Identificación de un sistema de control de nivel y flujo utilizando redes neuronales artificiales

Texto completo

(1)IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE NIVEL Y FLUJO UTILIZANDO REDES NEURONALES ARTIFICIALES. CAMILO ANDRÉS MORALES ESPITIA JENNIFER LORENA MORENO BERMUDEZ. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD TECNOLÓGICA INGENIERÍA MECÁNICA BOGOTÁ 2017.

(2) IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE NIVEL Y FLUJO UTILIZANDO REDES NEURONALES ARTIFICIALES. CAMILO ANDRÉS MORALES ESPITIA JENNIFER LORENA MORENO BERMUDEZ. TRABAJO DE GRADO PARA OBTENER EL TÍTULO DE INGENIERO(A) MECÁNICO(A). PROFESOR GUÍA: ING. LUINI LEONARDO HURTADO CORTES. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD TECNOLÓGICA INGENIERÍA MECÁNICA BOGOTÁ 2017.

(3) AGRADECIMIENTOS En primer lugar, a nuestras familias por su apoyo incondicional en el transcurso de nuestra carrera. Al ingeniero Luini Hurtado por ser un guía en la elaboración y ejecución del proyecto. A la Universidad por prestar el servicio del laboratorio especializado de electrónica, y así mismo el apoyo incondicional del laboratorista.. 3.

(4) CONTENIDO LISTA DE FIGURAS ................................................................................................. 6 LISTA DE TABLAS ................................................................................................... 8 LISTA DE ANEXOS .................................................................................................. 9 RESUMEN.............................................................................................................. 10 INTRODUCCIÓN .................................................................................................... 11 1. REDES NEURONALES ARTIFICIALES ............................................................. 12 1.2 VENTAJAS DE UTILIZAR RNA ..................................................................... 13 1.3 CARACTERÍSTICAS DE UNA RED NEURONAL .......................................... 13 1.4 FUNCIONAMIENTO DE LA RED NEURONAL .............................................. 15 1.5 ARQUITECTURA DE LAS REDES NEURONALES ARTIFICIALES .............. 16 1.6 CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES ............... 16 1.6.1 Topología o estructura de la red ............................................................. 17 1.6.2 Flujo de datos de la red .......................................................................... 17 1.6.3 Grado de conexión ................................................................................. 17 1.6.4 Respuesta de la red ............................................................................... 18 1.7 TIPO DE APRENDIZAJE............................................................................... 18 1.7.1 Aprendizaje supervisado ........................................................................ 18 1.7.2 Aprendizaje no supervisado ................................................................... 18 1.8 ENTRENAMIENTO DE LA RED NEURONAL ................................................ 20 2. DESCRIPCIÓN DE LA PLANTA DE CONTROL DE NIVEL Y FLUJO AMATROL T5552 ..................................................................................................................... 22 2.1 TRANSMISOR DE PRESIÓN DIFERENCIAL................................................ 25 2.2 TRANSDUCTOR DE FLUJO VENTURI ........................................................ 25 2.3 VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO ............................... 26 2.4 SENSOR DE NIVEL POR ULTRASONIDO ................................................... 27 2.5 SENSOR DE NIVEL DE PRESIÓN HIDROSTÁTICA .................................... 27 2.6 VÁLVULAS MANUALES ............................................................................... 28 2.7 SISTEMA DE ADQUISICIÓN DE DATOS ...................................................... 29 3. RECOLECCIÓN DE DATOS DE LA PLANTA AMATROL T 5552....................... 31 3.1 ADECUACIÓN DE LA PLANTA ..................................................................... 31 3.2 TOMA DE DATOS ......................................................................................... 32 3.2.1 PRUEBA 1 ............................................................................................. 32 3.2.2 PRUEBA 2 ............................................................................................. 32 3.2.3 PRUEBA 3 ............................................................................................. 33 4. ENTRENAMIENTO DE LA RNA ......................................................................... 38 4.1 ENTRENAMIENTO VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO 38 4.2 ENTRENAMIENTO TANQUE DE PROCESO ............................................... 50 5. COMPARACIÓN CON MODELO ANALÍTICO .................................................... 59 4.

(5) 5.1 COMPARACIÓN CON MODELO ANALÍTICO DE LA VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO...................................................... 59 5.1.1 Comparación función de transferencia del modelo analítico y modelo RNA válvula............................................................................................................. 65 5.2 COMPARACIÓN CON MODELO ANALÍTICO DEL TANQUE ........................ 68 5.2.1 Comparación función de transferencia del modelo analítico y modelo RNA tanque ............................................................................................................. 73 CONCLUSIONES ................................................................................................... 77 BIBLIOGRAFÍA ....................................................................................................... 78. 5.

(6) LISTA DE FIGURAS. Figura 1. Tipos de capas ........................................................................................ 14 Figura 2. Neurona con entradas individuales .......................................................... 15 Figura 3. Red neuronal con una capa oculta........................................................... 15 Figura 4. Funciones de transferencia ...................................................................... 16 Figura 5. Red monocapa ........................................................................................ 17 Figura 6. Clasificación de las redes neuronales ...................................................... 19 Figura 7. Propagación de las señales de algoritmo retropropagación ..................... 20 Figura 8. Procedimiento de identificación ............................................................... 21 Figura 9. Planta de control de nivel y flujo amatrol T 5552 ...................................... 22 Figura 10. Ubicación de componentes de la planta amatrol T 5552 ........................ 23 Figura 11. Transmisor de presión diferencial .......................................................... 25 Figura 12. Tubo venturi ........................................................................................... 26 Figura 13. Válvula proporcional de control de flujo.................................................. 26 Figura 14. Sensor de nivel por ultrasonido .............................................................. 27 Figura 15. Sensor de nivel de presión hidrostática.................................................. 28 Figura 16. Válvulas de drenaje Figura 17. Válvula de control de flujo ................. 28 Figura 18. Dispositivo de adquisión de datos .......................................................... 29 Figura 19. Sistema de monitorización ..................................................................... 31 Figura 20. Sub-sistema de estudio: válvula............................................................. 33 Figura 21. Toma 3 válvula – corriente vs tiempo ..................................................... 34 Figura 22. Toma 3 válvula – caudal vs tiempo ........................................................ 34 Figura 23. Sub-sistema de estudio: tanque ............................................................. 35 Figura 24. Toma 3 tanque – caudal vs tiempo ........................................................ 36 Figura 25. Toma 3 tanque – nivel ultrasonido vs tiempo ......................................... 36 Figura 26. Toma 3 tanque – nivel presión hidrostática vs tiempo ............................ 37 Figura 27. App carga de datos ................................................................................ 38 Figura 28. Plataforma para cargar datos al workspace ........................................... 39 Figura 29. Matrices de datos de entrenamiento ...................................................... 39 Figura 30. Comando de entrenamiento para interfaz de la RNA ............................. 40 Figura 31. Interfaz de entrenamiento para redes neuronales .................................. 40 Figura 32. Interfaz de entrenamiento para redes de retro propagación ................... 41 Figura 33. Plataforma para carga individual de datos de entrada y salida para entrenamiento......................................................................................................... 41 Figura 34. Porcentajes de validación de entrenamiento .......................................... 42 Figura 35. Asignación de neuronas de la capa oculta ............................................. 43 Figura 36. Trabajo de entrenamiento ...................................................................... 43 Figura 37. Resultados entrenamiento ..................................................................... 44 Figura 38. Interfaz de entrenamiento para RNA válvula de control ......................... 45 Figura 39. Entrenamiento de la RNA válvula de control .......................................... 46. 6.

(7) Figura 40. Tendencia de validación del entrenamiento para la válvula de control ... 47 Figura 41. Función de ajuste y error del entrenamiento de la válvula de control ..... 48 Figura 42. Diagrama de regresión del entrenamiento válvula de control ................. 49 Figura 43. Histograma de error al entrenamiento de la válvula de control ............... 50 Figura 44. Interfaz de entrenamiento para RNA tanque .......................................... 51 Figura 45. Entrenamiento de la RNA tanque........................................................... 52 Figura 46. Tendencia de validación del entrenamiento para el tanque.................... 53 Figura 47. Función de ajuste y error del entrenamiento del tanque......................... 54 Figura 48. Histograma de error al entrenamiento del tanque .................................. 55 Figura 49. Diagrama de regresión del entrenamiento tanque ................................. 56 Figura 50. Obtención cubo de comportamiento de la RNA ..................................... 57 Figura 51. Diagrama de simulink de una RNA ........................................................ 58 Figura 52. Aplicación de identificación del sistema ................................................. 59 Figura 53. Importación de datos ............................................................................. 60 Figura 54. Importación de matrices de datos .......................................................... 61 Figura 55. Gráficas de entrada y salida de datos válvula optimizadas .................... 62 Figura 56. Gráfica de salida del modelo.................................................................. 63 Figura 57. Respuesta de frecuencia ....................................................................... 64 Figura 58. Tiempos de respuesta de datos válvula de control................................. 64 Figura 59. Identificación de la función de transferencia por el modelo analítico ...... 65 Figura 60. Porcentaje de similitud electroválvula .................................................... 66 Figura 61. Función de transferencia electroválvula ................................................. 67 Figura 62. Diagrama de funcionalidad en simulink .................................................. 67 Figura 63. Diagrama señal de salida trabajo válvula ............................................... 68 Figura 64. Interfaz de introducción y optimización de datos tanque ........................ 69 Figura 65. Gráficas de entrada y salida de datos tanque optimizadas .................... 70 Figura 66. Gráfica del modelo-salida tanque........................................................... 70 Figura 67. Respuesta de paso tanque .................................................................... 71 Figura 68. Respuesta de frecuencia ....................................................................... 72 Figura 69. Identificación de la función de transferencia por el modelo analítico tanque .................................................................................................................... 73 Figura 70. Porcentaje de similitud tanque ............................................................... 74 Figura 71. Función de transferencia tanque ............................................................ 74 Figura 72. Diagrama de funcionalidad en simulink tanque ...................................... 75 Figura 73. Diagrama señal de salida trabajo tanque ............................................... 76. 7.

(8) LISTA DE TABLAS. Tabla 1. Partes de la planta amatrol T 5552 ........................................................... 24 Tabla 2. Especificaciones técnicas de la tarjeta Arduino ......................................... 29. 8.

(9) LISTA DE ANEXOS Anexo A. Datos entreno Anexo B. Datos en Excel para el entrenamiento de la válvula Anexo C. Datos en Excel para el entrenamiento del tanque. NOTA: Todos los anexos se encuentran en el CD adjunto.. 9.

(10) RESUMEN En este trabajo de investigación, se desarrolló el proceso de la identificación de un sistema de control de nivel y flujo a través de redes neuronales artificiales. Inicialmente, se detallaron las RNA: ventajas, características, arquitectura, clasificación, y su desempeño en la identificación. Posteriormente, se realizó una descripción del funcionamiento y de las partes de la planta AMATROL T5552, incluyendo el sistema de adquisición de datos, el cual fue primordial para el siguiente paso que fue la recolección de datos de la planta. Dichos datos fueron obtenidos en una serie de pruebas, ya que al realizar la primera prueba se evidenció, por medio de Matlab, que no era suficiente y se debía repetir hasta obtener mejores resultados. Finalmente, se seleccionó la prueba con mayor porcentaje de viabilidad para continuar con el proceso. Luego, se llevó a cabo el proceso de entrenamiento de las redes neuronales artificiales, explicado detalladamente para cada uno de los sub-sistemas de estudio seleccionados, que fueron la válvula proporcional de control de flujo y el tanque. Por último, se hizo la comparación con el modelo analítico de la válvula y del tanque, obteniendo finalmente la función de transferencia como resultado final.. 10.

(11) INTRODUCCIÓN. Actualmente son diversos los procesos que se encuentran en la industria sin importar lo grande o pequeña que sea. Para esto, es importante poder contar con un modelo que permita el diagnóstico de fallas, y de esta manera diseñar reguladores que permitan ciertas especificaciones de funcionamiento más exactos; de aquí la relevancia del uso de las redes neuronales, ya que éstas principalmente permiten generar estrategias de identificación automático para procesos no lineales y además multivariables. En el caso del sistema de control de nivel y flujo AMATROL T5552, tiene un dispositivo para control PID, el único que permiten tener un seguimiento tanto de nivel como de flujo de un fluido, pero no permite la detección y diagnóstico de fallas. Para el manejo de los datos dentro de un modelo que permita el control, detección y diagnóstico de fallas del sistema de control de nivel y flujo AMATROL T5552, se seleccionó el método de entrenamiento de una red neuronal a partir de datos de monitorización del proceso con la implementación de un sistema de adquisición de datos que captura, procesa y transmite las variables a un ordenador. Este es el proceso más adecuado para este proyecto, ya que una red neuronal tiene la capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial; además de ello realiza las operaciones en tiempo real. Por medio de los datos arrojados por la tarjeta (EDAS/VIS) de control y recolección de información, se entrenó una red neuronal artificial de retropropagación (blackpropagation) para que el sistema de control de nivel y flujo AMATROL T5552 tuviera un funcionamiento autónomo de constante aprendizaje y generar un control óptimo del mismo. Es por lo anterior que en este trabajo se entrenó una red neuronal artificial para identificar un sistema de control de nivel y flujo AMATROL T5552 para usarse en tareas de control, detección y diagnóstico de fallas.. 11.

(12) 1. REDES NEURONALES ARTIFICIALES. Los estímulos recibidos en el cerebro son transmitidos entre las neuronas mediante las conexiones sinápticas, cuando una neurona es estimulada libera una pequeña cantidad de un componente químico (neurotransmisor), este viaja a través del axón hasta llegar a las dendritas de otras neuronas en las cuales el proceso se repite. Este proceso sirve para incrementar o disminuir la relación entre las neuronas involucradas en él. Así, ante un determinado estímulo ciertas neuronas se activan y otras se inhiben. Mediante un proceso de aprendizaje se logran establecer los niveles correctos de activación-inhibición de las neuronas, cuando este proceso se completa; entonces ante determinados estímulos sabemos cómo responder y “aprendemos”, el conocimiento adquirido está en los niveles de relación entre las neuronas, entonces durante el proceso de aprendizaje el cerebro es “entrenado” por repetición de estímulos. Emulando entonces el funcionamiento del cerebro una red neuronal artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y de las estructuras del cerebro; es desde la primera mitad del siglo XX que han empezado a desarrollar modelos computacionales que han intentado asemejar el comportamiento del cerebro humano (McCULLOCH & PITTS, 1990). La virtud de las redes neuronales artificiales reside en su capacidad para aprender funciones complejas o no lineales entre variables sin necesidad de imponer presupuestos o restricciones de partida en los datos, pero es claro que el uso de esta tecnología computacional es relativamente reciente en el problema de las conductas adictivas (MONTAÑO & PALMER, 1999). Debido a su naturaleza y a sus elementos, las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, etc. Una red neuronal artificial es un sistema computacional compuesto por elementos que están interconectados en paralelo y jerárquicamente, los cuales 12.

(13) procesan información por medio de su estado dinámico como respuesta a las entradas externas (BANKS, 1991). Las redes neuronales artificiales, asemejan propiedades biológicas del funcionamiento del cerebro humano, como la capacidad de memorizar y asociar hechos, basado precisamente en los sistemas neuronales, a través de modelos matemáticos implementados en diversas industrias. Una sólo neurona es diminuta, pero cuando se conectan miles de neuronas pueden llegar a resolver complejos problemas para lo que hayan sido entrenadas.. 1.2 VENTAJAS DE UTILIZAR RNA Debido a su condición de aprender a partir de experiencias, el uso de RNA en cualquier campo representa ventajas como: Aprendizaje adaptativo: Es la capacidad de aprender a realizar una actividad basada en una experiencia inicial. Auto organización: Puede crear su propia organización de la información que recibe mediante una etapa de aprendizaje. Tolerancia a fallos: Si se destruye parcialmente una red, degrada su estructura, sin embargo, puede retener algunas de sus capacidades así sufra un gran daño. El tiempo de operación es en tiempo real (MATICH, 2001). 1.3 CARACTERÍSTICAS DE UNA RED NEURONAL Las redes neuronales han demostrado ser efectivas como procesos computacionales en varias tareas como el reconocimiento de patrones y se destacan por tener características como:     . Robustez y tolerancia a fallas. Maneja información difusa, con ruido, incompleto o inconsistente. Alto grado de paralelismo. Capacidad de generalizar. Aprendizaje adaptativo (MIHAICH, 2014).. 13.

(14) Las redes neuronales están formadas por 3 tipos de neuronas que se constituyen a partir de un vector de entradas externas o un estímulo recibido de otras neuronas y dan como respuesta una única salida:  Neuronas de entrada: reciben las señales externas o por medio de sensores.  Neuronas ocultas: reciben estímulos y emiten salidas en el sistema, como tal se encargan de procesar la información. No tienen ningún contacto con el exterior.  Neuronas de salida: emiten una salida externa, después de que finaliza el tratamiento de la información (MATICH, 2001). Figura 1. Tipos de capas. Fuente. VÍLCHEZ, Víctor. Estimación y clasificación de daños en materiales utilizando modelos AR. Tal como lo muestra la figura, una red neuronal está constituida por neuronas interconectadas entre sí, comenzando por el ingreso de los datos en la capa de entrada, el procesamiento y tratamiento de la información en las capas ocultas y finalmente la señal de salida que emiten las capas de salida (MATICH, 2001). Las neuronas artificiales también pueden tener más de una entrada como lo muestra la siguiente figura:. 14.

(15) Figura 2. Neurona con entradas individuales. Fuente. SANCHO, Fernando. Redes Neuronales: una visión superficial.. Se observa una neurona con xj entradas: las entradas individuales son multiplicadas por los pesos correspondientes pertenecientes a la matriz de pesos. La neurona tiene una ganancia o umbral que llega al mismo sumador al que llegan las entradas multiplicadas por los pesos para formar la salida (DE LA FÉ-DOTRES, DOMÍNGUEZ, & SIERRA, 2010). 1.4 FUNCIONAMIENTO DE LA RED NEURONAL Una red neuronal tiene la capacidad de reconocer relaciones complejas y no lineales entre distintas variables, a partir de las neuronas disponiendo de una completa red en paralelo. Las más sencillas constan de una capa de entrada, una capa oculta y una capa de salida: Figura 3. Red neuronal con una capa oculta. Fuente. GARCÍA, Miguel. BillionBytes. Redes neuronales e inteligencia artificial.. 15.

(16) El funcionamiento de una neurona consiste en la transformación de los valores de entrada a través de las conexiones en una salida. Se caracterizan por los siguientes elementos: 1. La función de propagación más conocida consiste en la sumatoria de todas las entradas y luego multiplicarlas por los pesos de las conexiones más un valor de sesgo. 2. La función de activación, que, si existe, cumple la función de activar o desactivar la salida de la neurona. 3. La función de transferencia se aplica al resultado de la función de propagación (ANDRADE, 2013): Figura 4. Funciones de transferencia. Fuente. FIGUERES, Miguel. Introducción a las redes neuronales artificiales. Sistemas inteligentes de ingeniería civil. 2010. 1.5 ARQUITECTURA DE LAS REDES NEURONALES ARTIFICIALES La arquitectura de una red neuronal depende de cuatro parámetros principales:    . El número de capas del sistema. El número de neuronas por capa. El grado de conectividad entre las neuronas. El tipo de conexiones neuronales.. Para entender un poco más de la arquitectura de las redes, a continuación la clasificación. (BALLESTEROS, 2015) 1.6 CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES Se pueden clasificar según: 16.

(17) 1.6.1 Topología o estructura de la red Consiste en la disposición de las neuronas en la red ya que se pueden agrupar formando capas que contengan propiedades muy diferentes, existen: Redes Monocapa: como lo dice su nombre, solamente tienen una capa. Se han utilizado en gran medida para circuitos eléctricos por medio de matrices de diodos que representas las conexiones de las neuronas. Figura 5. Red monocapa. Fuente. Neural Networks Framework. Recuperado de http://www.redesneuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-redes-neuronalesartificiales.htm. Redes Multicapa: Está formado por varias capas de entrada, oculta y salida. La capa a la que pertenece una neurona puede distinguirse observando la señal de origen y así mismo su destino. (BALLESTEROS, 2015) 1.6.2 Flujo de datos de la red Redes unidireccionales o de propagación hacia adelante (feddforward): ninguna salida neuronal es entrada de la misma capa o capas procedentes. La información circula en un único sentido. Redes de propagación hacia atrás (feedback): las salidas pueden utilizarse como entradas para la misma capa o niveles anteriores. Se denominan también sistemas recurrentes (MATICH, 2001). 1.6.3 Grado de conexión. 17.

(18) Redes neuronales totalmente conectadas: todas las neuronas de una capa se encuentran conectadas tanto con las de la capa siguiente como con las de la capa anterior. (No recurrentes y recurrentes en su orden) Redes neuronales parcialmente conectadas: no se tiene conexión entre todas las neuronas de diferentes capas. 1.6.4 Respuesta de la red Redes heteroasociativas: redes que son entrenadas para que cuando se presente un patrón responda con otro diferente. Redes autoasociativas: están entrenadas para que un patrón se asocie consigo mismo. Como tal, la respuesta ante un patrón que reciba ruido o interferencia responda nuevamente como el patrón original. (MATICH, 2001). 1.7 TIPO DE APRENDIZAJE Es el proceso de entrenamiento de la red presentando los patrones a aprender y el cambio de los pesos de las conexiones sinápticas usando una regla de aprendizaje. Normalmente, se ejecutan los patrones iterativamente cambiando los pesos de la sinapsis hasta que convergen a un conjunto de pesos óptimos. Se identifican los siguientes modos de aprendizaje: 1.7.1 Aprendizaje supervisado La red dispone de patrones de entrada y los patrones de salida que se desean para dicha entrada y en función de esto se varía el peso de la sinapsis para ajustar y llegar al resultado deseado. 1.7.2 Aprendizaje no supervisado No se dispone de patrones de salida sino únicamente patrones de entrada y permitir a la red clasificar y reconocer a los patrones (FIGUERES, 2013).. A continuación, un mapa conceptual de la clasificación de las redes neuronales:. 18.

(19) Figura 6. Clasificación de las redes neuronales. Fuente. Neural Networks Framework. Recuperado el 1 de 8 de 2017, de http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-redesneuronales-artificiales.htm. 19.

(20) Para el caso del presente trabajo, se seleccionó una red neuronal de retropropagación que es capaz de aproximar cualquier función no lineal con cierto grado de precisión (ÁLVAREZ & AMIGO, 2003). Figura 7. Propagación de las señales de algoritmo retropropagación. Fuente. COLOMER, Joan., MELÉNDEZ, Joaquim., & AYZA, Jordi. Sistemas de supervisión.. 1.8 ENTRENAMIENTO DE LA RED NEURONAL El objetivo del entrenamiento de la red es que tenga la capacidad de minimizar la función de error, lo que en otras palabras significa que la salida de la red se aproxime a la salida en los datos. Para el entrenamiento de la red neuronal artificial en MatLab se pueden utilizar diferentes herramientas como las que se explican a continuación: 1. Por medio de códigos desde la línea de comandos o desde el workspace de MATLAB. 2. Utilizando el conjunto de bloques incluidos en el toolbox de Control Systems de Neural Networks Blockseten Simulink. 3. A través de la Interfaz Gráfica de Usuario (GUI por sus siglas en ingles) de Redes Neuronales Artificiales (ASTOCONDOR, 2010). Como tal, el procedimiento del entrenamiento de la red neuronal consiste en que aprenda un comportamiento específico para poder corregir fallas en los procesos. En cuanto a la identificación del sistema los pasos a seguir son los siguientes:. 20.

(21) Figura 8. Procedimiento de identificación. Fuente. GARRIDO, J., REYNA, P., VÁZQUEZ, M., & GARCÍA, A. Control de Nivel a través de Redes Neuronales. 21.

(22) 2. DESCRIPCIÓN DE LA PLANTA DE CONTROL DE NIVEL Y FLUJO AMATROL T5552. Es fundamental para el desarrollo del proyecto, conocer los componentes y el funcionamiento de la planta que se va a trabajar, por lo que las guías del fabricante se deben estudiar y tener presentes para comprender la operación. Con el conocimiento previo que se tiene del entrenamiento de redes neuronales artificiales y consultas de diferentes artículos relacionados con el tema, se evidencia la aplicación que tiene en la planta. En la actualidad, las diferentes industrias requieren garantizar altos índices de calidad para así mismo aumentar su productividad y ganancia, a lo que el control de los diferentes procesos industriales es indispensable para alcanzar dichos objetivos. Los sistemas de control controlan variables de líquido y gas como caudal, presión, temperatura, nivel de líquido, densidad y PH. Para el caso de esta planta T5552, se controla el flujo y el nivel de líquido por medio de un tanque, un sensor de nivel, una válvula y un controlador. Figura 9. Planta de control de nivel y flujo amatrol T 5552. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 22.

(23) Como tal, la planta está conformada por una estación de trabajo que está construida de acero de alta resistencia, una red de control de procesos y un panel de control. Se conecta por medio de un circuito cerrado de tubería PVC con conexiones para controlar el flujo de agua de dos tanques o el nivel de líquido del tanque, incluyendo válvulas. La planta requiere suministro de agua, aire y electricidad 220VAC para su funcionamiento. Todos los componentes tienen conectores banana en el panel de control para permitir medir señales y conectar los dispositivos en una amplia variedad de configuraciones de control. En la siguiente figura se visualizan enumerados los componentes de la planta, y así mismo en la tabla 1 se identifican sus nombres: Figura 10. Ubicación de componentes de la planta amatrol T 5552. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 23.

(24) Tabla 1. Partes de la planta amatrol T 5552. Ítem 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32. Descripción Dual - tanque de proceso Tanque de reserva Bomba de agua Manómetro 1 Manómetro 2 Válvula manual 1 (HV2) Válvula manual 2 (HV1) Válvula solenoide (SV1) Válvula de control de flujo manual (HFV) Rotámetro Regulador de presión Conversor neumático a corriente (I/P) Válvula proporcional de control de flujo Sensor de flujo de rueda de paletas Switch flotante 1 Switch flotante 2 Sensor de nivel de presión hidrostática Válvula solenoide (SV2) Válvula solenoide (SV3) Válvula manual 3 (HV3) Válvula manual 4 (HV4) Válvula manual 5 (HV5) Control PID Sensor de nivel por ultrasonido Transmisor de flujo-display Discrete I/O panel de conexión Control relé/válvulas solenoides panel de conexión Switches y leds indicadores Alimentación/ alarma/bomba/ panel de conexión PLC/ análogo/discreto/ I/O panel de conexión Medidor de proceso panel de conexión Sensor de flujo transmisor de presión diferencial. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011. 24. Instrumento referencia N/A N/A N/A PI 100-A PI 100-B HV 100-A HV 100-B SV 100-A FV 100 FI 100 PC100 PI 100-C IYT 100 FCV 100 FE 100 LSH 200-A LSH 200-B LET 200-A SV 100-B SV 100-C HV 300 HV 100-C HV 400 FIC 100 LET 200-B FIT 100 N/A N/A N/A N/A N/A N/A N/A.

(25) 2.1 TRANSMISOR DE PRESIÓN DIFERENCIAL. Es un sensor con el cual se puede medir y controlar el flujo usando presión diferencial. Funciona con tres sensores de flujo de presión diferencial opcionales que trae la planta: tubo Venturi, tubo pitot y placa de orificio, cualquiera que se utilice crea una restricción en la tubería del proceso. Cuando el fluido fluye a través de la restricción, se obtiene una diferencia de presión que es leída por el sensor y se puede programar para suministrar una señal análoga (4mA-20mA). Figura 11. Transmisor de presión diferencial. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 2.2 TRANSDUCTOR DE FLUJO VENTURI. Se utiliza para conceptos y aplicaciones de la medición del flujo con base en la presión diferencial utilizando un tubo Venturi, que como tal origina una pérdida de presión al pasar un fluido por allí.. 25.

(26) Figura 12. Tubo venturi. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 2.3 VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO. La mayoría de los elementos de control en un sistema de control de procesos son bombas o válvulas. Existen muchos tipos de válvulas que pueden utilizarse para controlar un proceso. Cada tipo de válvula tiene características operativas únicas, por lo que para este caso se utilizó la válvula proporcional de control de flujo, que inclusive se puede regular dependiendo de la necesidad que se tenga. Figura 13. Válvula proporcional de control de flujo. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 26.

(27) 2.4 SENSOR DE NIVEL POR ULTRASONIDO. Se utiliza para la medición de nivel de líquido mediante ondas ultrasónicas. El nivel se calcula por el tiempo que tardan en viajar las ondas desde el sensor hasta la superficie del medio y volver. El tiempo medido se traduce por medio de una señal análoga de 4mA a 20mA siendo proporcional al nivel del fluido en el tanque. Figura 14. Sensor de nivel por ultrasonido. Fuente Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 2.5 SENSOR DE NIVEL DE PRESIÓN HIDROSTÁTICA. El nivel del fluido se puede conocer por medio del sensor de nivel por presión hidrostática siempre y cuando se conozca la densidad del líquido dentro del tanque. Dicha presión se transmite por medio de una capa de acero inoxidable y se convierte de igual manera que el sensor por ultrasonido, en una señal análoga de 4mA a 20mA.. 27.

(28) Figura 15. Sensor de nivel de presión hidrostática. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 2.6 VÁLVULAS MANUALES. Existen diferentes tipos de válvulas manuales, para el caso de la planta de control de nivel y flujo, principalmente se utilizaron: Figura 16. Válvulas de drenaje. Figura 17. Válvula de control de flujo. Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide 2011.. 28.

(29) Las válvulas de drenaje para retornar el líquido al tanque de reserva y la válvula de control de flujo manual. Los elementos anteriormente mencionados fueron los que implicaron de forma significativa en la identificación de la planta para la toma de datos en las diferentes pruebas realizadas. 2.7 SISTEMA DE ADQUISICIÓN DE DATOS Se implementó como adicional un sistema de adquisición de datos compuesto de un Arduino uno R3 que permitió la captura de datos, con las características que se muestran en la tabla 2. Figura 18. Dispositivo de adquisión de datos. Fuente de los autores. Tabla 2. Especificaciones técnicas de la tarjeta Arduino. Ítem 1 2 3 4 5. Característica Técnica Microcontrolador Voltaje de operación Voltaje de entrada (Recomendado) Voltaje de entrada (Límite) Pines para entradasalida digital. Especificación Atmega328 5V 7 – 12V 6 – 20V 14 (6 pueden ser salida de PWM). 29.

(30) 6 7 8 9 10 11 12. Pines de entrada analógica Corriente continua por pin IO Corriente continua en el pin 3,3V Memoria Flash SRAM EEPROM Frecuencia de reloj. 6 40 mA 50 mA 32 KB (0,5 KB bootloader) 2 KB 1 KB 16 MHz. Fuente de http://www.arduino.cc. 2016. Dicho microcontrolador se configuró por medio de una interfaz en LabView, siendo un componente adicional con el que no contaba la planta. Fue un proceso completo del diseño e implementación de un sistema de monitorización realizado por dos estudiantes de Ingeniería Mecánica de la Facultad Tecnológica (ANGULO & REYES, 2017). Gracias a dicho aporte, es posible fácilmente guardar los resultados en un archivo .xls de las pruebas que se toman en cada práctica.. 30.

(31) 3. RECOLECCIÓN DE DATOS DE LA PLANTA AMATROL T 5552. 3.1 ADECUACIÓN DE LA PLANTA En la planta de nivel y flujo AMATROL T5552, anteriormente se había desarrollado un proyecto nombrado “Diseño e implementación de un sistema para la monitorización de un proceso de control de nivel y flujo” (ANGULO & REYES, 2017), en el cual se utilizó un sistema de monitorización con base en un arduino para la captura de datos del proceso, lo que permitió, para esta fase de identificación, la toma de los datos necesarios para el análisis y entrenamiento de la red neuronal artificial (RNA). Los datos corresponden a las variables: caudal, corriente, y nivel con sensores de presión hidrostática y de ultrasonido. Inicialmente, se realizó la adecuación del computador con la instalación de los programas necesarios para la monitorización los cuales fueron Arduino 1.0.2 y LabView. Posterior, se hicieron las configuraciones y conexiones necesarias entre la interfaz, el arduino y la planta T5552 para la realización de las pruebas como se ve en la figura 19. Figura 19. Sistema de monitorización. Fuente de los autores.. 31.

(32) 3.2 TOMA DE DATOS 3.2.1 PRUEBA 1 Inicialmente se seleccionaron sub-sistemas de análisis para el entrenamiento de la RNA y así determinar fallas en el tanque de nivel y en la válvula proporcional de control de flujo. Teniendo en cuenta dicha información, los datos que se debían tomar eran: para el tanque, la entrada es el caudal y la salida es el nivel, y para la válvula, la entrada es la corriente y la salida es el caudal. Luego de determinar los sub-sistemas de análisis, que fueron la válvula proporcional de control de flujo (figura 20) y el tanque (figura 23), se procedió a tomar las dos primeras series de datos para los cuales se utilizó un periodo de muestreo de 1 segundo, para la válvula. Se toma un periodo de operación de 20 minutos donde cada 5 segundos se hizo una variación de la corriente para observar la variación en el caudal, y para el tanque se dio un periodo de operación de 90 minutos, donde cada 30 segundos se forjó una variación en el caudal para obtener la variación en el nivel del tanque. Se realizó la gráfica de los datos para posterior realizar el análisis de los mismos, donde para cada sub-sistema arroja 2 gráficas que son datos de entrada vs tiempo, y datos de salida vs tiempo, para observar el comportamiento de los mismos y así determinar si son los esperados y requeridos para el entrenamiento de la red neuronal artificial (RNA). Analizando las gráficas, se concluyó que no son viables para el entrenamiento de la red neuronal artificial puesto que se observan cambios bruscos, lo que significa que se trabaja fuera del rango de trabajo óptimo en la planta T5552. Se indaga el por qué y se determina que el problema se debe a un cambio de diámetro en una de las secciones de la tubería de la planta, la cual puede estar generando un error en los datos que arroja la monitorización. Teniendo en cuenta esto, se realizó la adecuación de una tubería del mismo diámetro para que el comportamiento de la planta T5552 sea estandarizado y adecuado. 3.2.2 PRUEBA 2 Posteriormente, se realiza una segunda prueba en la que se cambió el periodo para la toma de datos: cambió de 1 segundo a 5 segundos para la válvula y a 30 segundos para el tanque, esto con el fin de mejorar el resultado de los datos.. 32.

(33) Analizando las nuevas gráficas, se identificó que se presentaban problemas con el rango tomado como óptimo trabajo en cuanto al caudal, por lo que se determina un rango óptimo de trabajo en el caudal de 0,4GPM a 1,2GPM, teniendo en cuenta que la planta trabaja según los manuales de 0GPM a 2GPM, y los cambios o picos evidenciados que muestran fallas en el trabajo de la planta están por debajo de los 0,39GPM y el trabajo real máximo de la misma es de 1,2GPM. Por otro lado, en la gráfica se observó un comportamiento por picos y no como se esperaba en forma rectilínea, para observar el cambio entre los datos de entrada y salida. Se determinó cambiar los periodos de muestreo y trabajo de la planta T5552 en cada sub-sistema para una mejor obtención de los datos. 3.2.3 PRUEBA 3 Los parámetros que se establecieron en el trabajo para la tercera prueba fueron muestreo para ambos sub-sistemas de cada 1 segundo. Válvula Se toma un tiempo de funcionamiento de 45 minutos donde cada 5 segundos se hace una variación de la corriente para observar la variación en el caudal. Figura 20. Sub-sistema de estudio: válvula. Fuente de los autores.. Se obtuvo las siguientes gráficas:. 33.

(34) 2:57 p.m. 2:58 p.m. 2:58 p.m. 2:59 p.m. 3:00 p.m. 3:01 p.m. 3:02 p.m. 3:02 p.m. 3:03 p.m. 3:04 p.m. 3:05 p.m. 3:06 p.m. 3:06 p.m. 3:07 p.m. 3:08 p.m. 3:09 p.m. 3:10 p.m. 3:10 p.m. 3:11 p.m. 3:12 p.m. 3:13 p.m. 3:14 p.m. 3:14 p.m. 3:15 p.m. 3:16 p.m. 3:17 p.m. 3:18 p.m. 3:18 p.m. 3:19 p.m. 3:20 p.m. 3:21 p.m. 3:22 p.m. 3:22 p.m. 3:23 p.m. 3:24 p.m. 3:25 p.m. 3:26 p.m. 3:26 p.m. 3:27 p.m. 3:28 p.m. 3:29 p.m. 3:30 p.m. 3:30 p.m. 3:31 p.m. 3:32 p.m. 3:33 p.m. 3:34 p.m. 3:35 p.m. 3:35 p.m. 3:36 p.m.. 2:57 p.m. 2:58 p.m. 2:58 p.m. 2:59 p.m. 3:00 p.m. 3:01 p.m. 3:02 p.m. 3:02 p.m. 3:03 p.m. 3:04 p.m. 3:05 p.m. 3:06 p.m. 3:06 p.m. 3:07 p.m. 3:08 p.m. 3:09 p.m. 3:10 p.m. 3:10 p.m. 3:11 p.m. 3:12 p.m. 3:13 p.m. 3:14 p.m. 3:14 p.m. 3:15 p.m. 3:16 p.m. 3:17 p.m. 3:18 p.m. 3:18 p.m. 3:19 p.m. 3:20 p.m. 3:21 p.m. 3:22 p.m. 3:22 p.m. 3:23 p.m. 3:24 p.m. 3:25 p.m. 3:26 p.m. 3:26 p.m. 3:27 p.m. 3:28 p.m. 3:29 p.m. 3:30 p.m. 3:30 p.m. 3:31 p.m. 3:32 p.m. 3:33 p.m. 3:34 p.m. 3:35 p.m. 3:35 p.m. 3:36 p.m.. Figura 21. Toma 3 válvula – corriente vs tiempo. Corriente vs Tiempo. 20. 15. 10. 5. 0. Fuente de los autores. Figura 22. Toma 3 válvula – caudal vs tiempo. Caudal vs Tiempo. 1,3 1,1 0,9 0,7 0,5 0,3. Fuente de los autores.. 34.

(35) Tanque Para este caso, se tomó un tiempo de funcionamiento de 90 minutos donde cada 30 segundos se hizo una variación en el caudal para obtener la variación en el nivel del tanque, lo que arrojó las siguientes gráficas: Figura 23. Sub-sistema de estudio: tanque. Fuente de los autores.. En este subistema se tuvo en cuenta tanto el sensor de nivel de ultrasonido, como el sensor hidrostático, arrojando las siguientes gráficas como resultado:. 35.

(36) 5:17 p.m. 5:18 p.m. 5:20 p.m. 5:22 p.m. 5:24 p.m. 5:26 p.m. 5:28 p.m. 5:30 p.m. 5:32 p.m. 5:34 p.m. 5:36 p.m. 5:38 p.m. 5:40 p.m. 5:42 p.m. 5:44 p.m. 5:46 p.m. 5:47 p.m. 5:49 p.m. 5:51 p.m. 5:53 p.m. 5:55 p.m. 5:57 p.m. 5:59 p.m. 6:01 p.m. 6:03 p.m. 6:05 p.m. 6:07 p.m. 6:09 p.m. 6:11 p.m. 6:13 p.m. 6:15 p.m. 6:16 p.m. 6:18 p.m. 6:20 p.m. 6:22 p.m. 6:24 p.m. 6:26 p.m. 6:28 p.m. 6:30 p.m. 6:32 p.m. 6:34 p.m. 6:36 p.m. 6:38 p.m. 6:40 p.m. 6:42 p.m. 6:44 p.m. 6:45 p.m.. 5:17 p.m. 5:18 p.m. 5:20 p.m. 5:22 p.m. 5:24 p.m. 5:26 p.m. 5:28 p.m. 5:30 p.m. 5:32 p.m. 5:34 p.m. 5:36 p.m. 5:38 p.m. 5:40 p.m. 5:42 p.m. 5:44 p.m. 5:46 p.m. 5:47 p.m. 5:49 p.m. 5:51 p.m. 5:53 p.m. 5:55 p.m. 5:57 p.m. 5:59 p.m. 6:01 p.m. 6:03 p.m. 6:05 p.m. 6:07 p.m. 6:09 p.m. 6:11 p.m. 6:13 p.m. 6:15 p.m. 6:16 p.m. 6:18 p.m. 6:20 p.m. 6:22 p.m. 6:24 p.m. 6:26 p.m. 6:28 p.m. 6:30 p.m. 6:32 p.m. 6:34 p.m. 6:36 p.m. 6:38 p.m. 6:40 p.m. 6:42 p.m. 6:44 p.m. 6:45 p.m.. Figura 24. Toma 3 tanque – caudal vs tiempo. Caudal vs Tiempo. 1,5 1 0,5 0. Fuente de los autores. Figura 25. Toma 3 tanque – nivel ultrasonido vs tiempo. Nivel Ultrasonido vs Tiempo. 5 4,5 4 3,5 3. Fuente de los autores.. 36.

(37) Figura 26. Toma 3 tanque – nivel presión hidrostática vs tiempo. Nivel Presión Hidrostática vs Tiempo 13 12 11 10 9 8. 5:17 p.m. 5:18 p.m. 5:20 p.m. 5:22 p.m. 5:23 p.m. 5:25 p.m. 5:27 p.m. 5:28 p.m. 5:30 p.m. 5:32 p.m. 5:33 p.m. 5:35 p.m. 5:37 p.m. 5:38 p.m. 5:40 p.m. 5:42 p.m. 5:43 p.m. 5:45 p.m. 5:47 p.m. 5:48 p.m. 5:50 p.m. 5:52 p.m. 5:53 p.m. 5:55 p.m. 5:57 p.m. 5:58 p.m. 6:00 p.m. 6:02 p.m. 6:04 p.m. 6:05 p.m. 6:07 p.m. 6:09 p.m. 6:10 p.m. 6:12 p.m. 6:14 p.m. 6:15 p.m. 6:17 p.m. 6:19 p.m. 6:20 p.m. 6:22 p.m. 6:24 p.m. 6:25 p.m. 6:27 p.m. 6:29 p.m. 6:30 p.m. 6:32 p.m. 6:34 p.m. 6:35 p.m. 6:37 p.m. 6:39 p.m. 6:40 p.m. 6:42 p.m. 6:44 p.m. 6:46 p.m.. 7. Fuente de los autores.. La gráfica de caudal vs tiempo tiene el comportamiento esperado para el entrenamiento, es imprescindible que en la gráfica haya escalones tal cual se mostró. El análisis de estas gráficas nos permite determinar que son los datos apropiados para el entrenamiento de la red neuronal artificial, y a su vez reafirmando que los parámetros antes mencionados son los rangos de trabajo óptimo de la planta T5552.. 37.

(38) 4. ENTRENAMIENTO DE LA RNA. En este capítulo se realizó el entrenamiento de las redes neuronales artificiales para cada uno de los subsistemas. Para este proceso, se hizo un comparativo en el entrenamiento de dichas redes por medio de los comandos del toolbox en Matlab de redes neuronales, y así mismo de la interfaz de redes neuronales. Se determinó que por practicidad y mejoramiento del entrenamiento de las RNA´S, el método de entrenamiento mediante la interfaz es el más adecuado, ya que proporciona una serie de gráficas que permiten observar la viabilidad de las mismas para la identificación, implementando un sistema de monitorización y detección de fallas.. 4.1 ENTRENAMIENTO VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO Se realizó un entrenamiento de las RNA por la interfaz del entrenamiento de MATLAB la cual permite determinar porcentaje de entrenamiento, validación y pruebas para la optimización del entrenamiento. A su vez, se obtuvo una serie de gráficas las cuales permitieron observar la tendencia al error y sistemas de validación. Para realizar el entrenamiento mediante la interfaz, se siguieron los pasos que se explican a continuación: inicialmente, se genera la carga de los datos de entrenamiento en la plataforma de workspace por medio de la opción import data como se ve en la figura 27. Figura 27. App carga de datos. Fuente de los autores.. Una vez se selecciona la opción, se busca el archivo de los datos tomados y seleccionados respecto a las pruebas realizadas en la planta de control de nivel y flujo. Dichos datos se encontrarán en un solo paquete que fueron reunidos mediante Matlab como se muestra en la figura 28 (Anexo A en CD).. 38.

(39) Figura 28. Plataforma para cargar datos al workspace. Fuente de los autores.. Seleccionado el archivo donde se encuentran las matrices de datos de entrenamiento, en workspace se despliega cada una de las series de datos, identificadas con nombre propio para reconocer matrices para cada subsistema y su función en cuanto a entrada o salida del entrenamiento: Figura 29. Matrices de datos de entrenamiento. Fuente de los autores.. 39.

(40) Ya cargadas las matrices de datos para entrenar, en el command window se digita el comando “nnstart” para desplegar el módulo de entrenamiento de redes neuronales artificiales. Con ese comando se puede seleccionar la forma de ingresar los datos que se entrenan para identificar el sistema de control. Figura 30. Comando de entrenamiento para interfaz de la RNA. Fuente de los autores.. Inmediatamente, se abre un asistente para resolver problemas con redes neuronales. Cada uno de estos asistentes ayuda a resolver un tipo diferente de problema. Para el caso presente, se seleccionó “fitting app” ya que fue el modelo escogido para esta prueba en el que permite seleccionar datos de entrada y salida. Figura 31. Interfaz de entrenamiento para redes neuronales. Fuente de los autores.. Se despliega una ventana donde se da una breve introducción a lo que consiste el entrenamiento por la opción seleccionada, y en el modelo gráfico de la misma. Se muestra que consta del entrenamiento de los datos de entrada y salida con dos tipos de capas intermedia una oculta de entrenamiento donde se determinan el número de neuronas y otra capa previa de salida.. 40.

(41) El funcionamiento de la red de retropropagación consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas dadas. Primero se aplica un patrón de entrada como estímulo para la primera capa de neuronas, se va propagando a través de las capas superiores hasta generar una salida, se compara el resultado en las neuronas de salida con la salida deseada y se calcula un valor de error para cada neurona de salida. Estos errores se transmiten hacia atrás, partiendo de la capa de salida hasta que todas las neuronas hayan recibido un error que describa su aportación relativa al error total. (LARRAGAÑA, INZA, & MOUJAHID, 2012) Figura 32. Interfaz de entrenamiento para redes de retro propagación. Fuente de los autores.. Luego de dicha introducción, se pasa a la plataforma donde se indican, de manera individual, las matrices de datos de entrenamiento: entrada y salida, donde cada una representa la cantidad de muestras por elemento seleccionado. Figura 33. Plataforma para carga individual de datos de entrada y salida para entrenamiento. Fuente de los autores.. 41.

(42) Cargadas las matrices de datos, se pasa a la plataforma de selección de porcentaje para la validación del entrenamiento, donde se encuentran tres factores a tener en cuenta: entrenamiento, validación y pruebas. Por defecto se determina que sean 70% para el entrenamiento y 15% para la validación y las pruebas, aunque se puede variar para ver el comportamiento del entrenamiento de las RNA. Para este trabajo se evidenció que los porcentajes estándares que muestra Matlab son los adecuados para los dos entrenamientos. Figura 34. Porcentajes de validación de entrenamiento. Fuente de los autores.. Una vez determinados los porcentajes de acción para el entrenamiento de la RNA, se continuó con la asignación de la cantidad de neuronas ocultas que harán parte del entrenamiento. Esta cantidad es elegida por el usuario teniendo en cuenta que puede realizar una serie de pruebas iniciales para tener un margen de la cantidad de neuronas apropiadas para la tarea, entre más sea la cantidad de neuronas más largo será el entrenamiento y mejor el procesamiento de los datos, pero se debe tener en cuenta que al exceder el número ideal de neuronas ocultas se pasa a no tener un óptimo entrenamiento.. 42.

(43) Figura 35. Asignación de neuronas de la capa oculta. Fuente de los autores.. Ya asignados todos los parámetros para el entrenamiento, se siguió con el entrenamiento de la red neuronal artificial. Este procedimiento se realizó como se observa en la figura 36, seleccionando “train”, la cual es la ventana final para poder obtener los resultados que mostraron la viabilidad y el óptimo entrenamiento de la red para la implementación del sistema de control de fallas. Figura 36. Trabajo de entrenamiento. Fuente de los autores.. 43.

(44) Realizado el entrenamiento de la red neuronal artificial, Matlab desplegó una ventada adicional con los resultados del entrenamiento, donde se observó datos como las épocas de entrenamiento, que son los periodos de tiempo del entrenamiento, tiempo utilizado para el entrenamiento, mejoramiento del mismo entre otros. Igualmente, como se ve enmarcado en rojo en la siguiente figura, un listado de gráficas que permitieron analizar el comportamiento del entrenamiento de la red, midiéndolo mediante el rendimiento, la regresión de datos de salida y el histograma de error.. Figura 37. Resultados entrenamiento. Fuente de los autores.. Ya teniendo en cuenta los pasos para el entrenamiento, se procede a realizar el entrenamiento de la red neuronal artificial para el sub-sistema de la válvula de 44.

(45) control de flujo. En un principio, se cargan de los datos de entrenamiento como se observa en la figura 38, los cuales se ven designados por unas siglas que corresponden de la siguiente manera: datos de entrada corriente (I1) y los datos de salida caudal (Q1), que se encontrarán en el anexo B (CD). Figura 38. Interfaz de entrenamiento para RNA válvula de control. Fuente de los autores.. Ingresados los datos de entrenamiento, se procede a ingresar el número de neuronas en la capa oculta de la RNA, para este sub-sistema después de una serie de ensayos se determinó que el número aproximado ideal de neuronas ocultas seria de 1300. Esto teniendo en cuenta las pruebas y el gran número de datos de entrada y salida que maneja la monitorización de la electroválvula. A su vez, para ambos sub-sistemas, electroválvula y tanque, los porcentajes de entrenamiento serán los antes mencionas en la explicación del paso a paso.. 45.

(46) También se pudo observar que los resultados del progreso del entrenamiento de la red neuronal, de las 1000 iteraciones posibles para el entrenamiento óptimo de la red fueron necesarios 4, lo cual se ve reflejado en el poco tiempo requerido para el mismo, esto optimizando el desempeño de la RNA, de. Figura 39. Entrenamiento de la RNA válvula de control. Fuente de los autores.. Entrenada la red neuronal, se inicia el análisis del entrenamiento mediante la primera gráfica (figura 40), la cual muestra el rendimiento de la red durante el entrenamiento. Dicho rendimiento se mide en términos del error, se observa que, en la gráfica para la electroválvula, la tendencia a la disminución del error es bastante corta en el tiempo, lo que hace que la RNA tenga un mejor funcionamiento para el control en la segunda época, refiriéndose a la época como el máximo. 46.

(47) número de veces que se presentan los datos de entrenamiento a la red, y volviéndose constante asegurando el correcto funciona y adaptación al control de sistema. Figura 40. Tendencia de validación del entrenamiento para la válvula de control. Fuente de los autores.. En la figura 41 se observa el comportamiento y la adaptación real de los datos de entrada y salida con respecto al entrenamiento y la tendencia de error de la misma, aclarando que el entrenamiento tiene un elevado porcentaje de adaptación a los datos del comportamiento óptimo de la planta, ocasionando que pueda tenerse una adecuada monitorización de proceso para la detección de fallas.. 47.

(48) Figura 41. Función de ajuste y error del entrenamiento de la válvula de control. Fuente de los autores.. Otra medida de lo bien que la red neuronal se ha ajustado a los datos, es el gráfico de regresión. Aquí la regresión se representa en todos los datos de muestreo. El gráfico de regresión muestra las salidas reales de la RNA trazadas en términos de los valores objetivos asociados la red. Como se observa que dicha red, para la electroválvula, ha aprendido a adaptarse bien a los datos, el ajuste lineal a esta relación de salida-objetivo se cruza estrechamente en las esquinas inferior izquierda y superior derecha del gráfico y agrupa una tendencia de datos a la linealidad del entrenamiento.. 48.

(49) Figura 42. Diagrama de regresión del entrenamiento válvula de control. Fuente de los autores.. Otra comprobación es la gráfica del histograma de error, ya que muestra cómo se distribuyen los tamaños de error que normalmente, para que sea óptima la RNA, deben la mayoría de los errores estar cerca de cero, con muy pocos errores lejos de ese margen, como se evidencia en la siguiente gráfica. El margen de error que presenta el entrenamiento de la electroválvula tiene un comportamiento ideal, puesto que la tendencia al error en las tres etapas del entrenamiento está justo sobre el limite cero de error.. 49.

(50) Figura 43. Histograma de error al entrenamiento de la válvula de control. Fuente de los autores.. 4.2 ENTRENAMIENTO TANQUE DE PROCESO Para el entrenamiento del sub-sistema del tanque de proceso, se tiene en cuenta los pasos iniciales del entrenamiento anterior hasta la importación de los datos. Se referencian como entrada los datos obtenidos de la monitorización del caudal denominado para el workspace como (Q2), y como datos de salida los de Nivel de ultrasonido denominados como (NU2). Datos verificables en anexo C (CD). Estos. 50.

(51) son como en el caso anterior, cargados por medio de “select data” para el proceso de entrenamiento de la RNA como se detalla la figura 44.. Figura 44. Interfaz de entrenamiento para RNA tanque. Fuente de los autores.. En la figura 45 se observa las interfaces de entrenamiento de la red neuronal artificial en donde se toma el mismo porcentaje de trabajo que el entrenamiento anterior: 70% de entrenamiento, 15% de validación y 15% pruebas. Para el caso del tanque se seleccionó un número de capas ocultas de 180, que se determinaron por ensayos previos. Se observó en los resultados del progreso del entrenamiento de la red neuronal, que de las 1000 iteraciones posibles para el entrenamiento óptimo de la red fueron necesarias 4 como en el proceso anterior, lo cual se ve reflejado en el poco tiempo requerido para el mismo, y lo que optimiza la RNA y genera las verificaciones necesarias y correctas.. 51.

(52) Figura 45. Entrenamiento de la RNA tanque. Fuente de los autores.. Respecto a la del sub-sistema anterior, se puede observar, como la validación para el correcto funcionamiento de la RNA, que tiende a un comportamiento similar, al tener el mismo tiempo de adecuación al entrenamiento deseado. Sin embargo, en el tanque muestra un comportamiento más acertado, ya que las tres etapas se comportan de la misma manera lo cual demuestra la viabilidad del entrenamiento de la red.. 52.

(53) Figura 46. Tendencia de validación del entrenamiento para el tanque. Fuente de los autores.. En la figura 47, se observa el comportamiento y la adaptación real de los datos de entrada y salida con respecto al entrenamiento y la tendencia de error de la misma. El entrenamiento en este sub-sistema tiene un porcentaje de adaptación a los datos del comportamiento, inferior con respecto al caso anterior, pero no dejando de ser adecuada la RNA para monitorización del proceso para la detección de fallas, ya que es comprensible que al tener un mayor número de datos en el proceso de la planta la tendencia de error incrementa proporcionalmente.. 53.

(54) Figura 47. Función de ajuste y error del entrenamiento del tanque. Fuente de los autores.. En la figura del histograma de error para el tanque, se muestra cómo se distribuyen los tamaños de error. En este caso se observa que también tiene un adecuado comportamiento ya que los datos de error tienden a encontrarse en su mayoría en el límite cero, aunque tengan un mayor número de incidencias de error a lo que se aleja de margen cero, pero siendo inferiores notoriamente a los encontrados en el trabajo óptimo deseado para la RNA.. 54.

(55) Figura 48. Histograma de error al entrenamiento del tanque. Fuente de los autores.. En el diagrama de regresión se observan las salidas reales de la RNA trazadas en términos de los valores objetivo asociados a la red. Se puede identificar que la red ha aprendido a adaptarse bien a los datos. El ajuste lineal a esta relación de salidaobjetivo se cruza estrechamente en las esquinas inferior izquierda y superior derecha del gráfico, y agrupa una tendencia de datos a la linealidad del entrenamiento mucho más evidente que en el caso anterior, lo que confirma el buen desempeño de la RNA.. 55.

(56) Figura 49. Diagrama de regresión del entrenamiento tanque. Fuente de los autores.. Obtenidas las redes neuronales entrenadas para cada uno de los sub-sistemas, y previamente analizadas mediante las gráficas que indican la viabilidad en el uso posterior para el análisis de falla de la planta de nivel y flujo, se puede obtener mediante la app de simulación de Matlab Simulink como se ve en la figura 50, el cubo y diagrama del comportamiento de las RNAS para la monitorización de la planta pulsando el icono de simulink diagram.. 56.

(57) Figura 50. Obtención cubo de comportamiento de la RNA. Fuente de los autores.. Lo que muestra el diagrama de trabajo (figura 51), puede ser comparado con el modelo analítico del sistema, ya que de esta forma se obtiene la función de transferencia en todos los casos que se requiera, y permite determinar el margen exacto de similitud de trabajo de la planta y la eficiencia en la monitorización de la misma.. 57.

(58) Figura 51. Diagrama de simulink de una RNA. Fuente de los autores.. El análisis comparativo se desarrolla en el siguiente capítulo, en donde a su vez se obtienen las funciones de transferencia de cada subsistema, para determinar la viabilidad del entrenamiento de cada red neuronal artificial para la monitorización y análisis de falla en el proceso de trabajo de la planta de nivel y flujo.. 58.

(59) 5. COMPARACIÓN CON MODELO ANALÍTICO. Para realizar el análisis inicial de la viabilidad de los datos obtenidos en el experimento, y seleccionados para el entrenamiento de la RNA, se realizó una identificación paramétrica de forma analítica con la herramienta de Matlab toolbox sistema de identificación, para que a su vez se puedan generar mejoras en los datos quitando señales de interferencia como: tendencias, máximos y mínimos, distorsión entre otros, con el fin de ver y seleccionar la mejor línea de datos para el entrenamiento de la red neuronal.. 5.1 COMPARACIÓN CON MODELO ANALÍTICO DE LA VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO Inicialmente se ejecuta el comando systemIdentification en la ventana de comandos de Matlab. En el System Identification Toolbox se pueden construir modelos matemáticos de sistemas dinámicos a partir de datos medidos de entradasalida. Permite usar y crear modelos de sistemas dinámicos que no se moldean fácilmente a partir de las especificaciones. Se puede usar datos de entrada y salida de dominio de tiempo y de dominio de frecuencia para identificar funciones de transferencia de tiempo discreto y continuo, modelos de proceso y modelos de espacio de estado. En la primera ventana, el nombre registra predeterminado “Sin título” como se observa en la barra de título. Figura 52. Aplicación de identificación del sistema. Fuente de los autores.. 59.

(60) Se deben haber cargado los datos de muestra en el espacio de trabajo de Matlab, y se selecciona sus respectivas entradas input y salidas output como lo muestra la siguiente figura: Figura 53. Importación de datos. Fuente de los autores.. Posteriormente, se realizó la carga de datos que se visualiza en la parte izquierda y se genera el proceso de mejoramiento de datos. En esta parte inicial, se toma como estudio los datos de entrada y salida del experimento, una vez realizado este proceso, se obtienen unas tendencias las cuales demuestran el porcentaje de excelencia de los datos; para el entrenamiento debe estar por encima del 75%.. 60.

(61) Figura 54. Importación de matrices de datos. Fuente de los autores.. En la parte de Operaciones-> preproceso, se selecciona quick start. El “inicio rápido” puede producir modelos lineales finales o también pueden proporcionar la información necesaria para configurar la estimación de modelos paramétricos precisos como constantes de tiempo, retardos de entrada y frecuencias de resonancia. Esta acción genera gráficas de respuesta escalonada, respuesta en frecuencia y salida de modelos. El quick start calcula cuatro tipos de modelos: Imp: Paso de respuesta durante un periodo de tiempo utilizando el algoritmo de impulso. Spad: La respuesta de frecuencia es la transformada de Fourier de la respuesta de impulso de un sistema lineal.. 61.

(62) Arxqs: Modelo autoregresivo de cuarto orden (ARX). N4s4: Modelo de espacio de estado calculado usando n4sid. El algoritmo selecciona automáticamente el orden del modelo. En este caso 4. Este modelo es paramétrico y tiene la siguiente estructura: 𝑑𝑥 = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) + 𝐾𝑒(𝑡) 𝑑𝑡 𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡) + 𝑒(𝑡) Donde y(t) representa la salida en el tiempo t, u(t) representa la entrada en el tiempo t, x es el vector de estado y e(t) es la perturbación de ruido blanco. El System Identification Toolbox estima las matrices del espacio de estado A, B, C, D y K. Por medio de esta opción se puede consultar respecto a cada gráfica, los tiempos en los que se torna la señal para el entrenamiento como se muestra a continuación. Representan las señales de entrada y salida, y así mismo los rangos y la posición en el mejoramiento de los datos para el entrenamiento. Figura 55. Gráficas de entrada y salida de datos válvula optimizadas. Fuente de los autores.. 62.

(63) La similitud con los datos de salida, que es el porcentaje de viabilidad para el entrenamiento de la RNA, es acorde y da paso al entrenamiento. El diagrama de salida del modelo (figura54), muestra la respuesta del modelo a la entrada en los datos de validación. Los modelos de la lista Best Fits se ordenan desde el mejor en la parte superior hasta el peor en la parte inferior. Para este caso, la salida de los modelos coincide con la salida de datos de validación, lo que indica que los modelos parecen seguir la dinámica del sistema principal por lo que el modelado es suficiente.. Figura 56. Gráfica de salida del modelo. Fuente de los autores.. El ajuste entre las dos curvas se calcula de tal manera que 100 significa un ajuste perfecto y 0 indica un ajuste pobre. Un buen modelo es el que mejor describe la dinámica y simula o predice exitosamente la salida para diferentes entradas. A continuación, una gráfica de respuesta de frecuencia para los modelos spad, arxqs y n4s4, que permite observar un acuerdo entre las diferentes estructuras del modelo y los datos medidos, lo que significa que todas estas estructuras tienen dinámicas similares. La respuesta de los datos y las tendencias al error son bastante favorables para el entrenamiento y la monitorización de los subsistemas.. 63.

(64) Figura 57. Respuesta de frecuencia. Fuente de los autores.. Para datos de dominio de tiempo, el gráfico de función de frecuencia muestra la estimación de la función de transferencia empírica (etfe). Para los datos de dominio de frecuencia, la gráfica muestra la relación entre la salida y los datos de entrada. El gráfico de respuesta de frecuencia muestra los gráficos de amplitud y fase de la respuesta de frecuencia correspondiente. El modelo imp (línea azul), se descarta ya que notablemente la imagen muestra que su comportamiento es el menos ajustado para este caso. En la figura 56 se muestra la respuesta de paso para imp, arxqs y n4s4 Figura 58. Tiempos de respuesta de datos válvula de control. Fuente de los autores.. 64.

(65) Esta herramienta, la respuesta transiente, despliega el error que se obtiene al variar los indicadores del tiempo muerto y la constante de tiempo, o toda función de transferencia. Se puede, si se quiere, colocar anclas sobre la curva para mejorar el modelo en sí. El retardo en la entrada representa el tiempo que le toma a la salida responder a la entrada. Estos diagramas, conocidos también como respuesta por pasos e impulso, proporcionan información sobre las características de la dinámica del modelo, incluida la respuesta máxima y el tiempo de establecimiento. SI el modelo incluye un modelo de ruido, se puede mostrar la respuesta transitoria asociada con cada canal de salida. 5.1.1 Comparación función de transferencia del modelo analítico y modelo RNA válvula Por medio del modelo analítico se genera la función de transferencia para el subsistema de la electroválvula, mediante el uso de system identification toolbox, pero esta vez teniendo en cuenta la operación que despliega cada opción para generar dicha función, como se observa en la figura 59. Esto se realiza con el fin de generar la función más exacta al trabajo real de los datos tomados en cada muestra experimental. Figura 59. Identificación de la función de transferencia por el modelo analítico. Fuente de los autores.. 65.

(66) Una vez generados todos los modelos mediante la función model output, se puede identificar qué función de transferencia es la más acorde para el sistema de monitorización. También se puede observar el comportamiento de planta omitiendo la optimización de los datos, en cuanto a eliminar: rangos, tendencias de interferencia (como en el punto anterior), con la finalidad de obtener la función de exacta de trabajo de la planta. Ese porcentaje de similitud a la original es de no menos del 70%, ya que es cuando empieza el trabajo óptimo y de la toma de datos. Seleccionada la función más acorde, se hace la importación de función de transferencia. Figura 60. Porcentaje de similitud electroválvula. Fuente de los autores.. Identificado el mejor modelo para la función que para este caso es P1: 75,84%, se traslada esta al workspace, donde se despliega la función de transferencia del subsistema que se seleccionó llevar a simulink para la comparación del comportamiento.. 66.

(67) Figura 61. Función de transferencia electroválvula. Fuente de los autores.. Con la función de transferencia y el cubo de trabajo de la RNA, se realiza el montaje del comportamiento del sistema en simulink con una señal de salida para observar el comportamiento de cada una, teniendo en cuenta que para que sea un 100% acertado el entrenamiento este debe tender a 0, dicho montaje se observa en la figura 62. Figura 62. Diagrama de funcionalidad en simulink. Fuente de los autores.. 67.

(68) Realizado el montaje, se corre el programa para generar la señal de salida scope, donde se visualiza el comportamiento de cada. En la siguiente figura, se puede observar que el comportamiento de las funciones de trabajo de cada uno tiene la misma tendencia en línea recta, por lo que el trabajo de monitorización de cada uno es similar. Se identifica que, al trabajar con los datos optimizados, eliminando picos y tendencias de datos que interrumpan la señal real de trabajo, hay una diferencia en la guía de la línea de entrenamiento resaltando que la función arrojada por el entrenamiento de la RNA es mejor. Figura 63. Diagrama señal de salida trabajo válvula. Fuente de los autores.. 5.2 COMPARACIÓN CON MODELO ANALÍTICO DEL TANQUE Para el análisis del tanque, el proceso que se siguió fue exactamente el mismo que el realizado con la válvula proporcional de control de flujo, obteniendo las siguientes gráficas.. 68.