tesis de gradouniversidad mayor de san andrÉs facultad de ciencias puras y naturales carrera de...
TRANSCRIPT
UNIVERSIDAD MAYOR DE SAN ANDRÉS FACULTAD DE CIENCIAS PURAS Y NATURALES
CARRERA DE INFORMÁTICA
TESIS DE GRADO
“SISTEMA EXPERTO PARA EL DIAGNÓSTICO DE FALLAS EN
MOTORES A INYECCIÓN ELECTRÓNICA DE VEHÍCULOS”
PARA OPTAR AL TÍTULO DE LICENCIATURA EN INFORMÁTICA
MENCIÓN: INGENIERÍA DE SISTEMAS INFORMÁTICOS
POSTULANTE: JORGE LUIS SORIA MAMANI
TUTOR METODOLÓGICO: M.SC. ALDO RAMIRO VALDEZ ALVARADO
ASESOR: LIC. RAMIRO FLORES ROJAS
LA PAZ – BOLIVIA
2013
UNIVERSIDAD MAYOR DE SAN ANDRÉS
FACULTAD DE CIENCIAS PURAS Y NATURALES
CARRERA DE INFORMÁTICA
LA CARRERA DE INFORMÁTICA DE LA FACULTAD DE CIENCIAS PURAS Y
NATURALES PERTENECIENTE A LA UNIVERSIDAD MAYOR DE SAN ANDRÉS
AUTORIZA EL USO DE LA INFORMACIÓN CONTENIDA EN ESTE
DOCUMENTO SI LOS PROPÓSITOS SON ESTRICTAMENTE ACADÉMICOS.
LICENCIA DE USO
El usuario está autorizado a:
a) visualizar el documento mediante el uso de un ordenador o dispositivo móvil.
b) copiar, almacenar o imprimir si ha de ser de uso exclusivamente personal y privado.
c) copiar textualmente parte(s) de su contenido mencionando la fuente y/o haciendo la
referencia correspondiente respetando normas de redacción e investigación.
El usuario no puede publicar, distribuir o realizar emisión o exhibición alguna de este
material, sin la autorización correspondiente.
TODOS LOS DERECHOS RESERVADOS. EL USO NO AUTORIZADO DE LOS
CONTENIDOS PUBLICADOS EN ESTE SITIO DERIVARA EN EL INICIO DE
ACCIONES LEGALES CONTEMPLADOS EN LA LEY DE DERECHOS DE AUTOR.
DEDICATORIA
A mi familia, por todo el apoyo a lo largo
de mi vida.
A mi prometida, que nunca dejo que me
rindiera y siempre estuvo cuando más la
necesite.
AGRADECIMIENTOS
A Dios por darme la vida y por a verme guiado y permitir el logro de uno más de mis
objetivos.
Le doy mi más profundo agradecimiento al Lic. Ramiro Flores, mi Asesor, por sus
acertados consejos, elocuente paciencia y amplio conocimiento, para la elaboración de la
presente Tesis de Grado.
Al Msc. Aldo Valdez Alvarado por su tiempo y paciencia además de brindarme
información y sobre todo por la tutoría y consejos referentes al presente trabajo.
Por último quiero agradecer a todos los docentes de la carrera de Informática y
también a la “Universidad Mayor de San Andrés” por los años que me cobijo en sus aulas,
para adquirir conocimientos y tener una formación profesional.
Jorge Luis Soria Mamani.
RESUMEN
La necesidad humana de transporte permanente conduce a la utilización masiva de
vehículos y por ende que el parque automotor crezca constantemente, lo que conduce al
desgaste de los mismos, por esto se debe buscar nuevos métodos para el diagnóstico óptimo
de estos. Con los avances tecnológicos los motores han sufrido muchos cambios uno de los
mas importantes es la sustitución del carburador por el sistema de inyección electrónica, la
característica principal de este es permitir que el motor reciba solamente el volumen de
combustible que necesita, pulverizando el combustible en la cantidad necesaria para los
distintos regímenes de revolución, así teniendo un consumo menor de combustible y mejor
desarrollo del automóvil.
Los sistemas basados en conocimiento constituyen una rama de la inteligencia
artificial que hace un uso amplio de conocimiento especializado para resolver problemas
como un especialista humano. Los sistemas expertos son programas que logran reproducir
el proceso intelectual de un experto humano en un campo en particular, con alta fiabilidad,
pudiendo así mejorar su productividad, la construcción de un sistema experto es una tarea
muy complicada, se necesita mecanismos para la adquisición de conocimiento, considerada
la tarea más complicada en la ingeniería del conocimiento, además involucra a muchos
participantes, cada uno de los cuales colabora para que el sistema experto a desarrollar sea
robusto, sencillo de manejar y simple para su mantenimiento.
En el presente trabajo se desarrolla un prototipo de sistema experto probabilístico
para el diagnostico de fallas en motores a inyección electrónica de vehículos, ofreciendo así
al usuario un método mas para el diagnostico correcto de su motor y este no sea engañado.
Además que pueda aprender sobre algunas de las partes que tiene el motor de su vehículo.
Palabras clave: Sistema experto probabilístico, ingeniería del conocimiento, motor a
inyección electrónica.
ABSTRACT
The human need for permanent transport leads to massive use of vehicles and
therefore the fleet grows steadily, leading to wear them, so you should seek new methods
for optimal diagnosis of these. With advances in technology engines have undergone many
changes one of the most important is the replacement carburetor by the fuel injection
system , the main feature of this is to allow the engine receives only the amount of fuel it
needs , spraying fuel in the amount needed for the various systems of revolution , thus
having a lower fuel consumption and better development of the automobile .
Expert systems are a branch of artificial intelligence that makes extensive use of
specialized problem-solving knowledge as a human expert. Expert systems are programs
that are able to reproduce the thought process of a human expert in a particular field, high
reliability, and can improve productivity, building an expert system is a very complicated
task, mechanisms for acquiring needed knowledge, considered the toughest in knowledge
engineering task also involves many participants, each of whom is working to develop the
expert system is robust, simple to operate and simple to maintain.
In this paper a prototype of probabilistic expert system for fault diagnosis in
electronic injection engine develops vehicles, offering the user a method for more accurate
diagnosis of your engine and this do not be fooled. Also you can learn about some of the
parties has the engine of your vehicle.
Keywords: probabilistic expert system, knowledge engineering, electronic injection engine
i
ÍNDICE
I. MARCO INTRODUCTORIO
1.1 INTRODUCCIÓN ...................................................................................................... 1
1.2 ANTECEDENTES ..................................................................................................... 2
1.3 PLANTEAMIENTO DEL PROBLEMA ................................................................. 6
1.3.1 PROBLEMA CENTRAL ...................................................................................... 6
1.3.2. PROBLEMAS SECUNDARIOS ......................................................................... 7
1.4 OBJETIVOS ............................................................................................................... 7
1.4.1 OBJETIVO GENERAL ........................................................................................ 7
1.4.2 OBJETIVOS ESPECÍFICOS ................................................................................ 8
1.5 HIPÓTESIS ................................................................................................................. 8
1.5.1 OPERACIONALIZACIÓN DE VARIABLES ..................................................... 9
1.6 JUSTIFICACIÓN ..................................................................................................... 10
1.6.1 ECONÓMICA ..................................................................................................... 10
1.6.2 SOCIAL ............................................................................................................... 10
1.6.3 CIENTÍFICA ....................................................................................................... 10
1.7. ALCANCES Y LIMITES ....................................................................................... 11
1.7.1 ALCANCES ........................................................................................................ 11
1.7.2 LIMITES ............................................................................................................. 11
1.8 APORTES ................................................................................................................. 12
1.8.1 PRACTICO ......................................................................................................... 12
1.8.2 TEÓRICO ............................................................................................................ 12
1.9. METODOLOGÍA .................................................................................................... 12
ii
II. MARCO TEÓRICO
2.1 INTELIGENCIA ARTIFICIAL ............................................................................. 14
2.2 SISTEMAS EXPERTOS ......................................................................................... 15
2.2.1 DEFINICIÓN Y CARACTERÍSTICAS ............................................................. 15
2.2.2 COMPONENTES DE LOS SISTEMAS EXPERTOS ....................................... 17
2.2.3 TIPOS DE SISTEMAS EXPERTOS .................................................................. 19
2.2.4 DESARROLLO DE UN SISTEMA EXPERTO ................................................ 20
2.2.5 CICLO DE VIDA DE UN SISTEMA EXPERTO .............................................. 21
2.2.6 DIFERENCIA ENTRE UN SISTEMA EXPERTO EN BASE A REGLAS Y UN
SISTEMA EXPERTO PROBABILÍSTICO. ............................................................... 22
2.2.7 REDES BAYESIANAS. ..................................................................................... 24
2.2.7.1 DEFINICIÓN FORMAL DE REDES BAYESIANAS ................................... 25
2.2.7.2 CONSTRUCCIÓN DE UNA RED BAYESIANA .......................................... 28
2.2.7.3 MODELO CUALITATIVO ............................................................................ 29
2.2.7.4 MODELO CUANTITATIVO .......................................................................... 29
2.2.7.5 PROPAGACIÓN DE PROBABILIDADES EN POLIÁRBOLES ................. 30
2.2.8 SISTEMAS EXPERTOS PROBABILÍSTICOS ................................................. 32
2.2.8.1 LA BASE DE CONOCIMIENTO ................................................................. 35
2.2.8.2 EL MOTOR DE INFERENCIA ...................................................................... 36
2.2.9 METODOLOGÍA IDEAL .................................................................................. 37
2.2.10 MÉTODO DE GROVER (ADQUISICIÓN DE CONOCIMIENTO) .............. 43
2.3 MOTOR A INYECCIÓN ELECTRÓNICA DE UN VEHÍCULO ..................... 46
2.3.1 INTRODUCCIÓN A LA INYECCIÓN ELECTRÓNICA .................................. 46
2.3.1.1 HISTORIA DE LA INYECCIÓN DE COMBUSTIBLE ................................. 47
2.3.1.2 VENTAJAS DE UN MOTOR A INYECCIÓN ELECTRÓNICA .................. 49
2.3.2 COMPONENTES DEL MOTOR A INYECCIÓN ELECTRÓNICA ................ 50
2.3.3 DIVISIÓN DE UN MOTOR A INYECCIÓN ELECTRÓNICA ....................... 53
2.3.4 CLASIFICACIÓN DE LOS MOTORES A INYECCIÓN ELECTRÓNICA .... 54
2.3.4.1 SEGÚN EL NÚMERO DE INYECTORES .................................................... 54
iii
2.3.4.2 SEGÚN LA UBICACIÓN DEL INYECTOR. ................................................ 56
2.3.4.3 POR EL SINCRONISMO DE LA INYECCIÓN: ........................................... 56
III. MARCO APLICATIVO
3.1 INTRODUCCIÓN .................................................................................................... 58
3.2 IDENTIFICACIÓN DE LA TAREA. ..................................................................... 61
3.2.1 PLAN DE REQUISITOS, ADQUISICIÓN DEL CONOCIMIENTO ............... 61
3.2.1.1 OBTENCIÓN DE REQUISITOS .................................................................... 62
3.2.1.2 ADQUISICIÓN DE CONOCIMIENTOS INFORMAL .................................. 63
3.2.2 EVALUACIÓN Y SELECCIÓN DE LA TAREA ............................................. 63
3.2.2.1 ESTUDIO DE VIABILIDAD .......................................................................... 63
3.2.3 DEFINICIÓN DE LAS CARACTERÍSTICAS DEL SISTEMA ....................... 71
3.3 DESARROLLO DE PROTOTIPOS ...................................................................... 74
3.3.1 CONCEPCIÓN DE LA SOLUCIÓN. ................................................................. 74
3.3.2 DEFINICIÓN DEL DOMINIO. .......................................................................... 74
3.3.3 FORMULACIÓN DEL CONOCIMIENTO FUNDAMENTAL. ....................... 74
3.3.4 CONSOLIDACIÓN DEL CONOCIMIENTO BASAL. .................................... 75
3.3.4.1 BASE DE HECHOS ......................................................................................... 94
3.3.4.2 VARIABLES DE LA BASE DE CONOCIMIENTO ...................................... 95
3.3.4.3 CONSTRUCCIÓN DEL MODELO DE CONOCIMIENTO ........................ 100
3.3.5 MOTOR DE INFERENCIA. ............................................................................. 108
3.4 ACTUACIÓN PARA CONSEGUIR EL MANTENIMIENTO PERFECTIVO
........................................................................................................................................ 117
3.4.1 DEFINIR EL MANTENIMIENTO DEL SISTEMA GLOBAL ...................... 117
3.4.1.1 ACTIVIDADES PARA EL PROCESO DE MANTENIMIENTO ............... 118
3.4.2 MANTENIMIENTO DE LA BASE DE CONOCIMIENTOS Y ADQUISICIÓN
DE NUEVOS CONOCIMIENTOS............................................................................ 123
3.5 LOGRAR UNA ADECUADA TRANSFERENCIA TECNOLOGICA ............ 123
iv
IV. ANÁLISIS DE RESULTADOS
4.1 INTRODUCCIÓN .................................................................................................. 129
4.2 PRUEBAS A LA RED BAYESIANA ................................................................... 129
4.3 PRUEBA DE HIPÓTESIS ..................................................................................... 133
V. CONCLUSIONES Y RECOMENDACIONES
5.1 CONCLUSIONES GENERALES ........................................................................ 139
5.2 ESTADO DE LA HIPÓTESIS .............................................................................. 140
5.3 ESTADO DE LOS OBJETIVOS .......................................................................... 140
5.3.1 ESTADO DEL OBJETIVO GENERAL ........................................................... 140
5.3.2 ESTADO DE LOS OBJETIVOS ESPECÍFICOS ............................................ 140
5.4 RECOMENDACIONES ........................................................................................ 141
5.5 TRABAJOS FUTUROS ......................................................................................... 141
BIBLIOGRAFÍA .......................................................................................................... 143
ANEXOS ....................................................................................................................... 148
v
INDICÉ DE FIGURAS
Fig.2.1 Estructura de un Sistema Experto ........................................................................... 17
Fig.2.2 Tipos de Sistemas Expertos...................................................................................... 19
Fig.2.3 Etapas generales del desarrollo de un sistema experto .......................................... 20
Fig.2.4 Modelo de ciclo de vida de un sistema experto ...................................................... 21
Fig.2.5 Modelo base de la metodología IDEAL ................................................................. 38
Fig.2.6 Eje de Calidad de la Metodología IDEAL .............................................................. 39
Fig. 3.1 Estructura del Sistema Experto basado en la Metodología IDEAL. ..................... 60
Fig. 3.2 Componentes de la Base de Conocimiento. ............................................................ 94
Fig. 3.3 Construcción de la Red Bayesiana ........................................................................ 101
Fig. 3.4 Red Bayesiana sobre Arranque Difícil .................................................................. 102
Fig. 3.5 Red Bayesiana sobre Combustión Anormal y Consumo excesivo de Combustible
............................................................................................................................................ 102
Fig. 3.6 Red Bayesiana sobre Problemas de Lubricación .................................................. 103
Fig. 3.7 Red Bayesiana sobre Vacilación o Jaloneo del motor ......................................... 103
Fig. 3.8 Red Bayesiana sobre Ahogo en desaceleración y Oscilación a Velocidad Constante
............................................................................................................................................ 104
Fig. 3.9 Red Bayesiana sobre el Motor pierde Potencia ..................................................... 104
Fig. 3.10 Estructura Cuantitativa de la Red Bayesiana de Arranque Difícil ..................... 105
Fig. 3. 11 Estructura Cuantitativa de la Red Bayesiana de Problemas de Lubricación..... 106
Fig. 3. 12 Estructura Cuantitativa de la Red Bayesiana de Vacilación o Jaloneo ............. 107
Fig. 3. 13 Estructura Cuantitativa de la Red Bayesiana Ahogo en la Desaceleración y
Oscilación Constante .......................................................................................................... 108
Fig. 3.14 Representación Gráfica para el proceso de propagación de poliárboles .......... 109
Fig. 3.15 Representación gráfica al introducir la evidencia ............................................. 114
Fig. 3.16 Representación gráfica de las actividades para el proceso de mantenimiento 118
Fig. 3.17 Representación gráfica del proceso de mantenimiento ..................................... 118
Fig. 3.18 Interfaz Grafica del Sistema Experto EmoIE .................................................... 124
vi
Fig. 3.19 Interfaz para el Aprendizaje del usuario ............................................................ 125
Fig. 3.20 Interfaz para el Diagnostico del motor del usuario ........................................... 126
Fig. 3.21 Interfaz de confirmación del problema del motor del usuario .......................... 126
Fig. 3.22 Interfaz de consultas al usuario sobre las fallas del motor................................ 127
Fig. 3.23 Advertencia si el usuario no contesta alguna consulta ...................................... 127
Fig. 3.24 Despliegue de resultados del sistema experto ................................................... 128
Fig. 4.1 Propiedades de un Nodo de la Red Bayesiana .................................................. 130
Fig. 4.2 Representación de la Red Bayesiana ............................................................... 130
Fig. 4.3 Representación de la transmisión de Datos en la Red Bayesiana .................... 131
Fig. 4.4 Representación de la Tabla de Probabilidades del Nodo Padre. ...................... 131
Fig. 4.5 Representación de Probabilidades condicionales de un nodo .......................... 132
Fig. 4.6 Representación de la Tabla de Probabilidades datos a-priori........................... 132
Fig. 4.7 Representación de la Tabla de Probabilidades datos a-posteriori. ................... 133
A.1 Partes del Vehículo ...................................................................................................... 152
A. 2 Motor a Inyección Electrónica y sus Partes ................................................................ 153
A. 3 Forma del ECU ........................................................................................................... 154
vii
INDICÉ DE TABLAS
Tabla1.1 Operacionalización de Variables ............................................................................. 9
Tabla 2.1: Diferencia entre Experto Humano y Sistema Experto ........................................ 16
Tabla 2.2 Comparación entre los sistemas expertos basados en reglas y los basados en
Probabilidad. [Castillo, 2007] ............................................................................................... 24
Tabla 3.1 Obtención de Requisitos Informal ........................................................................ 62
Tabla 3.2 Dimensión de Plausibilidad .................................................................................. 64
Tabla 3.3 Dimensión de Adecuación .................................................................................... 65
Tabla 3.4 Dimensión de Éxito .............................................................................................. 67
Tabla 3.5 Dimensión de Justificación................................................................................... 68
Tabla 3.6 Problemas en el Sistema de Combustible ............................................................. 75
Tabla 3.7 El motor de arranque no gira ................................................................................ 76
Tabla 3.8 Problema en el encendido, el motor de arranque gira pero el motor no arranca. . 77
Tabla 3.9 Problema de que el motor pierde compresión. ..................................................... 78
Tabla 3.10 Problemas en el ralentí ....................................................................................... 79
Tabla 3.11 Problemas con la operación irregular del motor................................................. 81
Tabla 3.12 Problemas de vacilación o jaloneo del motor ..................................................... 82
Tabla 3.13 Probabilidad condicional para el nodo F1 ........................................................ 109
Tabla 3. 14 Probabilidad Condicional para el nodo F5 ...................................................... 110
Tabla 3. 15 Probabilidad A-priori para el nodo F6 ............................................................ 110
Tabla 3. 16 Probabilidad Condicional para el nodo F27 .................................................... 110
Tabla 3.17 Descripción de la actividad MSI1 Registro de Petición ................................... 119
Tabla 3.18 Descripción de la actividad MSI2 Análisis de la Petición ............................... 120
Tabla 3.19 Descripción de la actividad MSI3 Preparación de la Implementación de la
Modificación ....................................................................................................................... 121
Tabla 3. 20 Descripción de la actividad MSI4 Seguimiento y Evaluación de los cambios
hasta la Aceptación ............................................................................................................. 122
CAPITULO I
MARCO INTRODUCTORIO
RESUMEN
En este capítulo se presentan la introducción, antecedentes referidos al
tema de investigación, descripción de los problemas central y específicos
de los cuales surgen los objetivos, plateo de la hipótesis, justificación de la
investigación tanto científica, social y económica, aportes, alcances y
límites y por último la metodología a utilizar.
1.1 INTRODUCCIÓN
La necesidad humana de transporte permanente, lleva a la utilización masiva de
vehículos y por ende que el parque automotor crezca constantemente, esto lleva al desgaste
de los mismos, lo que conduce a la necesidad de buscar nuevos métodos para el diagnóstico
de fallas.
Los avances tecnológicos son innumerables en el campo Automotriz y el sistema de
inyección electrónica de combustible es un punto muy importante ya que se incorpora al
vehículo un módulo de control electrónico del motor que es una microcomputadora que
continuamente evalúa y procesa las señales de entrada provenientes del sistema de
operación del motor y determina la mejor secuencia de operación para sus órdenes de
salida.
La característica principal de un sistema de inyección electrónica de combustible es
permitir que el motor reciba solamente el volumen de combustible que necesita,
remplazando al sistema del carburador por el nuevo sistema que pulveriza el combustible
en el múltiple de admisión en la cantidad necesaria para los distintos regímenes de
revolución así teniendo un consumo menor de combustible y mejor desarrollo del
automóvil, esto es posible gracias a la implementación de sensores que muestren en tiempo
real las condiciones de funcionamiento del motor de combustión interna, estas señales se
2
almacenan en un computador donde son evaluadas, con el fin de determinar el correcto
accionar de cada componente.
El sistema de inyección electrónica de combustible representa un conjunto de
sensores y actuadores, que intercambian información digital a través de una computadora
para regir el funcionamiento del motor, el cual puede presentar fallas de funcionamiento
únicamente detectables mediante protocolos de pruebas, en las que se utilizan instrumentos
especializados para crear una interface entre los sistemas de control y el usuario
Los sistemas expertos son programas que logran reproducir el proceso intelectual de
un experto humano en un campo en particular, con alta fiabilidad, pudiendo así mejorar su
productividad, por esto ahorrar tiempo y dinero, conservar valiosos conocimientos y
difundirlos más fácilmente.
Los sistemas expertos constituyen una rama de la inteligencia artificial que hace un
uso amplio de conocimiento especializado para resolver problemas como un especialista
humano. Este especialista es una persona que tiene experiencia desarrollada en cierta área.
Esto es el especialista, tiene conocimientos o habilidades especiales que la mayoría de las
personas no conoce o de las que no dispone; puede resolver problemas que la mayoría
podría resolver, o los resuelve con mucha mayor eficiencia [Giarratano y Riley, 2001]
El presente trabajo se enfocara en brindar de una forma sencilla, soluciones a fallas
que presentan los motores a inyección electrónica de los automóviles, y así lograr un mejor
mantenimiento de estos.
1.2 ANTECEDENTES
Debido a un aumento en las exigencias de los organismos de control del medio
ambiente, para disminuir la emisión de gases tóxicos de los motores de automóviles, nace
3
un sistema que reemplaza el carburador por la inyección electrónica de los motores a
gasolina.
La evolución que ha alcanzado en los últimos años la mecánica automotriz
incorporando elementos electrónicos para controlar componentes mecánicos, crea la
necesidad de aprender como son controlados estos vehículos, aprendiendo técnicas que le
permitan realizar mantenimiento y reparaciones. Como se sabe todo sistema de inyección
electrónica en la actualidad busca controlar entre otras cosas, aspectos como la
composición de mezcla aire-combustible, así como el momento de encendido más
apropiado para cada condición de trabajo del motor.
Un diagnóstico de inyección electrónica se realiza cuando el motor del vehículo
funciona de forma irregular, por ejemplo: perdida de potencia, aumento de consumo de
combustible, funcionamiento irregular del motor y otros, este mantenimiento se debe
realizar por un técnico mecánico utilizando equipos necesarios para realizar un diagnóstico
acertado, estos son: tester eléctrico automotriz, osciloscopio automotriz y scanner
automotriz.
Para quien cuenta con un automóvil con motor a inyección electrónica es difícil
identificar si el mecánico o servicio técnico lo engaña, por lo general los problemas no
suelen ser tan graves como parecen, por lo que no es necesario acudir a un experto humano,
ya que esto significaría pérdida de tiempo y dinero, se plantea en el presente trabajo otorgar
una herramienta para el diagnóstico de fallas del motor a inyección electrónica para su
posterior mantenimiento, esto con la ayuda de la inteligencia artificial mediante los
Sistemas Expertos.
“Los sistemas expertos son máquinas que piensan y razonan como un experto lo
haría en una cierta especialidad o campo. Por ejemplo, un sistema experto en diagnóstico
médico requeriría como datos los síntomas del paciente, los resultados de análisis clínicos y
otros hechos relevantes, y utilizando estos, buscaría en una base de datos la información
necesaria para poder identificar la correspondiente enfermedad. Un sistema experto de
4
verdad, no solo realiza las funciones tradicionales de manejar grandes cantidades de datos,
sino que también manipula esos datos de forma tal que el resultado sea inteligible y tenga
significado para responder a preguntas incluso no completamente especificadas” [Stevens,
1984].
Según una definición dada por Marvin Minski (1977), la Inteligencia Artificial es “el
arte de construir máquinas capaces de hacer cosas que requerirían inteligencia en caso de
que fuesen hechas por los seres humanos” [Grupo Marcombo, 1987].
La consulta a un experto en una determinada materia, es un recurso habitual cuando,
ante un problema concreto, no se dispone de la experiencia y del conocimiento necesario
para resolverlo. Una alternativa interesante a la consulta directa a un experto humano, no
siempre disponible, sería la posibilidad de acceder a un sistema de ordenador que indique
los consejos necesarios para solucionar dicho problema. Los sistemas expertos ofrecen esta
posibilidad y por ello se han definido como sistemas informáticos que contienen
conocimientos organizados sobre un área del saber substancial y limitada y que son capaces
de desarrollar un cierto razonamiento útil para la obtención de información tal y como lo
haría un experto humano. Son por lo tanto, una herramienta muy útil para en la solución de
aquellos problemas que requieren el soporte de conocimiento y experiencia previa.
[Tarragona, 1994].
Una interrogante que surge al construir Sistemas Expertos es ¿cómo sabremos
cuando tengamos éxito al construir un programa inteligente? La respuesta es cuando la
combinación de Software y Hardware nos dé como resultado el que personas normales en
nuestra sociedad, no puedan determinar si quien ha estado respondiendo a sus
preguntas es un ser humano o una computadora, entonces podremos decir que hemos
logrado el objetivo de construir un programa inteligente.[Soto, 2000]
El sistema experto basado en lógica difusa para el diagnóstico de muestras de aceite
de motores diésel de una flota de autobuses urbanos, cuya meta es acelerar los
procedimientos propensos a error que implican el diagnostico continuado de grandes
5
cantidades de datos por parte de expertos humanos. Se ha demostrado que el mantenimiento
preventivo basado en análisis de aceite es una herramienta de mantenimiento importante en
diversas áreas de la industria. La situación común es que un experto en diagnóstico
interprete los datos, utilizando su experiencia y elabore un informe del equipo y del estado
del aceite. Para conseguir un diagnostico automático, se ha desarrollado un sistema basado
en lógica difusa que incorpora inferencia bajo entradas imprecisas o inexistentes. La
imprecisión de las entradas produce un diagnostico final en forma de un intervalo de
intensidad de posibles fallos consistente con las reglas. Esto permite al sistema, en algunas
situaciones, extraer un diagnóstico más refinado [Macian y Tormos, 2005].
En las dos últimas décadas se ha producido un notable desarrollo en el área de la
inteligencia artificial y en particular en la de los sistemas expertos. Debido a su carácter
multidisciplinar, muchos de los resultados obtenidos en esta disciplina han sido publicados
en diversas revistas de numerosos campos: ciencias de la computación, ingeniería,
matemáticas, estadística y otros [Castillo, 2007].
Un sistema basado en conocimiento, es un sistema experto organizado de forma tal
que separa su conocimiento específico, conocimiento del dominio del problema, del resto,
conocimiento general de cómo resolver el problema y conocimiento de cómo interactuar
con el usuario. Al conjunto de conocimientos específicos se lo denomina base de
conocimientos, y al resto motor de inferencias, y la interfaz del usuario, que permite la
interacción con el usuario. En resumen, un sistema basado en conocimiento “es un
programa de computadora en el que el conocimiento acerca del dominio del problema está
explícito y separado del resto del conocimiento”. [Choque, 2013]
Sobre los antecedentes de autoría nacional se cuenta con las siguientes propuestas:
Agente para el diagnóstico de Motores de automóviles, tesis realizada por Héctor
Santos Ayala Ramos en la Universidad Mayor de San Andrés, Carrera de
Informática, La Paz Bolivia, 2000. Se propone diseñar un modelo de agente basado
en conocimiento experto de Mecánica Automotriz, utilizando lógica difusa para
6
diagnóstico de fallas mecánicas de motores en automóviles basado en reglas.
Sistema Experto para el diagnóstico de fallas mecánicas en automóviles con
instalación de gas natural, tesis realizada por Elva Verónica Huanca Guaquipa en la
Universidad Mayor de San Simón, Carrera de Informática, Cochabamba Bolivia,
2010. Se propone crear un sistema experto de diagnóstico para técnicos mecánicos,
practicantes y personas con conocimientos básicos de mecánica automotriz que
tendrá, una base de conocimientos que almacena reglas, a partir de las cuales se
determina las causas de un mal funcionamiento de un vehículo.
Desarrollo de un sistema inteligente para el mantenimiento de motores de
combustión interna, tesis realizada por Eduardo Cazón Morales en la Universidad
Mayor de San Simón, Carrera de Informática, Cochabamba Bolivia, 2001. Se
propone desarrollar un sistema para el mantenimiento de motores de Combustión
Interna para efectuar un diagnóstico de fallas rápidamente al motor a diésel.
1.3 PLANTEAMIENTO DEL PROBLEMA
1.3.1 PROBLEMA CENTRAL
Debido a que en la actualidad mantener un automóvil, en si el motor, se ha
convertido en una tarea muy morosa y sobre todo con un costo económico muy alto, surge
como alternativa el uso de sistemas expertos para la posible solución de fallas.
Las dificultades que tiene el dueño del automotor son primordialmente en las del
conocimiento sobre el funcionamiento del motor de su automóvil o en si las partes que
tiene este.
¿Cómo se puede saber cuál es el problema del motor a inyección electrónica en
el automóvil de una forma fácil, concreta y económica?
7
1.3.2. PROBLEMAS SECUNDARIOS
Problemas existentes con los actuales diagnósticos de motores a inyección electrónica de
vehículos.
Total desconocimiento de los usuarios sobre el funcionamiento de su automóvil con
motor a inyección electrónica, lo cual lleva a un pésimo mantenimiento.
Accidentes de Tránsito, por un inadecuado mantenimiento del motor del automóvil.
Costos muy altos para el usuario por tan solo una idea de la falla en el motor y no
así algo concreto en el arreglo del mismo, lo que conduce a la omisión de problemas
y esto provoque peores fallas.
La mala utilización de sistemas de diagnóstico y el abuso de las personas que dan
arreglo a las fallas de los motores de automóviles (mecánicos automotrices), lo que
provoca que el usuario tenga experiencias incorrectas.
Pérdida de tiempo por mantenimientos muy largos del motor.
1.4 OBJETIVOS
1.4.1 OBJETIVO GENERAL
Desarrollar un sistema experto que determine las fallas del motor a inyección
electrónica de los automóviles. De manera tal que contribuya con los distintos métodos de
detección de fallas en los mismos, y por ende con una manera más económica de mantener
el motor para cualquier persona que cuente con un vehículo.
8
1.4.2 OBJETIVOS ESPECÍFICOS
Para realizar la propuesta se planteara los siguientes objetivos específicos:
Analizar los principios del sistema de inyección electrónica de combustible para
entender las bases del proyecto.
Conocer los principales tipos de inyección electrónica.
Estudiar y conocer los sistemas expertos.
Estudiar y aplicar las redes Bayesianas, para el diseño de la base de conocimientos
del sistema experto.
Evaluar el sistema experto.
1.5 HIPÓTESIS
El sistema experto basado en redes bayesianas para el Diagnostico de fallas en los
motores a inyección electrónica de automóviles, coopera en la toma de decisiones, al
momento de realizar el mantenimiento, con un nivel de confianza de al menos un 85%,
respecto a la toma de decisiones de un experto humano.
Donde las variables son las siguientes:
VARIABLE INDEPENDIENTE: Consulta del usuario al sistema experto.
VARIABLE INTERVINIENTE: Descripción detallada causas y fallas.
VARIABLE DEPENDIENTE: Resultado de la consulta que cumple con los
requerimientos y necesidades del usuario.
9
1.5.1 OPERACIONALIZACIÓN DE VARIABLES
La operacionalización de variables para el presente trabajo, viene dada como sigue
en la tabla 1.1.
Tabla1.1 Operacionalización de Variables
Fuente: Elaboración propia.
OBJETIVOS HIPÓTESIS VARIABLES
Objetivo
General
Hipótesis
General
Variable
Independiente CONCEPTOS
OPERACIO-
NALIZACION ACCIÓN
INDICA-
DORES
Desarrollar
un Sistema
Experto que
determine las
fallas del
motor a
inyección
electrónica de
los
automóviles.
De manera tal
que
contribuya a
un cambio en
los distintos
métodos de
detección de
errores y
fallas en los
mismos, y por
ende a una
manera más
económica de
mantener el
motor para
cualquier
persona que
cuente con un
vehículo.
El sistema
experto
basado en
redes
bayesianas
para el
Diagnostico
de fallas en
los motores
a inyección
electrónica
de
automóviles
, coopera en
la toma de
decisiones,
al momento
de realizar
el
mantenimie
nto, con un
nivel de
confianza de
al menos un
85%,
respecto a la
toma de
decisiones
de un
experto
humano.
Consulta del
usuario al
Sistema Experto
Se trata de la
consulta
realizada por el
usuario de
acuerdo a sus
requerimientos
de información.
El Sistema
Experto tomara
parámetros de
búsqueda en la
base de
conocimiento de
acuerdo a
requerimientos
Introducción
de los
parámetros de
búsqueda por
parte del
usuario, esto
se hará por
teclado.
En este caso
será la
coincidencia
de las fallas
en cuestión.
Variable
Interviniente
Descripción
detallada causas
y fallas.
Base de
conocimiento y
probabilidades
para lograr el
objetivo.
El Sistema
Experto
buscara en la
base de
conocimiento
y vera las
probabilidades
de la falla.
La
presentación
de fallas en
el motor
para el
usuario.
Variable
Dependiente
Resultado de la
consulta que
cumple con los
requerimientos
y necesidades
del usuario.
Se trata de los
resultados
obtenidos en
base a la
consulta.
Presentación de
documentos por
pantalla de la
búsqueda
realizada.
Es la
Presentación
de
Información
de acuerdo a
requerimiento
s.
La precisión
con la que
se realiza el
diagnostico
con respecto
a problemas
presentados
por el motor
del usuario
1.6 JUSTIFICACIÓN
1.6.1 ECONÓMICA
El presente proyecto se encuentra justificado económicamente debido a que
colaborara a los usuarios de automóviles o en si las personas que lo implementen, para que
estas logren un mejor mantenimiento del motor a inyección electrónica de su vehículo, para
que puedan tomar las decisiones correctas al momento de encontrar la falla y de esta
manera ahorrarles tiempo y por ende dinero, llegando así a obtener beneficios personales y
empresariales.
1.6.2 SOCIAL
El presente proyecto se justifica socialmente ya que ayuda a la comunidad de
usuarios automotrices a realizar el mantenimiento preventivo adecuado del motor a
inyección electrónica del vehículo de una manera confiable y eficiente, para que así de esta
manera no exista contaminación ambiental ya que los gases emitidos por los motores de los
automóviles (en el caso de fallas) son nocivos para la salud de las personas. Por lo tanto a
los interesados se les facilita el proceso de toma de decisiones al momento de evaluar las
fallas.
1.6.3 CIENTÍFICA
Con la implementación de un prototipo de sistema experto el cual tenga un sólido
fundamento teórico que no esté relacionado con el razonamiento de la mente humana
beneficia la toma de decisiones, nos brindara una herramienta de diagnóstico para de esta
manera poder prestar una colaboración directa al usuario de acuerdo a sus requerimientos.
Los sistemas expertos se aplican a problemas de toma de decisiones, para el diagnóstico
entre tantas, requiere conocimiento el cual muchas veces no reside en la cabeza de una sola
persona experta por lo cual resulta difícil conseguir que varios expertos construyan una
base de conocimiento coherente.
11
1.7. ALCANCES Y LIMITES
1.7.1 ALCANCES
El presente trabajo plantea el desarrollo de un prototipo para la adecuada toma de
decisiones en el momento de dar soluciones a fallas del motor del automóvil, en si se
captara la experiencia de personas expertas en un área determinada de conocimiento, de tal
modo que una persona que desconozca este campo pueda aprovechar esta información.
El prototipo del sistema experto a desarrollarse permitirá al usuario conocer sobre
las fallas del motor a inyección electrónica de su automóvil para así facilitar la toma de
decisiones para el mantenimiento del mismo.
1.7.2 LIMITES
El presente proyecto se encuentra dentro del área correspondiente al sistema de
movimiento y funcionamiento del automóvil (motor).
El prototipo de sistema experto será desarrollado independientemente a la
plataforma utilizada. Las pruebas del sistema no se realizaran en un ambiente 100% real, ya
que se trata de una herramienta de investigación y beneficio para los usuarios y no así para
comercializársela.
El prototipo no cuenta con una descripción detallada de las características de todos
los tipos de motores a inyección electrónica utilizados por los automóviles debido a la gran
cantidad de información sobre ellos como ser los motores híbridos1o aquellos que utilizan
como combustible el diésel.
El prototipo será realizado específicamente para motores a inyección electrónica que
utilicen como combustible la gasolina especial.
1 Entiéndase por hibrido a aquellos motores que funcionan con baterías eléctricas recargables o
combustibles vegetales.
12
1.8 APORTES
1.8.1 PRACTICO
La construcción de un sistema experto para el diagnóstico automotriz que ayudara
con el mantenimiento y toma de decisiones para el motor a inyección electrónica de los
automóviles.
1.8.2 TEÓRICO
El uso de metodologías, como la Ideal para la construcción de la ingeniería del
conocimiento y las redes Bayesianas, que son modelos probabilísticos utilizados en la toma
de decisiones.
1.9. METODOLOGÍA
Para la investigación se utiliza el método científico deductivo, propuesto por Mario Bunge
(1997) donde se enfoca el problema de la siguiente manera:
1) Observación. Se realiza el estudio y relevamiento de información sobre las
necesidades y fallas del motor del automóvil. Además de incluir el análisis y
descripción del sistema experto.
2) Planteo de la hipótesis. Se plantea realizar el diagnóstico del motor del
automóvil mediante el sistema experto para su respectivo mantenimiento.
3) Diseño de la aplicación. Se diseña las estrategias para la solución al problema
de fallas del motor para el diagnóstico del mismo
4) Prueba La evaluación del prototipo se realizará con un análisis comparativo
entre los modelos tradicionales de diagnóstico y se evaluará los resultados
obtenidos de manera analítica mediante las medidas de precisión y exhaustividad
propuesta por Saltón y McGill (1983).
13
5) Conclusiones. Se organizará y elaborará un informe final de la investigación
relacionada con el desarrollo del software para el diagnóstico de fallas del motor
del automóvil a inyección electrónica
Dadas las características particulares de un sistema experto, resulta adecuado
adoptar la metodología IDEAL para el desarrollo de sistemas basados en conocimiento. La
metodología IDEAL fue propuesta por Juan Pazos, el año 1997, esta metodología propone
un ciclo de vida en espiral en tres dimensiones, y se ajusta a la tendencia del software
actual, esto es: (1) Ser reutilizable. (2) Ser integrable. (3) Poseer requisitos abiertos. (4)
Diversidad de modelos computacionales, además para la adquisición de conocimiento se
propone la utilización del método de Grover ya que el fuerte de este es la recolección de
conocimientos del experto en el área de investigación.
Los requisitos están sometidos a constantes cambios y por ende el sistema también,
por lo que como resultado se obtiene un sistema en constante evolución, debido a esto
puede considerarse como un prototipo en constante perfeccionamiento, mediante el
agregado de nuevos marcos compuestos, mediante nuevas técnicas de descomposición del
problema, mediante nuevas formas de documentación o estándares a los que debe ajustarse
[Rossi, 2001]
Para representar la base del conocimiento se utilizara Mysql y también para el
almacenamiento de datos y su desarrollo, para el diseño de la interfaz grafica se utilizara
PHP5 el cual es un lenguaje de código del servidor diseñado para el desarrollo web de
contenido dinámico.
14
CAPITULO II
MARCO TEÓRICO
RESUMEN
En este capítulo se presenta a los sistemas expertos como
una herramienta base para el desarrollo de la investigación,
además se hace una descripción exacta sobre los motores a
inyección electrónica de los automóviles.
2.1 INTELIGENCIA ARTIFICIAL
La Inteligencia artificial es la ciencia que intenta la creación de programas para
máquinas que imiten el comportamiento y la comprensión humana. La investigación en el
campo de la Inteligencia Artificial se caracteriza por la producción de máquinas para la
automatización de tareas que requieran un comportamiento inteligente.
La inteligencia artificial es una rama de la informática que se dedica a programar
los ordenadores de forma que realicen tareas que fuesen realizadas por un ser humano,
requiriendo inteligencia por parte de esa persona. [Russell, 96]
El Razonamiento basado en casos es el proceso de solucionar nuevos problemas
basándose en las soluciones de problemas anteriores. El Razonamiento basado en casos es
una manera de razonar haciendo analogías. Se ha argumentado que el razonamiento basado
en casos es más que un método poderoso para el razonamiento de computadoras, sino que
es usado por las personas para solucionar problemas cotidianos. Más radicalmente se ha
sostenido que todo razonamiento es basado en casos por que está basado en la experiencia
previa.
Dentro de la Inteligencia Artificial se pueden distinguir tres grandes ramas
según el método que utilizan:
15
1. Simbólica: Su característica esencial es que representa los conceptos mediante
símbolos. El razonamiento consiste en manipular los símbolos de acuerdo con ciertas reglas
obtenidas a partir de principios lógicos.
2. Probabilística: Se basa en el cálculo de probabilidades, concretamente en la
aplicación del teorema de Bayes, para realizar un razonamiento. Aunque la inferencia se
desarrolla en el ámbito numérico (cuantitativo), hay luego un paso al nivel cualitativo,
pues de otro modo se estaría en el campo de las matemáticas, no en el de la inteligencia
artificial.
3. Conexionista: Consiste en utilizar una red de neuronas artificiales (pueden ser
procesadores reales o simulados mediante ordenador). Suelen utilizarse sobre todo en
tareas de clasificación. La red se programa a través de ejemplos y la información se
almacena en forma de pesos (números) asociados a los enlaces entre neuronas.
2.2 SISTEMAS EXPERTOS
2.2.1 DEFINICIÓN Y CARACTERÍSTICAS
Existen varias definiciones de Sistemas Expertos. Ricardo Zapata (1998) define un
Sistema experto como: “Un sistema informático que simula el proceso de aprendizaje,
de memorización, de razonamiento, de comunicación y de acción de un experto humano,
en una determinada rama de la ciencia o campo.” [Soto, 2005]
Según Nilsson (2001) y Lahoz (2004) una de las aplicaciones de las técnicas de
razonamiento con hechos y reglas en la inteligencia artificial son los Sistemas Expertos. Un
sistema experto es un programa que emula el comportamiento de un experto en un dominio
concreto, consiste en simular el mecanismo de razonamiento que seguirá un experto
humano utilizando el método heurístico, que consiste en aplicar los mecanismos que
16
subyacen en el razonamiento, y que conducen a un experto humano a un cierto resultado o
conclusión.
Una de las razones importantes para utilizar Sistemas Expertos son las diferencias
que existen entre estos y los expertos humanos.
Tabla 2.1: Diferencia entre Experto Humano y Sistema Experto
Fuente: [Soto, 2005]
Experto Humano
EXPERTO HUMANO
Sistema Experto
SISTEMA EXPERTO No perdurable Permanente
Difícil de Transferir Fácil de Transferir
Difícil de Documentar Fácil de Documentar
Impredecible Consistente
Costo Elevado Alcanzable
Creativo Automático
Adaptativo Necesita ser enseñado
Experiencia Personal Entrada Simbólica
Enfoque Amplio Enfoque Cerrado
Conocimiento del Sentido Común Conocimiento Técnico
Los Sistemas Expertos son desarrollados con las siguientes características:
[Giarratano, 2001]
a) Alto Desempeño: Debe ser capaz de responder a un nivel igual o mayor que un
especialista.
b) Tiempo de respuesta adecuado: El tiempo de razonamiento del sistema experto debe
ser comparable igual o mejor que el de un especialista, para alcanzar una decisión correcta.
c) Confiabilidad: Se refiere a que el Sistema no debe ser propenso a caídas, lo que
ocasionaría que el mismo no sea utilizado.
d) Comprensible: El sistema debe ser capaz de explicar los pasos de su razonamiento.
17
e) Flexibilidad: Debido a la gran cantidad de conocimientos que puede tener un Sistema
experto, este debe contar con módulos de adición, modificación y eliminación de los
mismos.
2.2.2 COMPONENTES DE LOS SISTEMAS EXPERTOS
Un sistema experto consta de diferentes componentes como se muestra en la Figura 2.1.
MODULO DE
APRENDIZAJE
BASE DE
CONOCIMIENTOS
CONOCIMIENTO ABSTRACTO
ESTRUCTURACIÓN
DEL CONOCIMIENTO
INGENIERO DEL
CONOCIMIENTO
EXPERTO HUMANO
BASE DE
HECHOSBASE DE REGLAS O
PROBABILISTICA
MOTOR DE
INFERENCIA
CONOCIMIENTO ABSTRACTO
CONOCIMIENTO CONCRETO
CONCLUSIÓN
USUARIO FINAL
OBTENCIÓN DEL
CONOCIMIENTO
Fig.2.1 Estructura de un Sistema Experto
Fuente: [Huanca, 2008]
18
a) Experto Humano: Cumple la función de ordenar, estructurar y fundamentar su
conocimiento, respecto de las preguntas formuladas por el ingeniero del conocimiento.
[Soto, 2005]
b) Ingeniero de Conocimiento: Encargado de formalizar el conocimiento, controla
la coherencia en su conjunto, no permitiendo contradicciones del mismo e implementa en
base de conocimiento. [Soto, 2005]
c) Estructuración del Conocimiento: Realiza un control más ordenado y fiable
avisando de las imperfecciones detectadas. [Soto, 2005]
d) Base de Conocimientos: Es una estructura de datos que contiene una gran
cantidad de información sobre un tema en específico. Contiene el conocimiento
especializado extraído del experto en el dominio, el método más común para representar el
conocimiento mediante reglas de producción. El dominio de conocimiento representado
se divide en pequeñas partes de conocimiento (reglas). Cada regla consta de una parte
denominada acción. [Soto, 2005]
e) Base de Hechos: Es una memoria auxiliar que contiene a la vez los datos sobre
la situación concreta en la cual se realizará la aplicación (hechos iníciales que describen el
enunciado problema de resolver) y los resultados intermedios obtenidos a lo largo del
procedimiento de deducción. [Soto, 2005]
f) Motor de inferencia: Según Samper (2005) la máquina de inferencia es un
programa que controla el proceso de razonamiento, que sigue el sistema experto. Utilizando
los datos que se le suministra, recorre la base de conocimiento para alcanzar una solución.
La estrategia de control puede ser de encadenamiento hacia adelante o encadenamiento
regresivo. [Soto, 2005]
g) Interfaz de Usuario: Tiene la función de recibir consultas por parte de usuario,
donde debe presentar un lenguaje natural para el entendimiento de este.
19
Las características que presenta son: [Soto, 2005]
El aprendizaje del manejo debe ser rápido
Debe evitarse en lo posible la entrada de datos erróneos
Las preguntas y explicaciones deben ser comprensibles.
2.2.3 TIPOS DE SISTEMAS EXPERTOS
Los problemas con los que pueden tratar los sistemas expertos pueden clasificarse
en dos tipos: problemas esencialmente deterministas y problemas esencialmente
estocásticos. Pueden contener algunos elementos de incertidumbre, son esencialmente
problemas deterministas. Por otra parte, en el campo medico las relaciones entre síntomas y
enfermedades se conocen solo con un cierto grado de certeza (la presencia de un conjunto
de síntomas no siempre implica la presencia de una enfermedad). Estos tipos de problemas
pueden también incluir algunos elementos deterministas, pero se trata fundamentalmente de
problemas inciertos.
Situaciones Deterministas
Sistemas basados
en Reglas
Situaciones Inciertas
ProbabilidadMedidas de
Incertidumbre
Sistemas basados en
Lógica Difusa
Sistemas basados en
Redes Probabilísticas
Sistemas Expertos
Fig.2.2 Tipos de Sistemas Expertos
Fuente [Huanca, 2008]
20
Los problemas de tipo determinista pueden ser formulados usando un conjunto de
reglas que relacionen varios objetos bien definidos. Los sistemas expertos que tratan
problemas deterministas son conocidos como sistemas basados en reglas, porque sacan sus
conclusiones basándose en un conjunto de reglas.
En situaciones inciertas, es necesario introducir algunos medios para tratar la
incertidumbre. Por ejemplo, algunos sistemas expertos usan la misma estructura de los
sistemas basados en reglas, pero introducen una medida asociada a la incertidumbre de las
reglas y a la de sus premisas. En este caso se pueden utilizar algunas fórmulas de
propagación para calcular la incertidumbre asociada a las conclusiones.
2.2.4 DESARROLLO DE UN SISTEMA EXPERTO
Las actividades para desarrollar un sistema experto deben seguir las siguientes etapas:
Estudio de Factibilidad
Prototipo Rápido
Estudio corporativo para demostrar que
el proyecto es factible.
Sistema Experto armado rapidamente
para demostrar ideas, despertar
entusiasmo.
Sistema Refinado
Prueba α
Verificación interna del Sistema Experto
sobre problemas reales, realizado por el
ingeniero de conocimiento y los
especialistas.
Campo Comprobable
Prueba β Prueba del sistema realizado por usuarios
seleccionados.
Sistema de calidad
Comercial
Validado y aprobado, documentación de
usuario, capacitación y soporte rápido a
usuario.
Sistema de calidad
Comercial
Corrección de errores y aumento de
capacidad.
Fig.2.3 Etapas generales del desarrollo de un sistema experto
Fuente: [Tapia, 2007]
21
2.2.5 CICLO DE VIDA DE UN SISTEMA EXPERTO
La norma IEEE 1074 define un ciclo de vida como: “Una aproximación lógica a la
adquisición, la explotación y el mantenimiento de software”. [Zarazaga y Noregas, 2008]
“Un marco de referencia que contiene los protocolos, las actividades y las tareas
involucradas en el desarrollo, la explotación y el mantenimiento de un producto de
software, abarcando la vida del sistema desde la definición de los requisitos hasta la
finalización de uso”, [Espinoza, 2007]. El ciclo de vida de un sistema experto trata de
alcanzar metas concretas sujetas a corrección y revisiones.
SELECCIÓN DEL
PROBLEMA
CONSTRUCCIÓN DEL
PROTOTIPO
FORMALIZACIÓN
CONSTRUCCIÓN
IMPLEMENTACIÓN
EVALUACIÓN
EVOLUCIÓN A LARGO
PLAZO
Revisión Evolutiva
Revisión
del
Problema
Revisión de
Formalismos
Fig.2.4 Modelo de ciclo de vida de un sistema experto
Fuente: [Peña, 2009]
22
Selección del problema: Se puede descomponer en los siguientes pasos: [Peña,
2009]
Investigación del problema: se procede a identificar el tipo de problema a
resolver, mediante entrevistas, análisis documental o investigación de campo.
Selección de candidato: Se selecciona a través de un conjunto de criterios de
filtración.
Aplicabilidad del Dominio: Se realiza un análisis detallado de lo adecuado que
resulta el dominio para la aplicación de un Sistema experto.
Disponibilidad experta: Es obligatorio un experto apropiado disponible, que
esté posibilitado para resolver problemas del dominio del tema, describir el
conocimiento del dominio y como se aplica, debe tener una buena reputación
entre los usuarios potenciales del sistema, donde los múltiples expertos estén de
acuerdo con las técnicas para la solución del problema.
2.2.6 DIFERENCIA ENTRE UN SISTEMA EXPERTO EN BASE A
REGLAS Y UN SISTEMA EXPERTO PROBABILÍSTICO.
Resumen de algunas componentes de cada tipo de sistema experto y de la estructura
(lógica o probabilística) en la que se basa.
1. Base de Conocimiento:
El conocimiento de un sistema experto basado en reglas consiste en los objetos y el
conjunto de reglas. El conocimiento de un sistema experto basado en probabilidad consiste
en el espacio de probabilidad, que incluye las variables, sus posibles valores, y su función
de probabilidad conjunta. Por otra parte, los datos de ambos sistemas consisten en la
evidencia asociada a los casos a analizar.
La base de conocimiento en los sistemas expertos basados en reglas es fácil de
implementar, puesto que solo es necesario utilizar elementos simples, tales como objetos,
23
conjuntos de valores, premisas, conclusiones y reglas. Sin embargo, el conocimiento que
puede ser almacenado es limitado cuando se compara con el de los sistemas expertos
basados en probabilidad. Un inconveniente de los sistemas expertos probabilísticos es el
alto número de parámetros que manejan, lo que hace que sea difícil su especiación y
definición.
2. Motor de Inferencia:
En los sistemas expertos basados en reglas las conclusiones se obtienen de los
hechos aplicando las diferentes estrategias de inferencia, tales como Modus Ponens, Modus
Tollens y encadenamiento de reglas. Por ello, el motor de inferencia es rápido y fácil de
implementar. En los sistemas expertos basados en probabilidad, el motor de inferencia es
más complicado que en el caso de los sistemas expertos basados en reglas. El motor de
inferencia de un sistema experto probabilístico se basa en la evaluación de las
probabilidades condicionales utilizando uno o varios métodos propuestos por los diferentes
tipos de sistemas expertos probabilístico. El grado de dificultad depende del modelo
seleccionado y varıa desde baja, para los modelos de independencia, a alta, para los
modelos de dependencia generales.
3. Subsistema de Explicación:
La explicación es fácil en el caso de los sistemas expertos basados en reglas, ya que
se sabe que reglas han sido utilizadas para concluir en cada momento. El motor de
inferencia sabe que reglas se han utilizado en el encadenamiento y han contribuıdo a
obtener conclusiones y que reglas se han utilizado sin éxito.
En el caso de los sistemas expertos basados en probabilidad, la información sobre
que variables influyen en otras esta codificada en la función de probabilidad conjunta. Por
ello, la explicación se basa en los valores relativos de las probabilidades condicionales que
miden los grados de dependencia. Una comparación de las probabilidades condicionales
para diferentes conjuntos de evidencia permite analizar sus efectos en las conclusiones.
24
4. Subsistema de Aprendizaje:
En los sistemas expertos basados en reglas, el aprendiza je consiste en incorporar
nuevos objetos, nuevos conjuntos de valores factibles para los objetos, nuevas reglas o
modificaciones de los objetos existentes, de los conjuntos de valores posibles, o de las
reglas. En los sistemas expertos probabilísticos, el aprendizaje consiste en incorporar o
modificar la estructura del espacio de probabilidad: variables, conjunto de posibles valores,
o los parámetros (valores de las probabilidades).
Tabla 2.2 Comparación entre los sistemas expertos basados en reglas y los basados
en Probabilidad. [Castillo, 2007]
Basados en Reglas Probabilísticos
Base de
Conocimiento
Objetos, reglas
Hechos
Variables, FPC Hechos
Motor de
Inferencia
Estrategias de inferencia
Encadenamiento de reglas
probabilidad condicional
métodos de evaluación
Subsistema de
Explicación
Basado en reglas activas Basado en probabilidad
condicional
Aprendiza je Cambio en objetos y reglas Cambio en
modelo probabilístico
2.2.7 REDES BAYESIANAS.
Las redes bayesianas o probabilísticas se fundamentan en la teoría de la
probabilidad y combinan la potencia del teorema de Bayes con la expresividad semántica
de los grafos dirigidos; las mismas permiten representar un modelo causal por medio de una
representación gráfica de las independencias y dependencias entre las variables que forman
parte del dominio de la aplicación [Pearl, 1988].
Las redes bayesianas también son denominadas como redes causales, redes
probabilísticas, diagramas de influencia, modelos gráficos y redes de creencia. Son una
25
representación gráfica de dependencia para razonamiento probabilístico en sistemas
expertos en los cuales los nodos representan variables proposicionales y los arcos de
dependencia probabilística. Las redes bayesianas permiten representar de manera gráfica
las variables, las cuales tienen definido la función de probabilidades.
Una red Bayesiana es un par (D, P), donde D es un grafo dirigido acíclico, P = {p
(x1/л1),..., p (xn/лn)} es un conjunto de n funciones de probabilidad condicionada, una
para cada variable, y i es el conjunto de padres del nodo Xi en D. El conjunto P define
una función de probabilidad asociada mediante la factorización.
2.2.7.1 DEFINICIÓN FORMAL DE REDES BAYESIANAS
En una red bayesiana los nodos representan variables aleatorias que pueden ser
continuas o discretas; en las siguientes definiciones se utilizaran letras mayúsculas para
denotar los nodos (X) y las correspondientes letras minúsculas para designar sus posibles
estados (xi)
Se puede interpretar a una red bayesiana de dos formas:
1. Distribución de probabilidad: Representa la distribución de la probabilidad
conjunta de las variables representadas en la red.
2. Base de reglas: Cada arco representa un conjunto de reglas que asocian a las
variables involucradas. Dichas reglas están cuantificadas por las probabilidades respectivas.
A continuación se indican algunas definiciones y notaciones propias de la terminología
de las redes bayesianas:
Nodo
26
Un nodo X es una variable aleatoria que puede tener varios estados xi. La probabilidad
de que el nodo X este en el estado x se denotará como P(x) = P(X = x).
Arco
Es la unión entre dos nodos y representa la dependencia entre dos variables del modelo.
Un arco queda definido por un par ordenado de nodos (X, Y).
Padre
El nodo X es un padre del nodo Y, si existe un arco (X, Y) entre los dos nodos.
Hijo
El nodo Y es un hijo del nodo X, si existe un arco (X, Y) entre los dos nodos.
Probabilidad conjunta
Dado un conjunto de variables {X , Y ,…, Z } , la probabilidad conjunta especifica la
probabilidad de cada combinación posible de estados de cada variable P(xi , y j ,……..,
zk ) i, j,…., k , de manera que se cumple que:
Probabilidad condicional
Dadas dos variables X e Y , la probabilidad de que ocurra y j dado que ocurrió el evento
xi es la probabilidad condicional de Y dado X y se denota como P( y j | xi ) .
La probabilidad condicional por definición es:
Dado 0
Análogamente, si se intercambia el orden de las variables:
27
A partir de las dos fórmulas anteriores se obtiene:
Esta expresión se conoce como el Teorema de Bayes que en su forma más general es:
Al denominador se lo conoce como el Teorema de la Probabilidad Total.
En las redes bayesianas el conjunto de valores que componen la probabilidad
condicional de un hijo dados sus padres, se representa en las llamadas tablas de
probabilidad condicional.
Independencia
Dos variables X e Y son independientes si la ocurrencia de una no tiene que ver con la
ocurrencia de la otra. Por definición se cumple que Y es independiente de X si y sólo si:
P(yj , xi) = P(yj) P (xi) i, j
Esto implica que:
P (yj | xi) = P(yj) i, j
P (xi | yj) = P(xi) i, j
Observación
Es la determinación del estado de un nodo (X = x) a partir de un dato obtenido en el
exterior del modelo.
28
Probabilidad a priori
Es la probabilidad de una variable en ausencia de evidencia.
Probabilidad a posteriori
Es la probabilidad de una variable condicionada a la existencia de una determinada
evidencia; la probabilidad a posteriori de X cuando se dispone de la evidencia e se calcula
como P (X| e).
2.2.7.2 CONSTRUCCIÓN DE UNA RED BAYESIANA
En la construcción de la red Bayesiana se tiene tres aspectos a considerar
[Castillo, E. Gutiérrez, J.M. Hadi, A.S. (1997)].
I. Determinación de la Estructura. La determinación de la estructura de una red
consiste en encontrar su topología, es decir las relaciones de dependencia entre las
variables involucradas en un problema dado. Para la determinación de la topología se tiene
dos enfoques los cuales son:
Construcción Manual: Es este tipo de construcción la red es realizada por el
ingeniero del conocimiento, el cual es asistido por el experto humano
Construcción Automática: Se tiene un conjunto de técnicas que permiten
recuperar la red a partir de la base de datos. La topología se extrae directamente del experto
humano.
II. Determinación de los Parámetros. En una red probabilística cada nodo tiene
asociada una función de probabilidad
III. Propagación de probabilidades. Teniendo la Topología de la red y las
distribuciones de Probabilidad para cada nodo, se requiere determinar el cambio en estas
29
probabilidades cuando los valores de algunas variables llegan a ser conocidos. El proceso
de tener las variables de entrada y propagar sus efectos a través de la red es lo que
se llama propagación de probabilidades [Castillo, E. Gutiérrez, J.M. Hadi, A.S. (1997)].
2.2.7.3 MODELO CUALITATIVO
El modelo Cualitativo nos permite representar las independencias o dependencias
entre las variables del sistema. Una variable es independiente de otra variable si no se tiene
una conexión entre ambos, una variable es dependiente de otra si se tiene una conexión
entre ambos es decir que tengan un nodo padre
2.2.7.4 MODELO CUANTITATIVO
El modelo cuantitativo está representado por la teoría de la probabilidad. En el
entorno probabilístico el conocimiento cuantitativo se representa por una distribución de
probabilidad conjunta definida sobre las variables del sistema
Las probabilidades a priori y las probabilidades de dependencia o condicionales son
dadas por el experto, estas probabilidades dadas por el experto son utilizadas para poder
determinar las probabilidades a posteriori.
Formalizando el Modelo cuantitativo tenemos: Dado el conjunto de variables de la
red (X1,…, Xn) la función de probabilidad puede escribirse como un producto de funciones
de probabilidad.
P(X1,…., Xn) = p(X1)* p(X2/X1)*………*p(Xn-1/X1,……, Xn-2) * p(Xn / X1,….., Xn-1)
P(X1,….., Xn) = Ȇ p(Xi/X1,……,Xi-1)
Entonces p (Xi/Xi-1,….., X1) = p (Xi/ padres (Xi)) Suponiendo que los padres (X)
{Xi-1,…, Xi}
30
Dada la red bayesiana sobre un conjunto de variables X = {X1,…, Xn} se
cumple la distribución conjunta en X P(X1,…, Xn) = p (Xi / padres (Xi))
Es importante definir los conceptos de independencia a priori (marginal) e
independencia condicional.
Sean X, Y, Z variables aleatorias discretas con funciones de probabilidad P( X ),
P(Y ), P(Z ) y funciones de probabilidad conjunta P(x ,y), P(x, z ), P(y, z ), entonces:
Independencia A Priori: X es (a priori) independientemente de Y si y solo si: P(x, y) =
P(x) * P (y) para todos los pares de valores (x, y).
Independencia Condicional: X es condicionalmente independiente de Y dado Z si y solo si:
P(x, y / z) = P(x / z) * P (y / z) para todos los valores de x, y, z.
2.2.7.5 PROPAGACIÓN DE PROBABILIDADES EN POLIÁRBOLES
El razonamiento probabilístico o propagación de probabilidades consiste en
propagar de los efectos a la evidencia a través de la red para conocer la probabilidad a
posteriori de las variables. La propagación consiste en darle valores a ciertas
variables, y obtener la probabilidad a posteriori de las demás variables conocidas
[Morales Menéndez R. (1999).].
Una de las características de la red bayesiana es el proceso de inferencia. Los
métodos que se encuentran para lograr tal propósito pueden ser divididos en:
Métodos Exactos, se basan en la idea de traspasar información de un nodo i a otro
nodo j mediante una serie de mensajes de información. En este método se encuentra
el algoritmo de propagación para poliárboles
Métodos Aproximados, basados en simulaciones estocásticas, se enfoca como la
obtención de una muestra a partir de distribuciones de probabilidad
31
Métodos Híbridos, intentan combinar las ventajas de los dos anteriores métodos.
Las redes bayesianas pueden tener diferentes estructuras, pueden tener la forma de:
Árbol, cuando cada nodo corresponde a una variable discreta con su respectiva
matriz de probabilidad.
Poliárbol, cuando un nodo puede tener varios padres pero la red está conectada en
forma sencilla.
Multiconectada, cuando la conexión entre los nodos no es de forma sencilla es
decir se tiene múltiples trayectorias.
En el presente proyecto la estructura de la red tiene la forma de un poliárbol
entonces se describe la propagación en poliárboles.
Un poliárbol es una red en la que un nodo puede tener varios padres, pero sin
existir múltiples trayectorias entre nodos. El algoritmo de propagación se basa en el paso
de mensajes de nodos hijos a nodos padres. El método de poliárboles consiste en que
cuando ocurre una modificación de la información asociada a un nodo, esta se
comunica a sus padres e hijos los cuales procesan la información y la pasan a sus padres
no modificados. Este proceso se repite hasta que todos los nodos actualicen su información
La característica principal de este es que su complejidad es lineal en el tamaño de la
red (es decir en el número de nodos y aristas que la componen), a diferencia del método de
fuerza bruta que requiere un numero exponencial de operaciones para realizar la
propagación.
En un poliárbol dos nodos cualesquiera están unidos por un único camino, lo cual
implica que cada nodo divide al poliárbol en dos poliárboles inconexos: uno que
contiene a sus padres y a los nodos a los que está conectado pasando por sus padres, y
otro que incluye sus hijos y a los nodos a los que se conectan pasando por sus hijos. Por
ejemplo, el nodo D divide al poliárbol en dos poliárboles inconexos, el primero de los
cuales, {A, B, C}, incluye a sus padres y a los nodos que son accesibles desde D a través
32
de sus padres, y el segundo, {E, F, G}, que incluye a sus hijos y a los nodos que son
accesibles desde D a través de sus hijos. en la cual también puede comprobarse que el
nodo D separa a estos dos conjuntos, es decir, que se verifica gráficamente la relación de
independencia I({A,B,C}, {E,F,G}|D).
El proceso de propagación puede realizarse en este tipo de grafos de un modo
eficiente combinando la información procedente de los distintos subgrafos mediante él
envió de mensajes (cálculos locales) de un subgrafo a otro.
2.2.8 SISTEMAS EXPERTOS PROBABILÍSTICOS
Los sistemas expertos basados en reglas, no tienen en cuenta ningún tipo de
incertidumbre, puesto que los objetos y las reglas son tratados por ellas de forma
determinista. Sin embargo, en la mayor parte de las aplicaciones, la incertidumbre es lo
común y no la excepción. Por ejemplo, una pregunta típica en diagnostico medico es: dado
que el paciente presenta un conjunto de síntomas, ¿cuál de las enfermedades posibles es la
que tiene el paciente? Esta situación implica un cierto grado de incertidumbre puesto que:
Los hechos o datos pueden no ser conocidos con exactitud. Por ejemplo, un
paciente puede no estar seguro de haber tenido fiebre la noche pasada. Por ello, hay un
cierto grado de incertidumbre en la información asociada a cada paciente (subjetividad,
imprecisión, ausencia de información, errores, datos ausentes y otros).
El conocimiento no es determinista. Por ejemplo, las relaciones entre las
enfermedades y los síntomas no son deterministas, puesto que un mismo conjunto de
síntomas puede estar asociado a diferentes enfermedades. De hecho, no es extraño
encontrar dos pacientes con los mismos síntomas pero diferentes enfermedades.
33
Por ello, es clara la necesidad de contar con sistemas expertos que traten situaciones
de incertidumbre. Para esto se describe un tipo de sistema experto que trata este tipo de
situaciones de forma efectiva. Estos son los sistemas expertos basados en probabilidad.
En los primeros sistemas expertos, se eligió la probabilidad como medida para tratar
la incertidumbre (véase Cheeseman (1985) o Castillo y Álvarez (1991)). Pero,
desgraciadamente, muy pronto se encontraron algunos problemas, debidos al uso incorrecto
de algunas hipótesis de independencia, utilizadas para reducir la complejidad de los
cálculos. Como resultado, en las primeras etapas de los sistemas expertos, la probabilidad
fue considerada como una medida de incertidumbre poco práctica.
La mayoría de las crıticas a los métodos probabilísticos se basaban en el altísimo
número de parámetros necesarios, la imposibilidad de una asignación o estimación precisa
de los mismos, o las hipótesis poco realistas de independencia.
Consecuentemente, en la literatura de la época, surgieron medidas alternativas a la
probabilidad, como los factores de certeza, las credibilidades, las necesidades o las
posibilidades, para tratar la incertidumbre (véase, por ejemplo, Shafer (1976), Zadeh
(1983), Buchanan y Shortliffe (1984), Yager y otros (1987), y Almond (1995)).
Sin embargo, con la aparición de las redes probabilísticas (principalmente las redes
Bayesianas y Markovianas, la probabilidad ha resurgido de forma espectacular, y es,
hoy en día, la más intuitiva y la más aceptada de las medidas de incertidumbre. Lindley
(1987), por ejemplo, dice:
“La única descripción satisfactoria de la incertidumbre es la probabilidad. Esto
quiere decir que toda afirmación incierta debe estar en forma de una probabilidad, que
varias incertidumbres deben ser combinadas usando las reglas de la probabilidad, y que el
cálculo de probabilidades es adecuado para manejar situaciones que implican
incertidumbre. En particular, las descripciones alternativas de la incertidumbre son
innecesarias.”
34
Los sistemas expertos de tipo probabilístico, se basan en la probabilidad como una
medida de incertidumbre. Se describen en detalle sus principales componentes (por
ejemplo, la base de conocimiento, el motor de inferencia, el sistema de control de
coherencia) y se comparan con los sistemas expertos basados en reglas.
Manteniendo el mismo tratamiento de los sistemas basados en reglas, se examina la
estructura de la base del conocimiento, el motor de inferencia, y el sistema de control de la
coherencia de los sistemas expertos basados en probabilidad. En particular.
Los sistemas expertos probabilísticos pueden utilizarse para resolver estos y otros
problemas. Por ejemplo:
1. Los sistemas expertos pueden memorizar información. Uno puede almacenar
y recuperar información de la base de datos, donde se supone que las enfermedades y los
síntomas son variables categóricas (binarias o multinomiales).
2. Los sistemas expertos pueden contar o calcular las frecuencias absolutas y
relativas de cualquier subconjunto de variables a partir de la base de datos. Estas
frecuencias pueden utilizarse para calcular las probabilidades condicionales p (ei |s1 ,..., sk)
aplicando la bien conocida fórmula para la probabilidad condicional.
3. Los sistemas expertos pueden aprender de la experiencia. Tan pronto como
un nuevo paciente es examinado y diagnosticado, se añade la nueva información a la base
de datos y se cambian las frecuencias como corresponda. Por ejemplo, si un nuevo paciente
que presenta los síntomas S1 = 1, S2 = 1 y S3 = 0 se sabe que tiene la enfermedad e1, se
puede actualizar la base de datos con esta nueva información sin más que incluir un caso
4. Los sistemas expertos pueden tomar (o ayudar a los expertos humanos a
tomar) decisiones tales como:
• ¿Se tiene suficiente información como para diagnosticar la enfermedad?
35
• ¿Se necesitan nuevas pruebas clínicas? Y si la respuesta es positiva, ¿qué prueba o
pruebas suministran la máxima información sobre la enfermedad que se sospecha tiene el
paciente?
2.2.8.1 LA BASE DE CONOCIMIENTO
La base de conocimiento de un sistema experto basado en reglas consta del conjunto
de objetos (variables) y del conjunto de reglas. La base de conocimiento de un sistema
experto probabilístico consiste en un conjunto de variables, {X1 ,..., Xn}, y una función de
probabilidad conjunta definida sobre ellas, p(x1 ,..., xn). Por ello, para construir la base de
conocimiento de un sistema experto probabilístico, se necesita definir la función de
probabilidad conjunta de las variables.
El modelo más general posible se basa en especificar directamente la función de
probabilidad conjunta; es decir, asignar un valor numérico (parámetro) a cada una de las
posibles combinaciones de valores de las variables. Desgraciadamente, la especificación
directa de la función de probabilidad conjunta implica un gran número de parámetros. Por
ejemplo, con n variables binarias, la función de probabilidad conjunta más general tiene 2n
parámetros (las probabilidades p(x1,..., xn) para toda posible realización {x1 ,..., xn} de las
variables), un número tan grande que no hay ordenador en el mundo capaz de almacenarlo
incluso para un valor de n tan pequeño como 50. Esta fue una de las primeras críticas al uso
de la probabilidad en los sistemas expertos. Sin embargo, en la mayor parte de las
situaciones prácticas, muchos subconjuntos de variables pueden ser independientes o
condicionalmente independientes.
En tales casos, se pueden obtener simplificaciones del modelo más general teniendo
en cuenta la estructura de independencia de las variables. Esto suele dar lugar a una
reducción importante del número de parámetros. En esta sección se discuten los siguientes
ejemplos de tales simplificaciones:
36
1. El Modelo de Síntomas Dependientes (MSD).
2. El Modelo de Síntomas Independientes (MSI).
3. El Modelo de Síntomas Relevantes Independientes (MSRI).
4. El Modelo de Síntomas Relevantes Dependientes (MSRD).
Sin embargo, estos cuatro modelos son modelos ad hoc que se aplican
principalmente en el campo medico (véase Castillo y Álvarez (1991)). Modelos
probabilísticos más generales y potentes (por ejemplo, modelos de redes de Markov,
modelos de redes Bayesianas, y modelos especificados condicionalmente)
La forma más general de esta función de probabilidad conjunta depende de un
número muy grande de parámetros. Para reducir el número de parámetros, se pueden
imponer algunas hipótesis (restricciones) entre ellos. Los modelos presentados en las
subsecciones siguientes son ejemplos de tales restricciones.
2.2.8.2 EL MOTOR DE INFERENCIA
Hay dos tipos de conocimiento en los sistemas expertos probabilísticos:
1. El conocimiento, que está formado por el conjunto de variables y el conjunto de
probabilidades asociadas necesarias para construir su función de probabilidad conjunta.
Este tipo de conocimiento se almacena en la base de conocimiento.
2. Los datos, que consisten en un conjunto de valores de algunas variables (por
ejemplo, síntomas) conocidas por el usuario. A esta información se la conoce con el
nombre de evidencia y se almacena en la memoria de trabajo.
El motor de inferencia utiliza ambos, el conocimiento y los datos para responder a
ciertas cuestiones hechas por el usuario. Ejemplos de tales preguntas son:
37
Cuestión 1: Antes de que sea examinado por un doctor, ¿cuál es la enfermedad más
probable para el paciente? Aquí, no hay evidencia disponible. El paciente todavía no ha
sido examinado y el conjunto de síntomas que presenta el paciente es vacío (queda por
determinar). El problema consiste en calcular la probabilidad marginal (inicial) de E,
p(E = ei ), i = 1,..., m.
Cuestión 2: Dado que el paciente presenta un subconjunto de sın- tomas S1 = s1,...,
Sk = sk, ¿qué enfermedad tiene el paciente con mayor probabilidad? El conjunto evidencia
en este caso consiste en el conjunto de valores s1,..., sk. El problema consiste en calcular la
función de probabilidad conjunta para cada enfermedad dada la evidencia.
P (E = ei |s1,..., sk), i = 1,..., m.
La probabilidad marginal de E, p(E = ei ), se conoce también como probabilidad
“a priori” puesto que se calcula antes de conocer la evidencia. La probabilidad condicional
de dada una realización del conjunto de síntomas p (ei |s1,..., sk) se conoce como la
probabilidad “a posteriori” puesto que se calcula tras conocer la evidencia. Nótese que la
probabilidad marginal (“a priori”) puede interpretarse como un caso especial de
probabilidad “a posteriori”, en la que el conjunto de síntomas observado es el conjunto
vacío, φ.
Una de las tareas del motor de inferencia en los sistemas expertos probabilísticos
consiste en calcular las probabilidades condicionales cuando se conocen nuevos síntomas o
datos. El motor de inferencia es responsable de actualizar las probabilidades condicionales
2.2.9 METODOLOGÍA IDEAL
La metodología IDEAL, presenta un ciclo de vida en tres dimensiones [Gómez, A. y
otros 1997]. Su base es un modelo en espiral [Boehm, B.W. 1987] y la tercera dimensión
representa el mantenimiento perfectivo una vez implementado el sistema experto.
38
Fig.2.5 Modelo base de la metodología IDEAL
Fuente: [Salvador, 2006]
El desarrollo del sistema se basa en la filosofía del modelo en espiral en donde cada
fase finaliza con un prototipo que conduce a la fase siguiente del ciclo. El mantenimiento
perfectivo involucra la incorporación sistemática de nuevos conocimientos (adquiridos por
el uso del sistema) típica cualidad de un sistema experto. Los ejes de la base del cono
representan el costo y el tiempo.
39
El eje de la calidad se representa de abajo hacia arriba, va de mayor diámetro, a
menor diámetro, conocimientos más exactos y de mayor calidad. Al inicio del
funcionamiento del sistema se obtienen grandes cantidades de conocimientos de distinta
calidad pero a medida que el sistema se usa el conocimiento se refina, se obtienen menos
conocimientos, pero de mayor calidad.
Fig.2.6 Eje de Calidad de la Metodología IDEAL
Fuente: [Salvador, 2006]
La metodología IDEAL presenta las siguientes fases y etapas [Gómez, A. y otros
1997]:
FASE I: Identificación de la tarea.
I.1. Plan de requisitos y adquisición de conocimientos. Definir con los
usuarios cuáles son los objetivos cuantitativos, cualitativos y filosóficos del sistema a
desarrollar. Definir las limitaciones de costo y tiempo, tecnología disponible. Sirve de base
para el estudio de viabilidad. Para completar el Plan de Requisitos es necesario comenzar
con la Adquisición de conocimientos, entrevistando directivos, expertos y usuarios. La
adquisición de conocimientos más profunda corresponde a la Fase II.
40
I.2. Evaluación y selección de la tarea: Se realiza el estudio de viabilidad del
proyecto, desde la perspectiva de la Ingeniería de Conocimiento, cuantificando la tarea para
determinar el grado de dificultad que presenta.
I.3 Definición de las características del sistema: Especificar técnica y
formalmente los requisitos del usuario, se pasa de una descripción informal de los
requisitos del usuario a una especificación técnica completa hecha por el de
Conocimiento. Se definen los requisitos Funcionales, Operativos, de Interfaz y de Soporte.
Se definen criterios de éxito, casos de prueba o ensayo, recursos necesarios, análisis de
costo/beneficio, evaluación de riesgos, calendario.
FASE II: Desarrollo de los prototipos.
Las especificaciones iniciales de los sistemas suelen ser incompletas, imprecisas,
inconsistentes, contradictorias. Obtener mayor grado de precisión requiere el desarrollo de
prototipos que permiten refinar con mayor precisión los requerimientos. Se desarrollan
paulatinamente los prototipos de: Demostración, Investigación, Campo y Operación, siendo
cada uno refinamiento del anterior. Para ello es necesario realizar ciertas actividades
existiendo ligeras diferencias entre las etapas del prototipo de Demostración y los otros.
II.1. Concepción de la solución: Descomposición en Subproblemas y
Determinación de analogías. Se produce un diseño general del prototipo. Engloba dos
actividades principales, el desarrollo del Diagrama de Flujo de Datos y el diseño
arquitectónico del sistema.
II.2. Adquisición y Conceptualización de los conocimientos: Se alterna la
extracción de los conocimientos públicos de sus fuentes (libros, documentos, manuales de
procedimientos, y otros), la recopilación de los conocimientos privados de los expertos y
la conceptualización para modelar el comportamiento del experto.
II.3. Formalización de los conocimientos y Definición de la Arquitectura: Hay
dos actividades fundamentales. Una es seleccionar los formalismos para representar en la
41
máquina los conocimientos que conforman la conceptualización obtenida en la etapa
anterior. Esta formalización está ligada con los tipos de conocimientos más apropiados y las
herramientas disponibles en su desarrollo.
La otra es realizar un diseño detallado, hay que establecer los módulos que definen
el motor de inferencias, la base de conocimientos y las interfaces con el usuario.
II.4 Selección de la Herramienta e Implementación: Si la herramienta de
desarrollo previamente seleccionada es adecuada la implementación es inmediata y
automática, caso contrario es similar a cualquier implementación de software, en donde
será necesario realizar la programación.
II.5. Validación y evaluación del prototipo: La fiabilidad de los resultados es una
de los puntos principales de un SE. Estos sistemas dependen en gran medida del
contexto y eso dificulta la determinación de las validaciones.
Se definen casos de prueba, juegos de ensayo o ensayo en paralelo. Se examina la
interfaz de usuario.
FASE III: Ejecución de la construcción del sistema integrado.
Los Sistemas Expertos forman parte de sistemas, software con los que interactúan.
III.1. Requisitos y diseño de la integración con otros sistemas: Es el estudio y
diseño de interfaces con otros sistemas, tanto en hardware como en software.
III.2 Implementación y evaluación del Sistema Integrado: Se implementa la
integración del sistema experto con los otros sistemas existentes hardware y software para
conseguir un sistema final.
III.3. Aceptación del sistema por el usuario: Es la última prueba por parte de los
usuarios y expertos, que debe satisfacer todos los requerimientos, tanto en su fiabilidad
como en su eficiencia.
42
FASE IV: Actuación para conseguir el mantenimiento perfectivo.
IV.1. Definir el mantenimiento del sistema global: Se emplean las técnicas
habituales de Ingeniería de Software para establecer el mantenimiento correctivo
(corrección de errores) y el mantenimiento perfectivo (aumento de funcionalidad del
sistema).
IV.2. Mantenimiento de las Bases de Conocimientos: Considera la incorporación
de nuevos conocimientos, que se generan por el propio uso del sistema. El análisis de
protocolos, como forma de adquisición de conocimientos es imprescindible. En
consecuencia, es necesario mentalizar a los expertos y usuarios finales del sistema en el uso
de dicho protocolos.
IV.3. Adquisición de nuevos conocimientos y Actualización del sistema: El
mantenimiento perfectivo es esencial ya que además del aumento de funcionalidades
efectúa la incorporación de nuevos conocimientos que se generan por el propio uso del
SBC. Este mantenimiento se ve reflejado en la tercera dimensión de la espiral troncocónica.
Hay que establecer métodos para actualizar el sistema incorporando los conocimientos
adquiridos.
FASE V: Lograr una adecuada transferencia tecnológica.
Esto es especialmente crítico en el Sistema de Base de Conocimientos en donde se
han detectado diferencias considerables cuando los manejan sus diseñadores con respecto a
su uso rutinario por los usuarios finales.
V.1. Organizar la transferencia tecnológica: Definir sesiones de entrenamiento de
los diseñadores con los usuarios, tanto para explicar el manejo del propio sistema como
para manejar y entender la documentación.
V.2. Completar la documentación del sistema: Realizar un manual de usuario
amigable.
43
2.2.10 MÉTODO DE GROVER (ADQUISICIÓN DE CONOCIMIENTO)
El método de Grover se concentra en la definición del dominio (conocimiento,
referencias, situaciones y procedimientos) en la formulación del conocimiento fundamental,
en la formulación del conocimiento fundamental (reglas elementales, creencias y
expectativas) y en la consolidación del conocimiento de base (revisión y ciclos de
corrección).
Tradicionalmente, la fase de adquisición de conocimiento en el desarrollo de un
sistema experto ha tomado dos enfoques, en el primero, un modelo existente provisto
para el nuevo dominio es usado para desarrollar una base de conocimientos, en el
segundo método se forma un equipo donde el experto del dominio y el ingeniero de
conocimiento intercambian opiniones hasta construir un modelo del cuerpo de
conocimiento y un sistema comparable en performance al especialista humano.
El ingeniero de conocimiento debe resolver el problema de la limitada
disponibilidad de expertos en disciplinas donde el experto es único o indispensable y no
puede ser separado de las tareas diarias. Estos expertos no pueden dedicar meses a
desarrollar un sistema experto que podría ser utilizado para ayudar en el proceso de toma
de decisiones. [García, Rossi y Britos, 2006]
El método de Grover comprende las siguientes Tareas:
I. Ciclo de adquisición de conocimiento.
Muchas técnicas de adquisición de conocimiento son intuitivas y de práctica
ordinaria. Una innovación significativa es la producción de series de documentos de
adquisición de conocimiento. La formulación de esta documentación es un sustituto parcial
del experto y provee a los diseñadores de sistemas y usuarios, un medio de comunicación y
referencia.
44
La metodología de adquisición de conocimiento para el dominio del problema que
se presenta en esta sección tiene tres fases: definición del dominio, formulación
fundamental del conocimiento y consolidación del conocimiento basal.
Las series de documentos contienen los resultados de las tres fases y permite a los
usuarios, expertos y diseñadores de sistemas a poseer un conjunto de experiencia humana
documentada consistente, organizada y actualizada sobre la cual basar el sistema experto.
II. Definición del dominio
Después que el problema es definido por el usuario, la primera fase de
adquisición de conocimientos consiste en un cuidadoso entendimiento del dominio. El
objetivo es la producción de un Manual de Definición de Dominios conteniendo:
Descripción general del problema.
Bibliografía de los documentos referenciados.
Glosario de términos, acrónimos y símbolos.
Identificación de expertos autorizados.
Definición de métricas de performance apropiadas y realistas.
Descripción de escenarios de ejemplos razonables.
Las fuentes de referencia son frecuentemente suficientes para introducir al ingeniero
de conocimiento al dominio, en particular, las fuentes gubernamentales tienen gran
volumen de documentos útiles, a pesar de no ser fácilmente accesibles.
III. Formulación fundamental del conocimiento
En la segunda fase de Adquisición de Conocimientos, se revisan los escenarios
seleccionados por el experto que satisfacen los siguientes cinco criterios de conocimiento
45
“fundamental”: el más nominal, el más esperado, el más importante, el más arquetípico
y el mejor entendido. Esta revisión forma una base para determinar la performance mínima,
realizar el testeo y efectuar la corrección y determinar las capacidades del sistema experto
que pueden ser expandidas y sujetas a experimentación. Esta base del conocimiento
fundamental debe incluir:
• Una ontología de entidades del dominio, relaciones entre objetos (clases) y descripciones
objetivas;
• Un léxico seleccionado (vernáculo);
• Una definición de fuentes de entrada y formatos;
• Una descripción del estado inicial incluyendo un conocimiento estático;
• Un conjunto básico de razones y reglas de análisis; y
Una lista de estrategias humanas (meta-reglas) las cuales pueden ser consideradas
por los diseñadores del sistema experto como reglas a incluir en la base de conocimiento.
Este cuerpo debe estar escrito, parte de él habrá sido adquirido previamente durante
la definición del dominio. La validez de este cuerpo de conocimiento puede ser testeada
implementándola en una base de conocimiento que se contraste con los escenarios desde
los cuales fue adquirida y verificando que se produzca un comportamiento similar al del
experto en el mismo escenario.
El último paso en ese proceso es el ciclo de “revisión y mejoramiento” del
conocimiento educido. La actividad basal puede ser definida en el mismo sentido que
la medicina: el menor nivel de actividad (comportamiento del sistema) esencial para el
mantenimiento de funciones vitales. En un sistema experto, esto refiere a que todos los
componentes del sistema experto operacional están desarrollados, pero sin la
amplitud ni profundidad que la versión final necesitará. Se debe, sin embargo, encontrar
el conjunto de estándares mínimos de performance en la definición del dominio.
46
IV. Consolidación del conocimiento Basal
El conocimiento basal, entonces, es el conjunto de reglas y definiciones
adecuadas para producir actividad basal. El cuerpo fundamental del conocimiento es
revisado e integrado a través de la apropiada reconstrucción de reglas. La corroboración
con expertos adicionales puede colaborar en el cumplimiento de este objetivo. En esta etapa
pueden trabajarse los niveles de confianza de las distintas piezas de conocimiento.
2.3 MOTOR A INYECCIÓN ELECTRÓNICA DE UN VEHÍCULO
La inyección electrónica es una forma de inyección de combustible, tanto para
motores de gasolina, en los cuales lleva ya varias décadas implantadas, como para motores
diésel, cuya introducción es relativamente reciente.
Se puede subdividir en varios tipos (monopunto, multipunto, secuencial,
simultánea) pero básicamente todas se basan en la ayuda de la electrónica para dosificar la
inyección del carburante y reducir la emisión de agentes contaminantes a la atmósfera y a la
vez optimizar el consumo.
2.3.1 INTRODUCCIÓN A LA INYECCIÓN ELECTRÓNICA
La función de la inyección electrónica en los motores de gasolina es:
Medir el aire del medio ambiente que es aspirado por el motor, controlado por el
conductor mediante la mariposa, en función de la carga motor necesaria en cada
caso, con objeto de adaptar el caudal de combustible a esta medición y conforme al
régimen de funcionamiento del motor.
Dosificar mediante inyección la cantidad de combustible requerida por esta cantidad
47
de aire, necesaria para que la combustión sea lo más completa posible.
Completar la función de la combustión junto con el Encendido del motor
2.3.1.1 HISTORIA DE LA INYECCIÓN DE COMBUSTIBLE
La carburación en motores de vehículos comenzó en 1824 cuando Samel Morey y
Erskine Harzard crearon el primer carburador usado en un motor de tipo atmosférico, en el
que se incluía un precalentamiento para favorecer la evaporación.
Michael Faraday, en 1825 experimentó con la evaporación de combustibles líquidos
e hidrocarburos, después del gran paso que surgió en la época en cuanto a destilación de
petróleo ligero y obteniéndose una sustancia llamada gasolina.
En 1838, William Barnett patentó un dispositivo para evaporar la gasolina, con este
intentaba utilizar gasolina en el motor de compresión con el cual experimentaba.
En 1884 se adaptó a un motor, el carburador construido por Fernand Forest el cual
incluía una cámara de flotador y una boquilla con rociador de combustible. Un año después
logró utilizar en un carburador de superficie mejorado una variedad de combustibles
líquidos de hidrocarburos incluyendo gasolina.
Carl Benz mejoró el carburador de superficie, adicionando una válvula de flotador
para asegurar un nivel constante de combustible, en 1886.
Antes de la primera Guerra Mundial, la industria de la aviación considero las
ventajas obvias que la inyección de combustible proporcionaba. Los carburadores de los
aeroplanos eran propensos a congelarse en los cambios de altitud, limitando la potencia
disponible, mientras que en la inyección de combustible no sucede esto.
Adicionalmente, las tazas de los carburadores eran propensas a derramar combustible.
48
En 1912, Robert Bosch convirtió un motor de dos tiempos fuera de borda a
inyección de combustible, utilizando una bomba reconstruida de presión de aceite
lubricante para inyectar el combustible.
A mediados de 1920, Stromberg introdujo un carburador sin flotador para la
aplicación aeronáutica, el cual es el predecesor de los sistemas actuales de inyección en el
cuerpo del acelerador.
El auge militar que empezó en Alemania, llevó a la compañía de Robert Bosch al
desarrollo de la inyección de combustible para la aviación. Los primeros sistemas de
inyección Bosch introdujeron la inyección directa, la cual rocía el combustible bajo alta
presión directamente sobre la cámara de combustión, en la misma forma que en el sistema
de inyección diesel. En la Segunda Guerra Mundial, la Continental utilizó un sistema de
inyección de combustible diseñado por la compañía “SU Carburetter”, de Inglaterra, y
construido por Simmonds Aerocessories en Estados Unidos, el motor enfriado por aire y
diseñado para usarse en el tanque Patton, la inyección electrónica de combustible se inició
en Italia, en 1940, cuando Ottavio Fuscaldo incorporó un solenoide eléctrico como un
medio para controlar el flujo de combustible hacia el motor.
En 1949, un automóvil llamado Offenhauser, equipado con inyección de
combustible, fue inscrito en la carrera de las 500 millas de Indianápolis. El sistema de
inyección diseñado por Stuart Hilborn, destacó la inyección indirecta, con la que el
combustible es inyectado en el múltiple de admisión exactamente delante de la válvula de
admisión. Éste se puede comparar con el sistema de inyección en el cuerpo del acelerador
para cada cilindro.
Después de pruebas minuciosas, Peugeot estandarizó la inyección Kugelfischer en
404 modelos deportivos en 1962, y Lancia la adoptó en algunos tipos Flavia en 1965. Las
versiones posteriores o modelos que les sucedieron estaban equipados con los sistemas de
inyección que se producían en serie más populares.
49
El modelo Alfa Romeo 1750, de 1969, para el mercado estadounidense utilizaba un
sistema de inyección desarrollado por Spica de Livorno. Italia. El sistema Spica consistía
en una inyección de lumbrera regulada con una bomba de tipo émbolo que básicamente era
similar a la de Bosch y Kugelfischer. Los émbolos tenían una carrera constante y un arreglo
normal de compuerta de rebose que dirigía el combustible excedente de regreso al
recipiente de la bomba. La regulación del combustible dependía del vacío del múltiple, la
posición de la válvula de estrangulamiento, presión barométrica, ajuste en vacío y
temperatura del refrigerante.
La inyección del combustible Spica se adaptó más tarde al Montreal 2000 de 2.5
litros V-8, al Alfetta y el Alfa Seis. El equipo trabajaba muy bien pero carecía de clientes
con alto volumen de compras. Spica no podía competir en costos. La producción de los
sistemas de inyección de combustible Spica terminó en 1986.
Junto con otros proveedores marginales de sistemas de inyección de combustible,
Spica no pudo hacer frente al juego en las mesas en las que se hacían las grandes apuestas.
2.3.1.2 VENTAJAS DE UN MOTOR A INYECCIÓN ELECTRÓNICA
Los sistemas de inyección de combustible no están exentos de arreglos. Pero todavía
quedan dos argumentos en favor a la inyección de combustible, sin ningún reparo. El
primero y que algunos expertos afirman que es la verdadera ventaja de la inyección de
combustible, se apoya en la libertad de diseño del múltiple de admisión. Con los
carburadores, los múltiples deben diseñarse de modo que favorezcan la atomización del
combustible y desalentar las acumulaciones de gotitas de combustible crudo en las
superficies de los canales. Por ello, debe proporcionarse el calentamiento del múltiple.
Para motores con carburador, el múltiple tiene dos funciones principales:
1. Debe suministrar cantidades iguales de mezcla combustible y aire a todos los cilindros.
50
2. Debe asegurar que la mezcla posea las mismas características físicas y químicas en
todos los cilindros.
El segundo argumento es la capacidad del motor para funcionar a compresión más
elevada cuando se inyecta el combustible.
2.3.2 COMPONENTES DEL MOTOR A INYECCIÓN ELECTRÓNICA
Los componentes del sistema de inyección electrónica son:
La unidad comando o computadora: Es el cerebro del sistema, es la que se
encarga de calcular la cantidad de combustible que se suministrara al motor basado en los
niveles de aire aspirados.
La unidad de comando, calcula la cantidad de aire aspirado en base a las señales que recibe
de los diferentes sensores del sistema, luego calcula la cantidad de combustible necesario
para lograr una mezcla perfecta aire-combustible. El trabajo de la unidad de comando no se
limita solo a un mero calculo basado en la cantidad de aire sino que también toma en cuenta
otros factores como lo son la temperatura del aire aspirado, la temperatura del motor, la
aceleración proporcionada por el conductor, las revoluciones del motor y basado en todos
estos dato toma la decisión de cuanto es la cantidad más apropiada de combustible para un
mejor rendimiento del motor.
Medidor del flujo de aire: La función del medidor del flujo de aire es la de
informar a la unidad de comando, al cantidad de aire aspirado por el motor, para que a
través de esta información, se modifique la cantidad de combustible a suministrar.
En el medidor del flujo de aire se encuentra también un sensor de temperatura, que le
informa a la unidad de comando la temperatura del aire aspirado, para que esta información
también sea tomada en cuenta a la hora de hacer el cálculo de la cantidad de combustible a
pulverizar.
51
Filtro de combustible: Es te es un componente muy conocido, su función es
retener impurezas contenidas en el combustible.
Contiene un elemento de papel que atrapa los sólidos o impurezas y posteriormente a este
posee una tela para atrapar posibles restos del elemento de papel. Por esto es que estos
filtros poseen una flecha que indica la dirección en que debe circular el combustible.
La bomba eléctrica de combustible: Es la encargada de enviar el combustible
hasta las válvulas de inyección, La bomba suministra más combustible que lo necesario,
para mantener en el sistema de inyección, presión constante en todos los regímenes de
funcionamiento. El excedente retorna al tanque.
Regulador de presión: El regulador mantiene el combustible bajo presión en el
circuito de alimentación, incluso en las válvulas de inyección. El garantiza presión
uniforme y constante en el circuito de combustible, lo que permite que el motor tenga un
funcionamiento perfecto en todos los regímenes de revolución..
Sensor de temperatura del motor: Es un sensor que mide la temperatura del agua
que circula por el motor, este sensor o también conocido como válvula de temperatura, se
encuentra ubicado en el block del motor en contacto con el agua o liquido de enfriamiento
que circula por él. Internamente tiene una resistencia que varía su valor de acuerdo a la
temperatura del agua. El volumen de combustible pulverizado también se modifica de
acuerdo a esta señal.
Adicionador de aire: Funciona como el ahogador en los vehículos carburados,
permitiendo el paso y una cantidad adicional de aire, lo que hará aumentar la revolución
mientras el motor esté frío. Mientras el motor esté frío, el adicionador libera un mayor paso
del aire, lo que hace subir la revolución.
A medida que sube la temperatura del motor, el adicionador lentamente, cierra el paso de
aire, haciendo bajar la revolución hasta el régimen de ralentí.
52
Interruptor de la mariposa de aceleración: Se encuentra fijado en la mariposa de
aceleración, y activado directamente por el eje de aceleración.
Posee dos posiciones: de carga máxima y de ralentí (marcha lenta). Los contactos se cierran
en estas condiciones.
Contacto de carga máxima: En carga máxima el motor tiene que desarrollar su
potencia máxima y eso se consigue haciendo la mezcla más rica. El nivel de
enriquecimiento es controlado por la unidad de comando.
La información de que el motor se encuentra en carga máxima, la recibe la unidad de
comando por el contacto cerrado del interruptor de la mariposa, cuando ella se encuentra
totalmente abierta.
Contacto de ralentí (marcha lenta): En la transición para este régimen de
funcionamiento, la alimentación de combustible puede ser bloqueada para valores
superiores a una determinada revolución, controlada por la unidad de comando,
manteniendo las válvulas de inyección cerradas, ahorrando combustible.
Válvula de inyección: Las válvulas de inyección también conocidas como
inyectores se encargan de pulverizar el combustible antes de llegar a las válvulas de
admisión del motor. El combustible ya pulverizado de une con el aire creando así la mezcla
de combustión. Las válvulas de inyección son comandadas electrónicamente, ellas abren y
cierran a través de impulsos eléctricos provenientes de la unidad de comando.
Como las válvulas de inyección son elementos de mucha precisión se recomienda hacerle
su limpieza y mantenimiento regularmente para obtener un buen rendimiento del motor.
Relé: El relé de comando es el responsable por mantener la alimentación eléctrica
de la batería para la bomba de combustible y otros componentes del sistema. Si ocurriera un
accidente, el relé interrumpe la alimentación de la bomba de combustible, evitando que la
bomba permanezca funcionando con el motor parado.
53
La interrupción ocurre cuando el relé no más recibe la señal de revolución, proveniente de
la bobina de encendido. Es un componente que cuando este dañado puede parar el motor
del vehículo.
Convertidor catalítico: El convertidor catalítico se encarga de reducir las
emisiones nocivas a ambiente. Los gases de escape circulan por el sensor de oxígeno y
luego por el convertidor catalítico. Es en este convertidor que el 90 % de los contaminantes
se transforman en nitrógeno, dióxido de carbono y vapor de agua, todos inofensivos.
2.3.3 DIVISIÓN DE UN MOTOR A INYECCIÓN ELECTRÓNICA
Un motor a inyección electrónica se puede dividir en los siguientes sistemas:
1. Suministro de aire
2. Suministro de combustible
3. Parte electrónica
1.- Suministro de aire: el sistema de inyección electrónica difiere del carburador en
la dosificación ya que al accionar el pedal del acelerador se controla la entrada de aire y no
la de combustible. Existe un sistema eléctrico que permite el paso de aire para el
funcionamiento de la marcha mínima. Teniendo el múltiple de admisión un diseño especial
para que llegue la misma cantidad de aire a todos los cilindros.
2.- Suministro de combustible: se usa una bomba eléctrica que se encuentra
sumergida en el tanque, la cual es encargada de enviar combustible hacia los inyectores; un
regulador permite mantener la presión constante en el riel de inyectores, mientras otra
tubería de retorno devuelve al tanque el combustible sobrante. Los inyectores son
solenoides eléctricos que dosifican y pulverizan el combustible sobre las válvulas de
admisión antes de entrar a la cámara de combustión.
54
3.- Parte electrónica (ECU): dosifica la entrada de combustible, por lo tanto
controla el tiempo durante el cual deben permanecer abierto los inyectores. Esta cantidad de
combustible depende de varios factores como la temperatura del motor, velocidad del
motor, carga y posición de la mariposa (acelerador), estos cambios son captados por
sensores que envían la información a la ECU.
La información que es captada por los sensores es enviada a la computadora que
dosifica el combustible de acuerdo a los requerimientos del motor.
En el sistema de inyección electrónica de combustible solo pasa aire y el múltiple de
admisión se puede construir de mayor diámetro, dando mayor alimentación a los motores y,
en consecuencia existir mayor potencia, de igual manera el aire puede ingresar frío y por lo
tanto en mayor cantidad en cada bajada del pistón, con lo que el llenado es más completo.
2.3.4 CLASIFICACIÓN DE LOS MOTORES A INYECCIÓN
ELECTRÓNICA
Un sistema con inyectores se puede clasificar según la cantidad de inyectores
presentes, la ubicación de éstos, según el sincronismo de la inyección como también por
el sistema de accionamiento y control, la clasificación de los motores a Inyección
Electrónica es como sigue.
2.3.4.1 SEGÚN EL NÚMERO DE INYECTORES
Monopunto: Este sistema apareció por la necesidad de abaratar los costos que
suponían los sistemas de inyección multipunto en ese momento (principios de la década de
los 90) y por la necesidad de eliminar el carburador en los coches utilitarios de bajo
precio para poder cumplir con las normas anticontaminación cada vez más restrictivas.
55
El sistema monopunto consiste en único inyector colocado antes de la mariposa de
aceleración, en posición similar a la que tendría un carburador.
Fig. 2.7 Sistema de inyección Monopunto
Fuente: [Gil, 2003]
Multipunto: La inyección Multipunto tiene tantos inyectores como cilindros tenga
el motor. Los inyectores se alojan en el múltiple muy cerca de la válvula de admisión y
pulverizan el combustible según lo indicado por el computador del auto. El sistema
determina la cantidad de combustible a inyectar según las condiciones de carga, presión,
temperatura en que se encuentre el motor. Para lograr lo anterior, dispone de sensores y
actuadores, lo que junto al microcomputador desarrollan los programas de dosificación.
Figura 2.8 Sistema de inyección Multipunto
Fuente: [Gil, 2003]
56
2.3.4.2 SEGÚN LA UBICACIÓN DEL INYECTOR.
Directa en el cilindro: El inyector se encuentra en contacto con la cámara de
combustión y lanza el combustible al interior de ésta. Este sistema se utiliza poco debido al
corto tiempo para realizarse la mezcla y por los problemas tecnológicos del inyector, es
decir, altas presiones y temperaturas.
Figura 2.9 Clasificación del sistema de inyección por ubicación del inyector
Fuente: [Gil, 2003]
Indirecta en el colector de admisión: Los inyectores están situados muy cerca de la
válvula de admisión, es decir, en el colector de admisión. Es el sistema más usado
actualmente.
2.3.4.3 POR EL SINCRONISMO DE LA INYECCIÓN:
Simultánea: Debe ser indirecta, y se basa en inyectar el combustible
simultáneamente en todos los inyectores a cierta frecuencia, que no coinciden con la
apertura de la válvula de un determinado cilindro, de modo que el combustible inyectado se
acumula en el colector de admisión, mientras la válvula de admisión permanece cerrada.
Cuando se abre la válvula se produce la entrada de la mezcla acumulada y de la nueva que
se forme.
57
Semisecuencial: El combustible es inyectado en los cilindros de forma que los
inyectores abren y cierran de dos en dos. En este caso, la central de control, identifica los
cilindros de la misma bancada (típico de motores en V para evitar pulsaciones en la rampa
de inyección) o bien aquéllos que suben y bajan simultáneamente, como en el caso de un 4
cilindros, inyectar al mismo tiempo al 1-4 y 2-3.
Secuencial: La inyección se produce solo en el momento de apertura de la válvula
de admisión. El inyector regula la cantidad de combustible por el tiempo que permanece
abierto, y la frecuencia de apertura depende directamente del régimen de giro del motor
58
CAPITULO III
MARCO APLICATIVO
RESUMEN
En este capítulo se presentan las bases para la
construcción del sistema experto para el diagnóstico de
motores a inyección electrónica y los pasos de la
ingeniería de conocimiento para su implementación.
3.1 INTRODUCCIÓN
La construcción de un sistema experto es una tarea muy complicada, es importante
mencionar que para el desarrollo de un modelo basado en conocimientos, se necesita
mecanismos para la adquisición de conocimiento, considerada la tarea más complicada en
la ingeniería del conocimiento, además involucra a muchos participantes, cada uno de los
cuales colabora para que el sistema experto a desarrollar sea robusto, sencillo de manejar y
simple para su mantenimiento.
Para el desarrollo del presente trabajo se empleara la metodología IDEAL, que fue
seleccionada porque presenta las siguientes ventajas:
Permite resolver problemas complejos y de gran dificultad sin tener que dividir en
sub-problemas para aplicar distintas metodologías en cada uno.
Permite adquirir con el tiempo menos conocimientos pero de mejor calidad que
etapas anteriores.
Se construye en forma incremental
Se ajusta a la tendencia del software actual que es ser reutilizable, ser integrable,
poseer requisitos abiertos, diversidad de modelos computacionales.
Se desarrolló basada en ventajas de metodologías anteriores, como por ejemplo la
59
metodología en Espiral.
La metodología IDEAL se abarcara en todas sus fases, con excepción de las etapas
III.1. Requisitos y diseño de la integración con otros sistemas y III.2. Implementación y
evaluación del Sistema Integrado, ya que no existe un sistema al que se deba integrar, cabe
mencionar, que para la etapa I.2 Evaluación y Selección de la tarea, que comprende el
estudio de viabilidad, se tomara como base el test o sistema de Slagel.
Para la Fase II. Desarrollo de Prototipos las actividades de adquisición de
conocimientos serán reemplazadas por el Método de GROVER, ya que el fuerte de este
método es la adquisición de conocimientos, además que pone énfasis en la documentación
del conocimiento del experto, la metodología IDEAL, no proporciona mecanismos
específicos para reutilizar conocimientos previamente desarrollados.
Respecto al diseño del motor de inferencia, se aplicara el método de propagación en
poliárboles, que requieren de un conjunto de evidencias para la
actualización de información de los nodos o variables, las redes bayesianas se utilizaran
para el desarrollo y diseño de la base de conocimientos porque son un modelo de
razonamiento causal.
Las redes bayesianas están representadas por un grafo dirigido acíclico, donde los
nodos representan información, causa – efecto y los arcos representan las probabilidades
asociadas a cada nodo.
La estructura del sistema experto mostrada en la figura 3.1, propuesta en el presente
trabajo está basada en la arquitectura del sistema experto mencionada en el capítulo II
(Marco Teórico), cuya función es la de proporcionar un diagnóstico y solución confiable a
los problemas en el motor a inyección electrónica, presentados por el usuario.
60
Fase I
Identificación de la TareaPlan de requisitos y adquisición de conocimientos
Evaluación y selección de la tarea
Definición de las características del sistema
Fase II
Desarrollo de Prototipos
Concepción de la solución
Validación y evaluación del Prototipo
Fase IV
Actuación para conseguir el mantenimiento perfectivoDefinir el mantenimiento del sistema global
Definir el mantenimiento de la Base de conocimiento
Adquisición de nuevos conocimientos y actualización del sistema
Adquisición del conocimiento "Método de
Grover”Definición del Dominio
Formulación fundamental del conocimiento
Consolidación del conocimiento Basal
Fase III
Ejecución de la construcción del sistema integradoAceptación del sistema por el usuario
Base de conocimiento“Redes Bayesianas”
Motor de Inferencia“Poliarbol”
Exploraciones
Requerimientos
Fase V
Lograr una adecuada transferencia tecnológicaOrganizar la transferencia tecnológica
Completar la documentación del sistema
Fig. 3.1 Estructura del Sistema Experto basado en la Metodología IDEAL.
Fuente: Elaboración propia
61
3.2 IDENTIFICACIÓN DE LA TAREA.
Para iniciar con la aplicación de la metodología Ideal, siendo así esta su primera fase.
En el Marco Introductorio se describen los objetivos (general y específicos), del presente
trabajo, a continuación se mencionan las actividades a realizarse:
a) Investigar sobre los automóviles con motor a inyección electrónica que utilicen
como combustible la gasolina (ya que en los límites se identificó como espacio de
trabajo solo los automóviles que utilizan como combustible la gasolina).
b) Analizar y abstraer los problemas en los automóviles con motor a inyección
electrónica.
c) Entrevistar al experto humano y adquirir conocimientos.
d) Enriquecer nuestro conocimiento con información en el campo de la Inteligencia
Artificial, específicamente sistemas expertos.
e) Desarrollar el sistema experto.
Identificar los conjuntos que intervienen.
Cargar la base de conocimientos.
Calcular las probabilidades conocidas.
Calcular las probabilidades condicionales.
Actualizar la base de conocimiento.
f) Evaluar el prototipo del sistema.
3.2.1 PLAN DE REQUISITOS, ADQUISICIÓN DEL CONOCIMIENTO
En esta actividad, se determinarán los requisitos, mediante una serie de sesiones
de trabajo, planificadas y realizadas con los usuarios participantes. Se analizará la
información obtenida definiendo los requisitos y sus prioridades, que se añadirán a la tabla
de requisitos que servirá para el estudio y valoración de las distintas alternativas
de solución a proponerse.
62
3.2.1.1 OBTENCIÓN DE REQUISITOS
Teniendo en cuenta la información recopilada sobre las soluciones disponibles y a
partir de las sesiones de trabajo se identificaron los siguientes requisitos:
Sistema experto con un diagnostico confiable
Facilidad de instalación
Facilidad de uso, a través de una interface gráfica sencilla (fácil de manejar)
Interfaz gráfica amigable con el usuario
Simplicidad de programación
Registro de consultas
Control de usuarios
Simplicidad para el mantenimiento
Capacidad para resolver las consultas de los usuarios
Para una mejor compresión de los requisitos, se catalogaran en la siguiente tabla:
Tabla 3.1 Obtención de Requisitos Informal
Fuente: Elaboración Propia
ID AUTOR TIPO DESCRIPCIÓN PRIORIDAD
R1 Soria, J Arquitectura Sistema experto con un diagnostico
confiable
ALTA
R2 Soria, J No Funcional Facilidad de instalación MEDIA
R3 Soria, J No Funcional Facilidad de uso ALTA
R4 Soria, J Funcional Interfaz gráfica amigable con el
usuario
ALTA
R5 Soria, J Funcional Simplicidad de programación ALTA
R6 Soria, J Funcional Registro de consultas MEDIA
R7 Soria, J Funcional Control de Usuarios ALTA
R8 Soria, J Funcional Simplicidad para el mantenimiento ALTA
R9 Soria, J Funcional Capacidad para resolver las consultas
de los usuarios
ALTA
63
3.2.1.2 ADQUISICIÓN DE CONOCIMIENTOS INFORMAL
Se entiende por adquisición de conocimientos al proceso de recolección de
información, a partir de cualquier fuente necesaria para construir un Sistema Basado en
Conocimiento (SBC). La adquisición de conocimientos no es un paso en la metodología
de desarrollo de un SBC, sino que es una tarea que se produce en paralelo a todas las
etapas de construcción.
Teniendo en cuenta cuál es el tipo de fuente de conocimientos, escrita (incluye
cualquier tipo de documentación, video, otros casos.) o humana, se permitirá:
Revisar sistemáticamente la bibliografía sugerida por el experto.
Incrementar la familiaridad con la terminología del dominio.
Obtener información para preparar las sesiones de educción de conocimientos
con el equipo de expertos.
Definir áreas y agrupar las características en esas áreas.
Determinar la necesidad de un primer prototipo del sistema experto con la
información obtenida hasta el momento.
3.2.2 EVALUACIÓN Y SELECCIÓN DE LA TAREA
3.2.2.1 ESTUDIO DE VIABILIDAD
El estudio de viabilidad permite determinar si el problema planteado puede ser
resuelto mediante un sistema experto, es imprescindible para asegurar el éxito del trabajo
de forma más o menos “objetiva”, este nos permitirá justificar una posible financiación del
proyecto. Para la realización de viabilidad de este sistema experto, como se menciono
antes, se empleara el test de Slagel.
Este sistema considera cuatro dimensiones para clasificar las características de un
sistema, las cuales son: plausibilidad, justificación, adecuación y éxito, además consta de
las siguientes etapas, definición de características, asignación de pesos y evaluación.
64
DIMENSIÓN DE PLAUSIBILIDAD: En esta dimensión se analizan los
conceptos básicos las características del experto y las características de las tareas que llevan
a cabo los expertos, interesa estudiar tanto su profesionalidad como el grado de cooperación
e implicación que tiene con el proyecto.
Tabla 3.2 Dimensión de Plausibilidad
Fuente: Elaboración Propia basado en [Slagel, 90]
PLAUSIBILIDAD
CAT IDENT.
CAT.
PESO DENOMINACIÓN DE LAS
CARACTERÍSTICAS
TIPO VAL.
ASIG.
EX P1 10 Existen expertos: entre los expertos se
ha seleccionado al experto en motores
a inyección electrónica.
E 8
EX P2 10 El experto asignado es genuino: el
experto tiene años de experiencia en el
tema.
E 8
EX P3 8 El experto es cooperativo: se presta a
contestar preguntas y colaborar
gustosamente en las entrevistas.
D 9
EX P4 7 El experto es capaz de articular sus
métodos.
D 8
TA P5 10 Existen suficientes casos de prueba: se
cuentan con gran cantidad de casos
anteriores, que podrían servir como
prueba.
E 8
TA P6 10 La tarea está bien estructurada y se
entiende: el sistema está muy acotado
en la rama de motores a inyección
electrónica.
D 8
TA P7 10 Solo requiere habilidad cognoscitiva:
el sistema no necesita esfuerzo físico o
habilidades especiales.
D 7
TA P8 9 No se precisan resultados óptimos, sino
solo satisfactorios.
D 6
65
TA P9 9 La tarea no requiere mucho sentido
común: requiere datos y conocimiento
sobre el tema en cuestión.
D 6
DU P10 7 El desarrollador está comprometido
con el proyecto.
D 9
DIMENSIÓN DE ADECUACIÓN: En esta dimensión se analiza la naturaleza,
complejidad y tipo de tarea que se va a realizar, se determina si es adecuado utilizar
técnicas propias de la ingeniería de conocimiento.
Tabla 3.3 Dimensión de Adecuación
Fuente: Elaboración Propia basado en [Slagel, 90]
ADECUACIÓN
CAT IDENT.
CAT.
PESO DENOMINACIÓN DE LAS
CARACTERÍSTICAS
TIPO VAL
ASIG
EX A1 5 La experiencia del experto esta poco
organizada
D 5
TA A2 6 Tiene valor práctico: es totalmente
práctico ya que se aplicara en casos
reales, teniendo muy en cuenta el
resultado obtenido.
D 8
TA A3 7 Es más táctica que estrategia : no se
necesita seguir ningún tipo de
estrategia para su uso
D 8
TA A4 6 Sirve a necesidades a largo plazo: el
tema en cuestión y la manera de
tratarlo no sufrirá muchos cambios a lo
largo del tiempo
E 8
TA A5 5 La tarea, que no es demasiado fácil, es
de conocimiento intensivo, tanto
propio del dominio, como de la
manipulación de información.
D 7
TA A6 6 Es de tamaño manejable y/o es posible
un enfoque gradual y/o una
D 8
66
descomposición en subtareas
independientes.
EX A7 7 La transferencia entre humanos es
factible: el vocabulario utilizado es
bastante sencillo de entender, así como
el lenguaje del experto.
E 9
TA A8 6 Estaba identificada como un problema
en el área y los efectos de la
introducción de un sistema experto
pueden planificarse.
D 8
TA A9 No requiere respuesta en tiempo real
“inmediato”: La información esperada
de la aplicación no tiene por qué ser
recibida de inmediato.
E 7
TA A10 9 La tarea no requiere investigación
básica y usa, si alguna, poca
generación y entendimiento del
lenguaje natural.
E 8
TA A11 5 El experto usa básicamente
razonamiento simbólico que implica
valores subjetivos.
D 5
TA A12 5 Es esencialmente de tipo heurístico:
gran parte del conocimiento obtenido
se basa en la experiencia sobre casos
anteriores.
D 6
DIMENSIÓN DE ÉXITO: Puesto que en gran medida el éxito de un proyecto se debe al
grado de implicación de los responsables, en esta dimensión se realiza el éxito en base a la
implicación del experto en el Sistema ya que es el centro y fuente de conocimiento que se
adquiere para el desarrollo, pero también se analizan características propias del sistema en
sí.
67
Tabla 3.4 Dimensión de Éxito
Fuente: Elaboración Propia basado en [Slagel, 90]
ÉXITO
CAT. IDENT.
CAT.
PESO DENOMINACIÓN DE LAS
CARACTERÍSTICAS
TIPO VAL.
ASIG.
EX E1 8 No se sienten amenazados por el
proyecto, son capaces de sentirse
intelectualmente unidos al
proyecto: aceptan al proyecto como
una grata ayuda.
D 9
EX E2 6 Tienen un brillante historial en
relación a esta tarea: la ayuda
prestada ha sido extraordinaria.
D 7
EX E3 5 Hay acuerdos en lo que en lo que
constituye una buena solución a la
tarea.
D 9
EX E4 5 La única justificación para dar un
paso en la solución es la calidad de
la solución final
D 8
TA E5 6 No hay un plazo de finalización
estricto, ni ningún otro proyecto
depende de esta tarea: existe un
plazo de finalización, pero ningún
otro proyecto.
D 6
TA E6 7 No está influenciada por vaivenes
políticos.
E 9
TA E7 8 Existen ya SS.EE. que resuelvan la
misma tareas o alguna parecida.
D 7
TA E8 8 Hay cambios mínimos en los
procedimientos habituales.
D 8
TA E9 5 Las soluciones son explicables e
interactivas: El diagnóstico se
puede explicar la solución
mediante los conocimientos
almacenados en la aplicación.
D 9
68
TA E10 7 La tarea es de I+D o de carácter
práctico, pero no ambas cosas
simultáneamente: l a tarea a
realizar tiene un carácter práctico.
E 7
DU E11 6 Están mentalizados y tienen
expectativas realistas tanto en el
alcance como en las limitaciones.
D 8
DU E12 7 No rechazan de plano esta
tecnología
E 9
DU E13 6 El sistema interactúa inteligente y
amistosamente con el usuario.
D 9
DU E14 9 El sistema es capaz de explicar al
usuario su razonamiento.
D 9
DU E15 8 La inserción del sistema se efectúa
sin traumas, es decir, apenas se
interfiere en la rutina cotidiana de
la empresa.
D 8
DU E16 6 Están comprometidos durante la
duración del proyecto, incluso
después de su implantación.
D 8
DU E17 8 Se efectúa una adecuada
transferencia tecnológica
E 9
DIMENSIÓN DE JUSTIFICACIÓN: En esta dimensión se justifica el desarrollo del
sistema analizando características relacionadas fundamentalmente a la experiencia tanto del
experto como del ambiente en que se realiza.
Tabla 3.5 Dimensión de Justificación
Fuente: Elaboración Propia basado en [Slagel, 90]
JUSTIFICACIÓN
CAT IDENT.
CAT.
PESO DENOMINACIÓN DE LAS
CARACTERÍSTICAS
TIPO VAL.
ASIG.
EX J1 10 El experto NO está disponible: el
experto está disponible parte del
E 8
69
tiempo.
EX J2 10 Hay escasez de experiencia humana:
hay demasiados casos atrasados y poco
personal para cubrirlos.
D 5
TA J3 8 Existe necesidad de experiencia: se
necesitan conocimientos sobre el tema
para poder introducir los datos de
entrada.
D 4
TA J4 10 Necesidad de experiencia en entornos
hostiles, penosos y /o poco
gratificantes
E 7
TA J5 8 No existen soluciones alternativas
admisibles: el tratamiento del tema es
bastante específico.
E 7
DU J6 7 Se espera una alta tasa de
recuperación de la inversión
D 9
DU J7 8 Resuelve una tarea útil y necesaria:
este sistema ahorrará mucho tiempo y
esfuerzo, además de adelantar trabajo
atrasado
E 9
CAT: CATEGORÍA
EX: Los expertos
TA: La tarea
DU: Desarrollador y/o los usuarios
IDENT. CAT. Identificación de la característica
Pi: Característica de la dimensión de Plausibilidad2 (P1... P10)
Ai: Característica de la dimensión de Adecuación3
(A1... A12)
2 Medida que refleja la posibilidad de realizar sistema experto
70
Ei: Característica de la dimensión de Éxito4
(E1... E17)
Ji: Característica de la dimensión de Justificación5
(J1... J8)
PESO (P) Peso de característica
Importancia de una característica en la decisión global. Rango de 0... 10.
TIPO
E: Esencial
D: Deseable
VAL. ASIG. Valor asignado
Es el punto en el cual la característica está presente y va desde 0 (ausente) hasta 10
(totalmente presente).
Evaluación de la aplicación (Cuantificación de la Viabilidad)
VC1 = · 1/10
= (2,281·10
18
)1/10
· 1 = 68.520
VC2 = · (1/7 = (2,275·10
12
)1/7
· 1 = 58,250
VC3 = · 1/11 =
(1,257·1018
)1/11
· 1 = 44,203
VC4 = · 1/17
= (2,854·1029
)1/17
· 1 = 54,03
MEDIA
VC = = 56,252
3 Medida que refleja si es apropiada o no la realización del sistema
4 Medida que refleja el éxito que se obtendrá si se realiza el sistema
5 Medida que refleja si está justificado o no la realización del sistema
71
Este valor se lo normaliza, el valor máximo que podría haber tomado es 69,958
por lo que el resultado ponderado es: 80,408
Una vez realizado el test de viabilidad con el modelo de cuantificación de
viabilidad de Slagel se ha demostrado que la aplicación es viable, ya que cada una de las
cuatro características (Plausibilidad, Justificación, Adecuación y Éxito) supera el umbral
propuesto de siete puntos en sus características esenciales, además el valor normalizado
de viabilidad total es de 80,408 que es un valor que indica que el sistema es muy factible.
Viabilidad = 80.408
Sistema muy factible
3.2.3 DEFINICIÓN DE LAS CARACTERÍSTICAS DEL SISTEMA
A continuación se listan los requerimientos funcionales que son de primera
prioridad y cuya implementación es exigible, así como los principales requerimientos no
funcionales.
Requerimientos funcionales
Registro
Este módulo permitirá:
Realizar la configuración de las recomendaciones del Experto.
Realizar la configuración de los valores de las características, para diagnosticar las
fallas del motor a inyección electrónica.
Realizar el mantenimiento al administrador, personal y usuario.
Realizar el mantenimiento al motor a inyección electrónica.
Seguridad
Este módulo permitirá:
72
Realizar el mantenimiento a los usuarios que estarán relacionados a permisos.
Asignar perfiles a usuarios de tal manera que se controle el acceso a las diferentes
secciones del sistema.
Manejar permisos que regulen los accesos a la información de los casos (nivel de
usuarios).
Validar si un usuario está en uso de tal manera que no se pueda eliminar si es
así.
Validar si un usuario es eliminable o no considerando si es parte de la data inicial
básica del sistema, o ha dejado de utilizar el mismo.
A los usuarios realizar el cambio de su contraseña de ingreso al sistema.
Acceso para usuarios
Este módulo permitirá a los clientes acceder y consultar el detalle de sus procesos
en cualquier momento.
Control
Este módulo permitirá:
Hacer un control al motor a inyección electrónica (involucra registro de sucesos),
permitiendo su continua actualización de tal manera que la información registrada
refleje la información real.
La asignación de los cilindros del motor para controlar y tener acceso a qué tipo de
vehículo se refiere la consulta.
El registro de una plantilla base de proceso con etapas, para que pueda ser
seleccionado en el momento de creación de un proceso, reduciendo el tiempo de
crear sus etapas una a una.
Evaluar al motor a inyección electrónica de acuerdo a las características emitidas
por el sistema, de acuerdo a las probabilidades establecidas.
Mostrar un diagnóstico del motor a inyección electrónica.
73
Resultados
Este módulo permitirá:
Un diagnóstico acertado a la falla que presenta el motor a inyección electrónica.
El resultado del sistema emite dos aspectos (diagnóstico y recomendación)
Requerimientos no funcionales
Desempeño
El tiempo máximo de respuesta será de cuatro segundos para los diagnósticos y de
cinco segundos para las recomendaciones.
Seguridad
Las contraseñas de los usuarios se encontrarán encriptadas.
Disponibilidad
El sistema estará disponible las veinte cuatro horas del día (exceptuando en los
mantenimientos) los siete días de la semana.
Escalabilidad
El sistema será fácilmente escalable en caso se produzca un incremento en la
cantidad de los usuarios.
Mantenimiento
El sistema será desarrollado de tal manera que un cambio en los parámetros de no
obligue a la generación de una nueva versión, permitiendo así la mantenibilidad.
74
3.3 DESARROLLO DE PROTOTIPOS
3.3.1 CONCEPCIÓN DE LA SOLUCIÓN.
La adquisición de conocimientos constituye el proceso por el cual se recolecta
información a partir de cualquier fuente útil para llevar a cabo la construcción de un
sistema basado en conocimientos (SBC). Esta adquisición de conocimientos no es un paso
en la metodología de desarrollo de un SBC, sino que es una tarea que se produce en
paralelo a todas las etapas de construcción [Gómez, A. y otros 1997].
A continuación se presenta las etapas que presenta el método de Grover descritas en el
capítulo dos.
3.3.2 DEFINICIÓN DEL DOMINIO.
El dominio considerado para el sistema experto es el diagnóstico de motores a
inyección electrónica del automóvil a partir de las observaciones que se describen en el
capítulo dos.
3.3.3 FORMULACIÓN DEL CONOCIMIENTO FUNDAMENTAL.
En las primeras reuniones con el experto se determinan los requisitos funcionales
del sistema experto y las necesidades de los usuarios. También se familiariza al ingeniero
del conocimiento con la terminología del dominio en cuestión. Se realiza el estudio de la
documentación disponible sugerida por el experto, el conocimiento obtenido facilita la
interrelación con el experto. Todo esto se realiza con el único propósito de construir la Base
de Conocimientos.
Durante la deducción se identificó cuatro grupos:
a) Grupo uno. Diagnostico
75
b) Grupo dos. Fallas
c) Grupo tres. Causas
d) Grupo cuatro. Reparación
3.3.4 CONSOLIDACIÓN DEL CONOCIMIENTO BASAL.
Al momento de realizar un diagnóstico en un motor a inyección electrónica existen
diferentes síntomas, al basarse en el conocimiento obtenido, se reflejan las siguientes
tablas:
Tabla 3.6 Problemas en el Sistema de Combustible
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
El motor de arranque gira y
las bujías dan chispa pero el
motor no arranca
Depósito de combustible
vacío
Llenar el depósito de
combustible
Agua en el sistema de
combustible Limpie
Filtro de combustible
obstruido Reemplace el filtro
Tubo de combustible
obstruido Limpie o reemplace
Bomba de combustible
defectuosa Reemplace
Circuito de la bomba de
combustible abierta Corrija o reemplace
El motor de arranque gira y
las bugías dan chispa pero el
motor no arranca
Sistema de inyección de
combustible defectuoso
Refiérase a inyección
electrónica de combustible
Otros
Correa de distribución rota Reemplace
Funcionamiento defectuoso Reemplace
76
Otros
de la válvula de ventilación
positiva del cárter (PCV)
Sensor de presión absoluta
(MAP, BARO) del múltiple
de admisión defectuoso
Reemplace
Conecte
Sensor de flujo de masa de
aire (MAF) defectuoso
Reemplace
Válvula de Recirculación de
Gases de Escape (EGR)
abierta atascada
Reemplace
Sensor del ángulo de
apertura del acelerador
(TPS, TP) o circuito
defectuoso
Corrija o reemplace
Conexión floja o
desconexión de las
mangueras de vacío
Corrija o reemplace
Es posible que el motor de arranque no gire y por ende existirán problemas en el arranque
del vehículo, por lo que pueden llegar a presentarse las siguientes causas:
Tabla 3.7 El motor de arranque no gira
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Las luces delanteras
principales se reducen
apreciablemente o están
muy débiles.
Batería dañada Recargue o reemplace
Terminales pobremente
conectados
Limpie los bornes de la
Batería y terminales y
conéctelos adecuadamente.
Circuito de la bobina del
motor de arranque en corto
Realice una reparación
genera o reemplace.
Motor de arranque
defectuoso
Realice una reparación o
reemplace
77
La batería juega un papel muy importante a la hora del encendido del vehículo, esta
es la encargada de proporcionar la energía necesaria para poner en funcionamiento el motor
cuando está detenido y también se encarga de alimentar de energía las luces, el radio y el
aire acondicionado del vehículo.
Tabla 3.8 Problema en el encendido, el motor de arranque gira pero el motor no arranca.
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Hay chispa saltando a través
de la separación
Batería Defectuosa Recargue o reemplace
Fusible fundido Reemplazar fusible
Cordón de alta tensión
mal aislado(pelado) Reemplace
Conexión floja o
desconexión de los cordones
de alta tensión o hilos
conductores
Corregir o reemplazar
Bobina de encendido
defectuosa Reemplace
Bugía defectuosa
Limpiar, ajustar la
separación de la bugía,
reemplazar
El combustible no llega a
los inyectores
Referirse al problema de
sistema de combustible
Ajuste de distribución
incorrecto (tiempo) Ajuste
El motor pierde
Compresión
Refiérase a perdida de
compresión del motor
Válvula de admisión o
escape quemada Reemplace
Pistón gastado Reemplace
Anillo de pistón gastado Reemplace
Cilindro gastado Repare o reemplace
Empaque de culata
Gastado Reemplace
78
Sensor de posición del
ángulo del cigüeñal (CAS,
CKP) en mal estado
Reemplace
ECU en mal estado Reemplace
No hay chispa saltando a
través de la separación
Bujías de encendido en
mal estado
Ajuste, limpie o
reemplace
Fusible de la bobina de
encendido fundido Reemplace
Conexiones flojas o
desconexión de cables de
alta tensión
Conectar firmemente
Cable de alta tensión en
mal estado Reemplace
Bobina de encendido
defectuosa Reemplace
Supresor de ruidos en
mal estado Reemplace
Sensor (CAS, CKP) en
mal estado Reemplace
Encendedor en mal
Estado Reemplace
Cuando el pistón inicia su carrera, hacia arriba y las válvulas se acomodan en su
asiento; el aire mezclado con combustible es comprimido en la cámara de combustión, al
máximo del recorrido del pistón; a esto se le llama compresión.
Tabla 3.9 Problema de que el motor pierde compresión.
Fuente: Experiencia del Experto
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Bujía floja o empaque de la
bujía defectuoso
Apriete al torque
especificado o reemplace el
empaque
Ajuste de distribución de Sincronice
79
Motor pierde compresión
válvulas defectuoso
Empaque de culata
desgastado Reemplace el empaque
Válvulas incorrectamente
asentadas Rectifique la válvula
Espiga de válvula atorado Reemplace la válvula y la
guía de válvula
Resorte de válvula débil o
roto Reemplace
Cilindro o anillos de
pistón desgastados
Realice reparación
general del motor
Si al momento de realizar el diagnóstico, cuando el motor se encuentra en estado de
ralentí se observa que tiene problemas en su funcionamiento, al punto de llegar a apagarse,
esto puede ser posible por problemas de: sistema de inyección de combustible, sistema de
control de emisiones, bujías defectuosas, ajuste de válvulas de distribución incorrecto y
otros.
Tabla 3.10 Problemas en el ralentí
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Válvula de control de aire de
mínimas defectuosa Reemplace
Cierre de la mariposa del
acelerador incompleta Corrija o reemplace
Bajo nivel de combustible en el
tanque de combustible Llene
Circuito del sensor (TPS, TP)
abierto o en corto Corrija
Circuitos del inyector de
combustible abierto o en corte Reemplace
Inyectores de combustible
dañados Reemplace
80
Problema en el sistema de
inyección de combustible
Relé de la bomba de
combustible defectuosa Reemplace
Circuito del sensor MAF abierto
o con malas conexiones
Corrija
Sensor MAF defectuoso Reemplace
Circuito del sensor de
temperatura del refrigerante del
motor abierto o mal conectado
Corrija o Reemplace
Circuito del sensor de
temperatura de aire de entrada
(ATS, IAT) abierto o
defectuoso.
Corrija
Sensor (ATS, IAT)
Defectuoso Reemplace
Circuito del sensor de
velocidad del vehículo (VSS)
abierto o en corto
Corrija o reemplace
Problema en el sistema de
control de emisiones
Circuito de la válvula de purga
del canister abierto o con malas
conexiones
Corrija o reemplace
Problema en el sistema de
encendido
Refiérase a arranque
difícil
Otros
Bujías defectuosas Reemplace
Cables de bujías defectuosos Reemplace
Válvula de EGR
Defectuosa Reemplace
Componentes del distribuidor
dañados o mojados Limpie o reemplace
El motor pierde compresión Refiérase a arranque
difícil
Válvula incorrectamente
asentada Rectifique las válvulas
Varilla de la válvula dañada Reemplace
Guía de válvula dañada Reemplace
Empaque de culata desgastado Reemplace el empaque
Filtro de combustible obstruido
81
y/o materia extraña en el
combustible
Limpie o reemplace
Filtro de aire taponado Reemplace o limpie
Ajuste de distribución de
las válvulas incorrecto Sincronice
Válvula de control de aire de
mínimas dañada Reemplace
PCV defectuosa o dañada Reemplace
Fugas de vacío en el múltiple de
admisión o en las mangueras Corrija o reemplace
Sincronización incorrecta
del encendido Corrija
Compresión de los
cilindros baja o desigual Corrija
Cuando en el correcto funcionamiento del motor existen problemas de operación
irregular o periódico, como por ejemplo: pérdida de potencia, detonación irregular. Suele
suceder por varias causas como: bujías sucias, inyectores defectuosos, sensor de detonación
en mal estado y otros.
Tabla 3.11 Problemas con la operación irregular del motor
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
El motor falla
periódicamente
Devanado primario o
secundario de la bobina en
corte
Reemplace
Bujías sucias Limpie e instale bujías de
rango caliente
Fugas en el aislante de las
bujías Reemplace
Inyectores de combustible
defectuosos
Reemplace
82
El motor detona
periódicamente
ECU defectuosa Reemplace
Bujías operan demasiado
Calientes
Limpie e instale bujías
más frías
El motor pierde potencia
Bujías sucias Limpie
Inyectores de combustible
defectuosos Reemplace
Sensor MAF o su circuito
defectuoso Corrija o reemplace
Sensor (MAP, BARO) o su
circuito defectuoso Corrija o reemplace
Sensor (WTS, ECT) o su
circuito defectuoso Corrija o reemplace
ECU defectuosa Reemplace
Sensor IAT o su circuito
defectuoso Corrija o reemplace
Sensor (TPS, TP) o su
circuito defectuoso Corrija o reemplace
Si en el funcionamiento de un motor existe vacilación (inestabilidad o titubeo), el
diagnóstico deberá estar relacionado a posibles causas como: bujías defectuosas, bomba de
combustible en mal estado, ajuste del sensor de la posición de la mariposa incorrecto y
otros. Todos estos problemas deberán ser corregidos mediante la utilización de lo siguiente:
Tabla 3.12 Problemas de vacilación o jaloneo del motor
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Bujías defectuosas Corrija o reemplace
Ajuste del sensor TPS
Incorrecto
Reemplace el conjunto
de la válvula de la mariposa
Circuito del sensor TPS
abierta o en corto Corrija o reemplace
Juego excesivo en el Ajuste o reemplace
83
Jaloneo durante la
aceleración
varillaje del acelerador
Circuito del sensor MAF
abierto o mala conexión Corrija
Sensor MAF defectuoso Reemplace
Sensor (MAP, BARO)
Defectuoso Reemplace
Circuito IAT abierto o
conexiones malas Corrija o reemplace
Sensor (IAT-ATS)
Defectuoso Reemplace
Vacilación a alta velocidad
(presión de combustible muy
baja)
Bomba de combustible
Defectuosa Reemplace
Tubo de combustible
Taponado Limpie y reemplace
Filtro de combustible
Taponado Reemplace
Sistema de la bomba de
combustible defectuoso Inspeccione o reemplace
Válvula reguladora de
presión de combustible
goteando
Reemplace
Vacilación a alta velocidad
(inyector de combustible no
trabaja normalmente)
Alimentación de potencia o
circuito a tierra del sistema
de inyección de combustible.
Sistema en corte o abierto
Verifique y corrija
Inyector de combustible
Defectuoso Reemplace
Cable del circuito del sistema
de inyección de combustible
multipunto abierto o con
malas conexiones
Corrija o reemplace
ECU del motor defectuoso Corrija o reemplace
Cable del sensor TPS roto o
con malas conexiones Corrija o reemplace
Sensor TPS defectuosa Reemplace
Circuito del sensor (CTS, Corrija o reemplace
84
Vacilación a alta velocidad
ETC) abierto o en corte
Sensor (CTS, ETC)
Defectuoso Reemplace
Circuito del sensor MAF
abierto o con malas
conexiones
Corrija o reemplace
Sensor MAF defectuoso Reemplace
Circuito del sensor IAT
abierto con malas conexiones Corrija o reemplace
Sensor IAT defectuoso Reemplace
La mariposa de aceleración
no abre completamente
Inspeccione, corrija o
reemplace
Filtro de aire taponado Reemplace el elemento
filtrante
Voltaje de alimentación de la
batería demasiado bajo
Inspeccione, corrija o
reemplace
La pérdida de potencia del motor puede estar relacionado a: cascabeleo del
motor, problemas en el sistema de combustible, problemas en los sistemas de admisión
o de escape, falla de encendido, motor recalentado, motor demasiado frío, pérdida de
compresión del motor y otros.
Tabla 3.13 Problemas de vacilación o jaloneo del motor
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Cascabeleo del motor Sensor de posición del árbol
de levas Reemplace
Problemas en el sistema de
combustible
Válvula reguladora de
presión de combustible no
trabaja normalmente
Reemplace
Inyector de combustible
Taponado Limpie o reemplace
Tubo de combustible Limpie
85
Problemas en el sistema de
combustible
Taponado
Filtro de combustible
taponado o sucio Reemplace
Circuito de alimentación
de la bomba de combustible
no trabaja normalmente
Corrija o reemplace
El tanque de combustible no
respira suficientemente
debido a que el circuito del
sistema de control (VSV,
EVAP) está taponado
Limpie o reemplace
Agua en el sistema de
combustible Limpie
Combustible de mala
Calidad
Utilice el combustible con
el índice especificado
ECU del motor proporciona
bajo voltaje Reemplazar
Cable del sensor TPS
roto o con malas conexiones Corrija o reemplace
Sensor TPS defectuoso Reemplace
Sensor MAF no trabaja
normalmente Reemplace
Sensor o circuito MAP
defectuoso Corrija o reemplace
Sensor IAT no trabaja
normalmente Reemplace
Circuito del sensor (CTS,
ETC) abierto o en corto Corrija o reemplace
Sensor (CTS, ETC)
defectuoso Reemplace
ECU defectuoso Reemplace
Problema en los sistemas de
admisión o de escape
Filtro de aire taponado Reemplace el elemento
filtrante
Conducto de aire de
admisión deformado o
aplastado
Corrija o reemplace
86
Sistema de escape
restringido (probablemente
el convertidor catalítico
defectuoso)
Corrija o reemplace
Falla de encendido
Sincronización incorrecta
del encendido Corrija
Rango térmico de las
bujías inadecuado Reemplace
Bobina de encendido
defectuosa Reemplace
Motor recalentado
Nivel del refrigerante del
radiador demasiado bajo Rellene
Ventilador defectuoso Reemplace
Termostato defectuoso Reemplace
Bomba del refrigerante
del motor defectuosa Corrija o reemplace
Radiador taponado o
defectuoso Limpie o reemplace
Tapa de llenado del
radiador defectuosa Reemplace
Nivel de aceite en la
bancada del cigüeñal muy
bajo o aceite del motor
equivocado
Cambie o rellene
Fugas de aceite Corrija
Filtro de aceite taponado o
sucio Reemplace
Bomba de aceite defectuosa Corrija o reemplace
Aumento de la resistencia en
el sistema de escape
Limpie el sistema de escape
o reemplace las piezas
defectuosas
Ajuste incorrecto del
sensor TPS
Reemplace con el
conjunto de la mariposa de
aceleración
Circuito abierto o en corto
del sensor TPS Reparar
87
Banda conductora floja o
rota Ajuste o reemplace
Empaque de culata dañado Reemplace
Motor demasiado frío Termostato defectuoso Reemplace (Use termostato
que abra a 87ºC)
El motor pierde compresión
Presiones de compresión
de los cilindros bajas o
disparejas
Corregir
Mal funcionamiento del
propulsor hidráulico Reemplace
Soporte del propulsor
hidráulico dañado Reemplace cabezote
Fuga en los asientos de
válvula de admisión o de
escape
Corrija y/o reemplace
válvula, asiento de válvula
y/o cabezote
Vástago de válvula atascado Reemplace válvula
Resorte de la válvula roto o
débil Reemplace
Cabezote agrietado o
distorsionado Reemplace
Anillos de pistón, gastados o
con acumulación de
carbonilla
Corrija o reemplace
Transmisión resbalosa Referirse a transmisión(A/T)
Empaque de cabezote
Dañado Reemplace
La combustión anormal se refiere a cualquier forma de combustión incontrolada
en la cámara de combustión que se aleja de las características asociadas a una
combustión normal. Los problemas relacionados con la combustión anormal son de
especial interés por dos motivos fundamentales: Cuando son severos pueden ocasionar un
deterioro prematuro del motor hasta llegar incluso a la rotura. Aun cuando no son severos,
constituyen una fuente de ruido adicional del motor con niveles nada despreciables.
88
Tabla 3.14 Problemas de combustión Anormal del motor
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Problema en el sistema de
combustible
Válvula de control de
presión de combustible
defectuosa
Reemplace
Filtro de combustible
taponado Reemplace
Bomba de combustible
taponada Limpie o reemplace
Tanque o tubo de
combustible taponado Limpie o reemplace
Inyector de combustible
taponado Limpie o reemplace
Relé de la bomba de
combustible defectuoso Reemplace
Cable de alimentación de la
bomba de combustible roto
o en males condiciones
Desconecte, repare o
reemplace
Circuito del sensor MAF
abierto o defectuoso
Corrija o reemplace
Sensor MAF defectuoso Reemplace
Circuito ECT abierto o en
Corto Corrija o reemplace
Sensor ECT defectuoso Reemplace
Ajuste incorrecto del sensor
TPS Reajuste
Sensor TPS defectuoso Reemplace
Conector del sensor TPS
con malas conexiones Reconecte
Cable del sensor VSS
con malas conexiones o
defectuoso
Repare o reemplace
89
Sensor VSS flojo Fije fuertemente
Sensor VSS con mal
contacto o defectuoso Reemplace
Cable de la ECU con malas
conexiones o defectuoso Corrija o reemplace
Problema en el sistema de
control de emisiones
Circuito abierto del sensor
de oxígeno calentado Corrija o reemplace
Sensor de oxígeno calentado
defectuoso Reemplace
Mangueras de la señal de
vacío flojas o defectuosas Corrija o reemplace
Circuito del sensor ECT
abierto o en corto Corrija o reemplace
Circuito de la válvula de
purga del canister abierto o
en corto
Corrija o reemplace
Válvula de purga del
canister defectuosa Reemplace
Sensor ECT defectuoso Reemplace
PCV y manguera taponada Corrija o remplace
Sistema del evaporador
Refiérase a la sección de
rendimiento y emisiones
Otros
Propulsor hidráulico dañado Reemplace
Varilla de soporte del
propulsor hidráulico dañada Reemplace
Válvula de admisión con
carbonilla o quemada Corrija o reemplace
Resorte de la válvula roto o
débil Reemplace
Carbonilla en la cámara de
combustión Limpiar
El consumo excesivo de combustible puede estar asociado a varios factores como
por ejemplo: la mezcla de aire-combustible demasiado rica, filtro de aire obstruido, sensor
90
de oxígeno defectuoso y otros. Una evidencia de este problema puede ser que en el
momento de acelerar el motor, los gases expulsados por el escape son de color negro y
olor excesivo a combustible.
Tabla 3.15 Problemas de consumo excesivo de combustible.
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Problema en el sistema de
combustible
Mezcla demasiado rica o
demasiado pobre debido a
un problema en el sistema
de combustible
Refiérase a combustión
anormal
Inyector de arranque en frío
con fugas Reemplace
Piezas internas del inyector
de combustible
excesivamente desgastadas
Reemplace
Fuga en el sistema de
combustible Corrija o reemplace
La función de corte de
combustible no trabaja
Refiérase a combustión
anormal
Problema en el sistema de
encendido
Encendido defectuoso o
combustión anormal debido
a un problema en el sistema
de encendido
Refiérase a encendido difícil
o combustión anormal
Otros
Filtro de aire obstruido Reemplace
Velocidad de mínimas del
motor demasiado alta
Recalibre la válvula de
control de aire de mínimas
Retorno del control del
acelerador lento Corrija
Deslizamiento o patinaje del
embrague Corrija
Arrastre de los frenos Corrija
Selección del cambio de
marcha de la transmisión
Advierta al conductor sobre
la selección incorrecta de las
91
incorrecta marchas
Sensor de oxígeno
defectuoso Reemplace
Baja presión de neumáticos Corrija
Problemas en la PCV Reemplace
Los problemas de lubricación en el motor son de gran importancia porque si se deja
pasar este problema existirán anomalías irreparables en el motor como por ejemplo:
desgaste prematuro de cojinetes de cigüeñal y biela, operación inadecuada de la bomba de
aceite, desgaste de los anillos del pistón y otros.
Tabla 3.16 Problemas de lubricación del Motor a Inyección Electrónica.
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Presión de aceite demasiado
baja
Uso de aceite equivocado Reemplace con aceite de
motor correcto
Válvula pegada Reemplace
Bomba de aceite no opera
adecuadamente Corrija y reemplace
Aspirador de la bomba de
aceite taponada Limpie o reemplace
Bomba de aceite desgastada Reemplace
Indicador de presión de
aceite defectuoso Corrija o reemplace
Cojinetes de cigüeñal o biela
gastados Reemplace
Contaminación del aceite
Uso de aceite equivocado Reemplace con aceite de
motor correcto
Filtro de aceite taponado Reemplace el filtro de aceite
Empaque de la culata de
cilindro dañado Reemplace el empaque
Fugas de gases quemados Remplace el pistón y sus
anillos
92
El aceite no alcanza el
sistema de válvulas
Pasajes de aceite en la culata
y bloque de cilindros Limpie y corrija
Cuando se realiza una desaceleración del motor no se requiere de la potencia del
mismo, en condiciones normales de funcionamiento se corta el suministro de combustible
con el fin de limpiar los gases del escape. Esta anomalía puede ser posible a problemas
relacionados con: Sistema de combustible, Sistema de control de emisiones, bujías o cable
de bujías en mal estado y otros.
Tabla 3.17 Problemas con la desaceleración del Motor
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Problema en el sistema de
combustible
Filtro de combustible
obstruido y/o agua o
impurezas en el sistema de
combustible
Limpie o corrija
Problema en el sistema de
control de emisiones
Válvula de EGR cerrada o
fuga alrededor de la base Apriete o reemplace
Sensor TPS mal ajustado o
defectuoso Apriete o reemplace
Otros
Control de velocidad de
marcha mínima o válvula de
control electrónico, mal
ajustados o defectuosos
Apriete o reemplace
Tapa y cables del
distribuidor dañados o
mojados
Limpie o reemplace
Bujías o cables de bujías en
mal estado Reemplace
93
En el buen funcionamiento de un motor a velocidad constante (Velocidad crucero) y
después que este se haya calentado completamente, la mescla de combustible suministrada
al motor está muy cerca de la relación teórica aire-combustible. Este problema de
oscilación (vibración o traqueteo) puede ser producido debido a inconvenientes en el
sistema de control de emisiones, sistema de combustible, y otros.
Tabla 3.18 Problemas con la oscilación o vibración del Motor
Fuente: Experiencia del Experto.
CONDICIÓN POSIBLE CAUSA CORRECCIÓN
Problemas en el sistema de
control de emisiones
Válvula de EGR cerrada o
fuga alrededor de la base Reemplace
Circuito o sensor de oxigeno
defectuoso Reemplace
Sensor TPS mal ajustado o
defectuoso Apriete o reemplace
Circuito o sensor MAF
defectuoso Reemplace
Circuito o sensor (MAP,
BARO) defectuoso Reemplace
Problemas en el sistema de
combustible
Fuga de vacío Corrija
Cables de inyectores flojos Apriete
Presión de combustible
incorrecta Corrija
Bomba de combustible
defectuosa Reemplace
Cascabeleo del motor Sensor de posición del árbol
de levas Reemplace
Otros
Enganche/Desenganche del
embrague del convertidor de
torsión (TCC) defectuoso
Apriete o reemplace
Filtro de aire obstruido Reemplace
Fuga de aire en el conducto
de admisión y/o múltiple
escape
Corrija o reemplace
94
3.3.4 COMPONENTES DE LA BASE DE CONOCIMIENTO
La base de conocimiento (Figura 3.2), contiene todos los hechos y probabilidades
del domino de la aplicación, para realizar un análisis de tales hechos y probabilidades se
debe previamente contar con hechos concretos, los cuales son obtenidos a través de
entrevistas realizadas al experto.
Experto en
Motores
BASE DE
CONOCIMIENTOS
BASE DE HECHOS
REDES BAYESIANAS
TRANSMISIÓN DE
CONOCIMINETOS
Fig. 3.2 Componentes de la Base de Conocimiento.
Fuente: Elaboración propia
3.3.4.1 BASE DE HECHOS
La base de hechos contiene los sucesos (hechos) sobre un problema dado que se ha
descubierto en una consulta, está constituida por el conocimiento concreto, el cual a su vez
está compuesto por las fallas que presentan los motores a inyección electrónica. Durante la
consulta con el sistema experto, el usuario introduce la información del problema actual en
la base de hechos.
Para que este concepto quede claro se tomara como ejemplo algunos razonamientos
obtenidos por usuarios que cuentan con un vehículo.
Ejemplo I: Usuario con un vehículo con 90.000 Km de recorrido presenta las
siguientes fallas o comentarios sobre su automóvil: a) tiene poca potencia o marcha baja
anormal. b) simplemente se detuvo y “murió”. c) de pronto no enciende más.
95
Como resultado de lo observado por el experto en este razonamiento (Ejemplo I) se
observan los siguientes hechos:
Hecho 1: El automóvil presenta, Cables de bugías deteriorados.
Hecho 2: El automóvil presenta, Filtro de combustible taponado.
Hecho 3: El automóvil presenta, Válvulas del motor desgastadas.
Hecho 4: El automóvil presenta, Motor engarrotado.
Ejemplo II: Usuario con un vehículo con 180.000 Km de recorrido presenta las
siguientes fallas o comentarios sobre su automóvil: a) tiene problemas de tironeo cuando
alcanza las 2500 rpm. b) tiene poca potencia en marcha primera. c) Presenta manchas de
aceite cuando se lo deja estacionado por un lapso de más de dos días. d) problemas de
encendido por las mañanas. e) El auto dejo de encender repentinamente.
Hecho 1: El automóvil presenta, Batería deteriorada o descargada.
Hecho 2: El automóvil presenta, Cables de bugías deteriorados.
Hecho 3: El automóvil presenta, Filtro de combustible taponado.
Hecho 4: El automóvil presenta, Válvulas del motor desgastadas.
Hecho 5: El automóvil presenta, Sensor de temperatura desgastado.
Hecho 6: El automóvil presenta, Bugías sucias.
3.3.4.2 VARIABLES DE LA BASE DE CONOCIMIENTO
Las variables (Hechos) identificados, fueron proporcionados por el experto
(Conocimiento). Estas variables representan el conjunto de causas propias de los motores a
96
inyección electrónica, las cuales por comodidad serán representadas por un conjunto F
donde: F = {F1, F2, F3,…, Fn}
Para una mejor comprensión de la tabla 3.19, las variables principales se
distinguirán por otro color.
Tabla 3.19 Variables de la Base de Conocimiento.
Fuente: Elaboración propia.
Variables Descripción de la Variable Categoría
F1 Arranque difícil Falla
F2 Problemas en el sistema de combustible Falla
F3 Motor de arranque no gira
F4 Problemas en el encendido Causa
F5 Motor pierde compresión Falla
F6 Motor de arranque gira pero el motor no arranca Falla
F7 Motor de arranque gira y bujías con chispa, pero el motor
no arranca Causa
F8 Filtro de combustible obstruido Causa
F9 Depósito de combustible vacío Causa
F10 Tubo de combustible obstruido Falla
F11 Agua en el sistema de combustible Falla
F12 Bomba de combustible defectuosa Falla
F13 Circuito de bomba de combustible abierta Falla
F14 Las luces delanteras se reducen Falla
F15 Terminales mal conectadas Falla
F16 Circuito de la bobina en corte Falla
F17 Motor de arranque defectuoso Falla
F18 Batería dañada Causa
F19 Hay chispa a través de la separación Falla
F20 Cordón de alta tensión mal aislado Falla
F21 Mala conexión de chicotillos Falla
F22 Fusible fundido Falla
F23 Cable de alta tensión en mal estado Falla
F24 Bobina de encendido defectuosa Falla
97
F25 No hay chispa saltando a través de la separación Falla
F26 Ajuste de distribución de válvula defectuoso Falla
F27 Empaque de bujías defectuoso Falla
F28 Resorte de válvula débil o roto Falla
F29 Bugías en mal estado Falla
F30 ECU en mal estado Falla
F31 Encendido en mal estado Falla
F32 Supresor de ruido en mal estado Falla
F33 Consumo excesivo de combustible Falla
F34 Encendido defectuoso o anormal Falla
F35 Filtro de Aire Obstruido Falla
F36 Retorno del control del acelerado Lento Falla
F37 Patinaje del embrague Falla
F38 Arrastre de los frenos Falla
F39 Mezcla demasiado rica o demasiado pobre Falla
F40 Inyector de Arranque con Fugas Falla
F41 Función de corte de combustible no trabaja Falla
F42 Combustión Anormal Falla
F43 Problemas en el sistema de control de emisiones Causa
F44 Válvula de admisión con carbonilla o dañada Causa
F45 Propulsor hidráulico dañado Falla
F46 Carbonilla en la cámara de combustión Falla
F47 Circuito abierto del sensor de oxigeno Falla
F48 Sensor de oxigeno calentado o defectuoso Falla
F49 Manguera de la señal de vacío floja Falla
F50 Sensor ECT abierto o en corte Falla
F51 Circuito de la válvula de canister abierto o en corte Falla
F52 Problemas de lubricación Falla
F53 Presión de aceite demasiado baja Causa
F54 Contaminación del aceite Causa
F55 El aceite no alcanza el sistema de válvulas Falla
F56 Aspirador del aceite taponada Causa
F57 Indicador de presión de aceite defectuoso Falla
F58 Válvula pegada Falla
F59 Bomba de aceite no opera adecuadamente Falla
F60 Bomba de aceite desgastada Falla
98
F61 Cojinetes de cigüeñal o biela gastados Falla
F62 Uso de aceite equivocado Causa
F63 Filtro de aceite taponado Causa
F64 Empaque de culata de cilindro dañado Falla
F65 Fugas de gases quemados Falla
F66 Paso de aceite en la culata y bloque de cilindros Falla
F67 Vacilación o jaloneo Falla
F68 Presión del combustible baja Falla
F69 Inyector de combustible no trabaja normalmente Falla
F70 Jaloneo a alta velocidad Falla
F71 Jaloneo durante la aceleración Falla
F72 Válvula reguladora de combustible defectuosa Falla
F73 Filtro de combustible taponado Falla
F74 Sistema de inyección en corte o abierto Falla
F75 Inyector de combustible deteriorado Falla
F76 Cable de circuito de inyección dañado Falla
F77 Cable de TPS en mal estado Falla
F78 TPS en mal estado Falla
F79 Ajuste del TPS incorrecto Falla
F80 Sensor MAF defectuoso Falla
F81 Circuito IAT abierto o mal configurado Falla
F82 Ahogo en la desaceleración o en detención rápida Falla
F83 Tapa y cable del distribuidor dañados o mojados Causa
F84 Problema en el sistema de Combustión Falla
F85 Control de velocidad de marcha mínima o válvula de
control electrónico mal ajustado o defectuoso Falla
F86 Cable de bujías en mal estado Falla
F87 Problemas en el sistema de control de emisiones Falla
99
F88 Filtro de combustible obstruido y/o agua en el sistema de
combustible Falla
F89 Sensor TPS mal ajustado o defectuoso Falla
F90 Válvula de EGR cerrada o fuga alrededor de la base Falla
F91 Circuito o sensor de oxigeno defectuoso Falla
F92 Circuito MAP defectuoso Falla
F93 Oscilación a Velocidad constante Falla
F94 Fuga de vacío Falla
F95 Bomba de combustible defectuosa Falla
F96 Presión de combustible incorrecta Falla
F97 Cables de inyectores flojos Falla
F98 Motor Pierde Potencia Falla
F99 Cascabeleo del motor Falla
F100 Motor recalentado Causa
F101 Motor demasiado frio Causa
F102 Problemas en los sistemas de admisión o escape Falla
F103 Falla de encendido Falla
F104 Válvula reguladora de combustible defectuosa Falla
F105 ECU del motor proporciona bajo voltaje Falla
F106 Inyector taponado Falla
F107 Combustible de mala calidad Falla
F108 Circuito de alimentación de la bomba no trabaja normal Falla
F109 Nivel de refrigerante del radiador demasiado bajo Falla
F110 Bomba de refrigerante defectuosa Falla
F111 Empaque de culata dañado Falla
F112 Radiador taponado o defectuoso Falla
F113 Ajuste incorrecto del TPS Falla
100
F114 Ventilador defectuoso Falla
F115 Termostato defectuoso Falla
F116 Compresión de cilindros baja Falla
F117 Propulsor hidráulico dañado Falla
F118 Resorte de válvula roto o débil Falla
F119 Cabezote dañado Falla
F120 Sistema de escape restringido Causa
F121 Conducto de aire de admisión deformado Falla
F122 Sincronización incorrecta de encendido Falla
F123 Rango térmico de las bugías inadecuado Falla
F124 Bovina de encendido defectuosa Falla
F125 Anillas desgastadas Falla
3.3.4.3 CONSTRUCCIÓN DEL MODELO DE CONOCIMIENTO
En esta parte del trabajo se referirá a la construcción de la estructura Cualitativa
primeramente para luego poder dar paso a la construcción de la estructura Cuantitativa.
Apreciadas ya las variables del modelo en la Tabla 3.19, se debe buscar la dependencia
entre las mismas
En el presente trabajo las dependencias entre las variables fueron proporcionadas por el
experto en motores a inyección electrónica.
ESTRUCTURA CUALITATIVA (MODELO DE CONOCIMIENTO)
Una vez identificadas y descritas las variables se procede a la construcción o diseño de
la estructura Cualitativa, para lo cual se hace empleo de las Redes Bayesianas y para estas
se aplica la estructura de poliárbol.
101
La relación existente entre variables, se proporcionan por el experto en motores a
inyección electrónica, debido a su amplio conocimiento en el diagnostico en función de
anomalías propias de cada falla en función de datos observables.
Fig. 3.3 Construcción de la Red Bayesiana Fuente: [Flores, 2010]
INICIO
ESTUDIO BIBLIOGRAFICO
SE ACEPTA EL MODELO?
IDENTIFICACIÓN DE VARIABLES
DEFINICIÓN DE LAS VARIABLES
IDENTIFICACIÓN DE LAS RELACIONES
EVALUACIÓN DEL MODELO POR EL
EXPERTO
OBTENCIÓN DE LAS PROBABILIDADES
EVALUACIÓN DE LAS
PROBABILIDADES POR EL EXPERTO
CORREJIR LAS P(X)
SE ACEPTA LAS P(X)?
FIN
SI
SI
NO
NO
102
La estructura mencionada nos permite mostrar el fenómeno Causa-Efecto que existe
entre los nodos. A continuación se muestra de manera gráfica, el proceso de construcción
de las redes bayesianas.
F1
F2
F7
F13
F11F10F9F8
F12 F16F15
F3
F14
F17 F18 F21
F4
F19
F22
F24
F20 F23
F5F25
F29 F30 F31 F32
F6
F26 F28 F27
Fig. 3.4 Red Bayesiana sobre Arranque Difícil
Fuente: Elaboración Propia
Seguidamente, se hace el mismo proceso para cada de las variables principales
F42
F43
F47
F44 F45 F46
F48 F49 F50
F51
F33
F2 F34
F39 F40 F41
F35 F36 F37 F38
Fig. 3.5 Red Bayesiana sobre Combustión Anormal y Consumo excesivo de Combustible
Fuente: Elaboración Propia
103
Otro gran problema en los motores a inyección electrónica es la lubricación, para lo
cual se realizó la siguiente representación mediante la red bayesiana de la figura 3.6.
F52
F53
F56 F63
F54
F64
F57 F58 F59 F60 F61
F62 F65
F55
F66
Fig. 3.6 Red Bayesiana sobre Problemas de Lubricación
Fuente: Elaboración Propia
El jaloneo usualmente se presenta por problemas con los inyectores de combustible
para comprender mejor el relacionamiento con las variables se realizó la siguiente
representación mediante la red bayesiana de la figura 3.7.
F67
F68
F74
F69
F75
F72 F73
F76
F71
F29
F70
F77
F35 F78
F59
F60
F61
F67
F68
F74
F69
F75
F72 F73
F71
F29
F70
F77
F35 F78
F59
F60
F61
Fig. 3.7 Red Bayesiana sobre Vacilación o Jaloneo del motor
Fuente: Elaboración Propia
104
El Ahogo en desaceleración y Oscilación a Velocidad se presenta por problemas en
combustible y otras variables como se puede apreciar en la figura 3.8.
F95
F82
F83 F84
F88
F87
F91
F85 F86
F93
F89
F90 F80
F92F94
F96
F97
Fig. 3.8 Red Bayesiana sobre Ahogo en desaceleración y Oscilación a Velocidad Constante Fuente: Elaboración Propia
Que el Motor Pierda potencia es un problema común, en la figura 3.9 se muestra la
relación que tiene con otras variables y las fallas que causan dicho problema.
F104
F98
F71
F84
F99
F80
F30
F105
F106
F10
F107
F8
F108
F78
F100 F101
F109
F111
F110
F112
F113
F59
F114
F115
F5
F116
F125
F117 F118
F119
F102
F120
F121F35
F102
123
124122
Fig. 3.9 Red Bayesiana sobre el Motor pierde Potencia
Fuente: Elaboración Propia
105
ESTRUCTURA CUANTITATIVA (MODELO DE CONOCIMIENTO)
La información cuantitativa de una red bayesiana viene dada por:
La probabilidad a priori de los nodos que no tienen padre: estimada a partir de la
experiencia previa, es decir antes de tener en cuenta la información relevante para el caso
particular que se está diagnosticando.
En la figura 3.10 se muestra la estructura cuantitativa para la red bayesiana que
representa el Arranque Difícil de un vehículo.
Fig. 3.10 Estructura Cuantitativa de la Red Bayesiana de Arranque Difícil
Fuente: Elaboración Propia
106
En la figura 3.11 se muestra la estructura cuantitativa para la red bayesiana que
representa problemas de lubricación en el motor a inyección electrónica del automóvil.
Fig. 3. 11 Estructura Cuantitativa de la Red Bayesiana de Problemas de Lubricación
Fuente: Elaboración Propia
La probabilidad condicionada de los nodos con padres: condicionada por otros valores
en el caso de las Redes Bayesianas por el valor que toma el padre.
Ambas informaciones son otorgadas por el experto en base a su experiencia.
107
En la figura 3.12 se muestra la estructura cuantitativa para la red bayesiana que
representa Vacilación o Jaloneo en el Automóvil en el motor a inyección electrónica.
Fig. 3. 12 Estructura Cuantitativa de la Red Bayesiana de Vacilación o Jaloneo
Fuente: Elaboración Propia
Cada una de las representaciones esta compuesta por probabilidades que están
condicionadas y que representan la incertidumbre de cada problema del motor a inyección
electrónica
Para finalizar el desarrollo de las estructuras cuantitativas en la figura 3.13 se
presenta la estructura cuantitativa para la red bayesiana que representa Ahogo en la
Desaceleración y Oscilación Constante en el Automóvil en el motor a inyección
electrónica del automóvil.
108
Fig. 3. 13 Estructura Cuantitativa de la Red Ahogo en la Desaceleración y Oscilación Constante
Fuente: Elaboración Propia
3.3.5 MOTOR DE INFERENCIA.
Se aplica el conocimiento abstracto al conocimiento concreto para de esta forma
obtener conclusiones (proceso de inferencia).
El proceso de inferencia en este caso será efectuado por el método de propagación
en poliárboles, que requieren de un conjunto de evidencias para de esta
manera activar los estados de los nodos y partir de estos iniciar la propagación en la red
Bayesiana.
Se tomara un ejemplo, para demostrar la propagación tomando como base un
segmento de la Red Bayesiana propuesta.
109
Fig. 3.14 Representación Gráfica para el proceso de propagación de poliárboles
Fuente: Elaboración Propia
F1: Arranque difícil
F5: Motor pierde comprensión
F27: Empaque de bujías defectuoso
F6: Motor de arranque gira, pero el motor no arranca
Cada variable tiene definida sus probabilidades a priori y condicionales, los cuales
son usados para determinarla probabilidad a posteriori teniendo un conjunto de evidencias.
Tabla 3.13 Probabilidad condicional para el nodo F1
Fuente: Elaboración Propia
P(F1/F) Presente Ausente
Presente 0.8 0.4
Ausente 0.2 0.6
Ahora se presenta la probabilidad condicional para el nodo F5
F1
F6
F5
F27
110
Tabla 3. 14 Probabilidad Condicional para el nodo F5
Fuente: Elaboración Propia.
P( F5/F1 ) Presente Ausente
Presente 0.85 0.20
Ausente 0.15 0.80
Probabilidad condicional para el nodo F6
Tabla 3. 15 Probabilidad A-priori para el nodo F6
Fuente: Elaboración Propia.
P (F6) Probabilidad
Presente 0.80
Ausente 0.20
Una vez realizado esto se puede calcular la probabilidad condicional para el nodo F27
Tabla 3. 16 Probabilidad Condicional para el nodo F27
Fuente: Elaboración Propia.
F5 F6 +F27 -F27
Presente Presente 0.75 0.25
Presente Ausente 0.65 0.35
Ausente Presente 0.45 0.65
Ausente Ausente 0.15 0.85
111
Ahora que se cuenta con las probabilidades de los nodos, se continua con el proceso
de propagación, para lo cual primeramente se debe calcular las probabilidades A-priori de
las variables hijo.
Entonces debemos calcular las probabilidades de las variables S10 y S9 (variables
hijo).
(1)
La probabilidad de se conoce por que el experto es el que
proporciona la información pero la probabilidad no se conoce, entonces
utilizando la propiedad de independencia a- priori tenemos que:
La variable F6: Motor de arranque gira, pero el motor no arranca puede darse (+F6)
o no darse (-F6) así como F5: Motor pierde compresión puede darse (+ F5) o no darse (-
F5) cuando se tiene (F27): Empaque de bujías defectuoso entonces debemos tomar todas
las posibilidades por lo que se generaliza la formula (1).
Haciendo uso de esta ecuacion se puede calcular la probabilidad de las variables F1,
F2 cuando estan presentes:
Primero se calcula +F1
112
Esta probabilidad significa que se tiene un 72% de probabilidad que se tenga
perdida de compresion en el motor, con el principio de arranque dificil en el automovil.
Tambien se debe calcular –F1
Esto significa que se tiene un 28% de probabilidad de no tener perdidas de
compresion en el motor, si se tiene arranque dificil.
Se Calcula +F5
67
Esta probabilidad de 0.6716, nuestra que existe perdida de compresionen el motor,
ya que se empleo la otra probabilidad anteriormente calculada, para actualizar la
informacion cuantitativa del nodo.
Tambien se debe calcular –F5
113
33
Esto significa que 0.332 es la probabilidad de que no exista perdida de compresion
en el motor.
Haciendo uso de estas ecuaciones se puede calcular la probabilidad cuando se
presenta el empaque de bujias defectuosas o desgastadas F(+27)
Este valor se puede interpretar como que un 60% de los problemas en el arranque
dificil se debe a que el motor pierde compresion o cuando el motor de arranque gira pero el
motor no arranca es porque el empaque de bujias esta defectuoso o desgastado.
Para que cumpla la propiedad calculamos p(-F27), tambien
utilizamos la formula desarrollada.
114
El 0.43% no cree que el arranque dificil se deba a que el empaque de bujias este
defectuoso o desgastado.
En todos los casos P(F1), P(F5),P(F27) se cumple la propiedad
Introduciendo un conjunto de evidencias e= es decir
eventos que se saben con certeza podemos calcular la probabilidad a posteriori. Calculamos
la probabilidad de la variable arbitraria dada la evidencia observada.
Ejemplo: Suponiendo que se tiene como evidencia que el Motor pierde compresión
F5 cual es la probabilidad de que se tenga Arranque dificil.
Fig. 3.15 Representación gráfica al introducir la evidencia
Fuente: Elaboración propia
115
Calculando la probabilidad de P(+F1/ F5) para lo cual se utiliza el teorema de
Bayes. La cual constituye la base de datos en los sistemas en el área de Inteligencia
Artificial para inferencia probabilística. En el caso más general de variables multievaluadas
se puede expresar utilizando la notación P de la siguiente manera:
Si se modifica el teorema para una versión condicionada más general cuando se
cuenta con cierta evidencia E obtendremos:
Si y
Por lo que el teorema de Bayes se reformula de la siguiente forma:
En donde α es la constante de normalización necesaria para que las entradas de la P
(X/Y) sumen 1.
Aplicando el teorema en el ejemplo obtenemos que:
El valor de P(F1/F5) utilizando la formula (2) debe resultar la formula (3).
Utilizando el teorema de Bayes (2) se obtiene que:
= 0.92
116
Por lo que resulta que existe un 92% de probabilidad que se tenga Arranque difícil
al haber perdido la compresión en el Motor.
Se Calcula ahora el complemento:
= 0.08
Lo que significa que existe un 8% de probabilidad de que no haya Arranque difícil
al haber perdida de compresión en el Motor.
Sumando ambos resultados se obtiene que:
Al utilizar la fórmula de Bayes reformulado en (3) obtendremos en síntesis los
mismos resultados:
2 (4)
(5)
117
Pero entonces reemplazando obtenemos:
7
Reemplazando el valor de α en 4 y 5 se tiene que:
3.4 ACTUACIÓN PARA CONSEGUIR EL MANTENIMIENTO
PERFECTIVO
Esta fase trata del mantenimiento del sistema, dadas las características específicas
de los sistemas basados en conocimiento (SBC), el mantenimiento perfectivo es esencial,
puesto que, además del aumento de funcionalidades, efectúa la incorporación de nuevos
conocimientos que, sin duda, se van a generar por el propio uso del SBC.
3.4.1 DEFINIR EL MANTENIMIENTO DEL SISTEMA GLOBAL
El objetivo de este proceso es la obtención de una nueva versión de un sistema de
información, a partir de las peticiones de mantenimiento que los usuarios realizan con
motivo de un problema detectado en el sistema, o por la necesidad de una mejora del
mismo.
La estructura propuesta para el Proceso de Mantenimiento comprende las siguientes
actividades:
118
MSI1
Registro de la
petición
MSI2
Análisis de la
petición
MSI3
Preparación de la
Implementación de
la Modificación
MSI4
Seguimiento y
evaluación de los
cambios hasta la
aceptación
Fig. 3.16 Representación gráfica de las actividades para el proceso de mantenimiento
Fuente: Elaboración propia
Para después completar con el diagrama final, al momento de hacer el respectivo
mantenimiento al sistema basado en conocimiento.
Resultados de Implantación y
aceptación del sistema
Plan de mantenimiento
Acuerdo del nivel de
servicio.
Entradas externas
Petición de mantenimiento
Producto de software en
desarrollo.
MSI1 MSI2 MSI3 MSI4
Catálogo de peticiones
Propuesta de solución
Análisis de impacto de los
cambios.
Plan de acción
Plan de pruebas
Evaluación de los cambios
Resultados de las pruebas
Fig. 3.17 Representación gráfica del proceso de mantenimiento
Fuente: Elaboración propia
3.4.1.1 ACTIVIDADES PARA EL PROCESO DE MANTENIMIENTO
El detalle de actividades es como sigue:
Actividad MSI1: Registro de la Petición
El objetivo de esta actividad es establecer un sistema estandarizado de registro de
información para las peticiones de mantenimiento, con el fin de controlar y canalizar los
cambios propuestos por un usuario o cliente, mejorando el flujo de trabajo de la
organización y proporcionando una gestión efectiva del mantenimiento.
119
Es importante asignar responsabilidades para evitar la realización de cambios que
beneficien a un usuario, pero que produzcan un impacto negativo sobre otros muchos. Por
tanto, es necesaria que todas las peticiones de mantenimiento sean presentadas de una
forma estandarizada, que permita su clasificación y facilite la identificación del tipo de
mantenimiento requerido.
Una vez que la petición ha sido registrada, que ha determinado el tipo de
mantenimiento y los sistemas de información a los que inicialmente puede afectar, se
comprueba su viabilidad, de acuerdo a las prestaciones de mantenimiento establecidas para
dichos sistemas de información.
Tabla 3.17 Descripción de la actividad MSI1 Registro de Petición
Fuente: Elaboración propia
TAREA PRODUCTOS TÉCNICAS PARTICIPANTES
MSI1.1: Registro de
la Petición Catálogo de Peticiones Catalogación
Responsable de
Mantenimiento
MSI1.2: Asignación
de la Petición
Catálogo de Peticiones :
Aceptación/Rechazo de la
Petición
Asignación de
Responsable
Catalogación Responsable de
Mantenimiento
Actividad MSI2: Análisis de la Petición
En esta actividad se lleva a cabo el diagnóstico y análisis del cambio para dar
respuesta a las peticiones de mantenimiento que han sido aceptadas en la actividad anterior.
Se analiza el alcance de la petición en lo referente a los sistemas de información
afectados, valorando hasta que punto pueden ser modificados en función del ciclo de vida
120
estimado para los mismos y determinando la necesidad de desviar la petición hacia el
proceso Estudio de Viabilidad del Sistema o Análisis del Sistema de Información (ASI), en
función del impacto sobre los sistemas de información afectados.
El enfoque de este estudio varía según el tipo de mantenimiento, teniendo en cuenta
que en el caso de un mantenimiento correctivo que implique un error crítico debe abordarse
el cambio de forma inmediata sin profundizar en el origen del mismo.
Tabla 3.18 Descripción de la actividad MSI2 Análisis de la Petición
Fuente: Elaboración propia
TAREA PRODUCTOS TÉCNICAS PARTICIPANTES
MSI 2.1:
Verificación y
Estudio de la
Petición
Catálogo de
Peticiones:
Verificación de la
Petición
Resultado del Estudio
de la Petición
Sesiones de trabajo
Catalogación
Equipo de
Mantenimiento
MSI 2.2: Estudio de
la Propuesta de
Solución
Propuesta de Solución
Catálogo de
Peticiones:
Estudio del Impacto
Aceptación / Rechazo
de la Solución
Sesiones de trabajo
Catalogación
Responsable de
Mantenimiento
Equipo de
Mantenimiento
Actividad MSI3: Preparación de la Implementación de la Modificación
Una vez finalizado el estudio previo de la petición y aprobada su implementación,
se pasa a identificar de forma detallada cada uno de los elementos afectados por el cambio
mediante el análisis de impacto. Este análisis tiene como objetivo determinar qué parte del
121
sistema de información se ve afectada, y en qué medida, dejando claramente definido y
documentado qué componentes hay que modificar, tanto de software como de hardware.
Con el resultado de este análisis se dispone de los datos cuantitativos sobre los que
aplicar los indicadores establecidos. Esto permitirá fijar un plan de acción, valorando la
necesidad de realizar un reajuste de dichos indicadores, con el fin de cumplir el plazo
máximo de entrega.
Tabla 3.19 Descripción de la actividad MSI3 Preparación de la Implementación de la Modificación
Fuente: Elaboración propia
TAREA PRODUCTOS TÉCNICAS PARTICIPANTES
MSI 3.1:
Identificación de los
Elementos
Afectados
Catálogo de
Peticiones
Elementos
Afectados
Análisis de Impacto
de los cambios.
Catalogación
Análisis de impacto
Equipo de
Mantenimiento
Jefe del proyecto
MSI 3.2:
Establecimiento del
Plan de Acción
Catálogo de
Peticiones
Actividades y tareas
de los Procesos de
Desarrollo a
Realizar
Plan de acción para
la Modificación
Planificación
Catalogación
Responsable de
Mantenimiento
Equipo de
Mantenimiento
Jefe de Proyecto
MSI 3.3:
Especificación del
Plan de pruebas
Plan de Pruebas Equipo de
Mantenimiento
Jefe de Proyecto
122
Actividad MSI4: Seguimiento y Evaluación de los Cambios Hasta la Aceptación
Se realiza el seguimiento de los cambios que se están llevando a cabo en los procesos de
desarrollo, de acuerdo a los puntos de control del ciclo de vida del cambio establecidos en
el plan de acción. Durante este seguimiento, se comprueba que sólo se han modificado los
elementos que se ven afectados por el cambio y que se han realizado las pruebas
correspondientes, especialmente las pruebas de integración y del sistema. Del resultado
obtenido se hace una evaluación del cambio para la posterior aprobación.
Con el cierre de la petición se podrán incluir en el catálogo, si se considera oportuno, parte
de la información obtenida durante el proceso de mantenimiento que pueda facilitar
posteriores análisis.
Tabla 3. 20 Descripción de la actividad MSI4 Seguimiento y Evaluación de los cambios hasta la
Aceptación
Fuente: Elaboración propia
TAREA PRODUCTOS TÉCNICAS PARTICIPANTES
MSI 4.1:
Seguimiento de los
Cambios
Evaluación del
Cambio
Equipo de Mantenimiento
Responsable de
mantenimiento
Jefe de Proyecto
MSI 4.2:
Realización de las
Pruebas
Resultado de las
pruebas
Evaluación del
Resultado
Pruebas de
Integración
Responsable de
mantenimiento
Equipo de Mantenimiento
Jefe de Proyecto
MSI 4.3:
Aprobación y Cierre
de la Petición
Catálogo de
Peticiones :
Nueva Versión y
Aprobación
Catalogación
Directores de los Usuarios
Responsable de
Mantenimiento
123
3.4.2 MANTENIMIENTO DE LA BASE DE CONOCIMIENTOS Y
ADQUISICIÓN DE NUEVOS CONOCIMIENTOS.
El mantenimiento de la base de conocimientos se logra por el aprendizaje
paramétrico, este el primero que se aplica en el presente trabajo, ya que se refiere al
conocimiento de los parámetros de la base de conocimiento. Los modelos probabilísticos
dependen de parámetros, cuyo conocimiento preciso es necesario para conseguir un sistema
experto fiable. Toda modificación en la estructura de la base de conocimiento que da lugar
a una mejora de la misma, supone, la incorporación de nuevos parámetros, que conduce a
una reproducción más fiel del conocimiento.
La actualización de parámetros, cuando un nuevo dato (síntoma)
€ F y problemas conocidos (P) pueden determinarse mediante las siguientes
formulas:
Para N* = N +1
y:
3.5 LOGRAR UNA ADECUADA TRANSFERENCIA TECNOLOGICA
La calidad con la que se diseña el interfaz para el usuario puede ser uno de los
motivos para que un sistema tenga éxito o el mismo fracase.
124
Según Gómez (2007), el diseño de la interface para el usuario es una tarea que ha
adquirido relevancia en el desarrollo de un sistema. El diseño de la interfaz grafica para el
prototipo fue realizado en base a los anteriores puntos desarrollados en el presente trabajo.
A continuación se describen las principales pantallas del prototipo elaborado,
describiendo la funcionalidad de cada una de ellas.
Interfaz Principal: Se tiene una interfaz principal donde el usuario puede
seleccionar cual es la actividad de su interés, como ser el Diagnostico de su motor, ver los
Objetivos del presente trabajo, contactarse con el ingeniero de software por si tuviera
alguna duda u observación o simplemente compartir la experiencia del sistema por algún
medio social.
Fig. 3.18 Interfaz Grafica del Sistema Experto EmoIE
Fuente: Elaboración propia
125
Interfaz para el Aprendizaje del usuario: Acá el usuario podrá aprender algo más
sobre el motor a inyección electrónica de su vehículo donde se muestra los componentes de
su motor y sobre todo que es la inyección electrónica.
Fig. 3.19 Interfaz para el Aprendizaje del usuario
Fuente: Elaboración propia
Interfaz de Diagnostico: Acá el usuario podrá seleccionar el problema que tiene
con su motor a inyección electrónica, como ser:
Arranque Difícil
Consumo excesivo de combustible
Combustión Anormal
Motor pierde potencia
Jaloneo del Motor
Problemas de Lubricación
Ahogo en la desaceleración
Oscilación a velocidad constante
126
Fig. 3.20 Interfaz para el Diagnostico del motor del usuario
Fuente: Elaboración propia
Después de ver el problema podrá hacer un clic en el problema para llevarlo a otra
pantalla para confirmar el problema como se muestra en la figura 3.21.
Fig. 3.21 Interfaz de confirmación del problema del motor del usuario
Fuente: Elaboración propia
127
El usuario accederá a otra pantalla donde el sistema experto comenzara a dar
opciones de los posibles problemas para que este pueda seleccionar alguno y así determinar
las fallas de su motor a inyección electrónica.
Fig. 3.22 Interfaz de consultas al usuario sobre las fallas del motor
Fuente: Elaboración propia
Si el usuario no contesta alguna consulta sobre su falla el sistema el advertirá como
se puede apreciar en la figura 3.23
Fig. 3.23 Advertencia si el usuario no contesta alguna consulta
Fuente: Elaboración propia
128
Por ultimo después que el usuario haya contestado todas las consultas sobre sus
problemas, el sistema experto desplegara los resultados con las fallas que presenta su motor
a inyección electrónica.
Fig. 3.24 Despliegue de resultados del sistema experto
Fuente: Elaboración propia
129
CAPITULO IV
ANÁLISIS DE RESULTADOS
RESUMEN
En este capítulo se presenta la prueba de hipótesis, el
estado de los objetivos, la demostración del modelo
bayesiano mediante el sistema Elvira.
4.1 INTRODUCCIÓN
El proceso de análisis de resultados será tomado desde dos puntos de vista, el
primero con la colaboración del programa Elvira para poder probar el correcto desempeño
de un fragmento de la Red Bayesiana propuesta, ya que el programa Elvira está diseñado
para la edición y evaluación de modelos gráficos probabilísticos, concretamente redes
bayesianas y diagramas de influencia. Además de efectuar el proceso de inferencia
mediante la propagación de poliárboles que fue explicado con anterioridad. Elvira cuenta
con un formato propio para la codificación de los modelos, también cuenta con una interfaz
gráfica para la construcción de redes con opciones específicas para modelos canónicos
(puertas AND, OR, MAX), algoritmos exactos y aproximado de razonamiento tanto para
variables discretas como continuas, métodos de explicación de razonamiento, algoritmos de
toma de decisiones, aprendizaje de modelos de bases de datos, en otros casos.
La segunda parte comprende la evaluación que se realizara al prototipo en sí.
4.2 PRUEBAS A LA RED BAYESIANA
La Figura 4.1 muestra las propiedades que puede poseer un determinado nodo
(nombre, titulo, un umbral, la función que este cumple y pequeños comentarios referentes
al nodo). Otras propiedades que posee el nodo se encuentra en otras pestañas. Por ejemplo:
130
en la pestaña padres se puede seleccionar el nodo padre que poseerá el nodo al que les
proporcionamos estas propiedades.
Fig. 4.1 Propiedades de un Nodo de la Red Bayesiana
Fuente: Elaboración Propia en el Programa Elvira
En la Figura 4.2 se muestra el desarrollo de un fragmento de la red bayesiana, para
observar el comportamiento de las variables y la relación entre las mismas.
Fig. 4.2 Representación de la Red Bayesiana Fuente: Elaboración Propia en el Programa Elvira
131
Una vez realizado esto se verifica la transmisión de información entre nodos de una
parte de la Red Bayesiana. El cambio de color de las flechas de la anterior figura 4.2 a la
actual figura 4.3, indica que la mencionada transferencia se ha realizado con éxito.
Fig. 4.3 Representación de la transmisión de Datos en la Red Bayesiana Fuente: Elaboración Propia en el Programa Elvira
Una vez realizado el fragmento de la red y verificada la transferencia de datos se
procede al llenado de datos, es decir la introducción de las probabilidades a-priori o en su
caso las tablas de probabilidad condicional.
Fig. 4.4 Representación de la Tabla de Probabilidades del Nodo Padre. Fuente: Elaboración Propia en el Programa Elvira
132
Fig. 4.5 Representación de Probabilidades condicionales de un nodo
Fuente: Elaboración Propia en el Programa Elvira
Seguidamente se puede obtener las probabilidades a-priori de los siguientes nodos,
hijos como se puede observar en la Figura 4.6.
Fig. 4.6 Representación de la Tabla de Probabilidades datos a-priori.
Fuente: Elaboración Propia en el Programa Elvira
133
Después se puede obtener las probabilidades a posteriori, introduciendo una
evidencia, obteniendo como resultado lo apreciado en la Figura 4.7. Uno de los nodos será
tomado como evidencia (nodo con negrillas) o dato externo.
Este nodo tomara inmediatamente el valor de 1.0, para que posteriormente el resto
de los nodos puedan actualizar sus datos.
Fig. 4.7 Representación de la Tabla de Probabilidades datos a-posteriori.
Fuente: Elaboración Propia en el Programa Elvira
4.3 PRUEBA DE HIPÓTESIS
Para la prueba de hipótesis se tomó como muestra, una población de 20 estudiantes
de último año de la carrera técnica de Mecánica Automotriz del Instituto Técnico (ITAB),
debido al conocimiento que estos poseen para poder realizar la correcta evaluación del
sistema experto para el Diagnostico de Fallas en Motores a Inyección Electrónica de
vehículos.
134
A continuación se detallan los puntos definidos en la hipótesis, así como las
preguntas que sirvieron de base, para determinar la opinión de los expertos con respecto a
cuan acertado es el sistema experto en su diagnóstico de fallas, además los resultados de
estos nos servirán como medida de referencia para la demostración de la hipótesis
Es necesario mencionar que solo los rangos de Bueno y Excelente serán tomados
como referencia de aceptación del sistema experto y no así los rangos de Malo y regular.
1. ¿La información con la que cuenta el sistema experto de Diagnostico de fallas en
motores a inyección electrónica de vehículos es suficientemente amplia en su área de
trabajo?
Mala Regular Buena Excelente
Conclusión
Se tiene un 95% de aceptación lo que equivale a que 19 estudiantes aceptaron la base de
conocimiento.
0 1
11
8
Mala Regular Buena Excelente
Opinión base de conocimiento
135
2. ¿La cantidad de información proporcionada por el sistema experto para el
Diagnostico de fallas en motores a inyección electrónica de vehículos es suficiente?
Mala Regular Buena Excelente
Conclusión
Se tiene un 85% de aceptación lo que equivale a que 20 estudiantes aceptaron de manera
Buena a Excelente la cantidad de información proporcionada por el sistema experto.
3. ¿El manejo de la información por el sistema experto para el Diagnostico de fallas en
motores a inyección electrónica de vehículos es?
Mala Regular Buena Excelente
0
3
9
8
Mala Regular Buena Excelente
Cantidad de Información Proporcionada
136
Conclusión
Se tiene un 95% de aceptación lo que equivale a que 19 estudiantes aceptaron el manejo de
información.
4. ¿El sistema experto para el Diagnostico de fallas en motores a inyección electrónica
de vehículos despliega resultados correctos?
Mala Regular Buena Excelente
0 1
10 9
Mala Regular Buena Excelente
Manejo de la Informacion
0
2
12
6
Mala Regular Buena Excelente
Resultados correctos
137
Conclusión
Se tiene un 90% de aceptación lo que equivale a que 18 estudiantes aceptaron los resultados
proporcionados por el sistema experto.
5. ¿La Interfaz del prototipo es?
Mala Regular Buena Excelente
Conclusión
Se tiene un 85% de aceptación lo que equivale a que 17 estudiantes aceptaron la interfaz del
prototipo.
Se realizó 5 preguntas de las cuales se obtuvo un promedio de aceptación del 90%
en otras palabras 18 estudiantes, con respecto de la muestra n=20, para confirmar este
supuesto se tomara un nivel de confianza del 95% o mejor dicho un nivel de significancia
de 0.05.
0
3
12
5
Mala Regular Buena Excelente
Interfaz
138
Se tiene que:
Xi (9.5, 8.5, 9.5, 9.0, 8.5)
Recordando la Hipótesis
El Sistema Experto basado en Redes Bayesianas para el Diagnostico de fallas en los
motores a inyección electrónica de vehículos, coopera en la toma de decisiones al
momento de realizar el mantenimiento, con un nivel de confianza de al menos un
85%, respecto a la toma de decisiones de un experto humano.
1. Hipótesis Nula Ho: µ = 8.5
Hipótesis Alternativa H1: µ ≠ 8.5
2. α = 0.05
3. Dado que n = 5 es pequeño y suponiendo que la población tiene distribución normal, se
usa la variable aleatoria que tiene una distribución t con n - 1 = 4 grados de libertad.
4. De los datos anteriores se sabe que = 9, s = 0.97 para n = 5, entonces:
5. Para la región critica se buscara el valor en base a 1 – α/2 y esto es igual a 0.975 por lo
cual la región de aceptación será: R.A. < -2.776: 2.776 >
6. Conclusión: debido a que T = 1.16 este € a la región de aceptación, por lo tanto se
acepta Ho; es decir que se acepta que el sistema experto tiene un grado de confiabilidad del
85% como se planteó en la hipótesis.
139
CAPITULO V
CONCLUSIONES Y RECOMENDACIONES
RESUMEN
En este capítulo se realiza el cierre del trabajo efectuado,
se presentan las conclusiones generales del trabajo de
investigación, recomendaciones y propuestas para
trabajos futuros.
5.1 CONCLUSIONES GENERALES
A la finalización del trabajo de investigación emprendido, se puede mencionar
como conclusiones generales las siguientes:
Con el desarrollo del prototipo del sistema experto para el Diagnostico de Fallas en
Motores a Inyección Electrónica se logró alcanzar el objetivo general planteado en
el Capítulo I, por lo cual se contribuye con los distintos métodos de detección de
errores y fallas de los motores de una forma económica.
La mejor manera de desarrollar un prototipo es que sea orientado a la Web, ya que
de otra forma seria obsoleto por las tendencias de software la época en la que se
vive.
El desarrollo de sistemas expertos se vuelve más simple cuando se cuenta con un
experto en el tema a desarrollar, ya que este es el núcleo de lo que será el sistema.
En la ciudad de La Paz el número de expertos en mecánica automotriz es muy
reducido, debido a que la mayoría adquiere estos conocimiento de forma empírica o
por transmisión directa por las experiencias de otra persona (padres a hijos o
ayudantes)
Los sistemas expertos son la primera gran aplicación práctica de los sistemas
inteligentes liberada en los laboratorios de investigación en inteligencia artificial.
140
5.2 ESTADO DE LA HIPÓTESIS
La Hipótesis planteada para el presente trabajo es “El sistema experto basado en
redes bayesianas para el Diagnostico de fallas en los motores a inyección electrónica de
automóviles, coopera en la toma de decisiones, al momento de realizar el mantenimiento,
con un nivel de confianza de al menos un 85%, respecto a la toma de decisiones de un
experto humano”, como se muestra en el Capitulo IV específicamente en el punto 4.2 dicha
hipótesis es aceptada, con un universo de 20 expertos el tema.
5.3 ESTADO DE LOS OBJETIVOS
5.3.1 ESTADO DEL OBJETIVO GENERAL
El objetivo principal es “Desarrollar un sistema experto que determine las
fallas del motor a inyección electrónica de los automóviles. De manera tal que contribuya
con los distintos métodos de detección de errores y fallas en los mismos, y por ende con
una manera más económica de mantener el motor para cualquier persona que cuente con un
vehículo”, esto se lo cumple con el diseño del prototipo especificado en el Capítulo III.
5.3.2 ESTADO DE LOS OBJETIVOS ESPECÍFICOS
El estado de los objetivos específicos es:
“Analizar los principios del sistema de inyección electrónica de combustible para
entender las bases del proyecto”, se cumplió en su totalidad como se muestra a
partir del punto 2.3 en el que se muestra detalladamente los principios de la
inyección electrónica.
“Conocer los principales tipos de inyección electrónica”, este objetivo se lo cumple
en su totalidad en el punto 2.3.4 con la clasificación de los motores a inyección
141
electrónica de vehículos.
“Estudiar y conocer los sistemas expertos”, este objetivo se cumple con el estudio
de los sistemas expertos en el punto 2.2 desde su definición hasta sus diferencias
pasando por su ciclo de vida.
“Estudiar y aplicar las redes Bayesianas, para el diseño de la base de conocimientos
del sistema experto”, objetivo cumplido con el punto 3.3.4.3, construcción del
modelo de conocimiento.
“Evaluar el sistema experto”, se lo verifica en el punto 4.3 con el que se da
conclusión a este objetivo.
5.4 RECOMENDACIONES
Tomando en cuenta la gran cantidad de motores construidos por las tantas empresas
automotrices, además del constante avance tecnológico en esta industria, se recomienda
incluir los diferentes tipos de errores del check engine.
Se recomienda el desarrollo de una aplicación móvil, ya que los usuarios tienen
tendencia al manejo de los celulares, por lo cual el sistema experto sería mucho más
utilizado.
5.5 TRABAJOS FUTUROS
El campo de investigación de los sistemas expertos es muy amplio, como trabajos
complementarios que puedan emplear el presente estudio se tiene:
Cambiar la Base de Conocimiento para incluir cualquier otro tipo de investigación
142
en motores, como ser los híbridos o a diésel.
Realizar un sistema experto en Java con la ayuda de la herramienta Jess y que pueda
enlazarse con el programa Elvira.
Ampliar el estudio, ampliando el desarrollo de las redes Bayesianas.
Realizar el sistema experto para plataformas móviles.
Realizar el sistema experto que reconozca la voz, para así poder elaborar las
preguntas por medio de palabras.
143
BIBLIOGRAFÍA
[David, 1987] S. David, Expert Systems for Software engineers and managers, Chapman
and Hall, London.
[Cuenca, 1995]. Notas sobre modelos de razonamiento. Dpto. de I.A., Facultad de
Informática, UPM.
[Giatarrano, 2001] Joseph Giatarrano, 2001: Sistemas Expertos, principios de
programación, Internacional Thopsom Editores S.A. México.
[Gil, 2002] D. Hermogenes Gil Martinez, 2002: Manual del Automóvil reparación y
mantenimiento. Cultural S.A. Madrid. Madrid España
[Haton , 1991] J.P. Haton, & M.C. Haton La Inteligencia Artificial: una aproximación,
Ediciones Paidos, Barcelona España.
[Hernández, 2003] Sampieri Hernández, R. y otros. Metodología de la investigación.
McGraw Hill, México.
[Jackson, 1990] Introduction to Expert System,s Addison-Wesley, London.
144
[Koller, 2009] Friedman D. Koller, Probabilistic Graphical Models. Principles and
Techniques, The MIT Press.
[Lahoz, 2004] Rafael Lahoz, 2004: Bioinformática y Simulación, vida artificial e
inteligencia artificial, Edicion Diaz D. Santos, S.A. Madrid
[Larrañaga, 2011] P. Larrañaga. Moral, Probabilistic graphical models in artificial
intelligence, Applied Soft Computing, ISBN. 17, 3, 326-339
[MITCHELL INTERNATIONAL, 1993], “Manual para Ajuste de Motores y
Control de Emisiones”, Tomo 3, Editorial Prentice-Hall Hispanoamericana S.A,
Segunda Edición, España.
[Perez, 2001] Alonso Pérez, Técnicas del automóvil. Inyección de Gasolina y Dispositivos
Anticontaminación, Thomsom Editores Spain, Segunda Edición, España.
[Pearl , 1988] J. Pearl, Probabilistic Reasoning in Intelligent Systems: Networks of
Plausible Inference.
[Pressman, 2001] Pressman Roger, 2001 Ingeniería del software, Ed. Concepción
Fernández, España.
145
[TOYOTA MOTOR CORPORATION], Suplemento del manual de reparaciones 5,
Edición 2005.
[TOYOTA MOTOR CORPORATION], Estudio Previo, Diagnosis Technician
Engine, Edición 2007.
TESIS DE LA UNIVERSIDAD MAYOR DE SAN ANDRÉS
[Ayala, 2000] Héctor Santos Ayala Ramos. Agente para el diagnóstico de Motores de
automóviles. La Paz Bolivia.
[Mamani, 2005] Sandra Mamani Mamani. Reconocimiento de impresión dactilar con
Tecnología Neuronal Evolutiva. La Paz Bolivia.
TESIS DE LA UNIVERSIDAD MAYOR DE SAN SIMÓN
[Cazón, 2001] Eduardo Cazón Morales (2001). Desarrollo de un sistema inteligente para el
mantenimiento de motores de combustión interna. Cochabamba Bolivia.
[Huanca, 2010] Elva Verónica Huanca Guaquipa (2010). Sistema Experto para el
diagnóstico de fallas mecánicas en automóviles con instalación de gas natural. Cochabamba
Bolivia.
146
INTERNET
[Callejas, 2011] Eloina Callejas de Burgoa, Humberto Rosso Morales, Abraham Herrera,
Guía Metodológica para la elaboración de la Tesis de Grado.
http://iicca.umsa.bo/files/IICCA_GUIA_METODOLOGICA_PARA_ELABORACION_T
ESIS_DE_GRADO.pdf [Fecha de Acceso Abril 2013]
[Castillo, 2007] Enrique Castillo, José Manuel Gutiérrez, y Ali S. Hadi, Sistemas Expertos
y Modelos de Redes Probabilísticas, publicado en Internet.
http://personales.unican.es/gutierjm/papers/BookCGH.pdf [Fecha de Acceso Abril 2013]
[Castro, 2002] Marcel Castro, Sistemas expertos.
http://strix.ciens.ucv.ve/~iartific/Material/PP_Sistemas_Expertos.pdf. . [Fecha de Acceso
Julio 2013]
[Criado, 2004] José Mario Criado Briz, Introducción a los sistemas expertos.
http://ingenieroseninformatica.org/recursos/tutoriales/sist_exp/cap1.php. [Fecha de Acceso
Octubre 2013]
[Justo, 2004] Félix Justo, Aplicaciones, ventajas y limitaciones de los sistemas expertos.
http://efelix.iespana.es/efelix/expertaplicaciones.htm. [Fecha de Acceso Julio 2013]
147
[Mauricio, 2010] David Mauricio, El proceso de Investigación (Tesis)
http://www.uigv.edu.pe/facultades/fisct/cinvestigacion/internas/eventos/documentos/tallerte
sis/El_Proceso_de_Investigacion_Tesis.pdf [Fecha de Acceso Mayo 2013]
[Samper, 2003] Juan José Samper Márquez, Sistemas expertos. El conocimiento al poder
http://www.psycologia.com/articulos/ar-jsamper01.htm. [Fecha de Acceso Agosto 2013]
[Montes, 2003] Maria Clara Montes Cerra, Sistemas expertos. Consultado
http://dis.eafit.edu.co/labs/labgic/ARTICULOS_%20PUBLICAR/Sistemas%20expertos.do
c. [Fecha de Acceso Agosto 2013]
[Samper, 2004] Juan José Samper Márquez, Introducción a los sistemas expertos
http://www.redcientifica.com/doc/doc199908210001.html. [Fecha de Acceso Septiembre
2013]
[Viejo, 2003] Viejo Hernando Diego, Sistemas expertos
http://www.divulga-ia.com/cursos/cursos.xml?numero=2&nombre=2003-9-
26a&numLecc=1 [Fecha de Acceso Agosto 2013]
[Wikipedia, 2012] Sistema experto.
http://es.wikipedia.org/wiki/Sistema_experto. [Fecha de Acceso Abril 2013]
148
ANEXOS
ANEXO A – ÁRBOL DE PROBLEMAS
149
ANEXO B – ÁRBOL DE OBJETIVOS
150
ANEXO C – MARCO LÓGICO
RESUMEN
NARRATIVO
INDICADORES MEDIOS DE
VERIFICACIÓN
SUPUESTOS
FIN Reducir los costos de
mantenimiento del motor
a inyección electrónica
para el usuario, además
de contribuir con el
medio ambiente ya que
se reducirá la emisión de
gases por fallas.
Los usuarios cuentan
con el sistema experto
para abaratar costos.
Estadísticas y
comentarios de
usuarios conformes
con la utilización del
Sistema Experto.
PROPÓSITO Desarrollar un Sistema
Experto que determine
las fallas del motor a
inyección electrónica de
los automóviles. De
manera tal que
contribuya a un cambio
en los distintos métodos
de detección de errores y
fallas en los mismos, y
por ende a una manera
más económica de
mantener el motor para
cualquier persona que
cuente con un vehículo.
Una herramienta
para la toma de
decisiones al
momento de
realizar el
mantenimiento al
motor a
inyección
electrónica del
vehículo
Informes y
correcciones
realizados por
el Tutor
metodológico y
Asesor.
Evaluación del
sistema experto
en base a
encuestas.
Existen
trabajos de
aplicación de
sistemas
expertos en
temas similares
u otros campos
de aplicación.
PRODUCTOS
1. Presentación del
prototipo del
Sistema Experto.
2. Interfaz de
interacción con el
usuario.
3. Base de
conocimientos,
motor de inferencia
probabilístico.
Diseño del
Sistema Experto
realizado a
octubre de 2013
Base de
conocimientos y
motor de
inferencia
probabilístico
diseñados a
noviembre
Entrega de
documentación
del diseño y
presentación
del prototipo
del sistema
experto al tutor,
revisor.
Datos
suficientes para
el diseño del
Sistema
Experto.
Interfaz
agradable y
fácil de utilizar
para el usuario
ACTIVIDADES
E INSUMOS
1. Obtener información
sobre los motores a
inyección
electrónica de los
vehículos y sistemas
expertos.
2. Análisis sobre los
problemas de los
motores a inyección
electrónica de los
vehículos.
3. Entrevista con el
experto humano.
4. Desarrollo del
Sistema Experto.
5. Evaluación del
Sistema Experto
1,2. Material
bibliográfico (Libros,
artículos, revistas,
internet)
3. Entrevistas para
consultas y obtención
de información.
4,5. Material de
escritorio y
computacional.
Informe de
avance al Tutor
metodológico y
Asesor.
Información
sobre gastos.
Documentación
sobre las fallas
de los motores
a inyección
electrónica.
Documento
Final del
Trabajo de
Tesis de Grado.
Acceso a
diferentes
medios y
disposición de
bibliografía.
Disponibilidad
de tiempo por
parte del
experto
humano.
Documentación
necesaria para
la realización
del trabajo de
Tesis de Grado.
151
ANEXO D
ENCUESTA PARA LA EVALUACION DEL SISTEMA EXPERTO EMOIE
Objetivo: Determinar la calificación del Prototipo de Sistema Experto Diseñado
Marque Con una X en la casilla de Calificación que piense que sea Correcta
1. ¿La información con la que cuenta el sistema experto de Diagnostico de fallas en motores a
inyección electrónica de vehículos es suficientemente amplia en su área de trabajo?
Mala Regular Buena Excelente
2. ¿La cantidad de información proporcionada por el sistema experto para el
Diagnostico de fallas en motores a inyección electrónica de vehículos es suficiente?
Mala Regular Buena Excelente
3. ¿El manejo de la información por el sistema experto para el Diagnostico de fallas en
motores a inyección electrónica de vehículos es?
Mala Regular Buena Excelente
4. ¿El sistema experto para el Diagnostico de fallas en motores a inyección electrónica
de vehículos despliega resultados correctos?
Mala Regular Buena Excelente
5. ¿La Interfaz del prototipo es?
Mala Regular Buena Excelente
Gracias por su colaboración
152
ANEXO E - PARTES Y MOTOR A INYECCIÓN ELECTRÓNICA
A.1 Partes del Vehículo
Fuente: [Urbina, 2008]
153
A. 2 Motor a Inyección Electrónica y sus Partes
Fuente: [Urbina, 2008]
154
A. 3 Forma del ECU
Fuente: [Urbina, 2008]