Análisis de fallas usando DFMEA, árbol de fallas y redes bayesianas

Luz Angélica Aguilar Chávez; Manuel Arnoldo Rodríguez Medina; Eduardo Rafael Poblano Ojinaga; Lizette Alvarado Tarango; Jorge Adolfo Pinto Santos

doi:10.61117/ipsumtec.v6i3.204

Autores/as

Luz Angélica Aguilar Chávez Tecnológico Nacional de México https://orcid.org/0000-0002-7219-6175
Manuel Arnoldo Rodríguez Medina Tecnológico Nacional de México https://orcid.org/0000-0003-1676-0664
Eduardo Rafael Poblano Ojinaga Tecnológico Nacional de México https://orcid.org/0000-0003-3482-7252
Lizette Alvarado Tarango Tecnológico Nacional de México https://orcid.org/0000-0001-7934-8330
Jorge Adolfo Pinto Santos Tecnológico Nacional de México https://orcid.org/0000-0001-9614-2764

DOI:

https://doi.org/10.61117/ipsumtec.v6i3.204

Palabras clave:

Árbol de fallas, Álgebra booleana, DFMEA, Inferencia bayesiana, Red bayesiana

Resumen

La industria automotriz y su normatividad (ISO 9001:2015 y la IATF 16949) establecen una secuencia lógica para el aseguramiento de la calidad de sus productos, la cual considera el plano de la parte, el FMEA de diseño (DFMEA), la matriz de causa y efecto, el diagrama de flujo de proceso, el FMEA de proceso (PFMEA) y el plan de control. El plan de aseguranza de la calidad es establecido desde la etapa de planeación del producto, y en la etapa del diseño del producto se diseña de acuerdo a las metas de diseño y se definen las posibles fallas que este pudiera tener. Este documento muestra el análisis de fallas de un dispositivo utilizando de principio la información obtenida de un FMEA de diseño (PFMEA), mediante las herramientas de análisis de árbol de fallas (FTA) analizando las relaciones existentes entre los elementos fundamentales y sus relaciones y finalmente la construcción y análisis de una Red Bayesiana (BN) donde se permite establecer y apoyarse en las relaciones causales de las variables establecidas para la construcción del modelo y realizar en análisis estadístico que permita obtener información que de cuentas del comportamiento y adecuación que se puede hacer al modelo mediante el uso de softwares estadísticos como el SamIam que realiza cálculos de probabilidades condicionales en base a las relaciones causales propuestas. Mediante el uso y análisis de las herramientas anteriores se pudo llegar a encontrar el comportamiento de los componentes para una bomba de gasolina y establecer cuáles son las probabilidades de falla de cada una, así como su repercusión en el sistema y en la variable de interés primordial que es la falla general de la bomba.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Przytula, K. W., Milford, R. (2006), An Efficient Framework for the Conversion of Fault Trees to Diagnostic Bayesian Network Models, IEEEAC paper No. 1224, Version 1. DOI: https://doi.org/10.1109/AERO.2006.1656103

Langseth, H. (2007). Bayesian networks in reliability. Elsevier. Recuperado de: 10.1016/j.ress.2005.11.037. Lopez, Takeya Bruno (2011) Algebra Booleana, http://www.itnuevolaredo.edu.mx/takeyas DOI: https://doi.org/10.1016/j.ress.2005.11.037

Chengbing He, Runze Wang, Li Ma, Xiaobo Li, Xiaofeng Jiao, Lei Song, (2019), Research on Fault Diagnosis Method Based on FMEA/FTA and Bayesian Network, 2019 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), IEEE Xplore. Pp.173-177. DOI: https://doi.org/10.1109/SDPC.2019.00039

Rong-xing Duan,Hui-lin Zho, (2012), A New Fault Diagnosis Method Based on Fault Tree and Bayesian Networks, 2012 International Conference on Future Electrical Power and Energy Systems, Elsevier.

Sánchez, F. Alejandra; Tesis Doctoral (2021), Desarrollo de un modelo para determinar la confiabilidad del diagnóstico del vph mediante inferencia bayesiana, División de Estudios de Posgrado e Investigación, Instituto Tecnológico de Ciudad Juárez.

Almond, Rusell, G., Mislevy, Robert J., Steinberg, Linda S., Yan, Duanly, Williamson, David M. (2015), Bayesian Networks in Educational Assessment, Springer. DOI: https://doi.org/10.1007/978-1-4939-2125-6

Bobbioa, A., Portinalea, L., Minichinob, M., Ciancamerla, E., (2001), Improving the analysis of dependable systems by mapping fault trees into Bayesian networks, Reliability Engineering and System Safety 71 (2001) 249–260 DOI: https://doi.org/10.1016/S0951-8320(00)00077-6

Kraisangka, Jidapa and Druzdzel, Marek J. (2018). A Bayesian Network Interpretation of the Cox’s Proportional Hazard Model. This manuscript is made available under the Elsevier user license https://www.elsevier.com/open-access/userlicense/1.0/ DOI: https://doi.org/10.1016/j.ijar.2018.09.007

W. E. Vesely, F. F. Goldberg, N. H. Roberts, D. F. Haasl, (1981). Fault Tree Handbook, U.S. Nuclear Regulatory Commission.

Givehchi, S., Heidari, A. (2018). Bayes Networks and Fault Tree Analysis application in Reliability Estimation (Case Study: Automatic Water Sprinkler System). Environmental Energy and Economic Research. Recuperado de: 10.22097/eeer.2019.160566.1057.

AIAG. Automotive Industry Action Group & VDA. Failure Mode and Effects Analysis FMEA Handbook.

Yang, Guangbin, (2006). LIFE CYCLE RELIABILITY ENGINEERING, JOHN WILEY & SONS, page 212- 229.

Malak Medkour, Azzedine Bouzaouit, Lakhdar Khochmane, Ouafae Bennis (2017). Transformation of Fault Trees into Bayesian Networks Methodology for Fault Diagnosis. Mechanika, Kaunas University of Technology, 23 (6), pp.891-899. ff10.5755/j01.mech.23.6.17281ff. ffhal-02457178f DOI: https://doi.org/10.5755/j01.mech.23.6.17281

Oviedo Bayas, B. W., & Zambrano Vega, C. (2021). Redes bayesianas aplicadas a la predicción de errores en las redes definidas por software. Revista Universidad y Sociedad, 13(2), 419-429.

Pearl, J. (1991). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Artificial Intelligence, 48(1), 117–124. doi:10.1016/0004-3702(91)90084-w DOI: https://doi.org/10.1016/0004-3702(91)90084-W