Redes Neuronales Artificiales.
1.6. Planteamiento del Caso de Estudio.
Los defectos que se crean en los materiales, a causa de su uso, fabricación, y ambiente en el que están inmersos, etc., son causantes de fallas. En algunos casos únicamente provocan retrasos en los procesos productivos o el desecho de la maquinaria. En otras ocasiones pueden provocar accidentes graves o desastres.
Un área de estudio denominada mantenimiento predictivo se encarga de analizar el espectro vibratorio de las máquinas para estimar la vida útil de las mismas. Sin embargo, la interpretación de los datos adquiridos por los dispositivos electrónicos se basa en la experiencia, en algunas tablas y procedimientos estadísticos. En ningún caso se da información detallada a menos que el operador este muy identificado con la máquina y para lograr ese nivel de precisión usualmente se requieren muchos años de trabajo.
El identificar las características físicas y mecánicas, de una estructura o elemento mecánico a través de su respuesta dinámica, es un problema inverso en ingeniería de importancia práctica. Este puede ser aplicado al análisis del espectro vibratorio de una máquina y de esta manera, por ejemplo, determinar si requiere mantenimiento alguno de sus componentes o bien si algún elemento está dañado.
Una propiedad que poseen todos los cuerpos es la vibración o frecuencia natural (que es una función de los parámetros de inercia y rigidez) aprovechando este hecho, se establece la posibilidad de estimar la localización y clasificación de defectos en geometrías que aumenten su complejidad en forma gradual. Para posteriormente, realizar análisis detallados donde se involucre al mantenimiento predictivo y establecer en forma correcta programas que mantenga en optimo funcionamiento los procesos productivos de las empresas.
En el reporte del trabajo predoctoral, del presente desarrollo, se mostró (a través de un análisis estadístico y por contraste de datos) que es posible localizar y clasificar defectos (en un elemento mecánico) con el uso de Redes Neuronales Artificiales (RNA). A medida que la geometría se complica se pierde exactitud, es entonces cuando el problema consiste en mejorar la precisión. Para lograrlo, se considera utilizar un análisis neuro difuso (ANFIS por sus siglas en inglés) y de esta manera evaluar hasta qué punto se puede mejorar la precisión de los resultados obtenidos.
Con las experiencias numéricas mencionadas anteriormente, resulta imprescindible hacer una validación experimental. A este respecto algunos de los trabajos que se pueden mencionar y han servido de experiencia y referencia para los desarrollos posteriores son Hernández-Gómez et. al [1.40], Luna-Avilés et. al. [1.54, 1.55] y Farley et. al. [1.56]. Cabe resaltar el vínculo
Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.
Alejandro Luna Avilés 22
que se ha desarrollado con S.J. Farley y J.F. Durodola de la Universidad de Oxford Brooks en Inglaterra debido a que los trabajos buscan objetivos similares, desde diferentes perspectivas.
Uno de los parámetros que es de interés evaluar, a través del uso de estas tecnologías, es la influencia que tiene la complejidad geométrica para determinar que tan robusto es el empleo de las RNA y la lógica neuro difusa. Para tener un esquema más completo, se considera la posibilidad de agregar ruido que es una vibración aleatoria y se encuentra presente en todos los espectros vibratorios.
Además de lo mencionado con anterioridad y siendo de interés el poder evaluar el procedimiento numérico, se debe resolver la pregunta: ¿Qué tan complejo es armar la interface entre el sistema de adquisición de datos y el sistema neuro difuso? ¿Cómo se puede implementar un sistema de adquisición de datos? que para este efecto utilice la menor cantidad de recursos de cómputo, implementando subrutinas en programas de fácil acceso. Las experiencias iniciales en el desarrollo de este trabajo han mostrado que las RNA y los sistemas ANFIS no son altamente demandantes y las bases sintéticas que se generan a través del Método de Elemento Finito (FEM por sus siglas en inglés) son fáciles de obtener es fácil obtenerlas.
En el presente desarrollo y considerando la información que se ha revisado se va a utilizar la mecánica computacional a través de modelado numérico y el FEM. La inteligencia artificial moderna, en el área de RNA y lógica neuro difusa, para resolver un problema inverso en mecánica.
Los pasos a seguir, de la metodología propuesta, para la solución son: 1. Determinar la respuesta dinámica de un cuerpo en el dominio de
las frecuencias a través del uso del análisis modal empleando el Método de los Elementos Finitos. En esta fase se utilizan modelos sólidos (tridimensionales) de barras creados en ANSYS.
2. Con los datos obtenidos se ordenarán pares y se mezclaran con aleatoriedad.
3. Se utilizaran los pares de datos para entrenar una red neuronal artificial de retropropagación.
4. Se considera un conjunto de datos, no empleados para el entrenamiento, para establecer el nivel de precisión de la RNA. 5. Se implementa el uso del análisis neuro difusos para optimizar los
resultados obtenidos.
6. Se incluye ruido en las frecuencias naturales para probar lo robusto de la RNA acoplado con el sistema neuro difuso.
7. Se establece un procedimiento experimental para contrastar los resultados obtenidos.
Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.
Alejandro Luna Avilés 23
A través de este proceso se pretende validar una metodología adecuada para permitir desarrollos posteriores que involucren la generación de programas y equipos aplicables in situ para la inspección y evaluación de dispositivos útiles para la industria y el desarrollo económico del país. Continuando de esta manera con la larga lista de proyectos de la SEPI ESIME Zacatenco G. Villa y Rabasa et. al. []
1.7. Sumario.
En este capítulo se hace referencia a la semejanza biológica numérica y se resaltan las características y cualidades que poseen, así como la estructura y las características más importantes. Después, se muestran aplicaciones diversas al área de ingeniería. A continuación se plantea el uso de las redes neuronales como método no destructivo y se enuncian diversas aplicaciones en este contexto. Además se resalta el uso de de las RNA en combinación con las vibraciones naturales y las formas modales para la detección, localización y clasificación de defectos. A continuación se muestran alguna aplicaciones de los sistemas neuro difusos. Se indica la capacidad de un sistema de inferencia neuro difusa para desarrollar la optimización de un sistema o proceso. Por último se plantea en forma general el caso de estudio a desarrollar.
1.8. Referencias.
[1.1] LadyofHats, 2007, Wikipedia la enciclopedia libre, Wikimedia Commons, http://es.wikipedia.org.
[1.2] W. McCulloch y W. Pitts, A logical calculus of the ideas immanent in nervous activity, Bulletin of mathematical biophysics, Vol. 5, pp. 115 – 137, 1943.
[1.3] M. L. Minsky y S. A. Papert, Perceptrons, MIT Press, 1989.
[1.4] A. N. Kolmogorov, On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition, Doklady Akademii, Vol. 144, pp. 679 – 681, 1963.
[1.5] L. A. Zadeh, Fuzzy logic, neural networks and soft computing, One- page course announcement of CS 294-4, Universidad de California, 1993.
[1.6] J. S. R. Jang, C. T. Sun, E. Mizutani, Neuro-Fuzzy and Soft Computing, Matlab Curriculum Series, pp. 4, 1997.
[1.7] J. Síma, P. Orponen, General-purpose computation with neural networks: a survey of complexity theoretic results, Neural Computation 15, pp. 2727 – 2778, 2003.
[1.8] G. Yagawa, H. Okuda, Neural Networks in Computational Mechanics, Archives of Computational Methods in Engineering, Vol. 3, pp. 435
– 512, 1996.
[1.9] P. Corcoran, P. Lowery, Neural network applications in multisensor systems, Sensor Review, Vol. 15 No. 4, pp. 15 -18, 1995.
Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.
Alejandro Luna Avilés 24
[1.10] A. Mellit y S. A. Kalogirou, Artificial intelligence techniques for photovoltaic applications: A review, Progress in Energy and Combustion Science, Vol. 34, Issue 5, pp. 574-632, 2008.
[1.11] G. Casalino, S. J. Hu, W. Hou, Deformation prediction and quality evaluation of the gas metal arc welding butt weld, Proc. Instn Mech Engres, Vol. 217, pp. 1615 – 1622, 2003.
[1.12] X. Q. Li, Y. S. Wong, A. Y. C. Nee, Intelligent tool wear identification based on optical scattering image and hybrid artificial intelligence techniques, Proc Instn Mech Engrs, Vol. 213 Part B, pp. 191 – 196, 1999.
[1.13] G. Dini, On-Line Prediction of Delamination in Drilling of GFRP by Using a Neural Network Approach, Machining Science and Technology, Vol. 7, pp. 295 – 314, 2003.
[1.14] M. Perzyk y A. Kochanski, Detection of causes of castig defects assisted by artificial neural networks, Institute of Materials Processing, pp. 1279
– 1284, 2001.
[1.15] P. K. D. V. Yarlagadda, Prediction of processing parameters for injection moulding by using an hybrid neural network, Proc. Instn Mech Engres, Vol. 215, pp. 1465 – 1470, 2001.
[1.16] A. Lázaro, I. Serrano, Ultrasonic recognition technique for quality control in foundry pices, IOP Publishing ltd, pp. N113 – N118, 1999.
[1.17] A. Osman-Kurban, Analysis of shafts surface pressures using neural networks, Emerald, Industrial lubrication and tribology, vol. 56, no. 4, pp. 215 – 225, 2004.
[1.18] N. Huber, A. Konstantinidis y Ch. Tsakmakis, Determination of
Poisson’s Ratio by Spherical Indentation Using Neural Networks – Part I:
Theory, Transactions of the ASME, Vol. 68, pp. 218 – 223, 2001.
[1.19] N. Huber y Ch. Tsakmakis, Determination of Poisson’s Ratio by Spherical Indentation Using Neural Networks – Part II: Identification Method, Transactions of the ASME, Vol. 68, pp. 224 – 229, 2001.
[1.20] P. Artymiak, L. Bukowski, J. Feliks, S. Narberhaus, H. Zenner, Determination of S-N curves with the application of artificial neural networks, Blackwell Science ltd Fatigue Fract Eng Mater Struct 22, pp. 723 – 728, 1999.
[1.21] A. Seibi, S. M. Al-Alawi, Prediction of fracture toughness using artificial neural networks, Engineering Fracture Mechanics, Vol. 56, No. 3, pp. 311 – 319, 1997.
[1.22] S. S. Sablani, W. H. Shayya, A. Kacimov, Explicit calculation of the friction factor in pipeline flow of Bingham plastic fluids: a neural network approach, Chemical Engineering Science 58, pp. 99 – 106, 2003.
[1.23] M. Zaid, P. Gaydecki, S. Quek, G. Miller, B. Fernandes, Extracting dimensional information steel reinforcing bars in concrete using neural networks trained on data from an inductive sensor. NTD&E international, pp. 551 – 558, 2004.
[1.24] B. Xu, G. Chen, Z. S. Wu, Parametric identification for a truss structure using axial strain, Computer-Aided Civil and Infrastructure Engineering, pp. 210 – 222, 2007.
Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.
Alejandro Luna Avilés 25
[1.25] K. Kim, D. Yoon, J. Jeong y S. Lee, Determining the stress intensity factor of a material with an artificial neural network from acoustic emission measurements, NDT&E international, pp. 423 – 429, 2004.
[1.26] R. B. Chinnam y P. Mohan, Online Reliability Estimation of Physical Systems Using Neural Networks and Wavelets, Smart Engineering System Desing, pp.253 - 264, 2002.
[1.27] Y. Guo, Y. T. Wang, Optical fiber on line detection system for non- touch monitoring roller shape, IOP Publishing Ltd, pp. 892 – 896, 2006.
[1.28] W.J. Staszewski, Advanced data pre-processing for damage identification based on pattern recognition, International Journal of Systems Science, Vol. 31, pp. 1381 – 1396, 2000.
[1.29] F. Siraj y D. Partridge, Improving Generalization of Neural Networks Using Multilayer Perceptron Discriminants, SAMS, Vol. 42, pp. 1059 – 1068, 2001.
[1.30] A. Kallassy, A neural network for response estimation, Computers & Structures, pp. 2417 – 2429, 2003.
[1.31] G. D. Magoulas, M. N. Vrahatis, G. S. Androulakis, Improving the convergence of backpropagation algorithms using learning rate adaption methods, Neural Computation 11, pp. 1769 – 1796, 1999.
[1.32] H. H. Yang, S. Amari, Complexity Issues in natural gradient descendent method for training multilayer perceptrons,Neural Computation 10, pp. 2137 – 2157, 1998.
[1.33] J. M. Sullivan, R. Ludwig, Q. Lai, A neural network model for non invasive subsurface stratigraphic identification, American institute of physics, pp. 683 – 690, 2000.
[1.34] T. N. Singh, V. Singh, An intelligent approach to prediction and control ground vibration in mines, Geotechnical and Geological Engineering, pp. 249 – 262, 2005.
[1.35] I. A. Basheer, Selection of methodology for neural networks modeling of constitutive hysteresis behavior of soils, Computer-Aided Civil and Infrastructure Engineering 15, pp. 440 – 458, 2000.
[1.36] J. D. Achenbach, Quantitative nondestructive evaluation, International Journal of Solids and Structures, Vol. 37, Issues 1-2, pp. 13-27.
[1.37] S. I. Ishak, G. R. Liu, H. M. Shang y S. P. Lim, Locating and sizing of delamination in composite laminates using computational and experimental methods, Composites Part B: engineering, pp. 287 – 298, 2001.
[1.38] S. I. Ishak, G. R. Liu, H. M. Shang y S. P. Lim, Non – destructive evaluation of horizontal crack detection in beams using transverse impact, Journal of Sound and Vibration, pp. 343 – 360, 2001.
[1.39] C. C. Chang, T. Y. P. Chang, Y. G. Xu y M. L. Wang, Structural Damage Detection Using an Iterative Neural Network, Journal of Intelligent Material Systems and Structures, Vol. 11, pp. 32 – 42, 2000.
[1.40] L. H. Hernández-Gómez, J. F. Durodola, N. A. Fellows y G. Urriolagoitia-Calderón, Locating Defects Using Dynamic Strain Analysis and Artificial Neural Networks, Applied Mechanis and Materials, Vol. 3 – 4, pp. 325 – 330, 2005.
Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.
Alejandro Luna Avilés 26
[1.41] S. J. Farley, J. F. Durodola,N. A. Fellows y L.H. Hernández- Gómez, A Neural Network Approach for Locating Multiple Defects, Applied Mechanics and Materials, Vol. 13 -14, pp. 125 – 131, 2008.
[1.42] R. R. da Silva, M. H. S. Siqueira, M. P. Vieira de Souza, J. M. A. Rebello y L. P. Caloba, Estimated accuracy of classification of defects detected in welded joints by radiographic tests,NDT&E international, pp. 1 – 9, 2004.
[1.43] P. A. Howell, W. P. Winfree, Automated identification of intergranular corrosion in X-ray CT images, Review Quantitative Nondestructive Evaluation, Vol. 22, pp. 568 – 574, 2003.
[1.44] Bo Li, M. Y. Chow, Y. Tipsuwan, J. C. Hung, Neural-Network- Based Motor Rolling Bearing Fault Diagnosis, IEEE Transactions on Industrial Electronics, Vol. 47, No. 5, pp. 1060 - 1068, 2000.
[1.45] P. Castellani y G. M. Revel, An experimental technique for structural diagnostic based on laser vibrometry and neural networks, Shock and Vibration, pp. 381 – 397, 2000.
[1.46] A. Darabi y X. Maldague, Neural network based defect detection and depth estimation in TNDE, NDT&E international, pp. 165 – 175, 2002.
[1.47] Zubaydi, Haddara y Swamidas, Damage identification in a ship´s structure using neural networks, Ocean engineering, pp. 1187 – 1200, 2002.
[1.48] E. H. Shiguemori, L. D. Chiwiacowsky, H. F. de Campos Velho y J. D. S. da Silva, An Inverse Vibration Problem Solved by an Artificial Neural Network, Matemática Aplicada e Computacional, pp. 163 – 175, 2005.
[1.49] T. Marwala y H. E. M. Hunt, Fault identification using finite element models and neural networks, Mechanical Systems and Signal Processing, pp. 475 – 490, 1999.
[1.50] B. S. Wang y Z. C. He, Crack detection of arch dam using statistical neural network based on the reductions of natural frequencies, Journal of Sound and Vibration, pp. 1037 – 1047, 2007.
[1.51] R. Gunes, M. K. Apalak y M. Yildirim, The free vibration analysis and optimal design of an adhesively bonded functionally graded single lap joint, International Journal of Mechanical Sciences, pp. 479 – 499, 2007.
[1.52] J. M. Ko, Z. G. Sun, Y. Q. Ni, Multi-stage identification scheme for detecting damage in cable-stayed Kap Shui Mun bridge, Engineering Structures 24, pp. 857 – 868, 2002.
[1.53] M. Shain, R. A. Shenoi, Quantification and localization of damage in beam-like structures by using artificial neural networks with experimental validation, Engineering Structures 25, pp. 1785 – 1802, 2003.
[1.54] A. Luna Avilés, L. H. Hernández Gómez, J. F. Durodola, G. Urriolagoitia Calderón, G. Urriolagoitia Sosa, G. Villa y Rabasa, Detección de defectos mediante redes neuronales artificiales en evaluaciones hechas en el dominio de la frecuencias.
http://www.pucp.edu.pe/congreso/cibim8/vibraciones.html, 2007.
[1.55] A. Luna Avilés, L. H. Hernández Gómez, J. F. Durodola, G. Urriolagoitia Calderon, G. Urriolagoitia Sosa, Locating and classifying defects
Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.
Alejandro Luna Avilés 27
with artificial neural networks, Applied Mechanics and Materials, Vols. 13-14, Jul 2008, pp. 117-123.
[1.56] S. J. Farley, J. F. Durodola, N. A. Fellows y L. H. Hernández Gómez, A Neural Network Approach for Locating Multiple Defects, Applied Mechanics and Materials, Vols. 13-14, Jul 2008, pp. 125 – 131.
[1.57] G. Villa y Rabasa, J. M. Sandoval Pineda, A. Campos Vázquez, A. Escamilla Navarro, A. Luna Avilés y J. C. de J. Balanzá Chavarría, Reseña de los Proyectos de Investigación Realizados en el Departamento de Ingeniería Mecánica de la SEPI ESIME, Científica, Vol. 11, No. 2, Abril – Junio 2007, pp. 73 – 82.
Capítulo II: Fundamentos Teóricos sobre Redes Neuronales Artificiales de Retropropagación.
Alejandro Luna Avilés 28