diseÑo e implementaciÓn de una red neuronal...
TRANSCRIPT
DISEÑO E IMPLEMENTACIÓN DE UNA RED NEURONAL ARTIFICIAL (RNA) PARA DETECCIÓN Y DIAGNÓSTICO DE FALLAS DE UN PROCESO DE
CONTROL DE PRESIÓN
Jonathan Andrés Salazar Triana Jonnathan Camilo Sánchez Moreno
Director: Ing. Luini Leonardo Hurtado Cortes
Universidad Distrital Francisco José de Caldas Facultad Tecnológica
Proyecto curricular de Tecnología e Ingeniería Mecánica Bogotá 2018
DISEÑO E IMPLEMENTACIÓN DE UNA RED NEURONAL ARTIFICIAL (RNA) PARA DETECCIÓN Y DIAGNÓSTICO DE FALLAS DE UN PROCESO DE
CONTROL DE PRESIÓN
Jonathan Andrés Salazar Triana Jonnathan Camilo Sánchez Moreno
Proyecto de grado presentado como requisito para obtener el título de Ingeniero Mecánico.
Director: Ing. Luini Leonardo Hurtado Cortes
Universidad Distrital Francisco José de Caldas Facultad Tecnológica
Proyecto curricular de Tecnología e Ingeniería Mecánica Bogotá 2018
El consejo curricular de la Universidad Distrital Francisco José De Caldas aprueba el Trabajo de Grado titulado:
DISEÑO E IMPLEMENTACIÓN DE UNA RED NEURONAL ARTIFICIAL (RNA)
PARA DETECCIÓN Y DIAGNÓSTICO DE FALLAS DE UN PROCESO DE CONTROL DE PRESIÓN
En cumplimiento de los requisitos para obtener el título de Ingeniero Mecánico
____________________________ Ing. Luini Leonardo Hurtado Cortes
DIRECTOR DEL PROYECTO
____________________________ Ing. Camilo Arias Henao
JURADO DEL PROYECTO
AGRADECIMIENTOS Gracias a Dios por permitirnos llegar hasta este momento y darnos la fortaleza para haber afrontado los obstáculos que se nos presentaron en el transcurso de la carrera, gracias a las personas que directa o indirectamente hicieron parte de este proceso de formación y fueron claves en la consecución de este logro, a nuestros padres que gracias a ellos con su constante amor, apoyo y fortaleza nos integraron en las diversas dinámicas de la vida. También agradecimientos a nuestros familiares, amigos y a todos los profesores y funcionarios que componen y hacen parte de la Universidad Distrital Francisco José de caldas no son nada más y nada menos que un solo conjunto que suponen benefactores de importancia inimaginable en nuestras circunstancias de estudiante y humano.
Tabla de contenido INTRODUCCIÓN ..............................................................................................................................1
1. OBJETIVOS ...............................................................................................................................4
1.1 Objetivo General ........................................................................................................................4
1.2 Objetivos Específicos ..................................................................................................................4
2. REDES NEURONALES ARTIFICIALES. ..............................................................................5
2.1 Sistema Neuronal Artificial. .......................................................................................................5
2.2 Modelo de una neurona artificial. .............................................................................................6
2.3 Componentes de una neurona artificial ....................................................................................7
2.4 Fases de operación de una red neuronal. ..................................................................................7
2.5 Tamaño de una red neuronal.....................................................................................................8
2.6 Detección y diagnóstico de fallas mediante redes neuronales. ................................................9
2.7 Antecedentes. ........................................................................................................................ 10
3. DESCRIPCIÓN DEL SISTEMA DE CONTROL DE PRESIÓN Y NIVEL ...................... 13
3.1 PARTES BANCO DE PRUEBAS T5555-AAU ............................................................................... 13
3.2 FUNCIONAMIENTO BANCO DE PRUEBAS T5555-AAU ............................................................ 18
4. IMPLEMENTACIÓN DE HADWARE Y SOFTWARE ....................................................... 19
4.1 IMPLEMENTACIÓN DEL HARDWARE PARA LA TRANSMISIÓN Y RECEPCIÓN DE DATOS ........ 19
4.2 IMPLEMENTACIÓN DEL SOFTWARE. ....................................................................................... 21
4.3 RECOLECCIÓN Y PRE PROCESAMIENTO DE DATOS ................................................................. 22
4.3.1 Pantalla de proceso ..................................................................................................... 22
4.3.2 Cuadro Pictórico ........................................................................................................... 23
4.3.3 Cuadro Fotograma ....................................................................................................... 23
4.3.4 Pantalla de Resultados................................................................................................ 23
5. RECOLECIÓN Y PROCESAMIENTO DE DATOS ........................................................... 25
5.1 Test 1 Prueba de nivel ............................................................................................................. 25
5.2 Test 2 Prueba de presión ........................................................................................................ 28
6. DESARROLLO Y ENTRENAMIENTO DE LA RED NEURONAL. ................................. 39
7. IMPLEMEMENTACIÓN DEL SISTEMA DE DETECCIÓN DE FALLAS ....................... 42
7.1 INTERFAZ RNA EN SOFTWARE MATLAB .................................................................................. 42
7.2 Pruebas con fallas en el proceso .................................................................................. 47
7.2.1 Fallas en la medición del proceso de nivel .............................................................. 47
7.2.2 Fallas en la medición del proceso de presión .......................................................... 48
8. CONCLUSIONES ................................................................................................................... 56
Tabla de Figuras. Figura 1: Banco de Pruebas T5555-AAU Pressure Process Control Learning System. ........... 2 Figura 2. Red neuronal artificial ............................................................................................... 6 Figura 3: neurona artificial tipo McCulloch-Pitts. ...................................................................... 6 Figura 4: modelo de una red unicapa (L 1992). ....................................................................... 8 Figura 5: modelo de una red multicapa (L 1992). .................................................................... 9 Figura 6: Partes del Banco de Pruebas T5555-AAU .............................................................. 13 Figura 7. Electroválvula de Entrada ....................................................................................... 15 Figura 8. Regulador de Presión ............................................................................................. 15 Figura 9. Sensor de Nivel por Presión Diferencial ................................................................. 16 Figura 10. Sensor de Presión. ............................................................................................... 16 Figura 11. Sensores de Nivel ................................................................................................ 17 Figura 12. Electroválvula de Salida. ...................................................................................... 17 Figura 13. Tarjeta ARDUINO UNO R3. .................................................................................. 19 Figura 14 Plano montaje tarjeta ............................................................................................. 20 Figura 15. Pantalla de procesos ........................................................................................... 22 Figura 16. Pantalla de Resultados ......................................................................................... 23 Figura 17. Red multicapa con múltiples entradas y una salida .............................................. 39 Figura 18. Función sigmoidea ............................................................................................... 40 Figura 19.Ventana de creación de la red neuronal ................................................................ 42 Figura 20. Ventana de creación de la red .............................................................................. 42 Figura 21. Red neuronal artificial para el proceso de nivel..................................................... 44 Fig*ura 22. Red neuronal artificial para el proceso de presión ............................................... 44 Figura 23. Entrenamiento red neuronal proceso de nivel ....................................................... 45 Figura 24. Entrenamiento red neuronal proceso de presión .................................................. 45 Figura 25. Interfaz red neuronal T555_AAU .......................................................................... 42
Tabla de Graficas.
Grafica 1. Entrada Variador (V) vs Tiempo (s) ....................................................................... 26 Grafica 2. Salida Nivel (inH2O) vs Tiempo (s) ....................................................................... 27 Grafica 3. Entradas Electroválvula y salida sensor (mA) vs tiempo (s) .................................. 29 Grafica 4. Entradas Electroválvula y salida sensor (mA) vs tiempo (s) .................................. 30 Grafica 5. Salida presión (Bar) vs Tiempo (s) ........................................................................ 31 Grafica 6. Mejor rendimientos según iteración ....................................................................... 46 Grafica 7. Entrada datos vs salida RNA de presión ............................................................... 41 Grafica 8. Entrada de datos vs salida RNA de nivel............................................................... 41 Grafica 9. Red neuronal en el proceso de nivel funcionando correctamente. ........................ 46 Grafica 10. RNA proceso de presión correcto ...................................................................... 476 Grafica 11. Falla 1 nivel, Sensor de nivel no registra lectura ................................................. 50 Grafica 12. Falla 2 nivel, Variador sin conexión ..................................................................... 51 Grafica 13. Falla 1 presión, Sensor de presión no registra lectura ......................................... 52 Grafica 14. Falla 2. Presión, electroválvula de entrada atascada........................................... 53 Grafica 15. Falla 3. Presión, Electroválvula abierta................................................................ 54
RESUMEN
Este proyecto tiene la finalidad de diseñar e implementar una red neuronal artificial (RNA) que permita la detección de fallas en un proceso de control de presión. La red neuronal es entrenada a partir de datos del funcionamiento del proceso en condiciones normales de operación, de un sistema de monitorización remota. Las fallas detectadas, generan una alarma en el sistema de monitorización, para de esta manera prevenir daños en los sistemas y ayudar el personal a cargo a diagnosticar y tomar las decisiones adecuadas frente al proceso. Actualmente en la sede Tecnológica de la universidad Distrital Francisco José de Caldas el Banco de Pruebas “T5555-AAU Pressure Process Control Learning System” no cuenta con este sistema por lo que se utilizara como prototipo para la implementación de la RNA también con el fin de aplicar el sistema de detección de fallas debido a que es aplicable a la industria en general con el fin de capacitar a los alumnos en sistemas de control de presión.
1
INTRODUCCIÓN
El desarrollo de nuevas tecnologías ha marcado sensiblemente la actualidad industrial mundial siendo así más compleja e incluyente desde varias áreas del conocimiento, en los últimos años la industria mecánica se ha visto bajo la influencia determinante de la electrónica, la automatización y las telecomunicaciones, exigiendo mayor preparación en los procesos, no solo desde el punto de vista de la operación de las máquinas, sino también visto desde el mantenimiento industrial. Las fallas que se presentan en equipos que conforman sistemas de ingeniería son inevitables y pueden ocasionar consecuencias serias como: paradas no programadas, disminución de la vida útil, generar elevados costos de reparación o reemplazo total. Por medio de un apropiado monitoreo de los equipos y el uso de esquemas de detección de fallas pueden obtenerse alertas tempranas para llevar a cabo acciones de mantenimiento preventivo con las cuales evitar estas situaciones perjudiciales. Aunque existen métodos formales y herramientas para automatizar un software, la mayor parte de su desarrollo depende de decisiones humanas, Por lo tanto, los errores de software conocidos como “bugs” son en su mayoría introducidos como consecuencia del factor humano. Además las fallas en máquinas, en la mayoría de casos no se manifiestan de manera intempestiva sino gradualmente esto hace posible la detección de muchas fallas antes de que sus consecuencias resulten considerables. Aprovechando el gran avance que ha tenido la informática en la creación de nuevos software que han permitido automatizar los procesos industriales haciéndolos cada vez más eficientes y confiables, y valiéndonos del conocimiento de nuestro propio cerebro, se han creado las redes neuronales artificiales, las cuales apoyadas en complejos sistemas matemáticos y después de una fase de entrenamiento se convierten en una herramienta de predicción bastante útil y confiable, llegando así a predecir inclusive eventos futuros con sorprendente exactitud En este sentido, este documento presenta la optimización en el proceso del banco de pruebas “PRESSURE PROCESS CONTROL LEARNING SYSTEM T5555-AAU” crear una red neuronal para la detección de fallas para informar al usuario, ahorrando así tiempo y previniendo situaciones imprevistas que puedan afectar el buen funcionamiento del proceso y la máquina.
2
PLANTEAMIENTO DEL PROBLEMA
Actualmente en la sede Tecnológica de la universidad Distrital Francisco José de Caldas se tiene el Banco de Pruebas “T5555-AAU PRESSURE PROCESS CONTROL LEARNING SYSTEM”, en el que se realizan ensayos de procesos de presión simulando los que se encuentran en la industria, tales como la producción de farmacéuticos, biotecnología y en la generación de energía, con este equipo se desarrollan los conocimientos y habilidades necesarias para capacitar a los alumnos en sistemas de control de procesos de presión. En la Figura 1. Se puede observar el banco de pruebas que se encuentra en la Universidad Distrital F.J.C. sede Tecnológica. (AMATROL, s.f.). En la industria son muchos los esfuerzos para predecir el número de defectos de un sistema y la estimación de su fiabilidad, debido a esto hay una creciente necesidad de sistemas de solución de problemas, que ha llevado a que las compañías inviertan en adquirir en la aplicación de software de diagnóstico que están configuradas para interactuar con una unidad de prueba de tiempo real, a fin de estudiar, evaluar y aplicar una acción correctiva lo más pronto posible. Los atributos de un software que ayudan a entender las diferentes características que lo componen y estas se utilizan con el objetivo de garantizar la calidad del producto, la eficiencia del proceso y sus riesgos. Uno de los beneficios de los atributos del software es que proporcionan información para la predicción de fallas.
Figura 1: Banco de Pruebas T5555-AAU Pressure Process Control Learning System.
3
Este equipo hace poco cuenta con un sistema que permite monitorear las variables del proceso para que así de acuerdo con el comportamiento de las mismas se determine si el proceso funciona de manera correcta, como las variables se obtienen a través de una monitorización digital, las variables obtenidas son confiables y con estas entrenará la red neuronal para que identifique y se diagnostiquen las fallas. Teniendo en cuenta lo anterior se puede concluir monitoreando las variables del proceso de control de presión aplicándolas a la red neuronal en el banco de pruebas tiene como objetiva principal, detectar de forma rápida y precisa el origen de algún defecto monitoreando las variables del proceso de control de presión, para que estas puedan ser analizadas y controladas desde un sitio remoto. Como el Banco de Pruebas “T5555-AAU PRESSURE PROCESS CONTROL LEARNING SYSTEM” no cuenta con este sistema, este puede utilizarse como prototipo para la implementación del sistema y así satisfacer dicha necesidad.
4
1. OBJETIVOS
1.1 Objetivo General
Diseñar e Implementar de una Red neuronal artificial (RNA) para identificación de fallos de un Proceso de Control de Presión
1.2 Objetivos Específicos
Analizar el proceso del Banco de Pruebas “T5555-AAU Pressure Process Control Learning System”.
Diseñar el algoritmo matemático de la red neuronal de autoaprendizaje.
Definir el modelo de aprendizaje o entrenamiento que tendrá la red neuronal.
Adecuar graficadores de señal para monitorear las variables de interés del proceso.
5
2. REDES NEURONALES ARTIFICIALES. Las redes neuronales artificiales (RNA) son una simulación de un sistema nervioso biológico, las cuales pretenden modelar la forma en que el cerebro procesa la información. El cerebro humano es un sistema altamente complejo, no lineal y paralelo; esto significa que puede procesar, organizar y almacenar información simultáneamente; algo que no sucede con los computadores comunes cuyos procesos se ejecutan de un modo secuencial, es decir, un proceso a la vez. Las RNA adquieren el conocimiento a través de la experiencia, el cual es almacenado, del mismo modo que en el cerebro humano; además poseen altísima plasticidad y adaptabilidad, Los modelos matemáticos en que han sido desarrollados los algoritmos para los tipos de redes son modelos sencillos, que aunque exigen cierto grado de conocimiento de cálculo diferencial, pueden ser asimilados y desarrollados en cualquier lenguaje de programación. Así mismo, las estructuras de las redes se han definido por medio de notación sencilla y comprensible, cada nuevo desarrollo permite cierta flexibilidad en cuanto a la forma final de la red, garantizando su fácil adaptación a aplicaciones particulares
2.1 Sistema Neuronal Artificial.
Las redes neuronales son modelos matemáticos que intentan reproducir el funcionamiento del cerebro humano. El objetivo principal de un Sistema Neuronal Artificial es la construcción de sistemas capaces de presentar un comportamiento inteligente es decir, la capacidad de aprender a realizar una determinada tarea. Las características principales que reproducen las redes neuronales artificiales se pueden reducir a los siguientes tres conceptos: procesamiento paralelo, distribuido y adaptativo. (Del Brío, 2002) La eficacia de este modelo radica en el procesamiento paralelo realizado por las neuronas artificiales. La neurona artificial es un elemento de procesamiento simple y constituye el elemento principal de un sistema neuronal artificial. Las neuronas artificiales se organizan en estructuras denominadas capas. De este modo, la información se encuentra distribuida a lo largo de las sinapsis de la red, dándole a este sistema cierta tolerancia a fallos. Las redes neuronales artificiales son capaces de adaptar su funcionamiento a distintos entornos modificando sus conexiones entre neuronas. De esta manera pueden aprender de la experiencia y generalizar conceptos. Por último, un grupo de redes neuronales, junto con las interfaces de entrada y salida, y los módulos lógicos adicionales conforman un sistema neuronal artificial.
6
Figura 2. Red neuronal artificial
2.2 Modelo de una neurona artificial.
La neurona artificial tiene un procesamiento simple que a partir de un vector de entradas produce una única salida. Podemos encontrar tres tipos de neuronas artificiales, donde cada una de las cuales tiene su contraparte en el sistema nervioso (Arias y Cardona, 1997)
- Neuronas de Entrada: reciben información directamente desde el exterior.
- Neuronas Ocultas: las que reciben información desde otras neuronas artificiales. Es en estas neuronas, específicamente en sus sinapsis, donde se realiza la representación de la información almacenada.
- Neuronas de Salida: las que reciben la información procesada y las
devuelven al exterior.
Figura 3: neurona artificial tipo McCulloch-Pitts.
7
2.3 Componentes de una neurona artificial
- Conjunto de entradas, xj(t). Estas pueden ser provenientes del exterior o de
otras neuronas artificiales. Las entradas y salidas de una neurona pueden ser clasificadas en dos grandes grupos, binarias o continuas.
- Peso sinápticos, wij. Define la fuerza de una conexión sináptica entre dos
neuronas, la neurona presináptica i y la neurona postsináptica j. Los pesos sinápticos pueden tomar valores positivos, negativos o cero.
- Regla de propagación, σi(wij, xj(t)). Integra la información proveniente de las
distintas neuronas artificiales y proporciona el valor del potencial postsináptico de la neurona i. La regla de propagación determina el potencial resultante de la interacción de la neurona i con las N neuronas vecinas.
- Función de activación, fi(ai(t-1), hi(t)). Determina el estado de activación
actual de la neurona en base al potencial resultante hi y al estado de activación anterior de la neurona ai(t-1). El estado de activación de la neurona para un determinado instante de tiempo t puede ser expresado de la siguiente manera:
Las neuronas y sus funciones de activación se dividen en dos tipos: bipolares y binarias. A veces se suele usar como función de activación una relación lineal, generalmente una función de identidad. Esta se usa por lo general para neuronas de entrada a la red o sensores. Función de salida. La función de salida proporciona el valor de salida de la neurona, en base al estado de activación de la neurona.
2.4 Fases de operación de una red neuronal.
- Fase de entrenamiento: Una vez seleccionada el tipo de neurona artificial
que se utilizará en una red neuronal y determinada su topología es necesario entrenarla para que la red pueda ser utilizada. El proceso de aprendizaje se puede dividir en tres grandes grupos de acuerdo a sus características (Isasi Viñuela, 2004):
- Aprendizaje supervisado: Se presenta a la red un conjunto de patrones de
entrada junto con la salida esperada. Los pesos se van modificando de manera proporcional al error que se produce entre la salida real de la red y la salida esperada.
- Aprendizaje no supervisado. Se presenta a la red un conjunto de patrones de
entrada. No hay información disponible sobre la salida esperada.
8
- Aprendizaje por refuerzo. Este tipo de aprendizaje se ubica entre medio de
los dos anteriores. Se le presenta a la red un conjunto de patrones de entrada y se le indica a la red si la salida obtenida es o no correcta. Este tipo de aprendizaje es muy útil en aquellos casos en que se desconoce cuál es la salida exacta que debe proporcionar la red (Bertona, 2005).
- Fase de operación. Una vez finalizada la fase de aprendizaje, la red puede
ser utilizada para realizar la tarea para la que fue entrenada. De esta manera, una red neuronal puede tratar con información que no le fue presentada durante de la fase de entrenamiento (Bertona, 2005).
2.5 Tamaño de una red neuronal.
- Redes Unicapa. Se acostumbra no contabilizar la capa de entrada, por lo
tanto se dice que la red es unicapa. Con una red unicapa solo se pueden resolver problemas para el reconocimiento de patrones pero que sean linealmente separables. En redes de este tipo las neuronas pueden ser lineales o no lineales. La figura 4 muestra el modelo de una red unicapa.
- Red Multicapa. En una Red Multicapa, las capas ocultas corresponden a la
capa 2, siempre son no lineales. Se puede demostrar que si se construye una red multicapa con capas ocultas lineales, esta es equivalente a una unicapa. La figura 5 muestra el modelo de una red multicapa.
Figura 4: modelo de una red unicapa (L 1992).
9
Figura 5: modelo de una red multicapa (L 1992).
2.6 Detección y diagnóstico de fallas mediante redes neuronales.
La Inteligencia Artificial es una de las disciplinas computacionales cuyas técnicas tiene más demandas actualmente en diversos entornos, debido a su capacidad para dotar de un comportamiento inteligente a muchas aplicaciones, una incidencia importante de este tipo de técnicas en los procesos productivos de la industria a nivel mundial es el diseño de sistemas de soporte para la toma de decisiones. Además, la mayoría de los sistemas de inteligencia artificial, tienen la peculiaridad de “aprender”, lo que les permite ir perfeccionando su tarea conforme pasa el tiempo, usando para ello los ejemplos o casos con los que tratan. La obtención de conocimiento a partir de un volumen de datos, tiene como fin descubrir patrones válidos, comprensibles y útiles. Los seres humanos tienen una capacidad de reconocer patrones a su alrededor de acuerdo a su conocimiento previo. Las Redes Neuronales han querido emular estas capacidades de reconocimiento para deducir y predecir información valiosa. Los proyectos e investigaciones relacionados con la Redes Neuronales, técnicas de predicción y Minería de Datos han contribuido enormemente al desarrollo, mejoramiento y especialización de los algoritmos y metodologías de extracción de conocimiento, obteniendo cada vez con mayor precisión, información significativa para una organización o empresa. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología se esté aplicando en múltiples áreas. Entre las ventajas se incluyen:
10
Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial.
Auto-organización. Una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje.
Tolerancia a fallos. La destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.
Operación en tiempo real. Los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.
El método se basa en considerar una señal, llamada señal de diagnóstico, que contiene información sobre la presencia de fallos y perturbaciones del sistema, traducido básicamente en una modificación de su contenido en frecuencias. Por ello, a partir de los datos tomados en línea, se genera la señal de diagnóstico y, a partir de las muestras de la señal, se evalúan sus componentes en frecuencia, que posteriormente se emplean en el entrenamiento de la red neuronal, la cual discierne entre la presencia de perturbaciones o la ocurrencia de uno o varios fallos. La señal de diagnóstico puede ser cualquier magnitud que podamos definir y que tenga en cuenta varios factores: los fallos, las perturbaciones y los errores de modelado. Por ejemplo puede ser el residuo, es decir, la diferencia entre la salida real del sistema y la que nos proporciona nuestro modelo, ya sea un modelo lineal o un modelo no lineal. 2.7 ANTECEDENTES.
Uno de los objetivos más importantes en el desarrollo de software es la estimación de posibles fallos de un proyecto antes de ser entregado al usuario. A pesar de que previo a la etapa final se hacen pruebas de carga, rendimiento y seguridad al software, se pueden presentar fallos cuando el módulo entra en funcionamiento. En este trabajo se propone un modelo de predicción de defectos para proyectos de software utilizando la técnica de Redes Neuronales y recogiendo los datos necesarios para llevar a cabo las predicciones. Los datos seleccionados dan una amplia idea sobre los errores de varios productos de software ya que sus valores contienen información importante respecto a su ciclo de vida. El concepto de sistemas de predicción de defectos en proyectos de software antes de entrar en funcionamiento será cubierto a través de esta investigación. Este trabajo desarrolla una herramienta basada en redes neuronales y entrenada con métricas de proyectos de software hechos por la División de sistemas de la Universidad Tecnológica de Pereira con el fin de predecir la tendencia a fallos de cada nuevo módulo, y convertirla en una herramienta útil para la toma de decisiones por parte de la alta dirección acerca de la calidad de cada desarrollo de software.
11
Uno de los principales inconvenientes en la utilización de redes neuronales es la elección de cada elemento de la arquitectura de red, al igual que los valores de entrada ya que los datos de los módulos elegidos para entrenar la red debían cumplir con las especificaciones estrictas de la metodología utilizada por la División de Sistemas de la Universidad Tecnológica de Pereira. Queda demostrado que el instrumento de inteligencia artificial es capaz de capturar o materializar la capacidad predictiva, ya que es capaz de comprender las reglas internas que están implícitas en los desarrollos debido a la metodología creada por la División de Sistemas, reglas que nunca fueron descritas y que a pesar de ello las pudo capturar, a diferencia de los expertos en análisis técnico para los cuales estas reglas no son apreciables. (Arias Villada, 2015) El anterior artículo se realizó en la universidad de Pereira, donde se efectuó un estudio de detección de fallas a partir de redes neuronales, es importante resaltar de este trabajo la gran investigación que contiene sobre redes neuronales y sus diferentes fases de operación, fue un gran apoyo para la realización de nuestro trabajo ya que los ejemplos y explicaciones son claras y concisas para entender el principio de lo que son las redes neuronales para detección de fallos, a pesar que solo trata sobre la migración de datos, en la parte final hay unos ejemplos que permiten ver algo más que solo datos de migración. Este artículo presenta el estado actual de las técnicas de inteligencia artificial y su aplicación al campo de la detección y diagnóstico de fallas en sistemas dinámicos. Inicialmente, se hace una breve descripción de lo que se considera un mecanismo de detección y diagnóstico de fallas, y se explican los enfoques actuales de estudio y aplicación de tales mecanismos. Posteriormente, se presentan los resultados más importantes de las diferentes técnicas de inteligencia artificial aplicadas a la detección y diagnóstico de fallas. Finalmente, se presenta un análisis comparativo con base en las características deseables de los mecanismos de detección y diagnóstico de fallas. El artículo concluye mencionando los beneficios de la clasificación de las técnicas presentadas y enumerando las posibles vías hacia donde debe ir la investigación en este campo. (Hurtado Cortés, Villarreal López, Villarreal-López, 2016) Este articulo presenta una investigación sobre las redes neuronales artificiales aplicando técnicas de orientadas a datos, lógica difusa y sistemas dinámicos, nos presenta una muy buena investigación de los diferentes métodos de detección de fallos, los cuales nos permitieron identificar el enfoque hacia el cual deberíamos ir para la creación de la red neuronal para detección de fallos en la máquina. En el presente trabajo mediante la aplicación de las herramientas de identificación de sistemas se obtiene un modelo neuronal (softmodel) de la variación de nivel de agua en un tramo de un canal principal de riego. El modelo derivado se basa en una red neuronal recurrente de varias capas con estructura NARX, y retardo de tiempo. Los resultados de validación del modelo obtenido muestran que el mismo reproduce
12
con una elevada exactitud los datos observados, lo que fundamenta la posible aplicación del modelo derivado en el diseño de sistemas efectivos de control y/o con fines de predicción de la distribución de agua en los tramos de los canales principales de riego. (López Y., Rivas-Pérez R,) Este trabajo muestra un sistema de riego de un pequeño municipio, al que se le quiere realizar un estudio con redes neuronales para detectar el nivel en un tramo del canal, y así determinar una variación en el nivel que indique q algo va mal, este estudio fue determinante para nosotros ya que muestra un estudio de nivel, que coincide con una de nuestras variables, nos facilitó la determinación de la mejor forma y estructura de nuestra red neuronal además de su método de entrenamiento, nos mostró como deberíamos de ingresar y obtener los datos de entrada y salida de la red.
13
3. DESCRIPCIÓN DEL SISTEMA DE CONTROL DE PRESIÓN Y NIVEL
En este Banco de Pruebas se realizan ensayos de procesos para controlar el nivel y la presión de forma simultánea en un tanque de proceso simulando los que se encuentran a nivel industrial y es empleado para desarrollar los conocimientos y habilidades necesarias El banco de pruebas T5555-AAU contiene una interfaz hombre-máquina (HMI), un controlador lógico programable (PLC) y un variador de frecuencia (VFD) para proporcionar opciones de control manual y automático. Actualmente existen maquinas con estas mismas características y se pueden encontrar en la industria farmacéutica, biotecnología y de la generación de energía. (AMATROL).
3.1 PARTES BANCO DE PRUEBAS T5555-AAU
En la figura 6 se puede observar el banco de pruebas T555-AAU y a continuación en la tabla 1 se describen todas las partes que componen el funcionamiento del mismo. Toda la tubería del banco de pruebas por donde fluye el agua es de pvc de Ø 1”, el fluido es controlado por medio de válvulas de mano, la entrada y salida del aire al tanque de proceso por medio de las electroválvulas.
Figura 6: Partes del Banco de Pruebas T5555-AAU
14
Tabla 1. Listado de componentes principales T555-AAU
LISTADO PRINCIPALES DE COMPONENTES T5555-AAU
ARTICULO DESCRIPCION ETIQUETA DEL
INSTRUMENTO
1 Tanque de proceso presurizado N/A
2 Interfaz hombre máquina (HMI) N/A
3 Control de presión (Controlador lógico programable PLC) mismo componente que LC200
PC100
4 Regulador de presión PC100A
5 Manómetro del regulador de presión PI100A
6 Válvula de entrada de solenoide proporcional (PV1) PCV100A
7 Manómetro PI100B
8 Entrada del indicador de flujo FI100A
9 Salida del indicador de flujo FI100B
10 Válvula de salida de solenoide proporcional (PV2) PCV100B
11 Salida de presión válvula manual de bypass HV100
12 Transmisor de presión PT100
13 Válvula de alivio de presión, 40 Psi PSV100B
14 Controlador de nivel (Controlador lógico programable, PLC) – el mismo componente que el PC 100
LC200
15 Control de velocidad de la bomba, variador de frecuencia (VFD)
SC200
16 Bomba centrifuga N/A
17 Tanque de depósito N/A
18 Depósito salida de tanque válvula de mano HV200B
19 Válvula de retorno de tanque de depósito HV200D
20 Rotametro FI200A
21 Válvula de control de flujo, manual FV200
22 Sensor de nivel del transmisor de presión diferencial LT200
23 Válvula de mano de tres vías HV200E
24 Interruptor de nivel bajo LSL200
25 Interruptor de nivel alto LSH200
26 Rotametro FI200B
27 Válvula de mano de entrada de fuente externa HV200A
28 Válvula de mano de salida de fuente externa HV200C
29 Válvula de mano de drenaje HV200F
30 Válvula de mano de drenaje HV200G
31 Panel de conexión, alarma Horn/ Fuente de alimentación (24VDC)
N/A
32 Interruptores de nivel (LSL 200, LSH 200), Sensor de presión (PT1), sensor de nivel (LT1), y válvulas proporcionales (PV1, PV2) panel de conexión.
N/A
15
Electroválvula de entrada: es la encargada de proporcionar la presión al tanque de proceso, está alimentada por la línea de aire comprimido de un compresor exterior que no hace parte del banco de pruebas. Se visualiza en la Figura 7. Mod: 8908A001, Rango de corriente: 4 – 20 mA
Figura 7. Electroválvula de Entrada
Regulador de presión: es el que controla la presión de entrada a la válvula de entrada del banco de pruebas, que para este banco es de 2 bar máximo. Mod:B18-03-FK60
Figura 8. Regulador de Presión
16
Sensor de nivel por presión diferencial: Este sistema se basa en el principio de medir la carga o presión hidrostática. La carga se define como el peso de líquido que existe por encima de un plano de referencia. Es independiente del volumen de líquido implicado o de la forma del recipiente. El sistema no mide el nivel de líquido sino la presión ejercida y, como la presión es proporcional a la altura de columna de líquido, el medidor «infiere» la posición actual del nivel. Por tanto la altura de nivel obtenida por este método es una medida inferencial. Mod: GC52, Rango: +/- 20 in H2O
Figura 9. Sensor de Nivel por Presión Diferencial
Sensor de presión: es un mecanismo electrónico y tiene la función de recolectar la los datos de presión presentes en el tanque de proceso durante la práctica. Mod: 62609GH-PI-EI-SI, Rango: 0-50 PSIG, presión min: 100 PSIG (6.89 BAR), Presión max: 300 PSIG (20.67 BAR).
Figura 10. Sensor de Presión.
17
Sensores de nivel: están ubicados en el tanque de proceso y se encargan de registrar la medida del nivel, son dos sensores de nivel, inferior que registra el nivel inferior en el tanque y el superior es de seguridad e indica cuando el tanque alcanza el nivel de fluido máximo.
Figura 11. Sensores de Nivel
Electroválvula de salida: controla la presión de salida para el tanque de procesamiento. Mod: 8908A001, Rango de corriente: 4 – 20 mA
Figura 12. Electroválvula de Salida.
18
3.2 FUNCIONAMIENTO BANCO DE PRUEBAS T5555-AAU
Después de realizadas las conexiones correspondientes entre la fuente de voltaje, los interruptores, sensores, válvulas proporcionales, PLC y abierto las válvulas correspondientes para el paso de agua y aire al sistema. EL proceso inicia cuando se oprime el pulsador START e inicia en el tanque de reserva, el agua es succionada por la bomba centrifuga y es impulsada hacia el tanque de proceso, en el recorrido de la bomba hacia el tanque de proceso hay un Rotametro que nos indica el flujo mecánico, además cuenta con un estrangulador de caudal. En el tanque de proceso se pueden medir dos variables, la presión de aire y el nivel de agua, se aprecian el banco de control y los nombres de las partes que participan en el proceso. Para lograr la presión de aire, se emplea una unidad reguladora de presión que es la conexión entre el compresor hasta el banco de prueba. La presión máxima recomendable para realizar pruebas es de 2 bar en el regulador de presión. El suministro de aire hacia el tanque de proceso es controlado por dos electroválvulas que operan en un rango de 4mA a 20mA donde 4mA es cerrada y 20mA es totalmente abierta. Entre el tanque de proceso y las electroválvulas hay válvulas de alivio de presión que permite controlar el exceso de aire para despresurizar el tanque según se requiera. El tanque de proceso cuanta con dos sensores de nivel, el sensor de nivel superior activa un interruptor de seguridad que apaga la bomba si el nivel de agua sube demasiado y de esta manera evitar que entre liquido en el sistema neumático del banco. El tanque de proceso cuenta con un sensor de presión en la parte superior, dicho sensor tiene un rango de medición de 6 bar a 26,87 bar donde 6 bar equivale a 4 mA y 26,87 equivale a 20 mA. El proceso finaliza cuando el agua sale del tanque de proceso hacia el tanque de almacenamiento. En la figura 3 se muestran los paneles de operación del banco y en la tabla 1 el nombre de cada uno de los paneles. (AMATROL, s.f)
19
4. IMPLEMENTACIÓN DE HADWARE Y SOFTWARE
La implementación de este software y hadware se crea con el fin de satisfacer la necesidad del usuario de comunicarse con la máquina, leer los datos de forma inmediata y poder realizar una lectura del proceso sencilla el cual cuenta con una interfaz cómodo de entender y fácil de operar, algunas características de la interfaz son las siguientes:
Funcionalidad: Que el software cumpla con el trabajo para el cual fue creado.
Confiabilidad: el trabajo se debe ejecutar bien.
Disponibilidad: que todos los usuarios que deseen utilizar el sistema lo puedan hacer sin tener ningún tipo de inconveniente.
Integridad: la información del sistema debe ser la misma y verídica en todos lados donde se opere el sistema.
Integración: los módulos deben ser de fácil acceso.
Estandarización: las características de la interfaz de usuario deben ser comunes entre múltiples aplicaciones.
4.1 IMPLEMENTACIÓN DEL HARDWARE PARA LA TRANSMISIÓN Y
RECEPCIÓN DE DATOS
El hardware es básicamente una placa de circuito impreso con un microcontrolador, con varios puertos digitales y analógicos de entrada y salida, estos pueden conectarse a placas de expansión (shields) con el fin de ampliar las características de funcionamiento de esta, la placa posee un puerto de conexión USB desde donde se puede alimentar y establecer comunicación serial con el computador, en la figura 13 se aprecia la tarjeta marca ARDUINO empleada en el proyecto.
Figura 13. Tarjeta ARDUINO UNO R3.
El hardware empleado fue una tarjeta ARDUINO, esta tarjeta tiene un rango de operación de 0 a 5 voltios, para saber qué valor de resistencia usar se empleó la
20
ecuación 𝐼 =𝑉
𝑅 , donde I=corriente, v=voltaje y R=resistencia, teniendo en cuenta
que el banco T5555 genera señales de corriente en un rango de 4 a 20 mA se sustituyeron los valores máximos en la ecuación y despejando R se obtuvo:
𝑅 =𝑉
𝐼 𝑅 =
5𝑉
20𝑚𝐴= 250𝛺
Al pasar la corriente por esta resistencia, se obtiene una caída de tensión de 5 voltios que es el valor máximo que la tarjeta lee. En el montaje se colocó una resistencia de 220 Ω, obteniendo para 4 mA 0,88 V en la tarjeta y para 20 mA se tiene 4,4 V. en la figura 14 se observa el plano de la tarjeta y su configuración.
Figura 14 Plano montaje tarjeta
(Saénz Jovanny, Silva Rafael, 2016)
A la derecha de la tarjeta se observa que de los pines D3 y D9 hay una conexión a un amplificador operacional para convertir el voltaje a corriente con el fin de activar las electroválvulas. De los pines D4 y D5 sale una conexión a los relés, esos dos relés van conectados a un transistor de driver, entonces cuando se activa la salida de la tarjeta, se activa el transistor que a su vez activa la bobina que hace conmutar los contactos. Por lo tanto tenemos dos relés uno para el start conectado en D4 y el otro para el stop
21
conectado en D5, a continuación se observa el montaje físico de la tarjeta. (RODRIGUEZ, 2001) Los datos obtenidos durante el proceso se exportan en un archivo XLS, la exportación se realiza con el fin de enfatizar en los resultados obtenidos durante el proceso y de esta manera realizar un mejor análisis del mismo. Mediante el diseño y la implementación del sistema de monitorización para un proceso de control de presión los usuarios del Banco de Pruebas “T5555-AAU” tendrán la posibilidad de realizar las prácticas de laboratorio de manera más adecuada, ya que el sistema reduce la posibilidad de fallas en la monitorización y adquisición de datos de las variables que se encuentran involucradas en el proceso. Por medio de la interfaz creada los usuarios del Banco de Pruebas “T5555-AAU” podrán exportar las señales de interés del proceso de control de presión a un computador para obtener un mejor manejo de la información y un respaldo de las prácticas que se realizan. La interfaz implementada en el Banco de Pruebas “T5555-AAU” cuenta con graficadores de señal, lo que permite a los usuarios visualizar mediante graficas las variables de interés del proceso de control de presión.
4.2 IMPLEMENTACIÓN DEL SOFTWARE.
El software Arduino consiste en un entorno de desarrollo (IDE) (Integrated Development Environment / Entorno de desarrollo integrado) para las plataformas (Windows, Mac y Linux), basado en el entorno de procesamiento y lenguaje de programación basado en Wiring, El microcontrolador de la placa se programa a través de un computador. (ARDUINO) El diseño de la interfaz del sistema se realizó mediante LabVIEW, debido a que es un entorno de desarrollo integrado y diseñado específicamente para ingenieros y científicos. Este emplea un lenguaje de programación gráfica (G) que utiliza un modelo de flujo de datos en lugar de líneas secuenciales de código de texto, lo que le permite escribir código funcional utilizando un diseño visual que se asemeja a su proceso de pensamiento (Software de Desarrollo de Sistemas NI LabVIEW - National Instruments) El diseño de la interfaz de la red neuronal artificial (RNA) se desarrolló por medio del programa MATLAB, debido a que emplea toda una plataforma para la realización y entrenamiento de la red neuronal.
22
4.3 RECOLECCIÓN Y PRE PROCESAMIENTO DE DATOS
Para la recolección de datos se utilizó el software y hadware instalados con los
controladores de interfaz que ofrecieron los programas utilizados para el caso se decide recoger la cantidad mínima de 1000 datos para la realización de la red neuronal artificial los datos consignados son:
- Nivel del tanque de proceso, presión (inH2O) - Presión del tanque de proceso (Bar) - Variador (V) - Apertura válvula entrada de aire (mA) - Apertura válvula salida de aire (mA)
Se obtuvo un total de 7000 datos y mediante el software utilizado se realiza el entrenamiento de la red neuronal artificial para la identificación de fallas siguiendo las pautas el cronograma.
La interfaz gráfica que se desarrolló por medio del software para la recolección de datos consta básicamente de dos pantallas, la primera “Pantalla de proceso” que es desde donde se pone en marcha el banco de pruebas y se establecen las condiciones de funcionamiento del sistema y la segunda “Pantalla de Resultados” donde se visualiza el comportamiento de las variables del mismo.
4.3.1 Pantalla de proceso La pantalla de proceso se muestra en la figura 15, está se encuentra dividida en dos partes, el Cuadro Pictórico, Cuadro Fotograma, a continuación se describen cada uno de los cuadros.
Figura 15. Pantalla de proceso
23
4.3.2 Cuadro Pictórico
Este permite activar y desactivar el sistema de monitorización, en este se pone en marcha la bomba del banco de pruebas con el botón verde y se detiene con el botón rojo, se controla el porcentaje de apertura en las electroválvulas mediae los sliders, además, muestra la corriente en mA que está pasando por las electroválvulas, la presión en bar en el tanque de proceso, el nivel de los dos sensores de nivel del tanque de proceso, uno en cm y el otro en pul y se establece el tiempo sg de muestreo para la obtención de datos, en la figura 15 se puede apreciar.
4.3.3 Cuadro Fotograma Este consiste en una imagen real del banco de pruebas, en este cuadro se visualiza la presión en bar y el nivel en cm del tanque de proceso y la corriente que emplean las electroválvulas en mA. En la siguiente figura 15 se observa.
4.3.4 Pantalla de Resultados La Pantalla de Resultados se encuentra dividida en dos partes y se ilustra en la figura 16, la primera parte corresponde a la parte grafica llamada “Graficadores de Sensores” y la segunda parte es donde aparecen los datos que se obtienen cuando se utiliza el sistema de monitorización, esta parte recibe el nombre de “Tabla Resumen”.
Figura 16. Pantalla de Resultados
- Graficadores de Señal: En esta parte se observan dos generadores de
gráficas, uno para presión, el cual graficara la presión vs el tiempo, y otro el otro que grafica el nivel vs el tiempo, se puede observar en la figura 22.
24
- Tabla Resumen: Como su nombre lo indica en esta parte se muestra la tabla con los datos obtenidos durante la práctica realizada empleando el sistema de monitorización. Los datos consignados son los siguientes:
o %1=porcentaje de apertura de la válvula de escape del tanque de proceso.
o I1=corriente de apertura de la válvula de escape del tanque de proceso.
o %2=porcentaje de apertura de la válvula de ingreso del tanque de proceso.
o I2=corriente de apertura de la válvula de ingreso del tanque de proceso.
o N1=nivel del tanque de almacenamiento. o N2=nivel del tanque de proceso. o P=presión del tanque de proceso.
25
5. RECOLECIÓN Y PROCESAMIENTO DE DATOS
Por medio de la tarjeta shield y la interfaz creada se recogieron 7 test de datos, 3 del lazo de nivel y 4 del lazo de presión. Cabe resaltar que por políticas del laboratorio de la universidad y de la máquina no se realizaron pruebas al mismo tiempo de presión y nivel para evitar fallos o daños potenciales en el banco de procesos de presión, es decir no se puede detectar fallas de nivel si se está controlando la presión debido a que son dos experimentos diferentes.
5.1 Test 1 Prueba de nivel
En este test realizamos control de nivel con un total de 1537 datos con 1644 segundos de prueba con un periodo de muestra de 1.070 s, tenemos una entrada y una salida, la entrada es el voltaje del variador que controla la bomba de agua y la salida es el nivel que nos muestra el sensor por presión diferencial ya sea por (inH2O) o (mA). A continuación se muestran las gráficas de entrada y salida de que nos muestran los datos del variador (V) y el nivel (cm) correspondientemente.
26
Grafica 1. Señal de Entrada - Variador (V) vs Tiempo (s)
0,000
2,000
4,000
6,000
8,000
10,000
1
33
65
97
12
9
16
1
19
3
22
5
25
7
28
9
32
1
35
3
38
5
41
7
44
9
48
1
51
3
54
5
57
7
60
9
64
1
67
3
70
5
73
7
76
9
80
1
83
3
86
5
89
7
92
9
96
1
99
3
10
25
10
57
10
89
11
21
11
53
11
85
12
17
12
49
12
81
13
13
13
45
13
77
14
09
14
41
14
73
15
05
15
37
Vo
ltaje
(V
)
Tiempo (t)
27
Grafica 2. Señal de salida (inH2O) vs Tiempo (s)
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
18,000
20,000
1
33
65
97
12
9
16
1
19
3
22
5
25
7
28
9
32
1
35
3
38
5
41
7
44
9
48
1
51
3
54
5
57
7
60
9
64
1
67
3
70
5
73
7
76
9
80
1
83
3
86
5
89
7
92
9
96
1
99
3
10
25
10
57
10
89
11
21
11
53
11
85
12
17
12
49
12
81
13
13
13
45
13
77
14
09
14
41
14
73
15
05
15
37
Niv
el
(cm
)
Tiempo (t)
28
Mediante estas dos gráficas correspondientes a la entrada (V) Gráfica 1 y salida del proceso (mA) Gráfica 2 se puede percibir que el nivel sube y baja tiene un- comportamiento dependiente del variador ya que se observa que cuando el variador tiene 10 de voltaje, es decir la bomba esta prendida comienza a subir el nivel y cuando el voltaje esta en 0 esto expresa que la bomba está apagada inmediatamente el nivel comienza a bajar.
5.2 Test 2 Prueba de presión
En este test realizamos control de presión con un total de 898 datos con 350.00 segundos de prueba, tenemos dos entradas y una salida, las entradas son las electroválvulas que van desde 4–20 mA, estas me permiten controlar el caudal de aire que entra y sale del tanque de proceso y la salida es el sensor de presión medido en Bar o mA. Se evidencia el perfecto comportamiento de crecimiento y decrecimiento de la presión (mA) dependiendo de las dos entradas de caudal de aire, ya que cuando se cierra o abre la electroválvula de salida de aire. Ver gráfica 3. Haciendo una comparación de la presión medida en Ba o mA y se muestra un comportamiento igual en las curvas. En la toma de datos de las salidas de cada proceso se evidencia una oscilación de estos debido a la vibración que produce la bomba en el banco, se analizó este comportamiento y se concluyó que esta oscilación no sobrepasa el 0.8 de diferencia.
29
Grafica 3. Señal de entrada - (mA) vs tiempo (s)
0,000
5,000
10,000
15,000
20,000
12
03
95
87
79
61
15
13
41
53
17
21
91
21
02
29
24
82
67
28
63
05
32
43
43
36
23
81
40
04
19
43
84
57
47
64
95
51
45
33
55
25
71
59
06
09
62
86
47
66
66
85
70
47
23
74
27
61
78
07
99
81
88
37
85
68
75
89
4
Mil
iam
ep
re (m
A)
Tíempo (s)
30
Grafica 4. Señal de entrada - (mA) vs tiempo (s)
0,000
5,000
10,000
15,000
20,000
1
20
39
58
77
96
11
5
13
4
15
3
17
2
19
1
21
0
22
9
24
8
26
7
28
6
30
5
32
4
34
3
36
2
38
1
40
0
41
9
43
84
57
47
6
49
5
51
4
53
3
55
2
57
1
59
0
60
9
62
8
64
7
66
6
68
5
70
47
23
74
2
76
1
78
0
79
9
81
8
83
7
85
6
87
5
89
4
Mil
iam
pe
re (
mA
)
Tíempo (s)
31
Grafica 5. Señal de Salida - presión (Bar) vs Tiempo (s)
0,000
5,000
10,000
15,000
20,000
25,000
30,000
1
21
41
61
81
10
1
12
1
14
1
16
1
18
1
20
1
22
1
24
1
26
1
28
1
30
1
32
1
34
1
36
1
38
1
40
1
42
1
44
1
46
1
48
1
50
1
52
1
54
1
56
1
58
1
60
1
62
1
64
1
66
1
68
1
70
1
72
1
74
1
76
1
78
1
80
1
82
1
84
1
86
1
88
1
Pre
sió
n (
ba
r)
Tíempo (s)
39
6. DESARROLLO Y ENTRENAMIENTO DE LA RED NEURONAL.
Cuando escuchamos expresiones tales como la sopa está muy caliente, la temperatura es baja, o no se es tan viejo, estamos refiriéndonos a conceptos que para nosotros son entendibles aunque sea información imprecisa, pues el concepto, temperatura baja, puede tener valores diferentes para cada individuo, es decir, para un esquimal una temperatura baja puede ser de 4 grados Celsius, mientras que para un árabe, puede ser de 14 grados Celsius. Igual sucede, con el concepto de edad madura ya que la madurez podría considerarse a los 40 años, pero también podrían entrar a este grupo los de 35 y los de 45, inclusive hasta los de 50 años. Conceptos como éstos, para un ser humano implican una serie de razonamientos que involucran datos e imágenes que le permiten entender el mensaje, pero para una máquina sería imposible procesar información tan inexacta ya que como se acaba de explicar, hay conceptos los cuales pueden tener muchos valores de veracidad o falsedad. Para la red neuronal se utilizara una red multicapa recurrente con dos entradas y una única salida.
Figura 17. Red multicapa con múltiples entradas y una salida
Para la función de activación se utiliza una función sigmoidea que es la que se acomoda a nuestro ejercicio entonces en la ecuación 1 tenemos: Funcion sigmoidea:
𝑓(𝑥) =1
1+𝑒−𝑔𝑥 , 𝑐𝑜𝑛 𝑥 = 𝑔𝑖𝑛𝑖 − 𝜃𝑖 (1)
40
Los valores de salida que proporciona esta función están comprendidos dentro de un rango que va de 0 a 1. Al modificar el valor de ∂ se ve afectada la pendiente de la función de activación.
Figura 18. Función sigmoidea
Entonces:
𝑧𝑘 = ∑ 𝑤′𝑘𝑗𝑦𝑖 − 𝜃′
𝑘 = ∑ 𝑤′𝑘𝑗𝑓 (∑ 𝑤𝑗𝑖𝑥𝑖 − 𝜃𝑗
𝑛
𝑖=1
)
𝑞
𝑗=1
𝑞
𝑗=1
− 𝜃′𝑘
(2) Sean xi , las entradas de la red; yj , las salidas de la capa oculta; zk, las salidas de la capa final; wij , los pesos de la capa oculta y θj , sus umbrales; w 0 kj , los pesos de la capa de salida, y θ 0 k , sus umbrales, para todo i = 1, . . . , n , j = 1, . . . , q y para todo k = 1, . . . , m . La operación de un perceptrón multicapa con estas características se expresa matemáticamente por la ecuación 2, y f la función de activación. Para el perceptrón multicapa definido anteriormente, si x µ para µ = 1, . . . , p es un patrón de entrada, la operación de la red se expresa como:
41
𝑧𝑘𝜇
= 𝑔 (∑ 𝑤′𝑘𝑗𝑦𝑗𝜇
− 𝜃′𝑘
𝑞
𝑗=1
) = 𝑔 (∑ 𝑤′𝑘𝑗𝑓
𝑞
𝑗=1
(∑ 𝑤𝑗𝑖𝑥𝑖𝜇
− 𝜃𝑗
𝑛
𝑖=1
) − 𝜃′𝑘)
(3) Donde g es la función de activación de las neuronas de salida y f de las ocultas (ambas funciones pueden ser sigmoidales aunque a menudo, la función g es la identidad). En este sentido, la función error cuadrático medio está definida por la ecuación 4.
𝐸(𝑤𝑗𝑖 , 𝜃𝑗 , 𝑤′𝑘𝑗 , 𝜃′
𝑘) =1
2∑ ∑ [𝑡𝑘
𝜇− 𝑔 (∑ 𝑤′𝑘𝑗𝑦𝑗
𝜇− 𝜃′𝑘
𝑞
𝑗=1
)]
2𝑚
𝑘=1
𝑝
𝜇=1
(4) Finalmente se escoge el algoritmo de entrenamiento para la red neuronal: El algoritmo de Levenberg-Marquardt es un método en el cual se presenta una ligera modificación sobre el método tradicional de Newton, consistente en aproximar la
matriz hessiana mediante ∇2E(wk) ≈ J(wk) T J(wk) + µkI y por lo tanto:
𝑥𝑘+1 = 𝑥𝑘 − [𝐽(𝑥𝑘)𝑇𝐽(𝑥𝑘) + 𝜇𝑘𝐼]−1𝐽(𝑥𝑘)𝑇𝑅(𝑥𝑘) (5)
Este método surgió para evitar las dificultades del método Gauss-Newton cuando, a lo largo del proceso iterativo, en algún punto xk , la matriz Jacobiana no tiene rango completo o está mal condicionada. Cuando µk = 0, la dirección de búsqueda es la dirección de Gauss-Newton y si µk toma un valor muy grande, la dirección de
descenso es paralela con la dirección de máximo descenso (dk = −∇f(xk)), por lo cual podemos ver que este método combina los métodos de descenso por gradiente y Gauss-Newton del cual existen varias versiones que varían según la estrategia para escoger µk , fue sugerido por Levenberg en (1944) y luego por Marquardt en (1963). El método de Levenberg-Marquardt también puede verse como una modificación del método de Gauss-Newton en la cual, usamos la estrategia de región de confianza para encontrar el punto xk+1, basándonos en el modelo Gauss-Newton para resolver el subproblema de mínimos cuadrados lineales con restricciones:
𝑚𝑖𝑛𝑖𝑧𝑎𝑟 1
2||𝑅(𝑥𝑘) + 𝐽(𝑥𝑘)(𝑥 − 𝑥𝑘)||
2
2,
(6)
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ||𝑥 − 𝑥𝑘|| ≤ 𝛿𝑘
42
En este caso µk = 0 si kJ(xk) T J(xk)]−1J(xk) TR(xk)k2 ≤ δk , en cuyo caso, la dirección de Gauss-Newton es la solución y µk > 0 en otro caso. Para la realización de la red neuronal (RNA) se utilizó el programa Matlab que ya posee incorporado dentro de su software una herramienta para la elaboración de redes, Matlab muestra una interfaz muy gráfica y fácil de entender lo cual facilita el manejo y permite desarrollar la red con gran rapidez. Lo primero que hay que hacer es una vez en el programa dar el siguiente comando en command window (nntool), el cual desplegara la siguiente ventana:
Figura 19.Ventana de creación de la red neuronal
En esta ventana importamos los datos de entrada y salida desde el workspace, luego le damos click a NEW y automáticamente nos aparece otra ventana:
Figura 20. Ventana de creación de la red
43
En esta ventana es donde se deben ingresar los datos de entrada y los de salida para la red, previamente obtenidos por medio del Arduino y el software Labview, además de escoger el método de entrenamiento y las capas que conformaran la red neuronal. Para nuestro caso en particular, el mejor modelo de red neuronal para implementar es el de una Red Neuronal Recurrente esta red se diferencia de las mono capa y las multicapa en la existencia de lazos de realimentación en la red. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, entre una misma neurona. Esta estructura la hace especialmente adecuada para estudiar la dinámica de los sistemas no lineales; el mejor método y el que convergió más rápido fue el método de entrenamiento (Levenber-Marquardt), los demás métodos de entrenamiento no dieron fruto y en muchas ocasiones creaban bugs, se escogió la data programación como tipo de entrenamiento, se seleccionó una función de activación signoidal, el método de descenso gradiente como el modelo matemático para el entrenamiento de la red, el sensor cuadrático medio para evaluar el desempeño de la red, y por último se determinó también a ensayo y error que el número de capaz totales seria de dos:
44
Figura 21. Red neuronal artificial para el proceso de nivel
En la figura 21 se observa una entrada y una salida correspondiente al variador y al sensor de nivel, el número total de neuronas utilizadas es 10 neuronas en la capa 1 y 1 en la capa 1 y la disposición de las mismas en la red esto para el caso de control de nivel.
Figura 22. Red neuronal artificial para el proceso de presión
Posterior a esto se da inicio a la fase de entrenamiento de la red neuronal, comienza a iterar y hasta que las validaciones todas sean exitosas, para lo cual nos dio un tiempo de entrenamiento de más de 24 horas,
45
Figura 23. Entrenamiento red neuronal proceso de nivel (izquierda)
Figura 24. Entrenamiento red neuronal proceso de presión (derecha).
Para el análisis de presión se tomaron las siguientes capas con el mismo método de entrenamiento, Con dos entradas y una salida siendo la medición de las electroválvulas las dos entradas y la salida es el sensor de presión con dos capas con 100 en la primera capa y 10 en la segunda con el método de entrenamiento BFGS Quasi-Newton. Ver figura 24. Con el entrenamiento completo de la red neuronal y verificando que las gráficas real y simulada por la red sean muy similares se prosigue a la implementación de una interfaz que nos permita utilizar la red neuronal. A continuación se describen las pruebas que se realizaron a la red neuronal ya entrenada para saber si cumplía con su propósito: En las siguientes gráficas se observa que en la de la izquierda en el epoch 16 de la prueba de nivel daba el mejor rendimiento por encima de 8.487 y para el de presión es 5.621 en el epoch 29 en la gráfica de la derecha. Lo ideal es buscar que el rendimiento llegue a 0 pero estos mejores rendimientos en las validaciones son unas respuestas muy favorables, debido a esto se coloca 0,8 a la validación para darle una tolerancia al entrenamiento.
46
Grafica 6. Mejor rendimientos según iteración
41
En las siguientes gráficas se correlaciona la salida contra lo que nos deriva la red neuronal. Visualmente en una comparación se nota una semejanza en el comportamiento de las curvas y si se realiza una correlación entre estas esto da un resultado de 0.8.
Grafica 7. Entrada datos vs salida RNA de presión
Grafica 8. Entrada de datos vs salida RNA de nivel
42
7. IMPLEMEMENTACIÓN DEL SISTEMA DE DETECCIÓN DE FALLAS
7.1 INTERFAZ RNA EN SOFTWARE MATLAB
Una vez realizado el entrenamiento y corroborando las gráficas de la red neuronal artificial que se realizó, se crea una interfaz en la que se pueda someter a pruebas la red neuronal con los datos tomados, a continuación se describen las pruebas que se realizaron a la red neuronal ya entrenada para saber si cumplía con su propósito: Lo primero que se realizo fue crear una interfaz en la que pudiésemos seleccionar el tipo de prueba a la que se sometería la red neuronal, ya sea de nivel o de presión.
Figura 25. Interfaz red neuronal T555_AAU
En la interfaz encontramos tres opciones de prueba para determinar fallos la primera llamada simular falla, la segunda examinar lazo nivel y la tercera examinar lazo aire. En simular falla el programa nos enseñara en que sensor o válvula se presenta el problema dependiendo de la intensidad en la señal de corriente que en este caso esta medida en (mA), en este caso manualmente podemos variar los valores hasta un mínimo de 4mA y un máximo de 20mA si nos salimos de estos valores automáticamente el programa nos arrojara el fallo en el elemento defectuoso.
46
Grafica 9. Red neuronal en el proceso de nivel funcionando correctamente.
47
Grafica 10. RNA proceso de presión correcto
47
7.2 Pruebas con fallas en el proceso Para estas pruebas que se hicieron se provocaron intencionalmente las fallas para la respectiva toma de datos y registro de estas, se realizó 3 fallas para el proceso de presión y dos para el de nivel descritas a continuación. Elementos con posibles fallas en el proceso de nivel:
- Bomba - Variador
Elementos con posibles fallas en el proceso de presión - Regulador de presión - Compresor - Válvula de alivio
7.2.1 Fallas en la medición del proceso de nivel Examinar lazo de nivel, permite encontrar fallas en el sistema de nivel del tanque por medio de la red neuronal, para demostrar que la red funciona correctamente se crearon intencionalmente dos modos de falla para el lazo de nivel: La primera falla es cuando el sensor de nivel pierde la lectura en algún punto del proceso, en una anormalidad del sensor, lo que indica que el sensor no registra lectura esto se debe a que hay interrupción en la lectura de datos del sensor, mala conexión en el PLC , daño en el las electro válvulas, atasco en las líneas de tubería o la bomba; al cargar el Excel con los datos que contienen la mencionada falla, la red nos arrojara un mensaje de (sensor de nivel no registra lectura). Ver Gráfica 11 Modo de falla: sensor de nivel no registra lectura Falla: Bomba trabajando en vacío Bomba sin suministro eléctrico Líneas tapadas En las gráficas se puede observar que el variador funciona con normalidad abriendo y cerrando, pero el sensor de nivel pierde la lectura en algún momento, esto se debe a que la bomba no está funcionando de manera correcta o en alguna parte del proceso dejo de entrar o salir liquido de la bomba, se recomienda revisar todas las conexiones del equipo nuevamente y realizarle una verificación de las líneas y las tuberías antes de realizar la prueba nuevamente. La segunda falla, arrojara una anomalía en el variador debido a la mala conexión con el PLC, en este caso la red neuronal arroja (Verificar la conexión en el variador y sensor de nivel no registra lectura). Ver gráfica 12
48
A continuación en las gráficas se observa que el variador no está trabajando por lo tanto el sensor de nivel tampoco muestra lecturas ya que las válvulas permanecen cerradas, se recomienda verificar el cableado del variador y el voltaje de la fuente para descartar daños en el sistema, después de esto realizar nuevamente la prueba. Modo de falla: sensor de nivel no registra lectura. Falla: Variador desconectado Variador mal conectado al PLC Lo anterior para el caso del lazo nivel, ahora veremos las fallas ocasionadas intencionalmente para el lazo de presión.
7.2.2 Fallas en la medición del proceso de presión La primera falla muestra, error en el sensor de presión al no registrar lectura pero después de un tiempo, las electroválvulas marcan correctamente, esto sucede porque el sensor recibe señal errónea del proceso, se recomienda revisar las conexiones del sistema, el regulador de presión y realizarle una verificación a las electroválvulas. En este caso la red neuronal arroja (Sensor de presión no registra lectura). Ver gráfica 13 Modo de falla: sensor de presión no registra nivel. Falla: regulador de presión desconectado La segunda falla muestra error en la válvula de ingreso de aire, esto se debe a que el compresor no está trabajando y no hay presión en el sistema, por lo tanto se pierde el registro de lectura de la electroválvula de entrada y sensor de presión debido a que no hay caudal de aire en el ingreso, se recomienda hacer inspección del sistema del compresor y una verificación de las líneas. En este caso la red neuronal nos arroja (Falla en compresor).Ver gráfica 14. Modo de falla: Revisar línea de entrada de aire Falla: falla en el compresor Líneas tapadas La tercera muestra falla en la electroválvula de salida, esto se debe a que el sistema está sobre cargado hay mucha presión. En este caso la red neuronal nos arroja (falla en la válvula de alivio). Ver gráfica 15 Modo de falla: Revisar línea de salida de aire Falla: falla en la válvula de alivio Si se toman los Excel con los que fue entrenada la red el programa no mostrara ningún error, mostrando las gráficas completas y las que corresponden a la simulación de la maquina trabajando 100%, por que la función de transferencia es la original.
50
Grafica 11. Falla 1 nivel, Sensor de nivel no registra lectura
51
Grafica 12. Falla 2 nivel, Variador sin conexión
52
Grafica 13. Falla 1 presión, Sensor de presión no registra lectura
53
Grafica 14. Falla 2. Presión, No hay presión en el sistema.
54
Grafica 15. Falla 3. Presión, Exceso de aire en el sistema
55
La siguiente tabla es un resumen de los fallos, en donde podemos ver de manera fácil que elementos son los que se ven afectados por la falla que bota el simulador, y así revisar estos elementos para determinar cuál es el que contiene la falla, la (X) marca el elemento que puede estar fallando y el (O) marca los elementos que hacen parte del sistema pero que no tiene relación con la falla o simplemente están trabajando de manera correcta.
Tabla de fallos
Falla Elemento
Variador Bomba
centrifuga
Válvula de
entrada solenoide
Electroválvula de admisión
Electroválvula de salida
Líneas de aire
Líneas de agua
Líneas de señales
Fuente de
voltaje PLC
Proceso realizado con
éxito O O O O O O O O O O
Bomba O X O O O O X X O X
variador X O O O O O O X X X
Regulador de presión
O O X O O X O X X X
Compresor O O X X O X X X O X
Válvula de alivio O O O O X X X X O X
56
8. CONCLUSIONES
- La red neuronal nos sirve para verificar la toma de datos de nivel y presión garantizando así, que el proceso realizado para dicha recolección se realizó de la manera correcta y los sensores y válvulas estuvieron trabajando de manera adecuada.
- Las redes neuronales pueden llegar hacer una herramienta muy eficiente
para la detección y diagnóstico de fallas, cuando se utilizan bien los datos recolectados y se entrena debidamente la red neuronal artificial esta es capaz de detectar con precisión el más mínimo cambio o anomalías en el proceso para el cual se está realizando el estudio, para nuestro caso en particular la red artificial fue lo suficientemente veraz como para detectar los cambios de presión y de nivel en el proceso, al introducir fallos apropósito en el sistema, la red detecto los posibles fallos con facilidad indicando un error en la pantalla del proceso
- Como se puede evidenciar en las gráficas 9 y 10 se logró con éxito construir
una red neuronal que funciona eficientemente en procesos de presión y nivel utilizando la herramienta NNTOOL de Matlab, al comparar el funcionamiento de la red neuronal con la gráfica de los datos obtenidos, se evidencia que la fase de entrenamiento cumplió acertadamente acercándose a la salida deseada como se observa en las gráficas 7 y 8 donde se compara la entrada de datos con la salida de la red neuronal.
- Se logró crear una interfaz que a partir de la introducción de datos de nivel y
presión sea capaz de detectar fallos en los procesos y marcar los elementos que están fallando en la toma de datos realizada, además de esto muestra gráficamente (graficas de la 11 a la 15) como se comporta la falla y en que parte del proceso se produce el error haciendo más fácil la detección del error.
- En la tabla de fallos se encuentra de una manera muy intuitiva los elementos
que fallan según los errores propuestos en el numeral 7.2, de esta manera y con ayuda de la interfaz el estudiante será capaz de diagnosticar los elementos de falla dentro de la máquina y aplicar métodos de prevención de fallos futuros además de realizar una inspección a los diferentes sistemas que interactúan en la toma de datos.
57
BIBLIOGAFIA
AMATROL. (s.f). Installation Guide ForT5555-AUU. Louisville. Cama Pinto, A., & Gil Montoya, F. (2014). Sistema Inalámbrico de Monitorización
para Cultivos en Invernadero. DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, 164.
De Prada, C. (2004). El Futuro del Control de Procesos. Revista iberoamericana de
automática e informática industrial, 5. DYM, C., & ITTLE, P. (2002). El Proceso de Diseño en Ingeniería. . Ciudad de
Mexico: Editorial Limusa, S.A. MATAIX, C. (1982). MECANICA DE FLUIDOS Y MAQUINAS HIDRAULICAS, 2da
Edicion. MADRID: Ediciones del Castillo S.A. Miyara, F. (2014). Conversores D/A y A/D. Rosario, Argentina: Publicado en
Internet. Murcia, J. D. (s.f). Proyectos Formulación y Criterios de Evaluación. Bogotá D.C.:
Alfaomega Grupo Editor. NORTON, R. (2001). Diseño de Máquinas. Editorial Prentice Hall. Nuñez, J. A. (2014). Diseño e Integración de un Sistema de Adquisición de Datos
Mediante el Uso de ARDUINO y RASPBERRY-P1. Ciudad de Mexico: Tesis Profesional.
P.R.V. (s.f.). Diseño de Interfaces Hombre - Máquina (HMI). 2086. RODRIGUEZ, P. (2001). Componentes Electronicos. Buenos Aires: ALSINA. SEAT. (s.f.). Sensores y Actuadores. DETECCIÓN Y DIAGNÓSTICO DE FALLAS MEDIANTE TÉCNICAS DE
INTELIGENCIA ARTIFICIAL, UN ESTADO DEL ARTE. Luini Leonardo Hurtado-Cortés, Edwin Villarreal-López & Luís Villarreal-López
MODELO DE PREDICCIÓN DE FALLOS PARA PROYECTOS DE SOFTWARE DE
LA UNIVERSIDAD TECNOLÓGICA DE PEREIRA UTILIZANDO REDES NEURONALES. Ing. Bibiana Patricia Arias Villada. Universidad tecnológica de Pereira 2015
OPTIMIZACIÓN EN EL ENTRENAMIENTO DEL PERCEPTRÓN MULTICAPA.
Hevert Vivas. Universidad del cauca Popayán 2014.
58
PAGINAS CONSULTADAS AMATROL. (s.f.). http://www.amatrol.com/. Recuperado el 03 de 05 de 2016, de http://www.amatrol.com/coursepage/pressure-process-control-learning-system-t5555/ aprendiendoarduino. (s.f.). Recuperado el 03 de 06 de 2016, de https://aprendiendoarduino.wordpress.com/2016/03/28/que-es-arduino-hw-libre/ ARDUINO. (s.f.). https://www.arduino.cc/. Recuperado el 20 de 06 de 2016, de https://www.arduino.cc/ Busca Biografias. (s.f.). http://www.buscabiografias.com. Recuperado el 03 de 05 de 2016, de http://www.buscabiografias.com/biografia/verDetalle/9451/Jack%20Kilby MAPFRE. (s.f.). http://www.motor.mapfre.es. Recuperado el 07 de 05 de 2016, de http://www.motor.mapfre.es/consejos-practicos/seguridad-vial/4642/como-funciona-el-control-de-presion-de-los-neumaticos Software de Desarrollo de Sistemas NI LabVIEW - National Instruments. (s.f.). Recuperado el 05 de 07 de 2016, de http://www.ni.com/labview/esa/ TBS-TELECON. (s.f.). http://www.tbs-telecon.es. Recuperado el 08 de 05 de 2016, de http://www.tbs-telecon.es/que-es-digitalizar-un-documento-proceso-digitalizacion-documentos weidmueller. (s.f.). www.weidmueller.com. Recuperado el 08 de 05 de 2016, de http://catalog.weidmueller.com/catalog/Start.do?localeId=es&ObjectID=group6997622393465