real obtenida a partir de las fuerzas ingresadas, da un
valor de 1.03 la cual es mayor que el criterio de Nadal e indica que el vehículo
evaluado se encuentra en riesgo de descarrilamiento, por lo tanto se deben
aumentar las cargas verticales Q o disminuir las fuerzas laterales Y. El criterio
de Chartet da un valor de 31.69 kN, el cual es mayor que la carga vertical Q
ingresada de 29 kN, lo cual indica que el vehículo se encuentra en riesgo de
descarrilamiento según este criterio.
Al evaluar el vehículo bajo estas condiciones según los criterios de Nadal y de
Chartet, se concluye que este está se encuentra en riesgo de sufrir
descarrilamiento.
139
14 CONCLUSIONES
El área de mantenimiento cada vez involucra un mayor número de técnicas que

pueden ser aplicadas para la buena gestión y operación de esta. Actualmente
se ha dejado de pensar solo en preventivos, predictivos y correctivos para
pasar implementar técnicas que puedan ayudar a maximizar la vida útil en la
operación de los equipos y a disminuir costos producto de una mala gestión por
falta de herramientas para el diagnostico técnico.
A menudo, los diagnósticos técnicos en equipos modernos y las intervenciones
de máquinas requieren de cierto grado de experticia. En muchos casos por la
lejanía del sitio, por la tendencia a automatización de procesos o por falta de
especialización de los profesionales en un tema dado, cada vez es menor el
número de expertos que pueden estar disponibles a la hora de enfrentar un
problema técnico en una instalación. Los sistemas expertos se encargan de
llevar los conocimientos de un especialista en alguna materia, a una planta o
instalación, que por motivos externos, no puedan tener disponibilidad de este a
tiempo completo. El sistema experto se encarga de proveer la experticia y de
dar recomendaciones especializadas a operarios o encargados de
mantenimiento que no tienen dicho conocimiento, a partir de información básica
ingresada por estos.
En este marco los sistemas expertos son de gran utilidad pues ayudan a
disminuir costos de mantenimiento debido a que no es necesario tener un
experto en algún tema a disposición completa de una organización y no es
necesario hacerlo viajar hasta la planta o instalación para resolver el problema
lo que genera un gran ahorro al no tener que estar pagando constantes
pasajes, viáticos y honorarios exigidos por este.
La interface rueda-riel en un vehículo ferroviario, posee unos parámetros muy
importantes de controlar a la hora de evaluar la seguridad en marcha del
vehículo. Entre los parámetros más importantes de la rueda están la altura y la
escarpadura de la pestaña de donde se deriva el ángulo de la misma, el cual es
140
un parámetro de mucho peso para establecer el índice de seguridad en marcha
del vehículo, y cuyo valor optimo se encuentra en 70º para el vehículo
evaluado. El otro factor que altera la ecuación es el coeficiente de fricción
rueda-riel, el cual es importante mantener en un valor cercano a 0.35 (para el
vehículo evaluado), ya que su relación es inversamente proporcional al límite
Y/Q del vehículo, a medida que aumenta el coeficiente de fricción, el limite Y/Q
disminuye, aumentando así la posibilidad de que la relación Y/Q real supere el
límite y se produzca un accidente por descarrilamiento.
El sistema experto desarrollado, toma los valores de altura y escarpadura de la
pestaña de la rueda así como el coeficiente de fricción rueda-riel y deriva la
relación Y/Q teórica para luego tomar la información de fuerzas laterales y
verticales y de esta manera emitir conceptos del estado del índice de seguridad
en marcha del vehículo y dar recomendaciones de acciones preventivas a
tomar de ser estas necesarias. Este sistema constituye una herramienta para el
diagnostico de la interface rueda-riel la cual puede ayudar a llevar a cabo una
mejor planeación de los mantenimientos con el fin de optimizar los recursos
manteniendo un alto índice de seguridad en marcha del vehículo.
141
15 RECOMENDACIONES
Los sistemas expertos son una rama que puede evolucionar hasta un nivel muy
superior al actual en el cual gran parte de los problemas de toma de decisiones
que se generan hoy, puedan ser resueltos con sistemas expertos. La base de
conocimientos es la que permite resolver un mayor número de problemas
dependiendo de la cantidad y calidad de información que se tenga almacenada
allí. Se recomienda actualizar la base de conocimientos a medida que se tenga
mayor información y experiencia con la resolución de nuevos problemas para
aumentar de esta manera el rango de los problemas que puede resolver el
sistema.
Para el desarrollo de un sistema experto más completo, se recomienda que el
ingeniero de conocimiento o desarrollador tenga un buen manejo de bases de
datos y sus comandos para que de esta manera, no sea necesario que los
datos sean ingresados por el usuario, simplemente organizados en una base
de datos y que el sistema los pueda leer y emitir conceptos sobre el estado de
la máquina y dar las recomendaciones necesarias basadas en el estado de la
misma.
La ventaja de realizar el programa basado en bases de datos es que se pueden
analizar varias ruedas y varias fuerzas simultáneamente y obtener el estado y
las recomendaciones de acciones necesarias, solo para las ruedas que estén
por fuera del rango de los criterios de seguridad.
142
16 NUEVAS LINEAS DE INVESTIGACION
Los sistemas expertos son un área que tiene un gran perfil de expansión ya
que estos se pueden utilizar para casi cualquier problema en la toma de
decisiones que involucre la experticia humana, facilitando así el proceso de
resolución de problemas basado en experiencias pasadas.
Como una nueva línea de investigación se propone el desarrollo de interfaces
amigables entre sistemas expertos y sistemas de información de
mantenimiento (CMMS). De esta manera un sistema experto al detectar una
anomalía en el funcionamiento del sistema, puede dar recomendaciones
acerca de esta situación y adicionalmente generar una orden de trabajo para
un equipo especifico en la cual se describan los procedimientos necesarios así
como materiales y mano de obra y de esta manera llevar un control más
estricto para la gestión de mantenimiento. Además, las mediciones tomadas
pueden ser guardadas en el historial de mantenimiento de cada equipo y
componente para referencias futuras.
El monitoreo en línea de equipos es también un área de aplicación muy grande
para los sistemas expertos, ya que estos pueden estar monitoreando las
variables a controlar del sistema, en tiempo real y en caso de detectar algún
funcionamiento anormal, dar las recomendaciones necesarias para corregir
este problema.
143
17 BIBLIOGRAFIA
17.1 CLASICA
ARNAIZ, Aitor y GILABERT, Eduardo. Mantenimiento Ingeniería Industrial y

Edificios: Uso de Sistemas Expertos Probabilísticos Para Aplicaciones de
Mantenimiento y Diagnostico. España. Nº 187. año 2005 mes 9. p. 39-46.
BELLMAN, R.E. An Introduction To Artificial Intelligence: Can Computers

Think?. San Francisco, Estados Unidos: Boyd & Fraser Publishing Company,
1978. p. 29-32.
BERNAL PAREDES, Gabriel Jaime y GUTIERREZ RESTREPO, Juan Camilo.

Aplicación De Redes Neuronales En La Programación Y Control De La
Producción. Medellin, Colombia, 1999. Trabajo de grado (Ingeniero de
Produccion). Universidad EAFIT.
CHARNIAK, E. and MCDERMOTT, D. Introduction To Artificial Intelligence.

Massachusetts, Estados Unidos: Addison-Wesley- Reading, 1985.
COX, Earl. The Fuzzy Systems Handbook. Massachusetts, Estados Unidos: A

P Professional. 1994.
DEMUTH, Howard and BEALE, Mark. Neural Network Toolbox user’s guide.
Estados Unidos: The MathWorks, 1996. p. 1-1.
ESVELD, Coenraad. Modern Railway Track. 2 ed. Holanda: MRT- Productions,

2001. p. 57-68.
GUIARRATANO, Joseph y RILEY, Gary. Sistemas Expertos principios y

programación. 3 ed. Mexico: International Thompson Editores, 2001.
144
HAUGELAND, J. Artificial Intelligence: The Very Idea. Massachusetts, Estados
Unidos: MIT Press, 1985.
HAYES-ROTH, Frederick, WATERMAN, Donald A and LENAT, Douglas B.

Building Expert Systems. Vol 1. Massachusetts, Estados Unidos: Addison-
Wesley Publishing Company, 1983.
HAYKIN, Simon. Neural Networks, A Comprehensive Foundation. New York,

Estados Unidos: Macmillan College Publishing Company, 1994. p. 12-21.
IWNICKI, Simon. Handbook of Railway Vehicle Dynamics. Londres, Inglaterra:

CRC Press, 2006. p. 212-221.
JACKSON, Peter. Introduction to expert systems. 2 ed. International Computer

Science Series. Londres, Inglaterra: Addison-Wesley Publishing Company,
1990. p. 3-5.
JARAMILLO MONTOYA, Juan Esteban y VELASQUEZ URIBE, José Vicente.

Sistema Experto Para El Diagnostico De Fallas Automotrices. Medellin,
Colombia, 1993. Trabajo de grado (Ingeniero de Sistemas). Universidad EAFIT.
p. 7-9.
JENSEN, Finn V. Bayesian Networks and Decision Graphs. New York, Estados
Unidos: Springer-Verlag, 2001.
KASABOV, Nikola K. Foundations Of Neural Networks, Fuzzy Systems, And

Knowledge Engineering. Massachusetts, Estados Unidos: MIT Press, 1996.
KURZWEIL, R. The Age Of Intelligent Machines. Massachusetts, Estados

Unidos: MIT Press, 1990.
145
LONDOÑO LOAIZA, Juan de Dios. Teoría General Sobre La Aplicación De
Sistemas Expertos. Medellín, Colombia, 1988. Trabajo de grado (Ingeniero de
Sistemas). Universidad EAFIT. p. 1-7.
MARIN SEPULVEDA, Augusto León. Implementación de Criterios de

Seguridad y Confort en la Evaluación del Estado Técnico de Vehículos
Ferroviarios. Medellín, Colombia, 2006. Tesis de grado (Maestría en Ingeniería
Mecánica). Universidad EAFIT. p. 8-21, 120.
NEAPOLITAN, Richard. Learning Bayesian Networks. New Jersey, Estados

Unidos: Prentice Hall, 2004.
NILSSON, N.J. Artificial Intelligence: A New Synthesis. California, Estados

Unidos: Morgan Kaufmann, 1998.
OSPINA GAVIRIA, Jorge Armando. Hacia una metodología para desarrollar

sistemas expertos. Santa fe de Bogotá: Universidad de Los Andes. Centro de
Estudios e Investigaciones de la Facultad de Ingeniería (CIFI); Centro de
Documentación de Ingeniería, 1993. 22p.
PALACIO LOPEZ, Mauricio Enrico. Determinación de Componentes Principales

de Observación Para Evaluar el Estado Técnico de la Interface Vía-Vehículo.
Medellín, Colombia, 2006. Tesis de grado (Maestría en Ingeniería Mecánica).
Universidad EAFIT.
PARRA MOLINA, Sandra Ivonne. Redes Neuronales Artificiales: Descripción,

Funcionamiento y Aplicaciones. Medellín, Colombia, 1992. Trabajo de grado
(Ingeniero de Sistemas). Universidad EAFIT.
POOLE, D., MACKWORTH, A.K. and GOEBEL, R. Computational Intelligence:

A Logical Approach. Oxford, Reino Unido: Oxford University Press, 1998.
146
RESTREPO RIVAS, Luís Guillermo. Curso Básico de Sistemas Expertos.
Medellín, Colombia. 1993. p. 12-16, 58-60.
RICH, E. and KNIGHT, K. Artificial Intelligence. 2 ed. New York, Estados

Unidos: Mc Graw Hill, 1991.
STUART, J. Russell and NORVIG, Peter. Artificial Intelligence A Modern

Approach. 2 ed. New Jersey, Estados Unidos: Prentice Hall, 2003.
TORO VALLEJO, José Rodrigo. Implementación de Criterios de Seguridad y

Confort en la Evaluación del Estado Técnico de la Vía Permanente. Medellín,
Colombia, 2006. Tesis de grado (Maestría en Ingeniería Mecánica).
Universidad EAFIT.
VON ALTROCK, Constantin. Fuzzy Logic And NeuroFuzzy Applications

Explained. New Jersey, Estados Unidos: Prentice Hall, 1995. p. 3-23.
WANG, Li-Xin. A Course In Fuzzy Systems And Control. New Jersey, Estados
Unidos: Prentice Hall, 1997.
17.2 INTERNET
REDES-NEURONALES@, 2008. Tomado de la página web: http://www.redes-

neuronales.netfirms.com
WIKI1@, 2008. Tomado de la página web: http://es.wikipedia.org/wiki/

Inteligencia_artificial
WIKI2@, 2008. Tomado de la página web:

http://es.wikipedia.org/wiki/Lógica_difusa
WIKI3@, 2008. Tomado de la página web:

http://es.wikipedia.org/wiki/Sistema_experto
147
18 ANEXOS
18.1 ANEXO 1- SISTEMA EXPERTO PARA EL MANTENIMIENTO

PREDICTIVO DE UNA CENTRAL HIDROELECTRICA
SISTEMA EXPERTO PARA EL

MANTENIMIENTO PREDICTIVO DE
UNA CENTRAL HIDROELÉCTRICA
Alejandra Benavides
C.A.R.T.I.F. email: aleben@cartif.es
Sergio Saludes*, Luis J. de Miguel**, José R. Perán***
*C.A.R.T.I.F. email: sersal@cartif.es
**Instituto de Tecnologías Avanzadas de la Producción. Universidad de Valladolid.
email: luimig@eis.uva.es
***Dpto. Ingeniería de Sistemas y Automática. Universidad de Valladolid. email:
peran@eis.uva.es
Resumen La tendencia actual en las centrales

Este trabajo muestra el empleo de un hidroeléctricas, así como en todo
sistema experto en el mantenimiento sistema industrial, es la automatización.
predictivo de una central Esto conlleva una serie de problemas,
hidroeléctrica. Para ello, se ha como pueden ser la disminución de
elaborado un prototipo del sistema ingenieros expertos en la central
experto total, formado por las capaces de resolver
unidades funcionales alternador y los problemas que se planteen en la
turbina de la central hidroeléctrica, con misma durante su funcionamiento, y la
la finalidad de estudiar la viabilidad de necesidad de planificar el
esta técnica sobre la totalidad de la mantenimiento.
central. Finalmente, se valida el En este trabajo se propone como
prototipo con los solución el empleo de un sistema
datos históricos proporcionados por la experto para el mantenimiento
central hidroeléctrica, obteniendo predictivo de una central hidroeléctrica,
resultados satisfactorios, mostrando la capaz de supervisar el sistema para el
utilidad de los sistemas expertos en el diagnóstico de fallos e
mantenimiento predictivo de centrales incidentes (realizando las tareas propias
hidroeléctricas. de un experto), y analizar las variables
Palabras Clave: Mantenimiento del sistema parapredecir averías y
predictivo, sistema experto, supervisión, planificar intervenciones.
central hidroeléctrica. Para mostrar la validez y la viabilidad
de esta técnica en el mantenimiento
predictivo de las centrales
1 INTRODUCCIÓN hidroeléctricas, se desarrolla un
148
prototipo de sistema experto sobre una de un experto (en este caso, en forma de
central hidroeléctrica existente y se reglas de producción con formato IF
realiza la validación del citado prototipo (variable=umbral) THEN incidente).
a partir de datos históricos • Motor de inferencias: encargado de
proporcionados por dicha central. desencadenar el proceso de
Este trabajo está organizado de la razonamiento, recorriendo la base de
siguiente forma: en la sección 2, se conocimientos a partir de los datos
muestran las características generales de almacenados en la base de hechos, en
un sistema experto y su utilidad en el función del mecanismo de inferencia
mantenimiento; en la sección 3, se almacenado (en este caso,
describe la central hidroeléctrica sobre encadenamiento hacia delante).
la cual se desarrolla el prototipo de • Base de hechos: memoria de trabajo
sistema experto; en la sección 4, se de la aplicación, en la que se almacenan
muestra la los hechos iniciales, inferidos, y los
organización del prototipo; en la proporcionados por algún tipo de
sección 5, se indica el funcionamiento sistema de adquisición.
del mismo; en la sección 6, se realiza la • Interface: mecanismo de
validación del prototipo; finalmente, en comunicación entre el software que
la sección 7 se indican las conclusiones implementa el sistema experto y el
obtenidas del usuario final, con el objetivo de permitir
empleo de sistemas expertos en el la comunicación bidireccional entre
mantenimiento predictivo de centrales ambos.
hidroeléctricas.
2 SISTEMAS EXPERTOS
EN MANTENIMIENTO
Un sistema experto se define como un
programa o algoritmo capaz de resolver
problemas complejos sobre un dominio
específico (en este caso, una central
hidroeléctrica), a un nivel comparable al
de un experto humano en el citado
dominio. Figura 1: Arquitectura de un sistema
Dado que el mantenimiento predictivo experto
se caracteriza por la detección de fallos Los módulos de explicación y de
antes de que estos sean críticos sin adquisición del conocimiento
alterar el funcionamiento normal de la (encargados de explicar las decisiones
planta, los sistemas expertos en este tipo proporcionadas por el sistema experto,
de mantenimiento se emplean como y de adquirir la información
herramientas de diagnóstico, de modo proporcionada por un experto,
que vigilen los valores de variables y respectivamente), son elementos
parámetros para indicar la existencia de accesorios. Por otra parte, el experto y
fallos antes de que sean críticos. el usuario final son los elementos
La arquitectura básica de un sistema fundamentales del mismo, puesto que el
experto, como puede verse en la figura primero proporciona su sabiduría y
1, está constituida por los siguientes experiencia al sistema experto, para que
elementos: el segundo pueda interpretarlo a través
• Base de conocimientos: lugar donde se de un interface gráfico.
almacena el conocimiento que se extrae
149
A continuación, se indica el ciclo de validación, se revisa el proyecto para
vida de un sistema experto. Como realizar las modificaciones oportunas.
puede verse en el diagrama de flujo de Una vez implementado y validado el
la figura 2, aparecen señaladas las cinco prototipo, si su funcionamiento es el
primeras etapas del mismo; esto es deseado, el diagrama de flujo continúa
debido a que es la parte que se va a en la etapa de implementación
tratar, puesto que el objetivo de este (desarrollo del sistema experto en su
artículo es mostrar el prototipo de totalidad e implantación en el sistema
sistema experto de la central físico a controlar o diagnosticar);
hidroeléctrica. posteriormente, se valida el sistema con
Las distintas etapas hasta la los datos extraídos en tiempo real,
construcción el prototipo constituyen el considerando las soluciones aportadas
análisis del problema a tratar, la por lo expertos. Finalmente, aparece
elección de la herramienta de desarrollo una etapa de mantenimiento, en la cual
en función se amplía el
de los requerimientos del sistema, la contenido de la base de conocimientos a
aplicación de la ingeniería de medida que aparecen nuevos incidentes.
conocimiento (extracción del 3 DESCRIPCIÓN DE LA
conocimiento de todas las fuentes
posibles), el desarrollo de la base de CENTRAL
conocimientos (traducir el conocimiento HIDROELÉCTRICA
adquirido a formato de reglas de La central hidroeléctrica sobre la cual se
producción) y construcción del desarrolla el prototipo de sistema
prototipo. experto es la central Villalcampo I,
ubicada en la provincia de Zamora.
Dicha central está caracterizada por
poseer tres grupos alternador-turbina,
junto con un sistema de servicios
generales común a los tres grupos. Cada
grupo, puede dividirse en las siguientes
unidades funcionales, las cuales se
tratarán por separado en la
realización del sistema experto:
- Toma de aguas.
- Turbina.
Figura 2: Ciclo de vida de un sistema - Alternador.
experto - Sistema de excitación.
El prototipo de un sistema experto es un - Transformador.
programa que contiene una parte - Sistema de agotamiento.
proporcional de la base de Dicha central está caracterizada por
conocimientos global. Durante su tener una potencia nominal de 44750
creación, se toman las decisiones de CV, una velocidad de giro de 125 r.p.m.
diseño (selección del paradigma de y un salto bruto de 37m.
inferencia, selección de la Dado que un prototipo recoge la base de
representación del conocimiento, ...), se conocimientos asociada una parte de la
implementa el prototipo, se prueba, central, las unidades funcionales que se
mostrando el funcionamiento del mismo han escogido para este fin, son el
con el objetivo de validarlo y, en alternador y la turbina, que suponen un
función de los resultado obtenidos en la
150
40% (200 reglas de producción) de la El esquema del prototipo del sistema
totalidad de la base de conocimientos experto presenta algunas variaciones
(formada por 500 reglas, respecto al anterior, como puede
aproximadamente). En el prototipo, se observarse en la figura 4. En él se
han insertado los tres grupos que la observa la ausencia de un sistema real,
central hidroeléctrica posee, para sustituyendo éste por un conjunto de
proporcionar una mayor generalidad al datos históricos almacenados en algún
estudio (reglas de producción comunes tipo de soporte informático a partir del
a los tres grupos). cual se genera una base de datos
4 DESARROLLO DEL análoga a la disponible en el sistema
real.
PROTOTIPO
Para ver cómo se ha constituido el
prototipo, se divide este apartado en las
siguientes partes:
4.1 ESQUEMA DEL PROTOTIPO
DE
SISTEMA EXPERTO
El esquema genérico de un sistema
experto puede observarse en la figura 3. Figura 4: Esquema del prototipo de
sistema experto
4.2 HERRAMIENTA DE
PROGRAMACIÓN
Para el desarrollo del prototipo del
sistema experto, se ha empleado la
herramienta G2, caracterizada por
Figura 3: Esquema de un sistema permitir programación modular (lo cual
experto facilita el diagnóstico independiente de
En él, pueden verse distintas cajas: el cada una de las unidades funcionales),
sistema real representa, en este caso, la comunicación con otro tipo de
central hidroeléctrica sobre la cual se aplicaciones (posibilitando la
desarrollará el prototipo de sistema comunicación con la base de datos de la
experto; un sistema de adquisición de que se extraerá la información), soporte
datos, que permitirá obtener los valores en distintas plataformas (en este caso,
de variables necesarias para el en
funcionamiento del sistema experto; estación SUN), trabajo en tiempo real,
una base de datos, que permitirá la tratamiento de la incertidumbre con
creación de históricos a partir de los lógica difusa y programación en
valores de las variables proporcionados lenguaje natural, además de ser una
por el sistema de adquisición, y programación
alimentará a su vez al orientada a objetos.
sistema experto; el sistema experto se La base de datos con la que el sistema
encarga del diagnóstico del sistema; experto se comunica, esta creada en
finalmente, aparece el interface de Sybase, para lo cual se ha creado un
usuario, que indica las alarmas e puente de comunicación que permita al
incidentes resultantes de la gestión del prototipo extraer los valores de las
sistema experto. variables requeridas.
151
4.3 ESTRUCTURA DE LA que afectan a las interrelaciones entre
APLICACIÓN módulos.
La estructura bajo la cual se ha
desarrollado el prototipo del sistema
experto, puede observarse en la figura
5. En ella se observa que la aplicación
presenta una estructura jerárquica
modular.
La estructuración modular se realiza
para insertar la base de conocimiento
asociada a cada una de las unidades
funcionales de forma independiente, de
modo que permita el diagnóstico
individualizado de
cada una de ellas (en el esquema,
aparece un módulo general,
denominado iberdrola, del que cuelgan
dos módulos hijo, denominados
alternador y turbina, que son hermanos
entre sí; en el sistema experto final, Figura 5: Estructura del prototipo
aparecerían módulos hermanos de los 4.4 BASE DE CONOCIMIENTOS
anteriores, denominados sistema de El contenido de la base de
agotamiento, toma, sistema de conocimientos puede dividirse en
excitación, transformador y servicios conocimiento declarativo y
generales). conocimiento procedimental. El
La estructuración jerárquica viene conocimiento declarativo es aquel que
justificada desde el punto de vista del está constituido por las definiciones y
desarrollador, puesto que permite objetos que constituyen el sistema sobre
trabajar en distintos módulos a varios el cual se va a desarrollar el sistema
programadores en paralelo, sin más que experto; por otra parte, el conocimiento
cargar un módulo jerárquicamente procedimental está formado por las
superior. Esto agiliza el desarrollo del reglas de producción que asocian los
sistema experto global, posibilitando el atributos de dichos objetos con los
desarrollo simultáneo de todas las incidentes que se pretenden
unidades funcionales, sin que las diagnosticar.
modificaciones de una de ellas afecten 4.4.1 Conocimiento declarativo
al resto de la aplicación. El conocimiento declarativo está
Debido a la citada estructuración, los formado por las definiciones generales,
módulos que contienen las bases de las definiciones específicas y los
conocimientos, interface de usuario y objetos.
base de hechos son los módulos de una Las definiciones generales se
jerarquía inferior al módulo raíz, esto representan mediante clases. Todas las
es, aquellos que están asociados a clases que constituyen el prototipo
unidades funcionales; hay que indicar pueden observarse en la figura 5.
que dichos módulos emplean un módulo
comodín denominado auxiliar, en el
cual se ubican las definiciones globales
152
que constituyen la central): para ello,
veamos el caso de los objetos que
constituyen la unidad funcional turbina
del grupo 2, presentes en la figura 8, y
las
interrelaciones que se establecen entre
estos elementos:
Figura 6: Definiciones de clases del

prototipo
Hay que indicar que, en este caso, para
los módulos alternador y turbina, se han
creado tantas clases como elementos
tienen asociados incidentes, según la
base Figura 8: Objetos específicos de la
de conocimientos. turbina
Por otra parte, existen las definiciones Para completar el apartado de
específicas asociadas a las unidades definiciones, hay que hacer referencia a
funcionales. En la figura 6 pueden verse los elementos empleados en el
este tipo de elementos asociados a la tratamiento de la incertidumbre (esto es
turbina. debido a que el sistema experto, al igual
que un experto humano, proporciona
resultados sobre la aparición de
incidentes con un cierto grado de
incertidumbre).
Para el tratamiento de la incertidumbre,
se emplean matrices de chequeo
asociadas a cada uno de los incidentes
Figura 7: Definiciones específicas de la de cada uno de los elementos
turbina susceptibles de fallo. Como ejemplo, en
Cada una de las unidades funcionales la figura 9 pueden visualizarse las
tiene asociadas unas variables llave de matrices de chequeo asociadas al rotor
procedimientos (que impiden el del grupo 1:
desencadenamiento simultáneo del
mismo incidente), unas relaciones,
que permiten
particularizar las reglas de producción
generales, y las tablas de umbrales, que
permiten introducir los valores que
adoptarán las variables asociadas a los Figura 9: Matrices de chequeo
objetos que constituyen la central Cada matriz de chequeo está asociada a
hidroeléctrica. un incidente, y está formada por cinco
Seguidamente, se muestran los objetos filas y tantas columnas como reglas
empleados en el sistema experto, esto tenga asociadas cada incidente. El
es, las instancias asociadas a las significado de cada uno de los cinco
definiciones generales arrays que la constituyen, es el
(particularización de las clases para siguiente: el primer array indica si la
cada una de las unidades funcionales regla asociada a su posición ha sido
153
desencadenada o no (si esta se ha usuario final de la existencia de
desencadenado anteriormente para el incidentes a través del interface de
mismo elemento, esta se deshabilita usuario, como se verá posteriormente,
hasta que el usuario final considere las definiciones específicas y los
corregido el incidente; si esto no se objetos.
realizara así, el usuario recibiría 4.5 MOTOR DE INFERENCIA
información redundante que le El algoritmo que emplea el motor de
impediría ver con claridad los fallos que inferencia para recorrer la base de
se producen); el segundo array conocimientos, es el denominado
almacena la encadenamiento hacia delante o forward
probabilidad asignada a cada una de las chaining. En él, se recorre la base de
reglas; el tercer array, almacena la conocimientos considerando los hechos
fiabilidad; el cuarto array contienen el ciertos de la base de hechos, y se infiere
número de regla que se trata; nuevo conocimiento. Esto puede
finalmente, el quinto array contiene la observarse en las reglas de producción
probabilidad y la fiabilidad total presentes en el apartado anterior, en las
asociada al incidente. que se recorre la base de conocimientos
El paradigma de cálculo de probabilidad comparando los valores de las variables
implementado corresponde al método con un umbral; si estas variables
de factores de certidumbre; dicho satisfacen el antecedente de la regla,
paradigma puede modificarse en entonces la desencadenan, infiriendo la
función del tipo de tratamiento de existencia de incidentes.
incertidumbre que se desee aplicar. 4.6 BASE DE HECHOS
4.4.2 Conocimiento procedimental Como se mencionó anteriormente, la
El conocimiento procedimental está base de hechos está constituida por los
constituido por las reglas de producción datos o valores iniciales, los inferidos y
y los procedimientos asociadas a las aquellos que se adquieren a partir de
citadas reglas. Para ver el formato que algún tipo de sistema de adquisición.
presentan las reglas de producción, en la Dado que los
figura 10 pueden observarse algunas de valores iniciales vienen condicionados
las reglas asociadas al estator. por las condiciones iniciales del
sistema, y los datos inferidos se
obtienen como resultado de la
evaluación de reglas, a continuación se
indica el modo de obtención de los
valores de las variables en cualquier
instante de tiempo.
La adquisición de valores de variables
se realiza a través de un puente de
comunicación entre la aplicación
Figura 10: Reglas de producción desarrollada con la herramienta de
Como puede verse, la generalidad de las programación G2, y la base de datos
reglas permite emplear una sola regla SYBASE en la cual se almacenan los
para todos los elementos estator datos históricos extraídos de la central
existentes en el sistema experto. (formato que tendrá en el sistema real).
Como puede observarse en las reglas, se A
realizan llamadas a procedimientos, que continuación, se muestra la etapa de
serán los encargados de informar al conexión desde el punto de vista de la
154
aplicación (no considerando los pasos administradores de la aplicación,
intermedios a realizar antes de capaces de realizar todas las
establecer la comunicación – variables modificaciones posibles sobre la misma
de entorno en UNIX, etc.-). (desarrollarla, estructurarla y
La comunicación se realiza a través de mantenerla); otro tipo de usuarios son
elementos de conexión, que en función los desarrolladores, los cuales disponen
de los códigos de colores que presenten privilegios para realizar ciertas
indican si la comunicación es exitosa modificaciones (modificaciones en la
y, en caso de no serlo, los motivos por comunicación con la base de datos,...);
los cuales falla. finalmente, es usuario al que está
Por otra parte, las consultas a la base de destinado la aplicación es el usuario
datos se realizan a través de final, cuya misión será la supervisión
procedimientos programados en el del funcionamiento del sistema experto
lenguaje propio de SYBASE y en el (para recibir recomendaciones,...), y la
característico de G2, para que sea introducción de variables manuales.
comprendido por ambos. Para acceder a los distintos paneles del
interface de usuario, se dispone de una
aplicación tipo Windows, configurable
por el administrador, cuyo formato
puede visualizarse en la figura 12:
Figura 11: Conexión prototipo - base de

datos
El elemento de conexión (con
codificación de color en verde,
indicativa de comunicación exitosa), y
los iconos asociados a los Figura 12: Interface de usuario
procedimientos que permiten iniciar las A continuación se indica el significado
consultas, pueden verse en la figura 11. de cada una de las entradas y los
Hay que indicar que la base de datos paneles a lo que se puede acceder a
SYBASE reconstruida a partir de través de ellas: la entrada esquemas
históricos tiene un período de permite el acceso a los esquemas de las
reconstrucción de un minuto, con la unidades funcionales alternador y
finalidad de no almacenar gran turbina de cada uno de los grupos; la
imprecisión en los resultados. entrada reglas permite el acceso a todas
4.7 INTERFACE DE USUARIO las reglas de producción y a los
Puesto que un sistema experto es una procedimientos asociados a las mismas;
aplicación que ha de estar sujeta a la entrada definiciones facilita el acceso
cambios y modificaciones (inserción de a las definiciones del sistema experto,
nuevo conocimiento), hay que tanto generales como específicas, así
considerar la existencia de distintos como a las matrices de incidentes; la
niveles de usuario; con esto, aparecen entrada incidentes permite el acceso a
los usuarios los paneles de incidentes que reflejan si
155
el estado de los elementos que ETAPA 2: PRODUCCIÓN DE
componen la central es satisfactorio; la FALLOS
entrada sistema En esta etapa, se produce un fallo, bien
proporciona el acceso a la configuración por el desencadenamiento de variables
de la barra de menú, a la comunicación automatizadas que han llegado a su
con las bases de datos y a las paletas de umbral de funcionamiento, bien por
los desarrolladores (sólo accesibles en variables manuales que son
modo administrador); la entrada manual desencadenadas como consecuencia del
permite el acceso a los paneles de chequeo periódico.
variables manuales, esto es, aquellas En la figura 14, puede verse el
que no están sensorizadas ni desencadenamiento de dos reglas (r12 y
automatizadas, sino que responden a r17) como consecuencia de la
chequeos periódicos; finalmente, la activación de la variable descargas
entrada modo, permite el cambio de parciales en el
modo de trabajo, donde el acceso a estator del alternador del grupo 1:
modos con privilegios está limitado por
contraseña.
5 FUNCIONAMIENTO
DE LA APLICACIÓN
Para ver el funcionamiento del prototipo
del sistema experto, se muestra un
esquema en la figura 13. En él, el
funcionamiento se ha dividido en seis
etapas: Figura 14: Desencadenamiento de
reglas
Como puede verse, aparece un mensaje
emergente, indicando la regla
desencadenada, el elemento que la ha
desencadenado, la unidad funcional a la
que pertenece dicho elemento y el
grupo, además de indicar la
probabilidad y la fiabilidad de dicho
incidente. Para documentar el fallo y
poder solventarlo, hay que dirigirse a la
Figura 13: Funcionamiento de la siguiente etapa.
aplicación 5.3
5.1 ETAPA 3: VISUALIZACIÓN DEL
ETAPA 1: OBSERVACIÓN FALLO EN EL ESQUEMA
Esta etapa representa el estado normal Para visualizar el fallo en el, hay que
del sistema de diagnóstico; en ella, se dirigirse a la unidad funcional indicada
realiza un chequeo continuo de todas las en el mensaje de fallo; en este caso, el
reglas para comprobar si se producen alternador del grupo 1. Este panel se
condiciones de fallo o no. El sistema presenta en la figura 15.
experto permanece en esta etapa hasta
que se desencadena una regla como
consecuencia de la producción de un
fallo.
5.2
156
Como puede verse, aparecen dos
cambios de tonalidad en los mensajes
del estator, los cuales indican la
presencia de dos incidentes (aislamiento
bajo y perforación en el aislamiento). El
cambio de color está asociado a la
probabilidad de aparición del incidente
(amarillo: inferior al 0.5, rojo: entre 0.5
y 0.7, azul: igual o superior al 0.7). En
este caso, la probabilidad es del 0.7, lo
cual se corresponde con el color
asignado.
Para corregir los incidentes, hay que
Figura 15: Esquema en presencia de conocer qué variables lo han
fallo desencadenado, para poder actuar en
La aparición de un incidente en un consecuencia; para ello, se visualizan la
elemento, se refleja a través del cambio reglas.
de tonalidad del mismo hacia color rojo;
5.5
esto color se mantendrá hasta que se
ETAPA 5: VISUALIZACIÓN DE
indique la eliminación del incidente,
LAS
momento en el cual el citado elemento
REGLAS
vuelve a su color original. En esta etapa, se observan las reglas
En este caso, puede verse que el estator indicadas en el mensaje de fallo, para
del alternador del grupo 1 tiene como obtener qué variables han
color el rojo, lo cual indica que se ha desencadenado incidentes y poder
producido algún tipo de incidente sobre actuar en consecuencia. En este caso,
él. Para detallar dicho incidente, hay las reglas que
que pasar a la siguiente etapa. desencadenaron el incidente fueron las
5.4 reglas r12 y la r17; dado que la variable
ETAPA 4: VISUALIZACIÓN DE es la misma, veamos la regla r12,
LOS contenida en la figura 16.
INCIDENTES En ella, se observa que la variable que
En esta etapa, se visualiza la origina el incidente es la variable
probabilidad y la fiabilidad del fallo y el descargas parciales en el estator, por lo
incidente en concreto que se ha que, conociendo esto, ya se podría
producido. Para ello, hay que acceder al actuar en consecuencia, con la finalidad
panel de incidentes asociado, en este de solventar la incidencia.
caso el del alternador del grupo 1,
presente en la figura 16.
Figura 17: Reglas r12 a r15

5.6
Figura 16: Visualización del incidente ETAPA 6: CORRECCIÓN DEL
157
INCIDENTE
En esta etapa ya son conocidas las
variables que han desencadenado el
incidente. Una vez hecho esto, habría
que solucionar el citado incidente
(puesto que
la causa ya es conocida).
Al producirse un incidente, como
hemos visto anteriormente, se
deshabilita la regla desencadenada para
el elemento en concreto y se cambian de
color los iconos asociados al elemento y
a sus mensajes de
incidentes. Una vez corregida la falta o
incidente, hay que indicárselo al sistema
experto, para lo cual el operario
chequea las casillas asociadas a los
mensajes de incidentes, para habilitar de
nuevo las reglas y devolver los colores
iniciales a los iconos. Si el fallo no se
ha solventado, al habilitar de nuevo la
regla, esta se desencadena, volviendo al
estado de fallo. Si la corrección ha sido
satisfactoria, se vuelve al estado de
observación.
6 VALIDACIÓN DEL
PROTOTIPO
Para evaluar el funcionamiento del
prototipo del sistema experto, se ha
creado una base de datos con Sybase,
reconstruida a partir de los históricos
del año 1997 de la central
hidroeléctrica, con período de muestreo
de un minuto.
Para realizar la validación del prototipo,
se ha lanzado el bridge de
comunicación de G2 con Sybase y se ha
arrancado la aplicación y las consultas,
manteniéndola en funcionamiento
durante ocho horas, con el fin de
simular el funcionamiento del mismo
durante, aproximadamente, los dos
primeros meses del año 1997. El
resultado de la simulación es un fichero
de resultados del cual se puede extraer
lo
siguiente:
158
18.2 ANEXO 2 - SISTEMA EXPERTO DE AYUDA AL MANTENIMIENTO DE
OSCILOSCOPIOS ANALOGICOS
SEMIM. UN SISTEMA EXPERTO DE AYUDA AL MANTENIMIENTO DE

OSCILOSCOPIOS ANALÓGICOS
Autores:
Msc. Raúl Carballea Hernández
Dr. Emilio F. González Rodríguez
Dr. Mateo. Lezcano Pérez
Universidad Central de las Villas
Institución: Centro de Desarrollo Electrónico, UCLV, Cuba.
Email: eglez@ceeti.edu.cu
Fax: 53-422-81608,53-422-22113, Teléfono: 53-422-81351.
RESUMEN
El entrenamiento de personal especializado en los mantenimientos preventivo y
correctivo a equipos electrónicos complejos es una tarea de gran importancia para las
Instituciones que se dedican a la enseñanza de la Electrónica y además cuentan con
Centros dedicados a estos fines. En el presente trabajo se describen las experiencias
obtenidas en la asistencia técnica a osciloscopios y su aplicación a un sistema experto
para la búsqueda de fallas, como una herramienta adicional para el adiestramiento a
profesionales y estudiantes. Se parte de la labor científico-organizativa vinculada a
reglas, normativas y la experiencia obtenida durante años por un personal calificado,
que ha participado en la enseñanza y ha dado solución a numerosos problemas de este
159
tipo de equipamiento.
Se expone brevemente como el experto humano aborda un problema para encontrar la
solución a una falla. Se describe también la concepción del sistema y las características
del programa para la concha Wucshell, que se utiliza como portador y que corre en una
microcomputadora Pentium o superior. Se muestra además un ejemplo de la base de
conocimientos realizada con este programa.
La concha, el programa y la base de conocimientos son originales. Han sido
desarrolladas por los autores que continúan trabajando en esa línea para perfeccionar el
trabajo y para elaborar otros programas para Generadores de Funciones y Multímetros
Digitales.
Introducción
Los instrumentos electrónicos de medición constituyen una de las herramientas
fundamentales para el personal de mantenimiento que trabaja en los sectores industrial
y educacional de la sociedad. El adiestramiento de estos especialistas adquiere
relevancia, porque asegura el personal capacitado que conservará la disponibilidad
técnica y la competitividad de las instituciones y empresas. En los planes de estudio de
ingeniería electrónica y otras especialidades afines, se encuentran asignaturas básicas
para enseñar electrónica analógica, digital e instrumentación a los educandos.
SEMIM es un sistema experto desarrollado para la búsqueda metódica de fallas en
algunos modelos de osciloscopios analógicos muy concretos. Este sistema permite que
personas con conocimientos básicos pero inexpertas en la práctica del mantenimiento
correctivo, puedan consultar un programa sencillo, didáctico y con interfase amistosa
que hace accesible el criterio experto de varios especialistas, para agilizar la solución de
las fallas y reincorporar de nuevo al instrumento en servicio.
Mantenimiento correctivo.
La asistencia técnica a osciloscopios analógicos es un buen punto de partida para
desarrollar habilidades de las personas que, como parte de su formación, se entrenan en
instrumentación electrónica. Los circuitos que lo integran son la aplicación practica de
varias de las materias esenciales estudiadas en ingeniería.
En el trabajo de reparación al experto se le pueden presentar dos variantes, en las cuales
el conocimiento heurístico o basado en la experiencia es fundamental:
1. La falla es conocida: En ese caso se aplica un razonamiento basado en la analogía
de casos presentados donde se recuerdan los síntomas de roturas presentadas
anteriormente y la operatoria con que fue posible su resolución. Se aplica el mismo
procedimiento si los síntomas son los mismos, resolviéndose en la mayoría de los
casos con éxito la falla presentada. En un número menor de ocasiones no se resuelve
y es necesario enriquecer de forma creativa la experiencia de trabajo. En ese caso se
aplica la variante que sigue en el párrafo siguiente. A medida que aumenta el
número de instrumentos atendidos, el experto enriquece su experiencia, teniendo
como resultado la cada vez más rápida solución a los problemas, mejorándose así la
competitividad y calidad del servicio de reparación.
2. La falla es desconocida: Se aplica un método escalonado de análisis con tres niveles.
El primer nivel de identificación consiste en determinar qué bloque está fallando. El
experto debe conocer el modelo funcional del osciloscopio que se muestra en la
figura 1. Dicha representación hace abstracción por el momento de toda la
complejidad circuital del instrumento, orientándose a identificar qué función deja de
realizarse y el bloque funcional con problemas.
160
2.1. El diagrama de la figura 1 es en esencia el modelo que el experto humano se
representa en su mente como primer paso para iniciar un proceso de reparación.
El conocimiento de este diagrama y las relaciones que existen entre sus bloques
permite que el especialista acometa la reparación de forma metódica, aun en
instrumentos desconocidos para él. En cada bloque del diagrama se oculta la
complejidad de los circuitos que lo componen y se piensa en su función.
Figura 1: Diagrama de bloques básico de un osciloscopio

de rayos catódicos.
2.2. En un segundo nivel de análisis se procede a identificar el sub-bloque
funcional con problemas como se puede apreciar en la figura 2. Los sub-bloques
son unidades funcionales más especificas dentro de cada bloque. Su complejidad
es menor. Supóngase que se detectó un fallo en el bloque vertical. Dicho bloque
se analiza entonces más detalladamente.
161
Figura 2. Diagrama de sub-bloques donde se muestra con más detalle
la estructura del bloque vertical de la figura 1.
2.3. El tercer nivel de análisis consiste en identificar en el diagrama circuital el subbloque
que causa el problema. El resultado de esto es el aislamiento de un
circuito factible de analizar con los conocimientos convencionales de
electrónica. En la figura 3 puede apreciarse a modo de resumen el
procedimiento explicado.
162
Figura 3. Niveles de análisis durante la reparación de un osciloscopio
analógico.
Lenguaje experto Wucshell.

El lenguaje experto WUCSHELL fue desarrollado en la Universidad Central de las
Villas, Cuba y permite escribir bases de conocimientos mediante reglas de producción
de la forma IF.THEN. ACTION. Wucshell calcula la incertidumbre de las conclusiones
a partir del grado de confianza que tengan los datos que manipula. De esta forma se
brinda un elemento para estimar lo confiable que es la conclusión a que arribó el
sistema experto y así puede aceptarse o descartarse.
El fichero de reglas para Wucshell está integrado por tres módulos opcionales de
acuerdo con las características de la base de conocimientos y un bloque de acciones.
• Definición de variables externas.
En esta sección se definen las variables que la base de conocimiento debe buscar en
una zona de memoria externa.
• Bloque de preguntas.
En el bloque de preguntas se utiliza la palabra clave ask para obtener las variables
que se preguntarán. En cada pregunta se pueden definir opcionalmente las posibles
soluciones con las palabras clave domain o choice, pues ellas garantizan que la
variable tome solo uno de los valores especificados por ellas. Si no se utiliza
ninguna de estas palabras, la variable puede tomar cualquier valor.
Una palabra clave muy importante es Because, porque su definición especifica una
lista de elementos que serán mostrados en la pantalla cuando el usuario presione el
botón de explicación de la pregunta. Se utiliza para explicarle al usuario, porque el
S.E hace cierta pregunta. Definiendo un texto con Because de una pregunta, éste
puede ser mostrado en la interfase oprimiendo el botón correspondiente. Con esto se
satisface una exigencia del usuario del sistema experto, pues es difícil que responda
preguntas que no entienda para que se hagan.
Ejemplo de una pregunta:
Asks
. . . .
. . . .
Ask rampalin: 'Comprobar si el voltaje en los colectores de los
transistores VT48,49 es una rampa sin deformación visible con
polaridad opuesta en cada transistor.' +
Si se introduce una onda cuadrada por el borne de entrada, la
misma debe estar espaciada regularmente./n'+
¿La onda se representa uniformemente?'
domain
'Sí','no'
because
'Se trata de determinar si hay deformaciones o alinealidades que
son generalmente provocadas por la pérdida de la alta impedancia
de las etapas que transportan la señal de diente de sierra./n',
'Por ejemplo, si un transistor JFET o MOSFET se rompe y pierde
su propiedad de alta impedancia de entrada, va a cargar la etapa
anterior.'
. . . .
. . . .
• Bloque de reglas.
En este bloque se sitúan las diferentes reglas de producción. Si se cumple alguna de
ellas, se ejecutan las acciones especificadas.
Ejemplo de reglas:
Rules
. . . .
163
. . . .
rule 2
if exclude problema and
in_af='No se cumplen ni 1 ni 2'
then problema:=' circuitos del preamplificador horizontal '
actions
display
' Posible fallo en ',problema,
'/n/n Ese circuito está construido con los transistores VT14,
VT16~VT19./n/n',
' ---> Se deben medir voltajes de trabajo de dichos
transistores./n/n',
' ---> Chequear que el control R14 no esté abierto. El voltaje en el
cursor/n',
' debe variar gradualmente sin saltos bruscos al girar.'
End;
. . . .
. . . .
• Bloque de acciones.
En este bloque se declaran las acciones que ejecutará la base de conocimiento al
iniciar su corrida.
Ejemplo:
Actions
display
'/n/n/n/n/n A continuación se comprobará si existen
problemas/n',
' en el amplificador horizontal./n/n',
' El amplificador horizontal es el circuito que procesa señales que
se aplican a /n',
' las placas de deflexión horizontal del tubo de rayos catódicos
para conseguir /n',
' el movimiento del trazo en el eje horizontal./n/n'
find problema
display
'/n/n/n/n/n/n/n/n/n Se comprobó el
amplificador horizontal'
savefact problema
End.
En la figura 2 se puede apreciar la pantalla de diálogo del programa Wucshell con el
usuario durante la obtención de datos.
164
Figura 2: Dos ejemplos de pantallas.
Sistema experto para la búsqueda de fallas en osciloscopios analógicos.
Se cuenta con un Sistema Experto basado en reglas de producción para el diagnóstico

de fallas de Osciloscopios del tipo CI118A y se trabaja en el desarrollo de Bases de
Conocimientos para otros modelos, los cuales combinan los conocimientos privados
que poseen los especialistas y los conocimientos públicos, presentes en manuales de
servicio y libros. El SE está constituido por el intérprete Wucshell y varias bases de
conocimiento. Existe una BC que define la estrategia general de búsqueda y varias
especializadas para ciertos bloques funcionales del instrumento que se nombran según
su función: Brillo, Sincronismo, Circuitos del sistema horizontal, Circuitos del sistema
vertical, Ajuste de parámetros horizontales, Ajuste de parámetros verticales, Calibrador,
Fuente de bajo voltaje y Convertidor de alto voltaje. El objetivo del programa es
encontrar la causa de la falla y para ello prueba todas las reglas que están establecidas
en las BC. Al consultar el SE, se prevén tres situaciones distintas, a saber:
1 Que se encuentre la causa de la falla.
2 Que no encuentre la causa de la falla y entonces se le informa al usuario que no es
posible dar respuesta a su problema porque no está en la B.C.
3 Que no se encuentre nada y en ese caso no hay evidencia de problemas conocidos.
Conclusiones
1. La metodología general para la búsqueda de fallas en osciloscopios tiene una gran
utilidad en el aprendizaje de las técnicas de reparación y en la práctica laboral del
especialista, porque al no concentrarse en los detalles de un modelo específico de
instrumento, permite abordar la reparación de cualquier osciloscopio analógico
tomando como base el conocimiento de los bloques funcionales del mismo y su
interconexión.
2. Se dispone del programa experto SEMIM para búsqueda de fallas en osciloscopios
analógicos que representa una herramienta adicional destinada a las consultas y al
entrenamiento de estudiantes y profesionales que trabajen en el mantenimiento de
equipos de medición.
165
3. El lenguaje experto Wucshell permite la creación, ampliación y modificación de las
bases de conocimientos confeccionadas, con lo cual se garantizará que se pueda
actualizar constantemente la experiencia obtenida durante la actividad práctica de los
especialistas.
4. Se trabaja en la ampliación del sistema experto mediante el desarrollo de bases de
conocimientos para otros modelos de osciloscopios existentes en la universidad y se
planea extenderlo a otras líneas de equipos como multímetros digitales y
generadores.
Bibliografía.
[1] M. Lezcano. “Apuntes para la utilización del Programa Experto Wucshell”. Facultad
de Cibernética Matemática. Universidad de las Villas. (1998)
[2] E. Rich K. Knight. Inteligencia artificial. Segunda edición. Mc Graw – Hill (1994)
[3] Beijing Electronic Display Instruments Factory. Instruction Manual BS4341. (1990)
[4] Textronix Inc. The XYZ of oscilloscopes.(1997)
[5] Microsoft Corporation. Enciclopedia Encarta 99 (1999)
[6] M. Lezcano. Prolog y los sistemas expertos. Ponencia presentada en el Simposio de
Ingeniería Eléctrica. (1999)
[7] Millman J. Microelectronics Capitulo XVII pag. 646-649
[8] Microsoft Corporation. Enciclopedia Encarta 99. 1999
166
18.3 ANEXO 3- SISTEMA EXPERTO PARA EL MONITOREO DE
CONDICIONES EN MÁQUINAS ROTATIVAS.
167
168
169
170
18.4 ANEXO 4- FUZZY NONLINEAR REGRESSION MODEL FOR RAILWAYS
RIDE QUALITY
171
172
173
174
175
176
177
178
179
180
181
18.5 ANEXO 5- REGLAS DEL SISTEMA EXPERTO
Regla 1
IF:
Evaluar indice de seguridad en marcha? si
AND: [Angulo] >=70
THEN:
Condicion rueda "el angulo de la pestaña esta dentro del rango
permisible. La rueda no necesita reperfilado"
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
>>> [YQteo] = ((TAN([Angulo]*3.1416/180))-[Co_Fric])/((1+[Co_Fric]*T
AN([Angulo]*3.1416/180) ))
>>> [YQreal] = [Yreal]/[Qreal]
Regla 2
IF:
AND: [Angulo] <70
THEN:
Condicion rueda "el angulo de la rueda esta fuera del rango
permisible. Reperfile la rueda para darle un angulo a la pestaña
de 70º"
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
AN([Angulo]*3.1416/180) ))
Regla 3
IF:
AND: [Co_Fric] <=0.35
THEN:
182
Condicion del coeficiente de friccion: "el coeficiente de friccion
esta en el rango admisible"
AN([Angulo]*3.1416/180) ))
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
Regla 4
IF:
AND: [Co_Fric] >0.35
THEN:
Condicion del coeficiente de friccion: "el coeficiente de friccion
es alto. Si la rueda acaba de ser reperfilada, suavice la
superficie hasta obtener un coeficiente de friccion de 0.35"
AN([Angulo]*3.1416/180) ))
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
Regla 5
IF:
AND: [YQteo] >=1.2
THEN:
Condicion del criterio de Nadal: "la relacion Y/Q teorica esta
dentro del rango admisible"
AN([Angulo]*3.1416/180) ))
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
183
Regla 6
IF:
AND: [YQteo] <1.2
THEN:
Condicion del criterio de Nadal: "La relacion Y/Q teorica es muy
baja. Reperfile la rueda hasta obtener un angulo de pestaña
mayor o igual a 70º o suavice la superficie de la rueda hasta
obtener un coeficiente de friccion menor o igual a 0.35"
AN([Angulo]*3.1416/180) ))
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
Regla 7
IF:
AND: [YQreal] <[YQteo]
THEN:
Condicion Y/Qreal "La relacion Y/Q real es menor que la teorica.
No hay riesgo de descarrilamiento"
[Mg_segur] = (([YQteo]-[YQreal])/[YQteo])*100
AN([Angulo]*3.1416/180) ))
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
Regla 8
IF:
AND: [YQreal] >=[YQteo]
THEN:
Condicion Y/Qreal "La relacion Y/Q real es mayor que la teorica.
184
Existe riesgo de descarrilamiento"
Recomendaciones: Para incrementar la relacion Y/Q teorica
debe: Reperfilar la rueda hasta obtener un angulo de pestaña
mayor o igual a 70º. Suavizar la superficie de contacto para
disminuir el coeficiente de friccion a un valor menor o igual a
0.35.Para disminuir la relacion Y/Q real debe: Aumentar la
carga vertical o disminuir la carga lateral.
AN([Angulo]*3.1416/180) ))
>>> [Angulo] =(ATAN([Sh]/[Qr]))*180/3.1416
Regla 9
IF:
A cual coche pertenece la rueda? Coche Motor A
AND: [Qreal] >[Chartet]
THEN:
Condicion Chartet "La fuerza vertical Q es mayor que el criterio
de Chartet. No existe riesgo de descarrilamiento"
[Mg__segur2] = [Qreal]-[Chartet]
>>> [Chartet] = (0.6*[Qteo])
>>> [Qteo] = 52.817
Regla 10
IF:
A cual coche pertenece la rueda? Coche Motor A
AND: [Qreal] <[Chartet]
THEN:
Condicion Chartet "La fuerza vertical Q es menor que el criterio
de Chartet. Existe alto riezgo de descarrilamiento"
>>> [Chartet] = (0.6*[Qteo])
>>> [Qteo] = 52.817
185
Regla 11
IF:
A cual coche pertenece la rueda? Coche Motor B
THEN:
>>> [Chartet] = (0.6*[Qteo])
>>> [Qteo] = 51.750
Regla 12
IF:
A cual coche pertenece la rueda? Coche Motor B
THEN:
>>> [Chartet] = (0.6*[Qteo])
>>> [Qteo] = 51.750
Regla 13
IF:
A cual coche pertenece la rueda? Coche Remolque
THEN:
>>> [Chartet] = (0.6*[Qteo])
>>> [Qteo] = 34.962
Regla 14
186
IF:
A cual coche pertenece la rueda? Coche Remolque
THEN:
>>> [Chartet] = (0.6*[Qteo])
>>> [Qteo] = 34.962
187
18.6 ANEXO 6 – FUERZAS LATERALES Y VERTICALES OBTENIDAS
EXPERIMENTALMENTE
Velocid Coche Motor (A) Coche Remolque (R) Coche Motor (B)
ad Fuerz
[km/h] a [kN] Eje1 Eje2 Eje3 Eje4 Eje5 Eje6 Eje7 Eje8 Eje9 Eje10 Eje11 Eje12
FQL 65,75 63,76 56,951 54,423 40,805 43,559 44,575 41,388 60,206 60,391 59,54 60,55
FYL 18,39 14,64 15,889 12,763 14,3 13,162 16,107 13,716 15,674 13,367 14,54 14,67
20
FQR 37,57 37,31 54,111 39,244 30,226 27,593 26,917 29,638 38,987 39,043 42,08 41,56
FYR 2,92 -3,36 -7,793 -2,224 3,7247 -1,593 0,2877 4,0874 -3,0611 -3,4268 -3,63 -2,65
FQL 63,33 61,98 56,135 53,948 41,971 42,004 41,171 42,686 56,658 56,253 58,15 62,57
FYL 14,89 13,84 11,715 13,346 12,257 12,445 12,661 8,7102 12,91 13,471 13,87 16,54
40
FQR 43,09 51,64 50,414 52,131 38,102 33,145 35,313 34,411 51,921 52,226 52,26 49,77
FYR 6,939 -7,85 -5,098 -3,892 10,071 -4,845 -1,0118 0,9641 -6,5693 -6,6488 -5,79 -5,07
FQL 56,28 61,69 58,252 54,349 48,483 37,887 39,321 42,043 40,327 56,737 54,82 61,87
FYL 9,192 10,84 11,625 10,201 11,537 10,876 13,828 11,871 19,311 9,603 11,55 16,46
60
FQR 50,35 51,43 49,031 52,703 46,818 38,837 36,615 40,252 39,813 58,513 55,02 59,64
FYR 4,167 -3,2 -2,566 -5,855 -0,753 -2,934 -1,2665 7,0258 7,034 -5,6425 -1,03 -7,07
FQL 56,19 56,74 61,453 59,66 53,791 39,324 40,169 41,892 42,503 53,869 56,85 62,95
FYL 8,376 9,821 13,781 13,521 14,275 6,6249 15,724 10,315 17,786 9,2266 11,76 13,22
80
FQR 45,61 51,8 47,634 55,237 45,191 34,328 34,467 35,811 44,707 53,013 58,50 66,30
FYR 4,764 -8,01 -0,291 -2,991 -1,351 -4,387 0,0786 6,3244 8,7327 -4,2619 -6,48 -9,40
Grupo de Estudios en Mantenimiento Industrial – GEMI
188
18.7 ANEXO 7 – CARACTERISTICAS TIPICAS DE UNA UNIDAD
MARIN, 2006, 120.
189

Inteligencia Artificial

Cargado por

Copyright:

Formatos disponibles

Inteligencia Artificial

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inteligencia Artificial

Cargado por

Copyright:

Formatos disponibles

DISEÑO DE UN SISTEMA EXPERTO EN MANTENIMIENTO E

IMPLEMENTACION EN UN SISTEMA DE INGENIERIA

DANIEL ESCOBAR VILLEGAS

DANIEL ESCOBAR VILLEGAS

Proyecto de grado para optar al titulo de Ingeniero Mecanico

RONALD MAURICIO MARTINOD

Medellín, 5 de agosto de 2008.

El autor desea expresar sus agradecimientos a Ronald Martinod, asesor del

6.4 INSTITUTOS QUE TRABAJAN CON REDES NEURONALES 39

7.4 INSTITUTOS QUE TRABAJAN CON SISTEMAS DIFUSOS 48

8.4 INSTITUTOS QUE TRABAJAN CON REDES BAYESIANAS 55

9.4 COMPONENTES DE UN SISTEMA EXPERTO 59

9.5 CICLO DE VIDA DE UN SISTEMA EXPERTO 62

9.7 INSTITUTOS QUE TRABAJAN CON SISTEMAS EXPERTOS 68

10.4 COMPARACION DE SOFTWARE 77

11.2 FUNCIONAMIENTO DE LA HERRAMIENTA 81

11.3 COMPONENTES PRINCIPALES DE LA HERRAMIENTA 82

11.4 COMPARACION HERRAMIENTA COMPUTACIONAL CON LA TEORIA DE SISTEMAS

12 METODOLOGIA PARA EL DESARROLLO DE UN SISTEMA EXPERTO CON LA

13 DESARROLLO DE UN SISTEMA EXPERTO APLICADO A UN SISTEMA

13.1 OBJETO DE ESTUDIO 110

13.2 SISTEMAS DE LOS VEHICULOS PARA PASAJEROS 112

13.3 DESCRIPCION DEL SISTEMA DE VIA PERMANENTE 113

13.4 DESCRIPCION DE LAS RUEDAS 116

13.5 FUERZAS DE INTERACCION RUEDA-RIEL 117

13.6 INDICE Y CRITERIOS DE SEGURIDAD EN MARCHA VEHICULOS FERROVIARIOS 122

13.7 PREGUNTAS PARA EL SISTEMA EXPERTO 128

13.8 SISTEMA PARA EVALUAR EL INDICE DE SEGURIDAD EN MARCHA DE VEHICULOS

16 NUEVAS LINEAS DE INVESTIGACION 143

17.1 CLASICA 144

17.2 INTERNET 147

18.1 ANEXO 1- SISTEMA EXPERTO PARA EL MANTENIMIENTO PREDICTIVO DE UNA

18.2 ANEXO 2 - SISTEMA EXPERTO DE AYUDA AL MANTENIMIENTO DE

18.3 ANEXO 3- SISTEMA EXPERTO PARA EL MONITOREO DE CONDICIONES EN

18.4 ANEXO 4- FUZZY NONLINEAR REGRESSION MODEL FOR RAILWAYS RIDE

18.5 ANEXO 5- REGLAS DEL SISTEMA EXPERTO 171

18.6 ANEXO 6 – FUERZAS LATERALES Y VERTICALES OBTENIDAS

18.7 ANEXO 7 – CARACTERISTICAS TIPICAS DE UNA UNIDAD 189

Ilustración 1. Enfoques Inteligencia Artificial 20

Tabla 1. Inteligencia Artificial Convencional Vs Inteligencia Computacional. 22

Ecuación 1. Suma ponderada de las entradas de la red neuronal 29

La inteligencia artificial se empezó a desarrollar a partir de la década de 1940,

Se realizara un análisis de lo que son los sistemas expertos actualmente y

Construir un sistema experto en mantenimiento de un sistema de ingeniería.

Conocer acerca de la inteligencia artificial, sus clasificaciones y ramas

La inteligencia artificial, comienza a partir de la década de 1940 y se ha

El término inteligencia artificial no es fácil de definir, ya que existen una gran

Ilustración 1. Enfoques Inteligencia Artificial

Sistemas que Sistemas que

Sistemas que Sistemas que

Se darán dos definiciones según diferentes autores de cada uno de estos

Sistemas que actúan como humanos:

Sistemas que piensan racionalmente:

Sistemas que actúan racionalmente:

La inteligencia artificial se clasifica básicamente en dos grupos que son

A continuación se profundizará acerca de algunas de las subdivisiones de la

5.3.1 Inteligencia Artificial Convencional. Comprende varios métodos de

5.3.2 Inteligencia Computacional. Se divide en: