Resumen

En el presente trabajo el sistema de diagnóstico presentado en la parte I es modificado para supervisar procesos que evolucionan en forma compleja ante la presencia de fallas. Al igual que en la Parte I, se considera que cuando una falla afecta a un proceso, cada variable evoluciona siguiendo una trayectoria. Sin embargo, esta vez dicha trayectoria no es única, sino que pertenece a un conjunto de infinitas trayectorias posibles denominado flujo. Cada falla tiene asociado un flujo particular para cada variable. Entonces, en un proceso afectado por una falla, el problema del diagnóstico de fallas se traduce a reconocer, para todas las variables, a cuál flujo pertenece la trayectoria que está siendo observada. Al identificar los flujos se habrá identificado la falla que los provoca. Modelado el diagnóstico de fallas como un problema de reconocimiento de flujos, se realizó un desarrollo teórico que culminó con la definición tanto de la estructura como del método de entrenamiento de las redes neuronales empleadas por el nuevo sistema de diagnóstico. En las pruebas hechas, el nuevo sistema de diagnóstico presentó muy buen comportamiento, siendo el diagnóstico exacto, de alta resolución y estable frente al ruido. Finalmente, la teoría desarrollada también indica cómo deben ser escaladas las redes para supervisar procesos de mayor complejidad.

Introducción

En la primera parte de este trabajo (Tarifa y Martínez, 2007), se revela un completo estudio sobre el comportamiento  de distintas estructuras de redes neuronales, también llamadas ANN (Artificial Neural Networks), combinadas con diferentes métodos de entrenamiento, a fin de obtener criterios que permitieran recomendar la combinación más apropiada para el problema del diagnóstico de fallas en una planta química. En dicho trabajo el problema original fue asimilado a un reconocimiento de trayectorias. Ello permitió exponer en forma clara los inconvenientes de las estructuras de redes y métodos de entrenamiento propuestos en trabajos anteriores, a la vez que presentar las ventajas de la estructura y método de entrenamiento propuestos en el citado trabajo.

En la mayoría de los procesos que se  llevan  a  cabo  en una planta química, cuando una falla dada ocurre, cada variable evoluciona siguiendo una trayectoria, tal como se planteó en la parte I. Sin embargo, a diferencia de lo allí planteado, esta trayectoria no es única, sino que pertenece a un conjunto de infinitas trayectorias posibles; este conjunto se denomina flujo. Cada falla tiene asociado un flujo para cada variable, y los flujos pueden ser determinados por medio de simulación; de esta forma, para una planta química dada, es posible conocer los asociados a cada falla de interés. Cuando la planta sea afectada por una falla, el diagnóstico implicará reconocer, para cada variable, a cuál flujo pertenece la trayectoria que está siendo observada. Identificados todos los flujos, y utilizando la información obtenida por simulación, se habrá identificado también la falla que los origina. En este trabajo se utilizan ANN para   el reconocimiento de flujos, una por cada falla de interés. Para construir una ANN es necesario definir su estructura (cantidad de neuronas, capas, conexiones)  y  el  método de entrenamiento para lograr el comportamiento deseado (Russell y Norvig, 1995; Looney, 1997).

• Materias:Redes neuronales (Computadores) Localización de fallas (Ingeniería)
• Subjects:Neural networks (Computer science) Troubleshooting (Engineering)
• Palabras claves:Diagnóstico de fallas; Redes neuronales; Reconocimiento de flujos; Optimización; Tolerancia al ruido
• Keywords:Fault diagnosis; Artificial neural network; Flow recognition; Optimisation; Noise tolerance