REVISTA RIEMAT ENERO ~JUNIO 20) Sistema experto para la defini procedimientos de mantenim Yolanda Loses. ala Nawiretel Departamento de Ingenieria k:éetrica, Univer i 10 COBO oe Urbina Y Ce pilosasiaum.edi.e¢ Abstract In the work the design of a connectionist expert system is realized, which uses tools ofthe artificial intelligence that WW the decision making for the establishment of adaptive thresholds as classifiers of the type of maintenance to be used. FOr the selection of # maintenance in clectrical systems in general, ‘parameters and conditions are taken into account that facilitate an Adequate selection of the maintenance to be applied, for that reason the incidences ofa failure, are limited in selection ranges of ‘8 maintenance for cach incidence ; From @ - 0.49 preventive ‘maintenance is considered, taking into account the technology of the material to be used, the experience acquired by the personne! incharge of maintenance and considering the presence ofa pass hot spot i all the electrical installa full operation; OFS = 0469 is considered u predictive maintenance, with presence of an active hot spot, inthis maintenance an additional range of 0.7 = (0.79 is considered considering a proactive maintenance due to the possibility of some failure, OF 08 - 1.0 is considered a corrective maintenance, for the equipment change. It builds the system starting from the acquisition ofthe data for the construction ofthe atabuse, the machine inference expert system based on the operators expertise and the human machine interface in a comfortable, friendly and reliable manner. The results are displayed on the computer screen, and the connection system database is available for other applications. Index Terms— artificial intelligence, expert system, failures, ‘maintenance, classifiers. L_INTRODUCCION En bs iltimos 30 ais, el diagndstico de falls ha adquirido ran importancia debido a las ventajas potenciales que pueden obtenerse en la reduocion de los costes de mantenimiento y reparacién, el mejoramiento de la productividad y el aumento de [a seguridad y disponibilidad de los procesos industriales. En este sentido, una ripida deteccién del problema puede ayudar a tomar decisiones correctivas y reducir el dafio potencial que los falls pueden ocasionar al sisienua, Para estos casos, las técnica de diagndstico permiten mejorar no s6lo la eficiencia del proceso, sino ademis, la operatividad, mantenibilidad y fiabilidad de dichos sistem. Al revisar la literatura propia de este tema, se pueden ‘encontrar miitiples enfoques los cuales puede ser clasificados de manera general en métodos basados en modelos |1, 2) ¥ métodos basados en datos historicos [3, 4] Debido al avance de la automatizacién cn la industria, Jos métodos basados en datos histéricos adquieren una gran importancia por la clevada cantidad de informacion que existe de Jos procesos, almacenada en las bases de datos de los sistemas de supervisiin, control y adquisicion de datos zl TS 17, VOLUMEN 2 NUMERO 1. AR’ 5 adaptivos en jon eléctrica Se sfulio Ge Dh jor roe, oe n de umbrale jento en tran: Ney Baiderramo: sickad Tecnica de Mana Fuevara, Portovieso Gianreveduim ede main Gabi Pa ve existe una grat capers rms concen efor py mia Tater eos do anicas con mayor -capacidad para clasificar de forn a Tos procesos industriales a partir entes de Jos mismos. LO stéricos provenientes de los n ‘ganar en elementos para aplicacion patrones de fallos < Analisis de los datos his lista anterior permitira a Jos especial a Cn arrar t decidir qué técnica utilizar a pani de ta que se esté analizando, e 0 -n el trabajo se realiza el disefto de un sistema expe a en enal empiea herramientas de la snteligencia ma de decisiones para el tivos como clasificadores del conexionista, ef cual artificial que permiten 1a (0! establecimiento de umbrales adapt tipo de mantenimiento a emplear. Para la seleccién de un mantenimiento en sistemas eléctricos ‘en general, se toman en cuenta parimetros y condiciones que faciliten una adecuada seleccién del mantenimiento a aplicar, por tal motivo la incidencias de un fallo, se limitan cn rangos de seleccién de un mantenimiento para cada incidencia, Desde 0-0,49 se considera un mantenimiento preventivo. teniendo en cuenta la tecnologia del material a utilizar, la experiencia adquirida por el personal encargado de mantenimiento y considerando la presencia de un punto calicntc pasivo en todas las instalaciones eléctricas en pleno funcionamicnto; de 0,5 = 0,69 se considera un mantenimiento predictivo. con presencia de unpunto caliente activo. en este mantenimicnto se considera un rango adicional de 0,7 0,79 considerando un mantenimiento proactive debido a la posibitidad de algiin fallo, de 0,8 ~ 1.0 se considera un mantenimiento correctivo, para el cambio de! equipo. Se construye el sistema partiendo de ta adquisicidn de los datos para la construccidn de la base de datos, Ja méquina de inferencia del sistema experto cn base a la cexperticia de los operadores y la interfaz humano maquina de forma cmoda, amigable y confiable Los resultados se deben visualizar en la pantalla de ly computadora, quedando ademis la base de datos del sistem conexionista disponible para otras aplicaciones,REVISTA RIE IL Miarene ates y MPTODOS En procesos conplcns. ocute que manures De ig mane cn omeioncs HD aca ibe pebloe 0 Stina por bs wovimces 2 Ba, datos olimearnad es fHNCHNES HCL Gow cninqus Doromr de dnamea rable Ae “ h, iso de! mall de bs conficiones dinamicas en ef Hempo dt de sus rodes Uns forma de obtener dicho modelos o buscar cl PS 8 partir de fos datos. de entradas en situacion d& D9 Fionn es ullzanio tceneas demomndas de sof eaiipuring br cuol garanira cl inap cfectno y efile de Gerescion po as potencialidades que presegan ks sistas Par ‘Tortamuciyo def infornacion deforma distibuiday pale can! face al sistema que Jo ciples risy obusto por SU semper (Chen. 1999) por ol en est trabajo susan Tas ‘atratezias de cotsrol basados enconocimiemto ‘Se han vemido destacando otros paradigmas como to som 10s agentes de decision intligente ¥ autSmatas programables, CO” respecte a esos iiltimos se suclen emplear en gran medida en process industrales de acuerdo a necesidades a saisfacer Como, espacio reducido, procesos de _produccion’ dicamente cambiantes, procesos secuenciales, maquinarta de procesos variables. ete Un sistema experto (SE) ¢s un sistema computacional. que simula a un expert humano en la solucidn de problemas de un omiuio especifico. Los sistemas expertos se basan en reelas {que se confeccionan a partir de la experiencia del operador det proceso, ¥ que se establecen como un conjunto de secuencias| ‘Si-Entonces (IF_THEN). .Ju990s Inteigentes ‘Agentes Control intetigente Vide artifical 2 Computacién Evolutva SS Ontologi Sos Redes Semanticas © Automatas Celulares Figura 1. Empleo de los stems expertos- Estos tipos de sistemas se emplean con gran rendimniento en sistemas supervisores, asi como, combinados con otras técnicas de regulacion Rasgos Fundamentales 1. Inferencia: Debe ser capaz de arribar @ conclusiones con variables de entrada (no informacion parcial de las recesariamente se debe conocer toda la informacion). 2. Adquisicion interactiva de datos: Debe ser capa. de obtener a informacidn de manera comoda y eficremte (interface) 3. Estructura modular: * Base de conocimiento ~ Prediccin = Diagnistico Reparacion * Generncién de planes * imerpretacion -Disefo * Monitorizacion Control La mor dificultad de fs sistemas experios radice al eae eeearn para elborar su base de conocimen®, Ps tempo neces Fear varios experios fumanos ¥)fomat 10s w eage comedencia de esos pra dar mexorcontabing at eae cl caso del sistema energético de teritorio implica {1 uso de sistemas de control inteligente en Jos que oportunamente se apliquen los sistemas en el conocimiento para os casos seleccionados. Fl desarrollo de mucvos sistemas de tratamiento de le informacion, que permitan solucionar problemas cotidianos, tal como bo hace el cerebro hmmano: este organo biologico cuenta con varias caracteristicas deseables para cualquier sistema de procesamiento digital, tales como: + Robuster.y tolerancia a fallas: Diariamente mueren neuronas sin afectar su desempetio. + Flexibilidad: Se ajusta a mevos ambientes por aprendizaje, 1m hay que progranarlo, «+ Puede manejar informacién difusa, conruido o inconsistente. + Esaltamente paralelo + Es pequetio, compacto y consume poca energia. Las RNA han brindado una akernativa a la co} clisica, para aquellos problemas, en los cuales conan tradicionales no han entregado resultados muy convincentes, poco convemientes. haREVISTA RIEMAT ENERO _ WS aplicaciones miso 1 Proeesimieno dein Reconocimier 10 y * Planeaniemg. ? oS Imterfaces adap 1 Prsdccony aig SM Hombre Aaa + Comrols opimion + Fitado deseruiee JUNIO 2017 1054 son >nES Y de vor. TRAC de patrons, Adioecads bs ieee des st soup tna Las RNA seeuan insconcs maponenee pak nae gues ksprscna Elmaindo msc orc sno seaen Menriaeae scl cade de bral prseguine Geel sult Elconcinsna de um ta aol pes sin ens opotgs ch vst tn coenci (Pesos) entre neuronas. i ite ‘Gracias a su robustez. capacidad de aprendizaje, mo linealidad ¥ tolerancia a la umprecisidn, las RNA estan alcarzando excelentes resultados. deberin emplearse donde offezcan ‘vemtajas. debe tenerse en cuenta una perspectivt global en lt que se incluyan aspectos econdmicos. velocidad en desarrollo fiabilidad. etc. Y no solo el rendimiento del sistema constituye asi un util y muy potente conjunto de herramientas que Podemos afadir al gran nimero de métodos de procesamienio _y comtrol disponibles, Las Redes Neuronaiks surgen en los 40 y en ls 60 det siglo pasado dejan de desarrollarse. Las razones principales que :motivaron el einicio de los trabajos sobre redes neuronales en Ios afios 80 son los siguientes: 1. Descubrimiento de algoritmos de aprendizaje potertes. Esto permitio crear redes que pudieran modelar cualquier tipo de region de decision. 2. Avances tecnolbgicos alcanzados, entre ellos. la aparicidn de computadoras mis ripidas sobre las cuales es posible simular grandes redes. 3. Necesidad actual de modelos computacionalss paralelos. Ventajas: El lazo extremo, consistente en cl modelo de ta planta y del optimizador, desaparecen una vez entrencda kt red. El modelo de una neuroma anificial es una imitaciondel proceso de une neurona biolbgica. que se asemeja a un sumador hecho con un amplificador operacional. El modelo se inspira en la operacién biolégica, en el sentido de integrar una serie de ‘entradas y proporcionar cierta respuesta que se propaga por el axon. Existen varias formas de nombrar une neuroma artificial, es conocida como node. neuronodo, celda, unidad o elemento de procesamiento (PE); Las entradas Xi representan las seftales VOLUMEN 2. NUMERO 1. ART: § so me ee cere rs posits (excitazrins), 0 negatives sumatorw acusmula todas bs soles © prs pesos 0 pondcradas y tas Past Fancion unibralo funeion de transferene 2. 1 ta fneondeacvacin pra est UMS funcin esoogida para transforma B mr202 salnda x19 que depende de as caocteristias ESP re. Tit aa mate oh oda ciao ena ep io ain te eae ae race Peles ee sae Se mmikicapa © ME ide clasificaot EL comportamenso de conexiones siniptcas direccionales. es decir, a infor sob seme (dade Be mos sisinapticas) En gene strokes lanades capes Las neurons eu ‘rupos neuronakes yfinalmente, el conjusto de forman una red neuronal, Tipos de Capas del 1. Sensoral © de Entrada: Reciben datos procedeates entorn. 3D Salida: Son ls que proporcionan la respuesta la red neuronal 3 Ocala: no tienen conexibn directa con el entomno, es decit ro se conectan directamente a sensores ni efectores. Pueden existren ls redes multicapas una 0 varias capas ocultas. Capa de Salida Capa Ocuha Figura 4.-Red neuronal multicapa ‘Capa de Entrada ‘que provienen de otras neuronas y que son capturadas por las dendritas. Los pesos Wi son la intensidad de la sinapsis que Modelo predictive con RNA. Empleando ahora en este caso un modelo con RNA ‘conecta dos neuronas: tanto Xi como Wi son valores reales. (ES Ja funcion umbral que la neurona debe sobrepasar para _ predictivo. enla RN provoca a prediccidn de la respuesta futura activarse; este proceso ocurte biologicamentc enel cuerpo dela de ka planta, sobre un horizonte especificado Ym. Las Ympasan célula Las sefles de entrada a una neuroma artificial X1.X2,.. al optimizador, el cual tiene como objetivo la minimizacion de En son variables contimuzs en lugar de pulsos discretos, como un crterio de comportamiento para el célculo de una adecuada, se presentan en una neurona biologica. Cada seftal de entrada —seftal de control. pasa a través de una ganancia o peso, llamado peso sinciptico 0 fortaleza de la conexiin cuya funcién es ancloga a la de la funci6n siniptica de la neurona biologica. Los pesos pueden ser