Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicación de Las Redes Neuronales en Ingeniería y Economía
Aplicación de Las Redes Neuronales en Ingeniería y Economía
RESUMEN
En este trabajo se presenta la revisión bibliográfica de las aplicaciones más importantes de las
redes neuronales en diferentes áreas de la Ingeniería y la Economía. El estudio se
complementa con la exposición de los resultados de dos proyectos de investigación
realizados en el Grupo de Investigación en Manejo Eficiente de la Energía Eléctrica –
GIMEL- de la Universidad de Antioquia, donde se muestra la viabilidad de aplicar esta
técnica de la inteligencia artificial en las disciplinas mencionadas.
1. INTRODUCCIÓN
En los últimos años, se ha notado un aumento apreciable de las aplicaciones de los métodos
de la inteligencia artificial en las diferentes áreas de la ingeniería y la economía. Estos
métodos como los sistemas expertos, la lógica difusa y las redes neuronales artificiales,
necesitan una base de datos que describa el funcionamiento del sistema junto a un análisis
lógico, en lugar del análisis matemático, para el control del sistema y facilitar la toma de
decisiones.
Uno de estos métodos es el empleo de las redes neuronales artificiales (ANN) que imitan el
funcionamiento del cerebro humano. Las redes neuronales se han usado para el
reconocimiento de las imágenes y sonidos, para el procesamiento de los datos y señales, y
como clasificadores. Las aplicaciones en la ingeniería van el mantenimiento y diagnóstico
de equipos y sistemas industriales [1-3] hasta el análisis de los sistemas eléctricos de
potencia donde se tienen investigaciones para aplicar la tecnología de las redes neuronales
en el análisis de la seguridad, la estabilidad y las protecciones [4-5]. En economía, se tienen
aplicaciones en el mercado de valores [6-7], pronóstico de variables macroeconómicas [8] y
mercado de divisas [9].
El objetivo de este trabajo es realizar una búsqueda bibliográfica de las aplicaciones más
importantes de las redes neuronales en diferentes áreas de la Ingeniería y la Economía.
Luego se presentarán los resultados de dos proyectos de investigación realizados en el
Grupo de Investigación en Manejo Eficiente de la Energía Eléctrica GIMEL, donde se
muestra la viabilidad de aplicar esta técnica de la inteligencia artificial en las disciplinas
mencionadas.
Una red neuronal es un sistema que permite establecer una relación lineal o no lineal entre
las salidas y las entradas. Sus características están inspiradas en el sistema nervioso lo que
les da varias ventajas tales como su capacidad de aprendizaje adaptativo, son auto-
organizativas, pueden funcionar en paralelo en tiempo real y ofrecen tolerancia a fallos por
la codificación redundante de la información.
Desde el punto de vista de solucionar problemas, las redes neuronales son diferentes de los
ordenadores convencionales que usan algoritmos secuenciales, mientras que las redes
neuronales actúan como el cerebro humano, procesando la información en paralelo, y
también pueden aprender y generalizar a situaciones no incluidas en el proceso de
entrenamiento. Las redes neuronales pueden procesar información de forma más rápida que
los ordenadores convencionales, pero tienen la desventaja de que no podemos seguir su
respuesta paso a paso como se puede hacer al ejecutar un programa convencional en un
ordenador por lo que no resulta fácil detectar los errores.
Las redes neuronales artificiales son muy efectivas para resolver problemas complicados de
clasificación y reconocimiento de patrones. La más utilizada es la llamada de propagación
hacia adelante. La figura 1 muestra una red de propagación hacia delante con dos capas
ocultas. El número de entradas es directamente dependiente de la información disponible
para ser clasificada mientras que el número de neuronas de salida es igual al número de
clases a ser separadas. Las unidades de una capa se conectan unidireccionalmente con las
de la siguiente, en general todas con todas, sometiendo a sus salidas a la multiplicación por
un peso que es diferente para cada una de las conexiones.
X1
(.)
X2 (.)
(.) (.) O1
X3 (.)
(.) O2
(.)
X4 (.)
(.)
X5
Otro tipo de red neuronal conocida por su habilidad para manejar señales variables en el
tiempo es la FIRANN [10]. Su modelo de neurona es basado en filtros de respuesta
impulsional finita (FIR), los cuales le permiten ser aplicadas al procesamiento temporal. El
modelo de red neuronal FIRANN mostrado en la figura 2 presenta una estructura simple de
una red 2-2-2 con tres unidades de retardo de tiempo en cada neurona. Nótese que el
número de unidades de retardo de tiempo debe ser igual para todas las neuronas ubicadas
en una misma capa, sin embargo, este número de retardos puede ser diferente en las otras
capas.
1 2
Y1 (t -3) Y1 (t -3)
X1 (t-n)
. ..
FIFO
FIFO
1 2
Y1 (t -2) Y1 (t -2)
X1 (t-1)
X1 (t) 1
Y 1 (t -1)
2
Y 1 (t -1)
1
Y1 (t )
2
Y1 (t ) y1
(.) (.) (.)
X2 (t-n)
. ..
X2 (t-1)
X2 (t) 1
Y 2 (t -3)
2
Y 2 (t -3)
FIFO
FIFO
1 2
Y 2 (t -2) Y (t -2)
2
1 2
Y2 (t -1) Y2 (t -1)
X3 (t-n) 1 2 y2
. .. (.)
Y2 (t )
(.)
Y2 (t )
(.)
X3 (t-1)
X3 (t)
De esta forma con 35 datos para entrenamiento y 70 para verificación, Se entrenó una
estructura convencional de red neuronal con entradas de corriente y velocidad; más una de
orden superior con las entradas anteriores, su valor elevado al cuadrado y el producto entre
las mismas. Con esta última se consiguió reducir el tiempo de entrenamiento y el
rendimiento en la predicción de los resultados. Los resultados en general mostraron un buen
desempeño en el 95% de los casos.
Por otro lado Randy [3] propone la utilización de redes neuronales para aprender las
características del espectro de corriente de un motor en buen estado operando en línea. La
condición de falla es encontrada comparando el estado actual con la condición previa de la
máquina. Esta predicción de fallas en línea es posible con este sistema sin requerirse
información del motor o características de la carga.
El análisis clásico del espectro de corriente del motor viene afectado tanto por las barras
rotas del rotor y las curvaturas en el eje como por la variación de cargas y desequilibrios
mecánicos; por esta razón se requiere de un experto para analizar dicha información. Con el
sistema propuesto por Randy, no se requiere de expertos y por lo tanto se pueden aprender
los patrones espectrales de cada máquina y monitorizar sus cambios, los cuales pueden ser
síntomas de fallas.
En este último trabajo se introduce un sistema experto basado en reglas el cual sirve de
filtro para obtener los componentes de frecuencias importantes, y a la vez los clasifica en 4
niveles desde clase 1 para frecuencias de características específicas que están directamente
relacionadas con patrones de fallas hasta clase 4 que pueden ser omitidos. Las reglas del
sistema experto permiten clasificar las frecuencias de barras rotas, excentricidades, caras
interna y externa de los rodamientos, más algunos criterios para la amplitud y variación de
las mismas con el paso del tiempo.
Otra área crítica de los sistemas eléctricos de potencia son las protecciones donde la
velocidad de respuesta juega un papel decisivo en la seguridad de los equipos. Aquí se
tienen aplicaciones como la propuesta por Orille [5] donde se diseña una red neuronal de
respuesta impulsional finita encargada de la protección diferencial de un transformador de
potencia. Las entradas de la red corresponden a las tensiones y corrientes entrantes y
salientes del transformador; la salida corresponde a una señal indicadora de la presencia o
no de fallo interno. En la prueba de la red se encontró como ante todos los eventos de falla
interna en el transformador la respuesta de la red neuronal (señal de disparo) siempre fue
inferior a 4 ms, que en todos los casos es muy inferior al tiempo de respuesta de las
protecciones tradicionales.
4. APLICACIONES DE LAS REDES NEURONALES EN LA ECONOMÍA
Freedman [7] representó mediante hojas electrónicas de cálculo un sistema experto basado
en casos y una red neuronal como herramientas para tomar decisiones en el mercado de
valores. La diferencia entre estas dos técnicas se tiene en la forma como representan el
conocimiento; mientras que en las redes neuronales el conocimiento existente es utilizado
para entrenar la red, en el razonamiento basado en casos el conocimiento es un componente
permanente de la hoja electrónica de cálculo. Estas hojas proporcionan información visual
y amigable a los usuarios permitiéndoles un mayor dominio de su entorno computacional y
tener una mayor confianza en sus resultados.
Los resultados del trabajo de Misas demostraron el potencial que tienen los modelos de
redes neuronales en el pronóstico de la inflación, al competir y en algunos casos superar a
los modelos lineales tradicionales. Con estos resultados se amplía y mejora la familia de
modelos de que hoy se dispone para pronóstico de la inflación y, en particular, se fortalece
el trabajo de los modelos que incluyen como insumo variables monetarias.
En este último trabajo se estudiaron dos modelos con redes neuronales donde se incluían
siete (7) rezagos de tiempo en la tasa de cambio y combinaciones de otras variables como
son el flujo de órdenes de transacciones con clientes comerciales, las transacciones con
clientes extranjeros, las transacciones interbancarias, la diferencia entre las tasas de interés
para depósitos a 90 días entre Estados Unidos y Canadá, y el precio del crudo. Se utilizaron
redes neuronales de propagación hacia adelante con 3 y 4 neuronas en su capa oculta;
donde un 60% de los datos fue usado para entrenamiento, un 30% para la validación y el
otro 10% fue utilizado para validación (pronóstico del tipo de cambio).
Los resultados mostraron que el pronóstico dentro de la muestra con redes neuronales son
mejores comparados con los modelos lineales y de caminos aleatorios. El pronóstico fuera
de la muestra y para un día, los resultados obtenidos fueron exitosos en un 72% de los
casos, mientras que los obtenidos con los modelos de caminos aleatorios fueron exitosos en
un 55%. En conclusión, los resultados muestran que los modelos con redes neuronales son
mejores que los modelos lineales y producen mejores pronóstico fuera de la muestra.
N T
i cn i bn i an i ct i bt i at
.. .. .. .. .. ..
. . . . . .
El bloque detector de fallas internas entre una fase y tierra (RN1) consta de 4 capas. La
capa de entrada recibe 6 señales correspondientes a las corrientes de fase que entran y salen
de los devanados del estator y 6 unidades de retardo de tiempo en cada entrada. La primera
capa oculta tiene 12 neuronas con 3 unidades de retardo de tiempo mientras que la segunda
capa oculta tiene 7 neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que
ha sido entrenada para ser igual a +1 en el caso de presentarse una falla interna entre
cualquier fase y la tierra e igual a –1 en cualquier otra situación.
El bloque detector de fallas externas (RN3) consta de 4 capas. La capa de entrada recibe 6
señales correspondientes a las corrientes de fase que entran y salen de los devanados del
estator y 6 unidades de retardo de tiempo en cada entrada. La primera capa oculta tiene 12
neuronas con 3 unidades de retardo de tiempo mientras que la segunda capa oculta tiene 7
neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que ha sido entrenada
para ser igual a +1 en el caso de presentarse una falla externa e igual a –1 en cualquier otra
situación.
0. 5
-0. 5
Salida de la red RN1
-1
5 10 15 20 25 30 35 40 45 50 55 60
0. 5
i at
0
-0. 5
5 10 15 20 25 30 35 40 45 50 55 60
0. 5
i an
0
Fig.4 Respuesta
-0. 5
de la red RN1 para un fallo interno entre la fase A y tierra.
5 10 15 20 25 30 35 40 45 50 55 60
Número de muestras
En este trabajo se demuestra la factibilidad de utilizar las redes neuronales para modelar el
comportamiento del mercado de divisas mediante una aplicación a la tasa de cambio entre
el Yen japonés y el Dólar americano [13].
La figura 6 muestra el comportamiento de la red neuronal entrada con los últimos 300 días
con el objetivo de hacer predicción para los 40 días siguientes,
Aunque los resultados mostrados son prometedores, el desempeño de las redes neuronales
puede mejorarse si se dispone de una buena fuente de información que incluya las
expectativas de los indicadores económicos del mercado y los flujos de dinero
especulativos que también modifican sustancialmente las tasas de cambio. Por lo tanto, este
trabajo es la base para futuros proyectos de predicción de la tasa de cambio, abarcando
otras divisas o conjunto de estas.
7. CONCLUSIONES
En este trabajo se presentó una revisión bibliográfica de las aplicaciones de las redes
neuronales en la Ingeniería y la Economía. Tanto los diferentes trabajos consultados como
los resultados de dos proyectos realizados en el Grupo de Investigación en Manejo
Eficiente de la Energía Eléctrica – GIMEL – mostraron la potencialidad de aplicación de las
redes neuronales en aquellos campos donde se requieran analizar el comportamiento de
sistemas no lineales y con dificultad de ser modelados matemáticamente.
REFERENCIAS
[1] Minchao, H., Quzhi, C., “Fuzzy Direction Neural Networks and its Application to Fault
Detection and Isolation”, 13th ISPE/IEE International Conference of CAD/CAM Robotics
and Factories of the Future, Pereira, 1997, pp.1007.
[2] Chow, M., Mangum, P., Yee, M., “A Neural Network Approach to Real-Time Condition
Monitoring of Induction Motors”, IEEE Transactions on Industrial Ëlectronics, Vol. 38,
No.6, December 1991, pp 448-453.
[3] Randy, R.S., Brian, K.L., Thomas, G.H., Jay, H.S., Samir, F., “An Unsupervised, On-
Line System for Induction Motor Fault Detection Using Stator Current Monitoring”, IEEE
Transactions on Industry Applications, Vol. 31, No. 6, November-December 1995, pp 1280-
1286.
[4] Perez, L. G., Flechsig, A.J., Meador J.L., and Obradovic, Z., “Training an artificial
neural network to discriminate between magnetizing inrush and internal faults”, IEEE trans.
on Power Delivery, vol. 9, no. 1, pp. 434-441, 1994.
[5] Orille, A. L., Khalil, N., and J. A. Valencia, “A FIRANN as a Differential relay for
Three Phase Power Transformer Protection”, IEEE Trans. On Power Delivery, Vol. 16, No.
2, pp. 215-218, April 2001.
[6] Trippi, R.R. and Turban, E.; “Neural Networks in Finance and Investing”, McGraw-
Hill, 1996.
[7] Freedman, R.S., Frail, R.P.; “Expert Systems in Spreadsheets: Modeling the Wall User
Domain”, IEEE International Conference on Artificial Intelligence, 1991, pp. 296-301.
[8] Misas, M., López, E., Querubín, P., “La inflación en Colombia: una aproximación desde
las redes neuronales artificiales”, Borradores de Economía, Banco de la República,
Colombia, Febrero de 2002.
[9] Gradojevic, N., Yang, J., “The application of artificial neural networks to exchange rate
forecasting: the role of market microstructure variables”, Working Paper 2000-23, Bank of
Canada, December 2000, ISSN 1192-5434.
[10] Haykin, S., “NEURAL NETWORKS a comprehensive foundation”, Macmillan
College Publishing Company, 1994.
[11] Villada, F., “Aplicación de las redes neuronales en la protección diferencial de
generadores síncronos”, Tesis Doctoral, Departamento de Ingeniería Eléctrica, Universidad
Politécnica de Cataluña, Terrassa, Barcelona, España 2001.
[12] Muñoz, W., “Redes neuronales: una aplicación al mercado de divisas”, Monografía
para optar al título de Ingeniero Electrónico, Universidad de Antioquia, 2003.