Mantenimiento predictivo usando sistemas multiagentes

Texto completo

(1)Mantenimiento Predictivo usando Sistemas MultiAgentes. Javier Eduardo Carrillo Plaza Escuela Técnica Superior de Ingenieros Informáticos Universidad Politécnica de Madrid. Este trabajo es entregado para el grado de Master en Ingeniería Informática. Julio 2016.

(2) Abstract. El presente documento contiene el Trabajo de Fin de Master (TFM) sobre Mantenimiento Predictivo usando la técnica de Sistemas Multiagentes. Para realizar el TFM, se ha contado con la autorización y participación de personal de la empresa CLH, permitiendo analizar la información de los cargaderos con el objetivo de predecir averías en la válvula principal evitando derrames, lo cual ahorra sobrecostes operacionales debido a que evita detener la carga de producto en los cargaderos; adicionalmente también evita la limpieza exhaustiva que se debe realizar cuando hay derrames en los cargaderos. El sistema está diseñado para que tenga características de sistemas distribuibles y componentes de Inteligencia Artíficial (IA), es fácilmente extendible y con gran capacidad de integración con otros sistemas. El sistema recibe información de distintos elementos del entorno que capturan eventos físicos de los activos de la compañía y tiene capacidad de conexión con el sistema de mantenimiento. Específicamente, para el caso de los cargaderos, se procesa los eventos generados en la válvula principal y analiza los datos utilizando Redes Neuronales Artíficiales. El proyecto fue gestionado como un proyecto de software tradicional, es por ello que este documento también contiene análisis de riesgos, requerimientos funcionales y técnicos del sistema y ejecución de pruebas..

(3) Abstract. This document contents Master Thesis work (TFM by your Spanish acronym) about Predective Maintenance using Multi Agent System technique. The TFM has been authorized and attended of employees of CLH, allowing to analyze landings information with the objective to predict faults, avoiding spillovers in landings and save up operational overcosts because it avoid stop product loading in landings; aditionally, avoid exhaustive environment cleaning when overruns occurs. The system is designed with distributed characteristics and Artificial Intelligence components, is easily expandable and have great integration capacity with other systems. The system receives information of any environment elements that catch physic events of assets company; on the other hand, the system have connectivity capacity with EAM (Enterprise Asset Management) system to notify possible faults. Specifically, to the case of landings, the systems analyzes and processes the events of main valve using Artificial Neural Networks. This project was managed as a traditional software project, that is the reason why this document contents risk analysis, functional and technical requirements and test executions.. III.

(4)

(5) Tabla de Contenido Lista de Figuras. VII. Lista de Tablas. IX. Nomenclatura. XI. 1. Introducción y Objetivos. 1. 1.1. Siniestros al suministrar producto a los camiones cisterna . . . . . . .. 1. 1.1.1. Problemas conocidos en los brazos de carga de los cargaderos. 2. 1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3. 1.2.1. Objetivos Empresariales . . . . . . . . . . . . . . . . . . . .. 3. 1.2.2. Objetivos Técnicos . . . . . . . . . . . . . . . . . . . . . . .. 4. 2. Estado del arte. 5. 2.1. Sistemas multiagentes (MAS) . . . . . . . . . . . . . . . . . . . . .. 5. 2.1.1. Agente . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5. 2.1.2. Agente inteligente . . . . . . . . . . . . . . . . . . . . . . .. 6. 2.1.3. Ambiente o entorno . . . . . . . . . . . . . . . . . . . . . . .. 6. 2.1.4. Estudio de Sistemas Multiagente . . . . . . . . . . . . . . . .. 7. 2.1.5. FIPA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7. 2.1.6. JADE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. 2.1.7. Modelo BDI . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. 2.2. Mantener, Reparar y Revisar (MRO) . . . . . . . . . . . . . . . . . .. 9. 2.2.1. Tipos de Mantenimiento . . . . . . . . . . . . . . . . . . . .. 10. 2.3. Redes Neuronales Artificiales (ANNs) . . . . . . . . . . . . . . . . .. 11. 2.3.1. Función de la red . . . . . . . . . . . . . . . . . . . . . . . .. 11. 2.3.2. Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . .. 12. 2.3.3. Paradigmas de Aprendizaje . . . . . . . . . . . . . . . . . . .. 12.

(6) Tabla de Contenido 3. Evaluación de riesgos 3.1. Categorización de riesgos . . . . . . . 3.2. Identificación de riesgos . . . . . . . 3.3. Probabilidad e impacto de los riesgos 3.4. Estratégias . . . . . . . . . . . . . . .. . . . .. 13 13 14 14 16. . . . . . . . . . . . . . . . . .. 19 19 21 21 22 22 22 23 24 25 25 25 26 28 30 31 37 38. 5. Resultados 5.0.1. Resultados de Negocio . . . . . . . . . . . . . . . . . . . . . 5.0.2. Resultados Sistema Multiagente . . . . . . . . . . . . . . . . 5.0.3. Resultados Red Neuronal . . . . . . . . . . . . . . . . . . . .. 41 41 42 42. 6. Conclusiones 6.1. Conclusiones Empresariales . . . . . . . . . . . . . . . . . . . . . . 6.2. Conclusiones Técnicas . . . . . . . . . . . . . . . . . . . . . . . . .. 55 55 56. 7. Líneas futuras. 57. Bibliografía. 59. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. . . . .. 4. Desarrollo 4.1. Análisis de información de los activos . . . . . . . . . . . 4.2. Análisis de requisitos . . . . . . . . . . . . . . . . . . . . 4.2.1. Requisitos funcionales . . . . . . . . . . . . . . . 4.2.2. Requisitos técnicos . . . . . . . . . . . . . . . . . 4.3. Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.1. Explicación general de la arquitectura . . . . . . . 4.3.2. Arquitectura general del sistema en entorno Cloud 4.3.3. Arquitectura general del sistema en entorno local . 4.3.4. Tipos de Agentes . . . . . . . . . . . . . . . . . . 4.3.5. Tipos de Mensajes . . . . . . . . . . . . . . . . . 4.3.6. Mensajes entre agentes . . . . . . . . . . . . . . . 4.3.7. Diseño de la red neuronal . . . . . . . . . . . . . 4.3.8. Diseño de interface gráfica de usuario . . . . . . . 4.4. Plan de pruebas . . . . . . . . . . . . . . . . . . . . . . . 4.4.1. Pruebas de agentes de entrada y salida de datos . . 4.4.2. Pruebas de agentes cognitivos . . . . . . . . . . . 4.4.3. Pruebas de visualización de datos . . . . . . . . .. VI. . . . .. . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . . . . . . ..

(7) Lista de Figuras 1.1. Cargadero de camiones cisterna [1] . . . . . . . . . . . . . . . . . .. 2. 1.2. Válvula Smith Meter Modelo 210 [3] . . . . . . . . . . . . . . . . .. 2. 1.3. Membrana de válvula Smith Meter Modelo 210 . . . . . . . . . . . .. 3. 2.1. Proceso de BDI . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 9. 3.1. Estructura RBS . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 13. 4.1. Diseño general MAS entorno Cloud . . . . . . . . . . . . . . . . . .. 23. 4.2. Diseño general MAS entorno local . . . . . . . . . . . . . . . . . . .. 24. 4.3. Diseño general MAS - Parte 1 . . . . . . . . . . . . . . . . . . . . .. 26. 4.4. Diseño general MAS - Parte 2 . . . . . . . . . . . . . . . . . . . . .. 26. 4.5. Pantalla inicial del GUI Web . . . . . . . . . . . . . . . . . . . . . .. 28. 4.6. Tabla de agentes conectados . . . . . . . . . . . . . . . . . . . . . .. 29. 4.7. Tabla de resumen de datos . . . . . . . . . . . . . . . . . . . . . . .. 29. 4.8. Tabla de estadística de eventos por brazo de carga . . . . . . . . . . .. 29. 4.9. Gráfica del brazo de carga TORACCU072 . . . . . . . . . . . . . . .. 30. 5.1. Resultados Back Propagation TORACCU072 . . . . . . . . . . . . .. 44. 5.2. Gráficas de Resultados Back Propagation TORACCU072 . . . . . . .. 45. 5.3. Resultados Back Propagation TORACCU072 . . . . . . . . . . . . .. 46. 5.4. Gráficas de Resultados Back Propagation TORACCU072 . . . . . . .. 47. 5.5. Gráficas EAMP TORACCU072 . . . . . . . . . . . . . . . . . . . .. 48. 5.6. Gráficas R TORACCU072 . . . . . . . . . . . . . . . . . . . . . . .. 49. 5.7. Resultados Back Propagation TORACCU052 . . . . . . . . . . . . .. 50. 5.8. Gráficas de Resultados Back Propagation TORACCU052 . . . . . . .. 51. 5.9. Resultados Back Propagation TORACCU052 . . . . . . . . . . . . .. 52. 5.10. Gráficas de Resultados Resilient Propagation TORACCU052 . . . . .. 52. 5.11. Gráficas EAMP TORACCU052 . . . . . . . . . . . . . . . . . . . .. 53. VII.

(8) Lista de Figuras 5.12. Gráficas R TORACCU052 . . . . . . . . . . . . . . . . . . . . . . .. VIII. 54.

(9) Lista de Tablas 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7.. Tabla de Riesgos . . . . . . . . . . . . . . . Tabla de probabilidad de riesgos . . . . . . . Tabla de impacto si ocurre el riesgo . . . . . Tabla de cualificación de riesgos . . . . . . . Tabla de Probabilidad e impacto de los riesgos Tabla de tipificación de estratégias . . . . . . Tabla de estratégias . . . . . . . . . . . . . .. . . . . . . .. 14 15 15 15 16 16 17. 4.1. Requisitos funcionales . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Requisitos técnicos . . . . . . . . . . . . . . . . . . . . . . . . . . .. 21 22. IX. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . ..

(10)

(11) Nomenclatura Abreviaturas ACL. Agent Content Language. AID. Agent Identifier. AMS Agent Management System ANNs Artificial Neural Networks BDI. Beliefs, desires and intentions. CLH Compañía Logística de Hidrocarburos DCOPs Distributed constraint optimization DF. Directory Facilitator. EAMP Error Absoluto Medio Porcentual FIPA Foundation for Intelligent Physical Agents IT. Informational Technology. JADE Java Agent DEvelopment Framework MAS Multiagent Systems MDP Markov Decision Process MRO Maintenance, Repair, and Overhaul OT. Operational Technology. OT. Orden de trabajo XI.

(12) Nomenclatura RBS. Risk BreakDown Structure. T FM Trabajo Fin de Master. XII.

(13) Capítulo 1 Introducción y Objetivos En el sector del mantenimiento industrial, tradicionalmente, se ha realizado mantenimiento correctivo y mantenimiento preventivo a los activos. El mantenimiento correctivo genera altos costes para las organizaciones debido a que pueden ocasionar grandes pérdidas si se detiene la producción; para disminuir el mantenimiento correctivo se realiza mantenimiento preventivo, el cual se puede basar en periodos de tiempo (frecuencias anuales, semestrales, mensuales, etc) o se puede basar en mediciones (tiempos de funcionamiento, kilometraje, etc). Realizar mantenimiento preventivo puede generar nuevo mantenimiento correctivo o sobre costes si no se planifica correctamente su ejecución. Como alternativa, se puede realizar mantenimiento predictivo, el cual está basado en el análisis de información física de los activos (vibraciones, presiones, etc) con el objetivo de predecir averías evitando el mantenimiento correctivo y disminuyendo el mantenimiento preventivo. Debido a la gran y diversa información física que generan los activos, su análisis en tiempo real para la predicción de averías es fundamental para el ahorro de costes en mantenimiento al evitar mantenimiento correctivos y disminuir el balance de repuestos en el inventario.. 1.1.. Siniestros al suministrar producto a los camiones cisterna. En CLH, el suministro de producto a los camiones cisterna está automatizado, al llegar el camión se realiza el control de la entrada a la instalación indicando el pedido que van cargar; posteriormente se dirigen a un área de la instalación llamada “Cargadero“, la cual está dividida en “Isletas“ en donde se realiza el suminitro de los 1.

(14) Introducción y Objetivos productos del pedido a través de los brazos de carga. En todo el proceso anterior, únicamente hay intervención por parte del personal de CLH al acoplar el brazo de carga al camión cisterna [2]. El suministro del producto se detiene cuando se alcanza el número de litros que corresponde al pedido, cuando se alcanza el límite de almacenamiento de camión cisterna o cuando se recibe la señal de alarma indicando derramamiento de producto. El derramamiento de producto tiene un alto coste operativo y ambiental, debido a que se debe limpiar perfectamente la zona afectada (parando el suministro en esa isleta) y se debe sacar manualmente el exceso de producto del camión cisterna para cumplir la reglamentación que no permiten circular camiones al 100 % de Figura 1.1 Cargadero de camiones cisterna su capacidad. [1]. 1.1.1.. Problemas conocidos en. los brazos de carga de los cargaderos La mayoría de los problemas de derrame de producto se deben a problemas presentados por la válvula Smith Meter (Modelo 210), la cual está compuesta por una válvula principal de membrana y dos electro-válvulas pequeñas (una normalmente abierta y la otra normalmente cerrada). En forma resumida, la válvula principal tiene una membrana interna que perFigura 1.2 Válvula Smith Meter Modelo mite que el producto fluya o no a través 210 [3] de la ella; dicha membrana está alrededor de un muelle que le permite estar por defecto 2.

(15) 1.2 Objetivos cerrada, se mueve por la diferencia de presiones que ejercen las dos electro-válvulas pequeñas, cuando se abre una válvula la otra se cierra lo cual hace que fluya producto y “empuje“ en un sentido u otro a la membrana, lo cual tiene el efecto de cerrar o abrir la válvula principal. Específicamente se han detectado los siguientes problemas: Problemas de desgaste o rotura de la membrana de la válvula principal. Es un problema que no se puede detectar a simple vista, actualmente analizan los tiempos de apertura y cierre para determinar aproximadamente si la membrana está o no en buenas condiciones. Este análisis se realiza no se realiza frecuentemente porque requiere un Figura 1.3 Membrana de válvula Smith Meter Modelo 210 gran esfuerzo del personal de CLH para el análisis manual de los datos. Problemas en las electro-válvulas, cuando falla alguna de las electro-válvulas puede que la válvula principal quede permanentemente cerrada o puede que quede permanentenmente abierta, en ese caso se debe proceder a un cierre manual de la válvula. Actualmente no se está realizando análisis para predecir averías en las electro-válvulas porque no se está capturando información de dichas válvulas.. 1.2.. Objetivos. El objetivo es utilizar la técnica de sistemas de multiagente para el mantenimiento predictivo de activos. Para alcanzar el anterior objetivo se deberán cumplir los siguientes objetivos específicos tanto empresariales como técnicos.. 1.2.1.. Objetivos Empresariales. Obtener y clasificar la información obtenida de sistemas que capturan eventos en tiempo real de los activos en las instalaciones 3.

(16) Introducción y Objetivos Obtener y clasificar la información obtenida del sistema de gestión de mantenimiento de activos. 1.2.2.. Objetivos Técnicos. Diseñar un sistema multiagente que permita procesar la información de los activos para la predicción de averías Comparar los resultados de predicción del sistema multiagente con la información de averías obtenidas del sistema de gestión de mantenimiento. 4.

(17) Capítulo 2 Estado del arte Este capítulo introduce algunos conceptos básicos que se usan en el documento.. 2.1.. Sistemas multiagentes (MAS). El estudio de sistemas multiagentes consiste en el desarrollo y análisis de resolución de problemas sofisticados de inteligencia artíficial utilizando arquitecturas de sistemas de un solo agente y multiagente.. 2.1.1.. Agente. En software, el concepto de Agente es la forma de describir una entidad de software capaz de actuar con cierto grado de autonomía para completar tareas complejas[4]. Los agentes tienen las siguientes características: No son estrictamente invocados por una tarea pero pueden ser invocados por ellos mismos Pueden estar en espera mientras perciben el contexto Pueden continuar su ejecución si las condiciones del contexto son las adecuadas No necesitan interacción con el usuario Pueden invocar otras tareas 5.

(18) Estado del arte Diferencias del concepto de agentes con respecto a otros conceptos: Un agente no es un simple programa: un agente reacciona al entorno, es autónomo, es persistente y orientado a objetivos. Un agente no es un objeto: los agentes son más autónomos que los objetos, los agentes tienen comportamiento flexible (reactivo, proactivo, social), los agentes tienen al menos un hilo de control pero pueden tener más de uno. Un agente no es un sistema experto: Los sistemas expertos no están acoplados al entorno, no están diseñados para tener comportamiento reactivo o proactivo y no se considera que tengan comportamiento social. 2.1.2.. Agente inteligente. Un agente inteligente extiende la definición anterior de agente agregando las siguientes características: Se adapta a nuevas reglas para resolver problemas Es adaptable en tiempo real u online Aprende y mejora con la interacción del entorno Aprende rápidamente de grandes cantidades de datos Es proactivo para alcanzar el objetivo Puede tener habilidades sociales al interactuar con otros agentes. 2.1.3.. Ambiente o entorno. El entorno es el medio en el que se encuentra el agente, puede ser virtuales, discretos o físicos.En el entorno generalmente se encuentra mas de un agente. Los entornos de agentes pueden ser organizados de acuerdo a sus características: Accesibilidad: Depende si es posible o no acceder a la información completa del entorno. Determinismo: Sucede cuando una acción causa un efecto definido en el entorno. Dinamismo: El entorno influencia a las entidades en cada momento. 6.

(19) 2.1 Sistemas multiagentes (MAS) Discretitud: El número posible de acciones en el entorno es finito. Dimencionalidad: El agente toma las decisiones de acuerdo a las características espaciales del entorno. 2.1.4.. Estudio de Sistemas Multiagente. El estudio de sistemas multiagentes se enfoca en: Ingeniería de software orientado a agentes Creencias, deseos e intensiones (BDI) Cooperación y coordinación Optimización de restricciones distribuidas (DCOPs) Organización Comunicación Negociación Aprendizaje multiagente Robótica Sistemas multirobot. 2.1.5.. FIPA. FIPA (Foundation for Intelligent Physical Agents) es una fundación que promueve la tecnología basada en agentes y la interoperabilidad de sus estándares con otras tecnologías. Actulamente FIPA hace parte de la IEEE. FIPA propone un modelo de referencia de Sistemas Multiagentes que contiene los siguientes componentes lógicos: Agente: Como se ha comentado anteriormente, es un proceso computacional que implementa la funcionalidad autónoma de la aplicación; se comunica usando el lenguage ACL (Agent Content Language). Un agente puede tener capacidades de servicios, los cuales son publicadas en las descripciones de servicios. Cada agente tiene un identificador único (AID, Agent Identifier) 7.

(20) Estado del arte Directory Facilitator (DF): Provee el servicio de páginas amarillas a los agentes. En el DF los agentes podrán registrar sus servicios y consultar los servicios de los otros agentes. Agent Management System (AMS): Mantiene un directorio de AIDs para los agentes registrados en el sistema. Message Transport System (MTS): Método de comunicación por defecto entre agentes en diferentes plataformas. Plataforma: Es la infraestructura en donde es desplegado el sistema; consiste en máquina, sistema operativo, software de soporte para agentes, componentes de gestión de FIPA(DF, AMS y MTS) y agentes.. 2.1.6.. JADE. Java Agent DEvelopment Framework (JADE) es un framework de desarrollo de agentes inteligentes implementado en java. JADE soporta la coordinación entre agentes FIPA e implementa el estándar de lenguaje de comunicaciónn FIPA-ACL. Los agentes pueden estar en alguno de los siguientes estados: Iniciado (Initiated): El agente ha sido creado pero aún no está registrado en el AMS. Activo (Active): El agente ha sido registrado y tiene nombre. En este estado el agente puede comunicarse con otros agentes. Suspendido (Suspended): El hilo del agente está suspendido. Esperando (Waiting): El agente está bloqueado esperando un evento. Eliminado (Deleted): El agente y su hilo ha finalizado su ejecución, no está registrado en el AMS. En transito (Transit): El agente se está moviendo a una nueva ubicación.. 2.1.7.. Modelo BDI. El modelo BDI (Beliefs, desires and intentions) es un modelo de desarrollo para programar agentes inteligentes caracterizado por la implementación de creencias, deseos e intensiones de agentes de software. 8.

(21) 2.2 Mantener, Reparar y Revisar (MRO) BDI provee los mecanismos para separar la actividad de seleccionar un plan y la ejecución del plan actual, balanceando el tiempo que invierte el agente en dichas tareas. El modelo deja por fuera el diseño de los planes delegando dicha tarea a los diseñadores y desarrolladores del sistema. Creencias (Beliefs):Representa el estado de la información del agente, en otras palabras la creencia acerca del mundo (entorno) de si mismo y otros agentes. Se usa la palabra creencia en vez de conocimiento porque no necesariamente son verdad. Deseos (Desires): Representan la motivación del agente; son los objetivos o situaciones que el agente le gustaría alcanzar. Intenciones (Intentions): Representa lo que el agente ha decidido hacer, en la implementación del sistema significa que la ejecución de un plan ha comenzado. BDI ejecuta continuamente el siguiente proceso:. Figura 2.1 Proceso de BDI. 2.2.. Mantener, Reparar y Revisar (MRO). MRO implica arreglar cualquier fallo o rotura de dispositivos eléctricos, mecánicos o tuberías; lo anterior incluye acciones rutinarias para mantener el dispositivo funcionando (mantenimiento preventivo). MRO puede ser definido como “Todas las acciones que tienen como objetivo mantener o restaurar un artículo en un estado en el cual pueda desempeñar la función requerida“. 9.

(22) Estado del arte. 2.2.1.. Tipos de Mantenimiento. En forma general se puede realizar la clasificación del mantenimiento en los siguientes tipos:. 1. Mantenimiento de conservación: Es todo mantenimiento que se realiza con el fin de mantener operativo el equipo el mayor tiempo posible. a) Mantenimiento correctivo: Es toda tarea realizada para identificar, aislar y rectificar un fallo de un equipo, máquina o sistema para que pueda volver a un estado operativo dentro de las tolerancias o límites establecidos para su operación. 1) Mantenimiento inmediato: Es el mantenimiento realizado inmediatamente posterior a la detección de un fallo que deja inoperativo a un equipo. 2) Mantenimiento diferido: Es el mantenimiento realizado al detectar un fallo en un equipo pero que no lo deja inoperativo. b) Mantenimiento preventivo: El objetivo del mantenimiento preventivo es mitigar las consecuencias de los fallos de un equipo, por lo tanto, son todos los cuidados realizados por el personal para mantener equipos e instalaciones en condiciones operativas realizando sistemáticamente operaciones de inspección, detección y corrección de fallos incipientes antes de que ocurra la avería y genere mayores consecuencias. 1) Mantenimiento programado: Es el mantenimiento que se realiza teniendo como base un periodo de tiempo, distancia recorrida, tiempo de funcionamiento, entre otros. 2) Mantenimiento predictivo: Es el mantenimiento realizado al predecir averías analizando tendencias de fenómenos físicos de los equipos como vibraciones, temperaturas, etc. 3) Mantenimiento de oportunidad: Es el mantenimiento realizado en periodos de tiempo en el que los equipos no están en funcionamiento. 2. Mantenimiento de actualización: Es el mantenimiento realizado para actualizar tecnológicamente un equipo o adaptarlo para que funcione en otros entornos. 10.

(23) 2.3 Redes Neuronales Artificiales (ANNs). 2.3.. Redes Neuronales Artificiales (ANNs). Las redes neuronales artificiales [Santana] son las familias de modelos inspirados por las redes neuronales biológicas y utilizando funciones de aproximación que dependen de un gran número de entradas que generalmente son desconocidas. Las redes neuronales artificiales son generalmente presentadas como sistemas de interconexión de “neuronas“ que intercambian mensajes entre ellas. Las conexiones tienen pesos numéricos que pueden ser ajustados de acuerdo a la experiencia haciendo que la red sea adaptativa a las entradas y con capacidad de aprendizaje. Las interconexiones se realizan entre capas de neuronas que pueden activar o no las capas interiores hasta que se activen las neuronas de salida. Dichas interconexiones tienen pesos que representan la importancia de dicha entrada para la neurona de destino.. 2.3.1.. Función de la red. Las redes neuronales artificiales son esencialmente un simple modelo matemático definido como función: f :X→Y. (2.1). Las ANNs generalmente están definidas como: El patrón de interconexión de las distintas capas de neuronas. El proceso de aprendizaje para actualizar los pesos de las interconexiones. La función de activación que convierte las entradas con pesos de la neurona a su salida de activación. De acuerdo a la anterior, una neurona es representado por la función f (x) definida como la composición de otras funciones gi (x). Por lo tanto, teniendo en cuenta los pesos de las interconexiones la función de la neurona puede ser representada como: f (x) = K(Σi wi gi (x)). (2.2). Donde w es el peso de las interconexiones y K es la función de activación de la neurona. 11.

(24) Estado del arte. 2.3.2.. Aprendizaje. Lo más atractivo de las redes neuronales es la capacidad de aprendizaje. Dadas una tarea específica y una clase de funciones F, aprender significa usar un conjunto de observaciones para encontrar f ∗ ∈ F que resuelva desde un punto de vista óptimo. Por lo tanto la definición de función de coste: C : F → R tal que para la función óptima f ∗ , C( f ∗ ) C( f )∀ f ∈ F. Elegir la función de coste se puede realizar de distintas formas, depende del problema que se desee solucionar. 2.3.3.. Paradigmas de Aprendizaje. Existen tres tipos de paradigmas de aprendizaje: el supervisado, no supervisado y el reforzado. Aprendizaje supervisado En el aprendizaje supervisado, se toma un conjunto de parejas de ejemplo (x, y), x ∈ X, y ∈ Y que ayude a encontrar la función f : X → Y que concuerden dentro de las clases de funciones de ejemplo. El coste de la función es la diferencia entre el resultado obtenido y el esperado de acuerdo al conocimiento del dominio del problema. Aprendizaje no supervisado En aprendizaje no supervisado, se recibe un dato x y una función de coste a minimizar. La función de coste es dependiente de la tarea y de nuestras suposiciones. Aprendizaje reforzado En aprendizaje reforzado, los datos x no son dados pero son generados por interacciones de agentes dentro de un entorno. En cada momento de tiempo t el agente ejecuta una acción Yt y el entorno genera una observación Xt y un coste instantáneo Ct . Más formalmente el entorno es modelado como un Proceso de Decisión de Markov (MDP) con estados s1 , ..., sn ∈ S y acciones a1 , ..., an ∈ A.. 12.

(25) Capítulo 3 Evaluación de riesgos 3.1.. Categorización de riesgos. Para categorizar los riesgos se toma como refencia la siguiente estructura “Risk BreakDown Structure“ (RBS):. Figura 3.1 Estructura RBS. Debido a que el proyecto se enmarca dentro de un Trabajo Fin de Master (TFM) se disminuyen la categorización de los riesgos dado que algunas de las subcategorías no aplican, por ejemplo: subcontratistas y proveedores, mercado y financiamiento. 13.

(26) Evaluación de riesgos. 3.2.. Identificación de riesgos. La siguiente tabla describe los riesgos identificados y las categorías a las que pertencen:. Cuadro 3.1 Tabla de Riesgos ID Riesgo. Categoría. Descripción. R001. Gestión. Desvíos en la planificación por demoras al obtener la información. R002. Técnico. Información insuficiente para la detección de averías. R003. Técnico. Información desvinculada entre los sistemas de captura de datos y el sistema de gestión de mantenimiento. R004. Técnico. Las predicciones del modelo no corresponden con la realidad. R005. Organizacional. Baja prioridad en la búsqueda de información de los derrames por parte del personal de CLH. 3.3.. Probabilidad e impacto de los riesgos. En cada riesgo se estima la probabilidad de que ocurra y el grado de impacto en caso de que ocurra; con lo anterior se calcula la cualificación del riesgo de tal forma que se pueda enfocar la mayor parte los esfuerzos a mitigar o eliminar el riesgo. Para realizar lo anterior es necesario definir las tablas con las escalas de probabilidad, impacto y cualificación de los riesgos: 14.

(27) 3.3 Probabilidad e impacto de los riesgos Cuadro 3.2 Tabla de probabilidad de riesgos % Probabilidad. Peso. Muy baja. 15 %. Baja. 50 %. Alta. 70 %. Muy Alta. 85 %. Máxima. 100 %. Cuadro 3.3 Tabla de impacto si ocurre el riesgo % Impacto. Peso. Muy bajo. 15 %. Bajo. 50 %. Alto. 70 %. Muy Alto. 85 %. Máximo. 100 %. Cuadro 3.4 Tabla de cualificación de riesgos % Riesgo. Nivel. 2%. Muy bajo. 25 %. Bajo. 49 %. Alto. 72 %. Muy Alto. 100 %. Crítico. 15.

(28) Evaluación de riesgos Cuadro 3.5 Tabla de Probabilidad e impacto de los riesgos ID Riesgo. Probabilidad. Impacto. % Riesgo. Riesgo. R001. Muy Alta. Muy Alto. 72 %. Muy Alto. R002. Alta. Alto. 49 %. Alto. R003. Alta. Bajo. 35 %. Bajo. R004. Baja. Bajo. 25 %. Bajo. R005. Alta. Alto. 49 %. Alto. De la anterior tabla se concluye que los riesgos R001 (Desvíos en la planificación por demoras al obtener la información), R002 ( Información insuficiente para la detección de averías) y R005 (Baja prioridad en la búsqueda de información de los derrames por parte del personal de CLH) son los que debemos dedicar los esfuerzos para evitar que sucedan o en caso de que sucedan disminuir su impacto.. 3.4.. Estratégias. Dependendiendo del riesgo se seguirán alguno de las siguientes tipos de estratégias:. Cuadro 3.6 Tabla de tipificación de estratégias Tipo de estratégia Mitigar Riesgo Asumir Riesgo Transferir Riesgo a Tercero Eliminar riesgo. 16.

(29) 3.4 Estratégias Cuadro 3.7 Tabla de estratégias ID Riesgo. Tipo de estratégia. Descripción Estratégia. R001. Mitigar Riesgo. Obtener el apoyo de la alta dirección para la consecución de la información del proyecto. R002. Mitigar Riesgo. Identificar la mayor cantidad posible de fuentes de información que permitan predecir averías. R003. Asumir Riesgo. Debido a que el riesgo es muy bajo se decide asumirlo. R004. Asumir Riesgo. Debido a que el riesgo es muy bajo se decide asumirlo. R005. Mitigar Riesgo. Obtener el apoyo de la alta dirección para la consecución de la información del proyecto. 17.

(30)

(31) Capítulo 4 Desarrollo 4.1.. Análisis de información de los activos. Debido a que el problema estudiado se centra en los cargaderos, especialmente en las causas que generan la avería de las válvulas de membrana, la información se descompone de la siguiente manera: Información de mantenimiento: La información de mantenimiento tendrá los mantenimientos, tanto preventivo como correctivo, realizados sobre cualquiera de los equipos del cargadero. La información servirá para justificar el motivo por el cual ha fallado. Específicamente se obtiene la siguiente información de la orden de trabajo (OT): • Número de OT: Número único de la orden de trabajo. • Tipo de OT: Determina si la OT es de correctivo (MC) o de preventivo (MP). • Descripción: Descripción de la OT • Activo: Código del activo al que se le hace mantenimiento • Ubicación: Ubicación del elemento • Fecha de avería: Fecha en la cual ocurrió la avería en caso de que sea de tipo MC. • Fecha de notificación: Fecha en que se notificó la avería en caso de que sea de tipo MC. • Fecha de puesta en marcha: Fecha en que el activo volvió a estar en funcionamiento. 19.

(32) Desarrollo • Fecha de estado completa: Fecha en que se completaron los trabajos de la OT. • Especialidad: Especialidad de la mano de obra principal. Ejemplo: Eléctrico, mecánico, etc • Ejecutor: Código del ejecutor que realizó el mantenimiento. • Empresa externa: Código de la empresa que realizó el mantenimiento. De cada orden de trabajo se obtiene los materiales usados para completar la OT: • Material: Código del material usado. • Descripción: Descripción del material usado. • Cantidad: Cantidad de material usado. • Fecha de recepción: Fecha en la que se recibió el material. De cada orden de trabajo se obtiene la mano de obra requerida para completar la OT: • Mano de obra: Código de mano de obra que participó en la ejecución de la OT. • Especialidad: Código de la especialidad que participó en la ejecución de la OT. • Fecha de inicio: Fecha de inicio de la mano de obra. • Fecha de fin: Fecha de fin de la mano de obra. • Horas empleadas: Esfuerzo en horas empleadas por la especialidad Información de eventos: La información de los eventos se obtienen tanto de la válvula de principal o de membrana como de las eletrovalvulas. • Información de la válvula principal: ◦ Equipo: Es la identificación de la válvula ◦ Fecha evento: Fecha en que se captura el evento ◦ Tipo de evento: Caudal, volumen, producto, temperatura, señal de tierra. ◦ Valor del evento: Es el valor que corresponde al tipo de evento en la fecha del evento. 20.

(33) 4.2 Análisis de requisitos • Información de las electroválvulas: ◦ Equipo ◦ Fecha evento ◦ Código Evento ◦ Evento: Apertura, Cierre, Alarma. 4.2.. Análisis de requisitos. En esta sección se detalla los requerimientos tantos funcionales como técnicos que deberá cumplir el sistema. La definición de estos requisitos servirán de entrada para la preparación tanto de las pruebas unitarias como pruebas de finales del sistema.. 4.2.1.. Requisitos funcionales. Cuadro 4.1 Requisitos funcionales ID Requisito. Descripción. RF01. Permitir la carga de eventos del cargadero a través de ficheros. RF02. Permitir visualizar el resumen de la información de los datos cargados por brazo de carga. RF03. Visualizar gráficamente la información de los brazos de carga (Caudal, Volumen y toma de tierra) gráficamente. RF04. Clasificar los patrones de carga de producto considerados normal para alertar cuando cambie el patrón de carga de producto. 21.

(34) Desarrollo. 4.2.2.. Requisitos técnicos Cuadro 4.2 Requisitos técnicos. ID Requisito. Descripción. RT01. Crear agente que tenga la funcionalidad de cargar datos desde un fichero CSV tanto para eventos como para la información de las OTs. RT02. Crear agente que tenga la funcionalidad de almacenar la información en las bases de datos NoSql como Cloudant y CouchDB. RT03. Crear agente que identifique patrones en la información prediciendo averías utilizando redes neuronales. RT04. Crear interface gráfica de usuario utilizando HTML5 para visualizar un resumen con los datos cargados en el sistema. RT05. Crear interface gráfica de usuario permita visualizar gráficamente los datos de Caudal, Volumen y Toma a Tierra usando HTML5. RT06. Los mensajes enviados a los agentes de escritura de base de datos se deben distribuir uniformemente entre todos los agentes que tengan el servicio de escritura de base de datos. 4.3.. Diseño. En ésta sección se detalla el diseño del sistema multiagente que se ha propuesto para detectar averías en las válvulas de una isleta de carga de hidrocarburos. El sistema incorpora dos variantes, dadas las tendencias actuales en computación, uno utilizando recursos locales y otro utilizando recursos en cloud. Para el entorno local se utiliza la base de datos CouchDB y Node.JS como entorno web; para el entorno cloud se utiliza los servicios de IBM Bluemix, Cloudant NoSQL para la Base de datos y Liberty Java App para el servidor web.. 4.3.1.. Explicación general de la arquitectura. En forma general, el sistema multiagente interactua con el entorno procesando la información del mismo y tomando la decisión sobre cómo reaccionar ante los cambios presentados en el entorno. 22.

(35) 4.3 Diseño En este caso, en el entorno están el sistema PI, el sistema Wincsr y el sistema Maximo. El sistema PI se encarga de capturar los eventos de los activos en las instalaciones (caudal, temperatura, volumen, etc), el sistema Wincsr captura los eventos de apertura, cierre y alarmas de errores en las electroválvulas, el sistema Maximo es el sistema de gestión de mantenimiento en donde están registradas las características técnicas de los activos y los matenimientos tanto preventivo como correctivo que se hace a cada activo. El sistema multiagente tiene tres tipos de agentes, uno de entrada/salida, un agente controlador de información, en este caso hay un solo agente controlador de la información de la válvula; por último, hay un tipo de agente cognitivove El diseño ofrece la posibilidad tanto de entrada como de salida a Maximo para ofrecer la posibilidad de generar una alerta de mantenimiento en caso de que sea detectada una avería. Tal y como se puede observar en las siguientes arquitecturas, el sistema está totalmente preparado para sistemas distribuidos debido a que los agentes pueden estar dispersos en distintos servidores y las bases de datos usadas (Cloudant y CouchDB) están diseñadas para entornos distribuidos.. 4.3.2.. Arquitectura general del sistema en entorno Cloud. Figura 4.1 Diseño general MAS entorno Cloud 23.

(36) Desarrollo En la figura 4.1, se utiliza la plataforma cloud de IBM para el almacenamiento de la información, utilizando Cloudant NoSQL DB que permite almacenar y buscar gran cantidad de información rápidamente; por otro lado se utiliza el servidor de aplicaciones Liberty (basado en WebSphere Application Server) para desplegar la aplicación que permite la visualización de la información del sistema multiagente.. 4.3.3.. Arquitectura general del sistema en entorno local. Figura 4.2 Diseño general MAS entorno local. En la figura 4.2, se muestra una alternativa local al entorno cloud presentado anteriormente, debido a que la gran cantidad de información, que utiliza el sistema, sobrepasa la cantidad de transacciones límite que ofrece Bluemix de forma gratuita. El entorno local, utiliza la base de datos CouchDB y el entorno web Node.JS por su alta capacidad transaccional y bajo uso de recursos de máquina. 24.

(37) 4.3 Diseño. 4.3.4.. Tipos de Agentes. Agentes de Entrada y Salida Los agentes de entrada y salida tendrán la responsabilidad de importar y exportar la información que necesite el sistema. Agentes de Gestión de Datos Los agentes de gestión de datos conocerán los datos de cada tipo de válvula, si no lo conoce, se encargará de conseguir la información a través de los agentes de entrada y salida. Agentes de Cognitivos Los agentes cognitivos pedirán la información que consideren relevante a los agentes gestores de datos para aprender, razonar y generar nuevo conocimiento con respecto a los equipos, de tal forma que puedan predecir averías anticipadamente. Para implementar el razonamiento se usa redes neuronales artificiales, cuyo diseño se explica detalladamente más adelante.. 4.3.5.. Tipos de Mensajes. Evento: Representa todos los eventos generados por el sistema PI (cuadal, volumen, tomatierra y producto) OT: Representa la información más importante de una orden de trabajo MaterialOT: Representa la información de los materiales utilizados en las órdenes de trabajo ManoObraOT: Representa la información de personas que trabajan en las órdenes de trabajo Agente: Representa la información de los agentes del sistema multiagente. 4.3.6.. Mensajes entre agentes. Los siguientes diagramas de interacción muestran los mensajes que intercambian los agentes en distintos momentos. 25.

(38) Desarrollo Al iniciar el sistema, los agentes de la válvula principal y las electroválvulas solicitan información a los agentes de entrada y salida de CSV y NoSQL. Esa información posteriormente será usada por el o los agentes de red neuronal para la predicción de averías.. Figura 4.3 Diseño general MAS - Parte 1. Figura 4.4 Diseño general MAS - Parte 2. 4.3.7.. Diseño de la red neuronal. Para la identificación de patrones de las aperturas y cierres de la válvula principal, se analizará la información del caudal desde el punto de vista de series temporales, por lo tanto, se usará las redes neuronales perceptron multicapa con los modos de aprendizaje “Backpropagation“ y “Resilient Propagation“. 26.

(39) 4.3 Diseño Para diseñar el agente que contiene la implementación de la red neuronal se siguen la siguiente metodología: Búsqueda de las variables de entrada, preparación del conjunto de datos, creación de la red, entrenamiento y validación. Debido a que no se conoce con antelación el comportamiento de la red con los datos de la válvula se siguen los siguientes pasos pero durante la implementación se van ajustando hasta que considere que el error de las predicciones de la red neuronal es asumible. A continación explico cada no uno de los pasos: Búsqueda de las variables de entrada La búsqueda de las variables de entrada consiste en establecer la cantidad de variables de entrada necesaria para entrenar la red. Es decir, se decidirá una cantidad n de entradas tal que las variables 1, 2, ..., n − 1 son los valores de entrenamiento y la variable n es el valor esperado dado los n − 1 valores anteriores. Preparación del conjunto de datos Antes de realizar el entrenamiento de la red se deben normalizar los datos de entrada en el intervalo de [0,1]. Creación de la red neuronal En este paso se deberá decidir el número de neuronas en cada una de las capas (capa de entrada, capa oculta y capa de salida). Entrenamiento En este paso se prepara la estructura de datos necesaria para el entrenamiento de la red con los datos normalizados para que posteriormente la red tome dicha estructura para su entrenamiento. El paradigma de aprenizaje utilizado es el supervisado, por lo tanto, los datos que se usan en el entrenamiento dependerá de la parametrización del agente; por ejemplo: un 80 % de datos de entrenamiento y un 20 % de datos de predicción. Predicción Después del entrenamiento de la red se ejecutan las predicciones con los datos reales establecidos para tal fin. En esta fase el sistema calcula el error obtenido en la predicción. 27.

(40) Desarrollo. 4.3.8.. Diseño de interface gráfica de usuario. La interface gráfica de usuario está diseñada utilizando tecnologías web (HTML5, JS, JSON, etc). Está compuesta de la página inicial que contiene el resumen de la información de los datos almacenados, tiene dos páginas que contienen la información de los brazos de carga de forma gráfica y por último contiene una página con el conocimiento adquirido por el agente cognitivo y los resultados de las predicciones.. Diseño general. Figura 4.5 Pantalla inicial del GUI Web. La aplicación web está dividida en tres zonas: la zona de cabecera en donde se encuentra el nombre de la aplicación y el usuario conectado, el menu que contiene las distintas opciones que ofrece el sistema y la zona en donde se muestra el contenido de las distintas opciones.. Diseño de página de resumen La siguiente tabla muestra los últimos agentes conectados indicando la última conexión, el último estado y el tamaño de la cola de mensajes 28.

(41) 4.3 Diseño. Figura 4.6 Tabla de agentes conectados La siguiente tabla muestra un resumen de todos los datos cargados en el sistema, tanto datos de eventos como datos de órdenes de trabajo.. Figura 4.7 Tabla de resumen de datos La siguiente tabla muestra los datos cargados por brazo de carga indicando los valores mínimos, máximos y el número de registros de cada variable del brazo de carga.. Figura 4.8 Tabla de estadística de eventos por brazo de carga 29.

(42) Desarrollo Diseño de página de gráficas de los datos de brazos de carga Los gráficos de los datos de los brazos de carga se dividen en dos partes: En la parte inferior se encuentra una línea de tiempo con todos los datos cargados del brazo (en la imagen de ejemplo se observan los datos del mes de octubre) y en la parte superior ve el detalle de cualquier fragmento de tiempo seleccionado por el usuario. El objetivo de la gráfica es permitir interactuar de forma gráfica con la información de los brazos de carga para que pueda interpretar fácilmente los resultados obtenidos a través del sistema multiagente.. Figura 4.9 Gráfica del brazo de carga TORACCU072. 4.4.. Plan de pruebas. El plan de pruebas se subdivide en los tres partes principales del sistema: Los agentes de entrada y salida de datos, los agentes cognitivos y la interface de usuario. 30.

(43) 4.4 Plan de pruebas. 4.4.1.. Pruebas de agentes de entrada y salida de datos. Número de prueba. PAESD - 001. Objetivo. Prueba de conexión con la base de datos Cloudant. Prerequisitos. La base de datos debe estar en creada con anterioridad en Cloudant. Procedimiento. 1. Configurar el fichero de propiedades de base de datos 2. Inicializar el agente de entrada salida de base de datos NoSQL. Resultado Esperado. Al inicializar el agente cambia a través de distintos estados escribiendo en la base de datos cada vez que pasa por cada uno de ellos. Se espera que cada cambio de estado se almacene correctamente.. Observaciones. Número de prueba. PAESD - 002. Objetivo. Prueba de conexión con la base de datos CouchDB. Prerequisitos. La base de datos debe estar en creada con anterioridad en CouchDB. Procedimiento. 1. Configurar el fichero de propiedades de base de datos 2. Inicializar un agente de entrada salida de base de datos NoSQL. Resultado Esperado. Al inicializar el agente cambia a través de distintos estados escribiendo en la base de datos cada vez que pasa por cada uno de ellos. Se espera que cada cambio de estado se almacene correctamente.. Observaciones. 31.

(44) Desarrollo Número de prueba. PAESD - 003. Objetivo. Realizar pruebas de carga de datos de eventos del brazo de carga desde ficheros CSV. Prerequisitos. La base de datos debe estar creada con anterioridad. Procedimiento. 1. Configurar el fichero de propiedades con las rutas de las cargas de datos 2. Inicializar un agente de entrada salida de base de datos NoSQL 3. Inicializar un agente de entrada salida de CSV 4. Copiar un fichero de carga con formato CSV que contenga datos de eventos del brazo de carga a la ruta de ficheros de eventos. Resultado Esperado. Se espera que el fichero sea movido a un subdirectorio llamado “procesado“ y por cada línea del fichero csv el agente de E/S de CSV envíe un mensaje al agente de E/S de base de datos cargando los datos correctamente en la base de datos. Observaciones. 32.

(45) 4.4 Plan de pruebas Número de prueba. PAESD - 004. Objetivo. Realizar pruebas de carga de datos de OTs del brazo de carga desde ficheros CSV. Prerequisitos. La base de datos debe estar creada con anterioridad. Procedimiento. 1. Configurar el fichero de propiedades con las rutas de las cargas de datos 2. Inicializar un agente de entrada salida de base de datos NoSQL 3. Inicializar un agente de entrada salida de CSV 4. Copiar un fichero de carga con formato CSV que contenga datos de OTs del brazo de carga a la ruta de ficheros de OTs. Resultado Esperado. Se espera que el fichero sea movido a un subdirectorio llamado “procesado“ y por cada línea del fichero csv el agente de E/S de CSV envíe un mensaje al agente de E/S de base de datos cargando los datos correctamente en la base de datos. Observaciones. 33.

(46) Desarrollo Número de prueba. PAESD - 005. Objetivo. Realizar pruebas de carga de datos de Mano de Obras OTs del brazo de carga desde ficheros CSV. Prerequisitos. La base de datos debe estar creada con anterioridad. Procedimiento. 1. Configurar el fichero de propiedades con las rutas de las cargas de datos 2. Inicializar un agente de entrada salida de base de datos NoSQL 3. Inicializar un agente de entrada salida de CSV 4. Copiar un fichero de carga con formato CSV que contenga datos de Mano de Obras de OTs del brazo de carga a la ruta de ficheros de mano de obra. Resultado Esperado. Se espera que el fichero sea movido a un subdirectorio llamado “procesado“ y por cada línea del fichero csv el agente de E/S de CSV envíe un mensaje al agente de E/S de base de datos cargando los datos correctamente en la base de datos. Observaciones. Si el número de OT de la mano de obra no existe, no se cargará la mano de obra. 34.

(47) 4.4 Plan de pruebas Número de prueba. PAESD - 006. Objetivo. Realizar pruebas de carga de datos de Materiales de OTs del brazo de carga desde ficheros CSV. Prerequisitos. La base de datos debe estar creada con anterioridad. Procedimiento. 1. Configurar el fichero de propiedades con las rutas de las cargas de datos 2. Inicializar un agente de entrada salida de base de datos NoSQL 3. Inicializar un agente de entrada salida de CSV 4. Copiar un fichero de carga con formato CSV que contenga datos de Materiales de OTs del brazo de carga a la ruta de ficheros de materiales. Resultado Esperado. Se espera que el fichero sea movido a un subdirectorio llamado “procesado“ y por cada línea del fichero csv el agente de E/S de CSV envíe un mensaje al agente de E/S de base de datos cargando los datos correctamente en la base de datos. Observaciones. Si el número de OT del material no existe, no se cargará la mano de obra. 35.

(48) Desarrollo Número de prueba. PAESD - 007. Objetivo. Comprobar que las líneas de los ficheros de carga en formato CSV se distribuyan uniformemente entre los agentes de escritura de base de datos. Prerequisitos. 1. La base de datos de estar creada con anteriorirdad 2. El fichero de propiedades debe tener la configuración de conexión a la base de datos 3. El fichero de propiedades debe tener la configuración de las rutas de cargas de ficheros. Procedimiento. 1. Preparar un fichero de carga (es indiferente si es fichero de eventos o de OTs) con N líneas 2. Copiar el fichero de carga a la ruta de carga de ficheros 3. Esperar que el agente CSV termine de enviar a procesar todas las líneas 4. Entrar en el entorno web del sistema multiagente de predicción de averías para consultar el número de mensajes asignado a cada agente de escritura de bases de datos. Resultado Esperado. Se espera que el número de líneas N esté distribuido uniformemente entre los agentes de escritura. Es decir, si hay n agentes de escritura se espera que cada uno tenga aproximadamente N/n mensajes.. Observaciones. 36.

(49) 4.4 Plan de pruebas. 4.4.2.. Pruebas de agentes cognitivos. Número de prueba. PACOG - 001. Objetivo. Entrenar la red neuronal. Prerequisitos. Tener datos cargados con anterioridad en la base de datos. Procedimiento. 1. Ejecutar un agente de entrada/salida de base de datos 2. Ejecutar un agente cognitivo en modo entrenamiento 3. Entrar en el entorno web del sistema multiagente de predicción de averías para consultar el conocimiento que va adquiriendo la red neuronal. Resultado Esperado. Se espera que el agente cognitivo vaya adquiriendo conocimiento mientras va procesando la información de la base de datos. Observaciones. Número de prueba. PACOG - 002. Objetivo. Verificar si después de que la red neuronal haya sido entrenada puede predecir una avería. Prerequisitos. 1. Tener datos cargados con anterioridad en la base de datos 2. La red neuronal debe estar entrenada con anterioridad con datos anteriores a una avería conocida. Procedimiento. 1. Ejecutar un agente de entrada/salida de base de datos 2. Ejecutar un agente cognitivo en modo predicción. 3. Entrar en el entorno web del sistema multiagente de predicción de averías para consultar las alertas generadas por el agente cognitivo. Resultado Esperado. 1. El agente debe continuar procesando la información desde el punto en el que ha quedado en el entrenamiento 2. A medida que se acerque al momento en que se sabe con anterioridad que ha ocurrido una avería, el agente debe notificar una alerta. Observaciones. 37.

(50) Desarrollo. 4.4.3.. Pruebas de visualización de datos. Número de prueba. PVD - 001. Objetivo. Verificar que la información del estado de los agentes de la página de resumen se actualiza correctamente.. Prerequisitos. 1. El sistema multiagente debe estar configurado y en ejecución 2. El servidor web Node.JS debe estar en ejecución. Procedimiento. 1. Entrar en un navegador al entorno web del sistema 2. Refrescar cada 2 minutos el navegador. Resultado Esperado. Se espera que el estado de los agentes se vaya actualizando cada ves que se refresque el navegador. Observaciones. Número de prueba. PVD - 002. Objetivo. Verificar que la información de Resumen de Datos se actualiza correctamente. Prerequisitos. 1. El sistema multiagente debe estar configurado y en ejecución 2. El servidor web Node.JS debe estar en ejecución. Procedimiento. 1. Entrar en un navegador al entorno web del sistema 2. Cargar datos (es indiferente si son datos de Eventos u OTs) en el sistema multiagente 3. Esperar a que el agente de carga CSV procese la información 4. Esperar que losa agentes de entrada/salida de base de datos procesen la información 3. Refrescar la aplicación web. Resultado Esperado. Se espera que después de cargar la información se actualice los datos que se muestran en la aplicación web. Observaciones. 38.

(51) 4.4 Plan de pruebas Número de prueba. PVD - 003. Objetivo. Verificar que la información de Estadísticas de Eventos se actualiza correctamente. Prerequisitos. 1. El sistema multiagente debe estar configurado y en ejecución 2. El servidor web Node.JS debe estar en ejecución. Procedimiento. 1. Entrar en un navegador al entorno web del sistema 2. Cargar datos de Eventos en el sistema multiagente 3. Esperar a que el agente de carga CSV procese la información 4. Esperar que losa agentes de entrada/salida de base de datos procesen la información 3. Refrescar la aplicación web. Resultado Esperado. Se espera que después de cargar la información se actualice los datos que se muestran en la aplicación web. Observaciones. 39.

(52) Desarrollo Número de prueba. PVD - 004. Objetivo. Verificar que la información de los eventos (Caudal, Volumen y Toma a Tierra) se muestran correctamente en las gráficas de los brazos de carga. Prerequisitos. 1. El sistema multiagente debe estar configurado y en ejecución 2. El servidor web Node.JS debe estar en ejecución. Procedimiento. 1. Entrar en un navegador al entorno web del sistema 2. En el menú de la izquierda selecciona un brazo de carga 3. Cargar datos de Eventos en el sistema multiagente para el brazo de carga seleccionado, preferiblemente en una zona temporal distinta que los datos que ya se encuentran cargados. 4. Esperar a que el agente de carga CSV procese la información 5. Esperar que los agentes de entrada/salida de base de datos procesen la información 6. Refrescar la aplicación web. Resultado Esperado. Se espera que los datos cargados se visualicen en la gráfica. Los datos de toma a tierra se debe visualizar como una señal digital. Observaciones. 40.

(53) Capítulo 5 Resultados En éste capítulo se presentan los resultados obtenidos desde tres enfoques diferentes. Por una lado están los resultados obtenidos para el negocio de CLH, por otro lado, desde una perspectiva general, se informa los resultados obtenidos con el sistema multiagente y por último se detalla los resultados de la red neuronal utilizada por el agente cognitivo.. 5.0.1.. Resultados de Negocio. Integración y clasificación de la información El primer gran resultado obtenido con este proyecto ha sido obtener, integrar y clasificar la información. La iniciativa de éste proyecto fue tomada desde el área de Sistemas, sin embargo, la información estaba dispersa entre el área de Sistemas y el área de Operaciones, por un lado en Sistemas estaban datos muy básicos de señales digitales y análogas (cuyos administradores no tenían el conocimiento completo para su interpretación) y la información del mantenimiento realizado sobre los equipos (tanto preventivo como correctivo) , y por otro lado, en Operaciones se encontraba los datos de los derrames ocurridos en los últimos años.. Análisis de la información Al nivel del análisis de información, el sistema obtuvo muy buenos resultados con la poca informacion útil obtenida en el proyecto. Al integrar y clasificar la información obtenida, se llegó a la conclusión que había poca información que se pudiera usar para realizar mantenimiento predictivo. La única variable que podía brindar información sobre el comportamiento de las válvulas principales del cargadero era el Caudal, las 41.

(54) Resultados demás fueron descartadas porque no eran útiles, o porque eran dependientes del Caudal o porque no eran fiables.. 5.0.2.. Resultados Sistema Multiagente. El sistema multiagente desarrollado crea la base para la implementación de un sistema que integre información de múltiples sistemas con el objetivo de su análisis utilizando técnicas de inteligencia artificial; obteniendo resultados en los siguientes aspectos. Sistema distribuido Es un sistema con capacidad de instalarse en un entorno distribuido tanto a nivel del sistema multiagente como a nivel de base de datos debido a que soporta bases de datos basadas en Map-Reduce como CouchDB o Cloudant. Capacidad de crecimiento del sistema Debido a la arquitectura con la cual fue diseñado el sistema, tiene un alto potencial de crecimiento, tanto en integración con otros sistemas como en la capacidad de análisis de información. Los siguientes puntos resumen el resultado obtenido en la implementación del sistema: Implementación de más agentes de integración de sistemas: Actualmente el sistema tiene tres formas de integración: Carga de ficheros CSV, conexión a la BD CouchDB y conexión a la BD Cloudant.Sin embargo, debido a la arquitectura del sistema, es fácilmente extensible a Implementación de otros agentes cognitivos: En este proyecto se ha implementado un agente cognitivo basandose en redes neuronales para la predicción de series temporales; dejando la estructura del sistema lista para extender los agentes cognitivos utilizando otras técnicas.. 5.0.3.. Resultados Red Neuronal. Para el análisis de los resultados obtenidos utilizando la red neuronal artificial se utiliza el Error Absoluto Medio Porcentual (EAMP), el cual se intenta de minimizar; por otro lado se utiliza el coeficiente de correlación (R) para comprobar la diferencia que se produce en los datos predecidos por la red y los datos esperados. 42.

(55) Para la ejecución de la red neuronal se realizaron la combinación de las siguientes condiciones: Porcentaje de datos de aprendizaje: 80 % y 75 % Algoritmo de aprendizaje: Back propagation y Resilient propagation. Variables de entrada: 2,3,5,10,15 y 20 Al combinar las anteriores condiciones se obtuvieron los siguientes resultados representados tanto numérica como gráficamente. Resultados válvula TORACCU072 La válvula TORACCU072, se encuentra ubicada en la instalación de Zaragoza, en el séptimo cargadero. La información analizada corresponde al mes de octubre de 2014 en donde fue reportado un sobrellenado el 21/10 a las 13:18h. Después de analizar los resultados de la red neuronal se determinó que el patrón de comportamiento del caudal no presentaba anomalías con respecto a los datos de las semanas anteriores, posteriormente el personal encargado del análisis de los derrames informó que el derrame ocurrió debido a que el transportista no purgó uno de los compartimentos del camión, es decir, no se aseguró que el compartimento estuviese vacio antes de realizar la carga del producto. En los siguientes datos se pueden observar los resultados obtenidos en la ejecución de la red neuronal. Las descripción de cada una de las columnas es la siguiente: % Aprendizaje: Es el porcentaje de los datos que se destinaron para el aprendizaje de la red neuronal. Var Entrada: Es el número de valores (menos uno) que se toman de la serie para realizar la predicción; es decir, si la variable de entrada es 10 quiere decir que se toman 9 números y se predice el décimo valor. Nº Predicciones: Es el número de predicciones que se realizaron durante la ejecución. Éste numero depende del número seleccionado en las variables de entrada. MAD: Es el Error Absoluto Medio. EAMP: Es el Error Absoluto Medio Porcentual calculado a partir de los datos predecidos siguiendo la siguiente fórmula: 43.

(56) Resultados TS: Es la señal de rastreo (em inglés Tracking Signal), permite medir la desviación con respecto al valor esperado. Aunque esté valor ha sido calculado, no es tenido en cuenta en el análisis de resultados. Corr R: La correlación R permite comparar la distancia entre los valores esperados y los predecidos midiendo el grado de relación entre ellas. Entre más se acerque a 1 quiere decir que están más relacionadas.. Figura 5.1 Resultados Back Propagation TORACCU072 Comparación Back Propagation. Aprendizaje 80 % vs Aprendizaje 75 % Utilizando el algoritmo de aprendizaje Back Propagation para la válvula TORACCU072, como era de esperar, al utilizar un aprendizaje del 75 % de los datos el EAMP es mayor, sin embargo, se estabiliza y se mantiene con la misma tendencia del aprendizaje del 80 % con un poco más de error. Por otro lado, al analizar la variable de correlación y al compararla entre los dos porcentajes de aprendizaje, se puede concluir que en forma general, utilizando el 80 % de los datos para aprendizaje permite que las predicciones estén más aproximadas a los resultados esperados.Sin embargo, a través del tiempo, la red entrenada con el 75 % de los datos mejora considerablemente las predicciones. 44.

(57) De las siguientes gráficas se puede observar que debe existir un equilibrio en el número de variables de entrada, si se seleccionan muy pocas variables o un número excesivo el error en las predicciones aumenta. Utilizando Back Propagation y un porcentaje de datos de aprendizaje de 80 % ó 75 %, el número adecuado de variables de entrada para la válvula TORACCU072 es 12.. Figura 5.2 Gráficas de Resultados Back Propagation TORACCU072 Comparación Resilient Propagation. Aprendizaje 80 % vs Aprendizaje 75 % De forma similar al algoritmo de aprendizaje Back Propagation, el algoritmo Resilient Propagation tiene comportamiento parecido usando el 75 % u 80 % de los datos para aprendizaje, aumentando el valor del error al tener muy pocas variables de entrada o al tener exceso de variables de entrada. Según los resultados obtenidos para la válvula TORACCU072, el número adecuado de variables de entrada son 10, similar al resultado obtenido utilizando Back Propagation. 45.

(58) Resultados Con respecto a la variable de correlación, el comportamiento de la red neuronal con un aprendizaje del 75 % de los datos datos es similar al observado con el algoritmo de aprendizaje Back Propagation. Mientras que la red que fue entrenada con el 80 % de los datos presenta una correlación estable a partir de 5 o más variables de entrada.. Figura 5.3 Resultados Back Propagation TORACCU072 46.

(59) Figura 5.4 Gráficas de Resultados Back Propagation TORACCU072. Comparación. Back. Propagation. vs. Resilient. Propagation. En las anteriores secciones se ha comparado los resultados entrenando las redes con 75 % y 80 % de los datos, usando los dos algoritmos de aprendizaje Back Propagation y Resilient Propagation, pero no se han realizado comparaciones de los resultados obtenidos entre ellos. Las siguientes gráficas comparan los resultados obtenidos con ambos algoritmos de aprendizaje. El EAMP es muy parecido entre los dos algoritmos de aprendizaje sin importar la cantidad de datos usados para el entrenamiento de la red. Aunque el algoritmo Resilient Propagation tiene un mejor comportamiento cuando las variables de entrada son menores que 10 y peor comportamiento después de 10. 47.

(60) Resultados. Figura 5.5 Gráficas EAMP TORACCU072. Al observar las siguientes gráficas de correlación se puede identificar que con el 75 % de datos de aprendizaje ambos algoritmos se comportan de forma similar; al aumentar el número de variables de entrada se comprueba que el algoritmo de Resilient Propagation genera peores resultados que Back Propagation. En la gráfica de correlación en donde se usó el 80 % de los datos para aprendizaje se puede observar que Resilient Propagation ha estado estable y con mejor correlación que Back Propagation desde, aproximadamente, 5 variables de entradas. 48.

(61) Figura 5.6 Gráficas R TORACCU072. Resultados válvula TORACCU052 La válvula TORACCU052 se encuentra ubicada en la instalación de Torrejón, en el quinto cargadero. La información analizada corresponde al mes de diciembre del 2014 en donde fue reportado un fallo del sistema el 16 de diciembre a las 3:33 de la mañana. Después de analizarlos resultados de la red neuronal se determinó que el patrón del comportamiento del caudal no presentaba anomalías con respecto a los datos de días anteriores. El derrame ocurrió porque una de las electroválvulas falló dejando la 49.

(62) Resultados válvula principal permanentemente abierta; el personal procedió a cerrar manualmente la válvula principal. Comparación Back Propagation. Aprendizaje 80 % vs Aprendizaje 75 % A diferencia de la válvula anterior, en la válvula TORACCU052 presenta diferencia de comportamientos de las redes neuronales dependiendo de la cantidad de datos que se usaron para el aprendizaje. En este caso las ejecuciones realizadas con datos de aprendizaje del 75 % presentó estabilidad en los resultados anuque se modifiquen la cantidad de variables de entrada. En cambio, al usar el 80 % de los datos para el aprendizaje las predicciones aumentaron el EAMP y disminuyó la variable de correlación de R; en otras palabras, aumentar la cantidad de datos de entrenamiento no aportó valor a las predicciones de los datos.. Figura 5.7 Resultados Back Propagation TORACCU052. En las siguientes gráficas se puede observar claramente que al usar el 75 % de los datos para el aprendizaje se obtuvieron predicciones con menor error por lo tanto con mayor correlación a los datos esperados. 50.

(63) Figura 5.8 Gráficas de Resultados Back Propagation TORACCU052. Comparación Resilient Propagation. Aprendizaje 80 % vs Aprendizaje 75 % De forma similar al algoritmo Back Propagation, con el algoritmo Resilient Propagation se obtuvieron mejores resultados al entrenar la red con el 75 % de los datos. Al utilizar el 75 % de los datos para entrenamiento de la red, se estabilizó el error desde aproximadamente 5 variables de entrada hasta 20 variables de entrada; aumentando progresivamente la correlación de los resultados a medida que se amplian el número de variables de entrada hasta aproximadamente 16, en donde empieza a reducir la correlación de las predicciones. Al utilizar el 80 % de los datos para el entrenamiento de la red, el comportamiento de Resilient Propagation fue similar a Back Propagation, se aumento el EAMP a medida que se iban aumentando las variables de entrada hasta que se estabilizó alrededor de las 16 variables de entrada. 51.

(64) Resultados. Figura 5.9 Resultados Back Propagation TORACCU052. Figura 5.10 Gráficas de Resultados Resilient Propagation TORACCU052 52.

(65) Comparación. Back. Propagation. vs. Resilient. Propagation. Ambos algoritmos se han comportado practicamente igual cuando se usa el 80 % de los datos para aprendizaje, tanto en el EAMP como en el análisis de correlación. Al comparar ambos algoritmo con un aprendizaje del 75 % el algoritmo Resilient Propagation obtiene una pequeña mejora sobre Back Propagation, sin embargo el comportamiento es similar.. Figura 5.11 Gráficas EAMP TORACCU052 53.

(66) Resultados. Figura 5.12 Gráficas R TORACCU052. 54.

(67) Capítulo 6 Conclusiones Tanto el objetivo principal como los objetivos empresariales y técnicos fueron alcanzados por completo. Sin embargo, el objetivo técnico Çomparar los resultados de predicción del sistema multiagente con la información de averías obtenidas del sistema de gestión de mantenimiento", se cumplió en el periodo de tiempo en el que nos dieron los datos, pero se puede mejorar realizando pruebas con datos posteriores.. 6.1.. Conclusiones Empresariales Este proyecto ha permitido integrar la información de múltiples sistemas que contienen datos de los activos de CLH, mostrando la necesidad de analizar dicha información con el objetivo de reducir costes operacionales. Al clasificar la información obtenida de los distintos sistemas, se puede concluir que no se está obteniendo la suficiente información de los activos para realizar mantenimiento predictivo, por ejemplo, en la válvula principal de los cargaderos se podría obtener información de vibraciones, actualmente la información principal que se captura es el caudal. Es muy importante tener a una persona que conozca e interprete correctamente la información obtenida de los diferentes sistemas ya que tanto el desarrollo como los resultados generados en el sistema dependen de la interpretación realizada de los datos. El análisis de riesgos permitió la anticipación a los problemas que podían suceder en el proyecto y generar estrategias para mitigarlas. Dos de ellos, justamente los de mayor impacto (R001 - Desviación en la planificación por demoras al obtener 55.