ASIGNACION PRIMER CORTE

VICTOR MANUEL ESCOBAR AMADO 1 090 446 347 MIGUEL ANDRES LUNA ORTIZ 92081155200

UNIVERSIDAD DE PAMPLONA SEDE VILLA DEL ROSARIO 20 DE SEPTIEMBRE DE 2010

ASIGNACION PRIMER CORTE

VICTOR MANUEL ESCOBAR AMADO 1 090 446 347 MIGUEL ANDRES LUNA ORTIZ 92081155200 PROGRAMACION MECATRONICA PRESENTADO A: ROCCO TARANTINO ALVARADO INGENIERO ELECTRNICO

UNIVERSIDAD DE PAMPLONA SEDE VILLA DEL ROSARIO SEPTIEMBRE DE 2010

INTRODUCCION En todo proceso industrial existe una interfase hombre-maquina en la cual se usa cierto tipo de simuladores tales como GATOR y MATLAB, con el objetivo de crear mtodos de deteccin y diagnostico de fallas en el proceso. El aprendizaje se logra a travs de un conjunto de pruebas virtuales sobre el proceso, el usuario observar el comportamiento del sistema ante distintas condiciones de fallas. Deteccin de Fallas Es conocido que la confiabilidad operacional debe estar conformada por: la correcta operacin de los procesos, los sistemas de control asociados y la coordinacin de los mismos. Toda esta infraestructura est soportada por diversos sistemas de apoyo dentro de una estructura de automatizacin integral, donde la informacin y su intercambio se consideran relevantes, desde el punto de vista de confiabilidad, seguridad y productividad. En cualquiera de los niveles de la cadena de produccin, esta informacin debe ser manejada con miras a mantener altos ndices de eficiencia y productividad operacional. Dentro de un marco de operacin confiable y segura, deben estar presentes los sistemas que permiten el reconocimiento de eventos, los cuales deben orientar la toma de decisiones cuando el desempeo del proceso productivo se ve afectado por la presencia de cualquier eventualidad adversa. Puesto que la confiabilidad est muy ligada al concepto de seguridad, entonces, es fundamental dotar a los procesos industriales de exigentes mecanismos de seguridad, cuyos elementos bsicos son los Sistemas de Deteccin y Diagnstico de Fallas, (SDDF); los cuales, mediante los indicadores y las variables medidas de los procesos, mantienen una supervisin continua y constante del comportamiento evolutivo en el tiempo de la produccin, reportando cualquier sintomatologa que se considere anormal. Los SDDF se fundamentan en su capacidad para responder ante situaciones inesperadas del comportamiento del proceso, de manera que su principal tarea es la del Diagnstico y Deteccin de Fallas. Un SDDF utiliza las mediciones del proceso a objeto de producir unos residuos, a partir de los cuales, mediante funciones de evaluacin y lgicas de decisin, se busca la identificabilidad y la separabilidad de las fallas. En el marco de estas ideas, cualquier sistema que permita, a partir de las variables medidas de los procesos, generar los residuales y evaluar dichos residuales en forma objetiva, en relacin a las tomas de decisiones orientadas en el reconocimiento de fallas, se denomina Sistema de Deteccin y de Diagnstico de Fallas. Un Sistema SDDF

OBJETIVOS GENERALES

1. Disear una red neuronal que realice funciones de estimacin de la salida segn modelo directo de un sistema de primer orden y realizar un sistema de deteccin y diagnstico de fallas, basado en otra red neuronal. Tratar de diagnosticar al menos 2 patrones de fallas. 2. Disear una red neuronal, que emule un circuito combinacional compuestos de compuertas lgicas. Demostrar su emulacin en Matlab Gator y en hoja Excel realizar la comprobacin.

OBJETIVOS ESPECIFICOS

1. Asimilar el proceso de entrenamiento de una red neuronal y su implementacin. 2. Entender el comportamiento de una red neuronal a medida que avanza su entrenamiento y comprender los factores que influyen en el mismo. 3. Analizar los factores que generan un buen entrenamiento. 4. Estudiar el comportamiento de un sistema RNA con y sin perturbaciones, ruidos y fallas en comparacin con el sistema originalformal. 5. Estudiar el comportamiento de un SDDF basado en RNA. Analizar su sensibilidad a la falla, su robustez al ruido.

El Entrenamiento de la red neuronal es SUPERVISADO En el cual se le presenta a la red un conjunto de patrones, junto con la salida u objetivo deseado e interactivamente esta ajusta sus pesos hasta que su salida tienda a ser la deseada, utilizando para ello informacin detallada del error que se comete a cada paso. Para ello usamos la regla delta generalizada o algoritmo de retropropagacion del error. Su fundamentacion matemtica es la misma de la regla delta: Adaptar los valores de interconexin de la red realizando descensopor gradiente sobre un ndice cuadrtico del error de aprendizaje de la red. Esto quiere decir, que dependiendo del nmero de capas neuronales, sera necesario establecer reglas de adaptacin para los valores de interconexin que llegan a cada una de las capas. Durante la fase de entrenamiento la red realiza dos tareas: Una tarea de presentacin de los patrones en forma de cascada directa, con la cual se obtienen las salidas neuronales a apartir de las entradas presentadas a la red neuronal. La otra tarea es la de actualizacin de los pesos, la cual se realiza desde atrs hacia delante, ajustando primero los pesos de la capa de salida, pasando por las capas ocultas y por ultimo los pesos de la capa de entrada. Este proceso se hace de esta manera debido a la dependencia que tienen los pesos de todas las capas sobre las salidas de la red neuronal.

EXPLICACION GEOMETRICA Y MATEMTICA DEL ENTRENAMIENTO DE LA RED:

La RNA fue entrenada mediante una adaptacin de los pesos de interconexin de la red en la direccin del patrn de entrenamiento presentado a la entrada de la misma. En trminos matemticos se puede formular de la siguiente manera: Sea: Wi = [Wi1, Wi2, , Win]T el vector de pesos que llegan a la i-sima neurona y X = [ X1, X2, , Xn] T el patrn de entrada, entonces el ajuste del vector W i que debe ser realizado en el k-simo paso de entrenamiento puede ser formulado como: Wi(k) = fa(Wi(k),X(k),Sdi(k)) X(k)

Donde Wi(k) = Wi(k+1) - Wi(k) y es un parmetro de diseo que determina la tasa de aprendizaje. Por otro lado, fa(Wi(k),X(k),Sdi(k)) representa una funcin de aprendizaje que depende de los valores presentes del vector de pesos W i, del patrn de entrada X y, en caso de existir, de la i-sima seal de supervisin Sd i. PARTIENDO DEL SIGUIENTE SISTEMA DE PRIMER ORDEN

El sistema se estabiliza a su entrada: 20

PARA UNA RNA DE DETECCION DE FALLAS CON TRES RETRASOS Y SIN PERTURBACIONES:

La salida obtenida es la deseada: 20

PARA LA MISMA RED NEURONAL DE DETECCION DE FALLAS CON TRES RETRASOS Y ANTE UNA PERTURBACION O RUIDO:

Posee una salida deseada de 20 (salida del scope del residual)

Al ampliar la imagen vemos q el error fue el siguiente

Su respectivo cdigo de entrenamiento de la RNA es el siguiente:

FACTORES QUE INFLUYEN EN EL ENTRENAMIENTO DE

La data: Las salidas anteriores fueron realizadas en base a una data de 1500. Ahora bien, al modificarle la data a 3000 se obtiene una mayor precisin puesto que se guarda ms informacin.

Salida con 3 mil de data: (Sin ruido)

El error es mucho menor

Salida de 3 mil de data con ruido:

Disear una red neuronal, que emule un circuito combinacional compuesto de compuertas lgicas. Demostrar su emulacin en Matlab Gator y en hoja Excel realizar la comprobacin.

El circuito combinacional que emulamos fue el siguiente:

Su correspondiente tabla de la verdad es el siguiente:

X 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 0

Y 0 0 1 1 0 0 1 1 0

M 0 1 0 1 0 1 0 1 0

SALIDA (O) 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1

0 0 0 1 1 1 1

0 1 1 0 0 1 1

1 0 1 0 1 0 1

1 1 1 1 0 0 0

Esquema de la red neuronal

Disminuicion del error al pasar los ciclos

Los clculos de los pesos fueron hechos en GATOR al introducirle el siguiente listado de datos de entrada y salida deseada: (los datos en negrita son las salidas correspondientes a las cuatro entradas q le preceden)
0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.99 0.99 0.01 0.01 0.99 0.01 0.99 0.01 0.01 0.99 0.99 0.99 0.01 0.99 0.01 0.01 0.99 0.01 0.99 0.01 0.99 0.99 0.01 0.99 0.99 0.01 0.99

0.01 0.99 0.99 0.99 0.99 0.99 0.01 0.01 0.01 0.99 0.99 0.01 0.01 0.99 0.99 0.99 0.01 0.99 0.01 0.99 0.99 0.01 0.99 0.99 0.99 0.99 0.99 0.01 0.01 0.99 0.99 0.99 0.01 0.99 0.01 0.99 0.99 0.99 0.01 0.01 0.99 0.99 0.99 0.99 0.01

Los pesos obtenidos fueron los siguientes: (los datos en negrita corresponden a los respectivos bias) -1.84964955 -1.31455147 -0.68570209 -0.71695882 2.36183381 -3.56836963 -3.77698755 -1.72950351 -1.70137417 7.68340445

3.68510294 8.65719318 -4.37839603 Se anexa su respectiva comprobacin en hoja de Excel.

CONCLUSIONES