0 évaluation0% ont trouvé ce document utile (0 vote)
94 vues3 pages
El documento describe el desarrollo de un modelo neuronal para predecir fallas en bombas centrífugas. Se utilizó una red neuronal de tipo feed-forward con dos capas ocultas para entrenar el modelo con datos históricos de operación. El modelo predijo con éxito la vida útil remanente de una bomba de prueba basándose en sus parámetros de entrada. El resumen concluye que la red neuronal feed-forward es adecuada para este tipo de predicciones de fallas en equipos dinámicos.
Description originale:
Modelo neuronal para predecir fallas aplicado a bombas centrifugas
El documento describe el desarrollo de un modelo neuronal para predecir fallas en bombas centrífugas. Se utilizó una red neuronal de tipo feed-forward con dos capas ocultas para entrenar el modelo con datos históricos de operación. El modelo predijo con éxito la vida útil remanente de una bomba de prueba basándose en sus parámetros de entrada. El resumen concluye que la red neuronal feed-forward es adecuada para este tipo de predicciones de fallas en equipos dinámicos.
El documento describe el desarrollo de un modelo neuronal para predecir fallas en bombas centrífugas. Se utilizó una red neuronal de tipo feed-forward con dos capas ocultas para entrenar el modelo con datos históricos de operación. El modelo predijo con éxito la vida útil remanente de una bomba de prueba basándose en sus parámetros de entrada. El resumen concluye que la red neuronal feed-forward es adecuada para este tipo de predicciones de fallas en equipos dinámicos.
Evolución del error cuadrático durante entrenamiento red
Feed-Forward. 9. Se realiza la gráfica de predicción para la bomba, que muestra el comportamiento de la predicción, según los patrones de entrada para la bomba de prueba.
Figura 5. Comportamiento de vida útil remanente para bomba
de prueba - Feedforward.
6. Se realiza la gráfica de salidas de la red
neuronal (predicción), junto con los targets. Figura 4. Error de entrenamiento de la red neuronal Feed-Forward
10. Finalmente, se toma el último valor de
la predicción como la salida de vida útil restante para el equipo, la cual se convierte a formato de años para ser mostrada en pantalla del Command Window
Figura 6. Respuesta Command Window para bomba de
prueba. 7. Se cargan los datos de validación y prueba MODELO NEURONAL PARA de la red Feedforward del archivo de Excel BOMBA FF.xlsx. Cada patrón de prueba con PREDICCIÓN DE FALLAS los 7 factores promediados trimestralmente EN PROCESOS formando una columna. DINÁMICOS 8. Se calcula la predicción de vida útil remanente de la bomba de prueba (en años), con base en las salidas de la red neuronal Feedforward para cada patrón de entrada de 7 factores. Willian Vargas Silva. Magíster en Gerencia de mantenimiento Universidad Industrial de Santander Gráfico 1. Metodología del modelo neuronal artificial para METODOLOGÍA DE LA RED predecir fallas en procesos dinámicos.
1. Se cargan los datos de entrenamiento
Modelo neuronal artificial para predecir fallas en procesos dinámicos. de la red neuronal del archivo de Excel DATOS FF.xlsx.
Verificar las condiciones operacionales de las
bombas sean acordes a las del diseño. 2. Se dividen los datos cargados en una La vida proyectada de las maquinas se basa matriz de patrones de entrenamiento y otra en los parámetros que el fabricante tuvo en de targets. cuenta durante su diseño como cargas, Validar ventanas operativas acorde a la hoja de datos del equipo. velocidades, temperatura, medio ambiente y 3. Se crea la red neuronal Feedforward materiales Utilizados. Las bombas centrifugas mediante el comando Feedforwardnet están en contacto directo con el producto, esto ([120,100]), con dos capas ocultas, la Seleccionar variables de entradas del contexto operacional de la bomba centrifuga. lo lleva estar sujeto a variedad de esfuerzos primera de 120 neuronas y la segunda de que hacen que el equipo se deteriore 100 neuronas. disminuyéndose su resistencia, aumentando la Depurar variables de entradas. probabilidad de falla asociada a la fatiga, Figura 1. Arquitectura red neuronal de tipo Feedforward. cavitación, corrosión y oxidación factores que deben ser controlados mediante sistema de Revisión del estado del arte para definir parámetros o punto de operación entre 1,2 a 0,2 supervisión automático y control de la de cada una de los factores que pueden afectar la vida útil de los componentes del equipo. condición operativa, es confiable a tener una vida útil de 6 años y se predice a 7 años según el modelo de redes neuronales Feed-forward y 4. Se entrena la red neuronal con los Normalizar los datos entre (0 y 1) o (-1 y 1). registros operacionales de las plantas de patrones y los targets. Hidrotratamiento de combustible de HDT. Definir el tiempo promedio de la base de datos 5. Se evalúan las respuestas de salida de El uso de redes neuronales ha permitido la de las variables de entradas la red calculando el error de cada patrón. creación de un sistema inteligente con importantes aplicaciones para el diagnóstico Figura 2. Error de entrenamiento de la red neuronal Feed- Desarrollo del modelo., se prueba con diferentes Forward. de fallas, reconocimiento de imágenes, arquitecturas de redes neuronales, variando el número de neuronas y capas a prueba y eligiendo robótica y prediccción. la red más confiable al modelo.
Se utilizó la librería de redes neuronales de
Se valida el modelo con otro equipo que no fue “Matlab” para crear 4 modelos de entrenado con la red. La diferencia de los tiempos del real al modelo será el % de error mantenimiento predictivo: Feed-forward, del modelo.
Nonlinear AutoRegressive model with
eXogenous input NARX, Red neuronal FIN recurrente y Red basada en retardos de tiempo. Se evaluaron las 4 opciones y se selecciona la red neuronal Feedforward como la más precisa para el modelo.