Info de Redes Neuornales 2

CAPITULO II
MARCO TEORICO
Este capítulo está constituido por la fundamentación teórica, de las
variables de estudio como lo son: los Sensores Virtuales, las Redes
Neuronales Artificiales y el sistema de control del proceso industrial.
Pasando luego por la revisión de la literatura, donde se evalúan varios
estudios realizados con anterioridad, y estrechamente relacionados con
esta investigación, de igual forma se realiza la Definición de Términos
Básicos, donde se aclara cualquier confusión que pueda presentar el
lector, y finalmente la Definición Conceptual y Operacional de las
variables en estudio.
A. FUNDAMENTACION TEORICA
Dentro de este marco, se definen las variables de estudio como lo son
las redes neuronales, el sistema de control y el sensor virtual.
13
14
I. REDES NEURALES ARTIFICIALES.
Las Redes Neuronales Artificiales, forman parte de un conjunto de
teorías desarrolladas dentro del campo de la inteligencia artificial, como
son: los Algoritmos Genéticos, Lógica Difusa, Teoría del Aprendizaje,
entre otros.
Estas, son sistemás que procesan información y están formadas por
una cantidad de unidades o nodos. Ninguno de estos nodos tiene un
especial protagonismo en el funcionamiento global del conjunto, pero los
nexos o enlaces que se crean entre ellos codifican la futura respuesta del
sistema, así lo afirma Obiol, P. (1997, p. 53). Una característica
importante es su capacidad de emular el conocimiento y razonamiento
humano para dar soluciones a problemás que son difícilmente descritos
por algoritmos tradicionales.
Según Atencio, F. (1992), una Red Neuronal Artificial es un conjunto
de unidades procesadoras o neuronas artificiales altamente
interconectadas en la red; de igual forma, Hilera y Martínez, señalan que
son una combinación de nodos interconectados entre sí, operando en
forma paralela, alcanzando resolver problemás relacionados con el

15
reconocimiento de patrones y formás, predicción, codificación,
clasificación, control y optimización.
Por otra, parte Dimitar, F. indica que las RNA “son técnicas de
computación emergente que tratan de emular el sistema biológico
neural”, basándose de esta manera en un simple principio básico de la
eficiencia sináptica y aprendizaje, donde señala que si una neurona
recibe una señal de entrada proveniente de otra neurona (estímulo), y si
ambas están activas simultáneamente, entonces, debe incrementar la
eficiencia sináptica entre ambas neuronas (respuesta).
Emulando estas hipótesis, se estructura computacionalmente una
serie de algoritmos a los que les presenta un conjunto de datos extraídos
del mundo real, patrones de entrada con su respectivo componente de
salida, con la finalidad de buscar una configuración de peso (conexiones
sinápticas) que presente o aproxime todos los patrones de entrada
(estimulo) a sus respectivos componentes de salida (respuesta).
Una red artificial es un sistema de procesamiento de información
compuesto por un gran número de elementos procesadores
interconectados.
16
Cada elemento o unidad de proceso computa su actividad
localmente, basándose en las actividades de las unidades a las cuales
están conectadas y a la fuerza de sus conexiones con estas unidades.
Estas unidades procesadoras en red mantiene sólo una parte de la
información dinámica, capaz de ejecutar sólo pequeñas operaciones de
calculo (sumar entradas, calcular un nuevo nivel de activación, o
comparar entradas con un valor umbral). La salida de una unidad
procesadora, es calculado por el nivel de activación, enviada a la unidad
procesadora receptora, mediante la conexión de las dos unidades
procesadoras. De esta manera, las neuronas artificiales representan tanto
características funcionales, como configuraciones topológicas de las
neuronas en el cerebro.
La finalidad del estudio de la neurona biológica, no es la creación
de un modelo capaz de interactuar como lo haría un cerebro orgánico,
sino de reconocer y tratar datos tal y como lo harían las neuronas, como
por ejemplo imágenes, sonidos, habla o escritura, entre otros, para lo
cual, las tecnologías digitales no parece la forma más convenientes.

17
Las redes neuronales se basan en dar soluciones a problemás de la
realidad, utilizando para ello la capacidad de manejar las impresiones,
incertidumbres y reacciones del humano ofreciendo así, alternativas de
fácil compresión e implementación, demostrando la habilidad para
proporcionar soluciones poderosas en áreas donde la computación
tradicional ha tenido dificultad durante años.
Obidol, P. (1997, p.57), señala que los últimos avances tecnológicos
de las RNA son aprovechados en aplicaciones que necesitan desarrollar
modelos para pronosticar situaciones complejas, como en el caso de la
aplicación a ciertas tarjetas de crédito, donde comprueba posibles
fraudes a través del control y verificación que se lleva en uso de las
mismás, donde cada transacción es registrada para constituir los datos
históricos del usuario. El control neural, es utilizado en las torres de
control de los aeropuertos más modernos para facilitar el trabajo de los
operadores, al igual que su empleo en el reconocimiento de patrones por
satélites artificiales y estaciones meteorológicas para el procesamiento de
la voz. Por, otro lado las RNA son usadas en los VHS para corregir las
imágenes defectuosas y poderlas transmitir con nitidez

18
En el campo de la biología, se emplean RNA para realizar modelos
de retina ocular, el cerebro y otros sistemás. En las empresas son usadas
para evaluar formaciones geológicas y petrolíferas; también son
utilizadas en finanzas, cuando se identifican firmás falsas, al igual que en
algunas industrias donde utilizan los sistemás de control y robots
automatizados con visión artificial y reconocimiento de patrones, y otro
tipo de sensores también son alimentados por sistemás neurales.
En el campo de la medicina hacen uso de esta tecnología para
lectores de rayos X, monitorización en cirugías y predicciones de
reacciones adversas a diferentes fármacos; en la milicia, las RNA son
aplicadas para la clasificación en señales de radar y para la creación de
armamentos inteligentes que se incorporan en aviones y barcos de guerra.
Actualmente, Korvibin, M., esta construyendo el primer cerebro artificial
denominado CAN-Brain-Machine, el cual utiliza una red neural que
inyecta rápidamente los códigos suficientes para soportar toda la carga de
la estructura cerebral; la primera aplicación de este, será un robot con
apariencia de un gato, máscota inteligente que será accesible en el año
2000.
19
1. EL CEREBRO HUMANO: Modelo Biológico para las Redes
Neuronales Artificiales.
Desde el siglo XIX ha aparecido diferentes métodos para estudiar
la operación del cerebro humano en forma sistemática. la neuropsicología
está basada en el método de análisis de las relaciones entre las
características del cerebro con aspectos del comportamiento humano.
Usando tal métodos fue demostrado que las funciones motoras que
coordina el cerebro y sus correspondientes sentidos están localizadas con
precisión dentro de su estructura.
Raw,J.(1989), señala que los sistemás sensoriales del cuerpo humano
convierten los estímulos que recibe del medio en impulsos nervioso,
constituido por neuronas, las cuales están controladas por el cerebro
(órgano más complejo del cuerpo humano.).
De esta manera, se comenzó a estudiar profundamente el
funcionamiento del cerebro y su estructura, generando esquemás muy
similares al funcionamiento de las neuronas, ello originó la posibilidad
de crear sistemás que emulen este comportamiento, dentro de las cuales
se encuentran las redes neuronales.

20
Para el desarrollo de las redes neuronales artificiales se inspiro
básicamente en la estructura y funcionamiento de los sistemás nerviosos,
específicamente en el estudio de la neurona como elemento principal del
sistema nervioso central, estas son células nerviosas capaces de recibir
señales provenientes de otras neuronas, procesar estas señales, generar
pulsos nerviosos, conducir estos pulsos y transmitirlos a otras neuronas.
Morfológicamente hablando una neurona es una célula que posee un
cuerpo en forma piramidal o esférica que contiene el núcleo.
Las neuronas se diferencian de otras células del cuerpo, por su
capacidad de comunicación. Estas envían mensajes a cientos o miles de
neuronas, y a la vez reciben mensajes de un número igualmente elevado
de ellas.
El sistema nervioso humano, es de una complejidad desconcertante.
Un estimado de 1011 neuronas participan quizás en 1015 interconexiones
sobre rutas de transmisión que pueden tener alcance de un (1) metro o
más. Cada neurona comparte muchas características con otras células en
el cuerpo, pero tiene capacidades únicas para recibir, procesar y
transmitir señales electroquímicas sobre las rutas neurales que
comprenden el sistema de comunicación del cerebro.

21
La neurona transmite la información a través de un conjunto de
elementos que la conforman, el cuerpo celular, las dendritas constituidas
por un conjunto de extensiones tubulares que reciben la información y
un único axón, que difiere de las dendritas en su forma, pero que
constituye la conexión de salida usada por la neurona para emitir
señales, como se ilustra a continuación:
Figura #1
Estructura de la Neurona Biológica
Fuente:
http://www.geocities.com/SilicomValley/campus/9756/RNA_intro.htm
En la figura # 1 se muestra como la estructura de una neurona
biológica típica. Las dendritas se extienden desde el cuerpo de la célula a
otras neuronas donde ellas reciben señales a un punto de conexión

22
llamado sinapsis, entendido, como el intercambio de información entre
neuronas, así como también, el punto de unión en el cual la información
es transferida de una célula a otra. La sinapsis es hecha frecuentemente
entre el axón de una célula y las dendritas de otras, sin embargo, hay otro
tipo de uniones sinápticas entre axón y axón, entre dendrita y dendrita y
el cuerpo de la célula.
Una neurona típica puede tener de 1.000 a 10.000 sinapsis y pueden
recibir información de aproximadamente 1.000 neuronas.
En una sinapsis, el axón generalmente se ensancha para formar un
botón terminal, siendo esta la parte de unión donde se distribuye la
información. Este contiene estructuras espirales mínimás llamadas
vesículas sinápticas. Cada vesícula sináptica puede contener miles de
moléculas de un transmisor químico que al llegar un impulso nervioso al
botón terminal, algunas de las vesículas descargan su contenido en la
hendidura estrecha que separa el botón de la membrana de la dendrita de
otra célula, la cual es designada para recibir el mensaje químico y de esta
manera forma la información que es despachada de una neurona a otra.
La activación de una neurona en la generación de impulsos nerviosos,
refleja la activación de cientos de sinapsis incidiendo en las neuronas.

23
En general, una neurona envía su salida a otras por su axón. El axón
lleva la información por medio de diferencias de potencial, u ondas de
corriente, que depende del potencial de la neurona. Este proceso es a
menudo modelado como una regla de propagación. La neurona recoge las
señales por su sinapsis sumando todas las influencias excitadoras e
inhibitorias. Si las influencias excitadoras positivas dominan, entonces la
neurona da una señal positiva y manda este mensaje a otras neuronas por
sus sinapsis de salida. En este sentido la neurona puede ser modelada
como una simple función escalón o puede ser interpretada como un
fenómeno eléctrico, como se muestra en la figura # 2:
Figura # 2
La Neurona como Fenómeno Eléctrico.
Fuente: Manual de Introducción a la Inteligencia Artificial. (1998)

24
Este contorno funcional básico tiene muchas complejidades y
excepciones, sin embargo, la mayoría de las Redes Neuronales
Artificiales modelan estas simples características. Bajo este enfoque las
mismás representan copias análogas de las neuronas biológicas para
tratar de imitar y reproducir las características del pensamiento humano
basado en la actividad cerebral. A partir de los dispositivos básicos de
proceso o neuronas se puede generar el funcionamiento neurobiologico,
que representa la base elemental de las redes neuronales artificiales.
2. LA NEURONA ARTIFICIAL
La neurona artificial fue diseñada para imitar las características de
primer orden de la neurona biológica. Donde, una serie de entradas es
aplicada a cada una, representando la salida de otra neurona. Cada
entrada es multiplicada por un peso correspondiente, análogo a una
fuerza sináptica, donde todas las entradas son pesadas y luego sumadas
para determinar el nivel de activación de la neurona.
Dentro de la diversidad de los paradigmas de redes, casi todas están
basadas en esta configuración. En esta se presentan una serie de entradas
denominadas X1, X2,...,Xn, estas son aplicadas a la neurona artificial.

25
Ellas, colectivamente referenciadas como un vector X corresponden a las
señales en la sinapsis de una neurona biológica. Cada señal es
multiplicada por un peso asociado W1,W2, ...Wn, antes de que sea
aplicada al bloque de sumarización, correspondiendo a la fuerza de una
simple conexión biológica sináptica (el conjunto de pesos es
referenciados colectivamente como un vector W).
El bloque de sumarización, corresponde aproximadamente al cuerpo
de la célula biológica, suma todas las entradas pesadas algebraicamente,
produciendo una salida NET. Esta puede ser expresada en notación de
vector como sigue:
Ecuación #1 NET= X * W
Este modelo se puede visualizar mediante la siguiente figura:
Figura # 3
Neurona Adaptativa o Perceptron
Fuente: Manual de Introducción a la Inteligencia Artificial. (1998)

26
Esta descripción representa el modelo diseñado en 1957, por el
psicólogo Frank Rosenblatt, llamado El Perceptrón. Donde luego de
llegar aprender una serie de patrones, era capaz de reconocer otros
similares aunque no se le hubiera presentado anteriormente, sin embargo
presentaba limitaciones, la más conocida era su incapacidad para resolver
el problema de la función OR exclusiva, que luego fue superado con la
creación de los Perceptrones Multicapas.
3. COMPONENTES DE UNA RED NEURONAL ARTIFICIAL
Los componentes de una Red Neuronal Artificial según Atencio F.
con apoyo de la teoría aportada por Hilera y Martínez (1995) son:
A. Unidades Procesadoras o nodos.
Estas unidades procesadoras pueden representar:
∃ Un concepto especifico, tal como características, letras y palabras.
∃ Una parte indescriptible de un largo concepto (el subpatrón). La
idea es que varias unidades juntas pueden ser iguales o representar un
concepto.
27
El trabajo principal de cada unidad procesadora es recibir entradas
desde sus unidades más cercanas (las cuales se encuentra en la capa
anterior más cercana), calcular una salida y enviar esa salida a las
unidades de la próxima capa.
Las unidades procesadoras en una RNA pueden ser clasificadas como
uno de los siguientes tipos:
∃ Unidades de Entrada, Reciben las características fuentes
del patrón, calculan sus salidas con una Función de Activación, y
transmiten estas salidas a las unidades de la siguiente capa más
cercana.
∃ Unidades de Salida, Son las receptoras finales de entradas,
calculan y transmiten sus salidas a receptores externos
(manipuladores, otras redes, sistemás expertos, etc.)
∃ Unidades Internas u Ocultas, No tienen contacto con el
exterior, sólo reciben entradas desde capas anteriores, calculan sus
salidas y las envían a unidades receptoras de la siguiente capa de la
Red Neural Artificial.

28
B. Estado de Activación.
Cada unidad procesadora tiene un nivel de activación, la cual es
representado con una cantidad continua de valores entre 0 y 1, esto es, el
nivel de activación de cada una de las unidades, las cuales representa el
estado de la red:
∃ El nivel de activación de las unidades de entrada representa
la actual entrada externa a la red.
∃ El nivel de activación de las unidades de salida representa la
salida actual transmitida receptores externos; y
∃ Las unidades internas en una red representan las
características con el cual son presentados los patrones de entrada
e influyen sobre los patrones de salida producidos por la red.
C. Función de Salida.
Cada unidad procesadora transmite su salida a cada neurona de la
siguiente capa más cercana. Esta salida, es un valor escalar, generalmente
entre 0 y 1, este es determinado desde el nivel de activación de la unidad
procesadora. Asociada con cada unidad procesadora, esta función (F), la

29
cual es definida como el valor de salida de la unidad. Por lo tanto, la
relación entre el nivel de activación y el valor de salida para cualquier
unidad procesadora puede ser representada matemáticamente de la
siguiente forma:
Ecuación #2 OUTj = Fj [ aj]
En algunos modelos de RNA, la función de salida, Fj, es unitaria. En
otros modelos la función de salida es umbral o función de activación.
Teniendo una función de salida calculando umbrales lógicos, previene a
la red de hacer “suposiciones falsas” cuando los patrones de entrada
presentados no tienen realmente alguna de las características o
subcaracterísticas parecidas que en la red tiene que “aprender”.
D. Patrón de conectividad entre las unidades procesadoras.
Cada unidad procesadora esta conectada por un peso a cada una de
las unidades de la capa siguiente, excepto en la capa de salida. Este
patrón de conectividad y la fuerza de su conexión (peso), influyen sobre
la respuesta de la red.
30
∃ Es positivo, la conexión es llamada excitatoria. La unidad i
activa a la j.
∃ Es cero, la conexión es llamada inactiva. La unidad i no
afecta la activación de la unidad j.
∃ Es negativo, la conexión es llamada inhibitoria. La unidad i
desconecta la activación de la unidad j. El valor absoluto del Peso,
[Wij], representa la fuerza con la cual la unidad i excita o inhibe la
unidad j.
E. Regla de Propagación.
Se describe como la entrada a una unidad, multiplicada por (la
entrada es la salida calculada en otra unidad de la capa anterior) la fuerza
de conexión (peso), son combinadas para calcular la entrada NET (N), a
la unidad procesadora.
Descrito, en la forma matemática, tenemos:
Ecuación # 3 Nj = WijOj
31
F. Función de Activación.
La señal NET es además, usualmente procesada por una Función de
Activación (F) para producir la señal de salida de la neurona, OUT, O.
Esta puede ser una simple función lineal,
Ecuación # 4 OUT = K (NET)
Donde K es una constante, una función de entrada,
Ecuación # 5 OUT = 1 sí NET mayor que t
Ecuación # 6 OUT = 0 de otra manera.
Donde (t) es un valor constante de umbral, o una función que
exactamente simula la característica de transferencia no lineal de la
neurona biológica y permite funciones de redes más generales.
Si tenemos un bloque (F) que afecta la salida NET y produce la
señal OUT, entonces, el bloque de procesamiento (F) comprime el rango
de NET, de manera que OUT nunca exceda algún limite bajo a pesar de
los valores de NET, entonces (F) es llamada una función cuadrática. Esta
función es frecuentemente la función logística o “Signoide” (significa
forma de S). Esta función es expresada matemáticamente como:

32
Ecuación # 7 F(X) = 1 / ( 1 + e-x),
De esta manera, si x es la entrada total,
Ecuación # 8 OUT = 1 / (1 + e-x),
Por analogías a los sistemás eléctricos se habla de una función de
activación definiendo una ganancia no lineal para la neurona artificial.
Esta ganancia es calculada encontrando el radio del cambio en OUT a un
pequeño cambio en NET, así, la ganancia es el declive de la curva a un
nivel de excitación especifico.
Esta varia desde un valor bajo de grandes excitaciones negativas ( la
curva es casi horizontal) a un valor alto de excitación cero, y esta decae
otra vez de manera que la excitación llega a ser grande y positiva.
Entonces, se puede decir que la función de activación es la que
produce un nuevo estado de activación a partir del estado que existía en
la combinación con las entradas de los pesos de las conexiones. Las
funciones más comunes son la función rampa o signoidal y gaussiana.

33
G. Regla de Aprendizaje.
La regla de aprendizaje define como la red es modificada en
respuesta a experiencia (casos de entrenamientos presentados al sistema).
Los pesos de las conexiones entre las neuronas representan el
conocimiento de las redes neuronales, es por ello que la red aprende
modificando los valores de sus pesos; donde cada modelo neuronal
utiliza sus propias técnicas de aprendizaje. Actualmente la forma más
usada para modificar la red es la de actualizar los pesos, basados sobre
las reglas de aprendizaje Hebianas
4. TOPOLOGIA DE LAS REDES NEURONALES
ARTIFICIALES.
Según Hilera y Martínez (1995), es la organización y disposición de
las neuronas, las cuales forman capas situadas dentro de las estructuras
de la misma, conectadas a las respectivas entradas y salidas. Las capas,
conocidas también como niveles, representan el grupo conformado por
neuronas o nodos que reciben información de una misma fuente y sus
salidas se dirigen a cada neurona de la siguiente capa.

34
Las RNA Multicapas están formadas por un número variable de
capas ocultas o de proceso, al igual que los nodos en cada capa, y su
comunicación se realiza cuando la salida de una capa provee la entrada a
la capa siguiente, además, estas son redes más complejas y por ello
ofrecen más capacidades computacionales.
Por otro lado, Villaquiran, A. (1992, p:59) señala que las RNA con al
menos una capa oculta pertenecen a este tipo de redes, las cuales deben
incluir una función de activación, entre capas para poder tener mayor
poder de computación o reconocimiento. Igualmente se puede decir, que
un número elevado de capas es improductivo, ya que aumenta el tiempo
de entrenamiento y el número de iteraciones realizadas. En general, una
red de tres capas es suficiente para la mayoría de las aplicaciones.
Los aspectos más característicos de las RNA son la estructura de
conexión, el tamaño de la red y la elección entre ACON y OCON.
A. Estructuras de Conexión de Atrás hacia Delante
Una red neuronal se determina por la neurona y la matriz de pesos. El
comportamiento de la red depende en gran medida del comportamiento
de la matriz de pesos. Hay tres tipos de capas de neuronas: la de entrada,

35
las ocultas y la de salida. Entre dos capas de neuronas existe una red de
pesos de conexión, que puede ser de los siguientes tipos: Hacia delante,
hacia atrás, lateral y de retardo, como se muestra en la siguiente figura:
Figura # 4
Estructuras de Conexión.
Fuente :
http://www.gc.ssr.upm.es/inves/neural/ann2/concepts/structnn.htm
∃ Conexiones Hacia Delante: para todos los modelos
neuronales, los datos de las neuronas de una capa inferior son
propagados hacia las neuronas de la capa superior por medio de las
redes de conexiones hacia delante.

36
∃ Conexiones Hacia Atrás: estas conexiones llevan los datos
de las neuronas de una capa superior a otras de la capa inferior.
∃ Conexiones Laterales. Un ejemplo típico de este tipo es el
circuito "el ganador toma todo" (winner-takes-all), que cumple un
papel importante en la elección del ganador.
∃ Conexiones con Retardo: Estos elementos se incorporan en
las conexiones para implementar modelos dinámicos y temporales,
es decir, modelos que precisan la memoria.
Las conexiones sinápticas pueden ser total o parcialmente
interconectadas. También, es posible que las redes sean de una capa con
el modelo de pesos hacia atrás o bien el modelo multicapa hacia delante.
Así mismo, se pueden conectar varias redes de una sola capa para dar
lugar a redes más grandes.
De igual manera, Hilera y Martínez afirman que las conexiones de las
redes multicapa se denominan hacia delante, feedforward o no
recurrentes, cuando las neuronas de una capa reciben señales de entrada
de la capa anterior y las envían a las capas más cercanas a la salida de la
red, y ninguna de las neuronas es entrada de neuronas de la misma capa.

37
Villaquiran señala que en las redes recurrentes o propagación hacia atrás
(feedback) las salidas de las neuronas pueden ser conectadas de alguna
manera a la entrada de la propia neurona (autorecurrente) o a la entrada
de otras neuronas ubicadas en capas previas; Hilera y Martínez, añaden
que las redes que tienen la capacidad de circular información hacia
delante y hacia atrás, en el proceso de funcionamiento de la red, se
denominan conexiones hacia delante / conexiones hacia atrás
(feedforward / feedback).
B. Tamaño de las Redes Neuronales
En una red multicapa de propagación hacia delante, puede haber una
o más capas ocultas entre las capas de entrada y salida. El tamaño de las
redes depende del número de capas y del número de neuronas ocultas por
capa.
Número de capas: en una red multicapa hay una o más capas de
neuronas ocultas entre la entrada y la salida. El número de capas se
cuenta a menudo a partir del número de capas de pesos (en vez de las
capas de neuronas).
38
Número de unidades ocultas: Está directamente relacionado con
las capacidades de la red. Para que el comportamiento de la red sea
correcto (esto es, generalización), se tiene que determinar
apropiadamente el número de neuronas de la capa oculta.
C. Aproximaciones ACON frente a OCON
El problema de cuantas redes son necesarias para la clasificación en
multicategorias. Típicamente, cada nodo de salida se usa para representar
una clase. Por ejemplo, en un problema de reconocimiento alfanumérico,
hay 36 clases; así que en total habrá 36 nodos de salida. Dado un patrón
de entrada en la fase de prueba, el ganador (i.e., la clase que gana) es
normalmente el nodo que tiene el valor más alto a la salida.
Dos posibles tipos de arquitectura son "All-Class-in-One-Network"
(ACON), es decir, todas las clases en una red y "One-Class-in-One-
Network" (OCON), esto es, una red para cada clase. En la aproximación
ACON, todas las clases son reconocidas dentro de una única super red.
En algunos casos es ventajoso descomponer esta macro red en varias
subredes más pequeñas. Por ejemplo, una red de 36 salidas se puede
descomponer en 12 subredes, cada una responsable de tres salidas. La

39
descomposición más extrema es la llamada OCON, donde una subred se
dedica para una sola clase. Aunque el número de subredes en la
estructura OCON es relativamente largo, cada subred individual tiene un
tamaño menor que la red ACOM. Esto se muestra con las siguientes
figuras:
Figura # 5 (a)
La Red Entera
Figura # 5 (b)
Varias Subredes.
Fuente :
http://www.gc.ssr.upm.es/inves/neural/ann2/concepts/structnn.htm
5. CARACTERISTICAS DE LAS REDES NEURONALES
ARTIFICIALES.
Estas ha permitido que las mismás sirvan como herramienta
tecnológica para la solución de muchos problemás donde otras
tecnologías no pueden ser usadas.

40
Las características más nobles asociadas a las Redes Neurales
Artificiales pueden resumirse en las siguientes:
∃ Pueden Aprender: Durante la etapa de entrenamiento la red
modifica la fuerza de conexión (los pesos), entre sus neuronas hasta
producir una salida adecuada. Este proceso de aprendizaje es
realizado mediante un algoritmo de entrenamiento, el cual le permitirá
poder reconocer o clasificar patrones.
∃ Generalizan: Una vez aprendido un par de patrones de
entrada, tal vez asociado con una salida, ante la presencia de un patrón
distorsionado del patrón de entrada original, es capaz de reproducir el
patrón de salida aprendido el cual fue entrenada. Una vez entrenada la
red, la respuesta de esta puede ser, hasta cierto grado insensible a
variaciones menores en la entrada, lo cual les da la habilidad de poder
ver a través del ruido y la distorsión.
∃ Pueden Hacer Abstracción: Algunas Redes Neurales
pueden sacar a partir de un conjunto de patrones de entrada, un
conjunto de patrones ideales como salida, en este caso se realiza un

41
proceso de auto-organización, ya que la red no se le muestran los
patrones de salida deseados.
6.- APLICACIONES.
Con el fin de llegar el entendimiento global de las ANNs, adoptamos
la siguiente perspectiva, llamada top-down que empieza por la
aplicación se pasa al algoritmo y de aquí a la arquitectura: (Como se
observa en la figura #6).
Esta aproximación a las ANNs está motivada por la aplicación,
basada en la teoría y orientada hacia la implementación. Las principales
aplicaciones son para el procesado de señal y el reconocimiento de
patrones. La primera etapa algorítmica representa una combinación de la
teoría matemática y la fundamentación heurística por los modelos
neurales. El fin último es la construcción de neurocomputadores
digitales, con la ayuda de las tecnologías VLSI y el procesado adaptativo,
digital y paralelo.
42
Figura # 6
Metodología Aplicada
Fuente:
http://www.gc.ssr.upm.es/inves/neural/ann2/concepts/app.htm
Desde el punto de vista de las aplicaciones, la ventaja de la RNA
reside en el procesado paralelo, adaptativo y no lineal. Las RNA han
encontrado muchas aplicaciones con éxito en la visión artificial, en el
procesado de señales e imágenes, reconocimiento del habla y de
caracteres, sistemás expertos, análisis de imágenes médicas, control
remoto, control de robots, inspección industrial y exploración científica.
El dominio de aplicación de las RNA se puede clasificar de la siguiente

43
forma: asociación y clasificación, regeneración de patrones, regresión y
generalización, y optimización.
∃ Asociación y Clasificación:
En esta aplicación, los patrones de entrada estáticos o señales
temporales deben ser clasificadas o reconocidas. Idealmente, un
clasificador debería ser entrenado para que cuando se le presente una
versión distorsionada ligeramente del patrón, pueda ser reconocida
correctamente sin problemás. De la misma forma, la red debería
presentar cierta inmunidad contra el ruido, siendo ser capaz de recuperar
una señal "limpia" de ambientes o canales ruidosos. Esto es fundamental
en las aplicaciones holográficas, asociativas o regenerativas.
∃ Asociación:
De especial interés son las dos clases de asociación: autoasociación y
heteroasociación. El problema de la autoasociación es recuperar un
patrón enteramente, dada una información parcial del patrón deseado. La
heteroasociación es recuperar un conjunto de patrones B, dado un patrón
de ese conjunto. Los pesos en las redes asociativas son a menudo
predeterminados basados en la regla de Hebb. Normalmente, la

44
autocorrelación del conjunto de patrones almacenado determina los pesos
en las redes autoasociativas. Por otro lado, la correlación cruzada de
muchas parejas de patrones se usa para determinar los pesos de la red de
Heteroasociación.
∃ Clasificación no Supervisada:
Para esta aplicación, los pesos sinápticos de la red son entrenados por
la regla de aprendizaje no supervisado, esto es, la red adapta los pesos y
verifica el resultado basándose únicamente en los patrones de entrada.
∃ Clasificación Supervisada:
Esta clasificación adopta algunas formás del criterio de interpolación
o aproximación. En muchas aplicaciones de clasificación, por ejemplo,
reconocimiento de voz, los datos de entrenamiento consisten de pares de
patrones de entrada y salida, siendo en este caso conveniente, adoptar las
redes Supervisadas, como las bien conocidas estudiadas redes de
retropropagación. Este tipo de redes son apropiadas para las aplicaciones
que tienen una gran cantidad de clases con límites de separación
complejos.
45
∃ Completar los Patrones:
En muchos problemás de clasificación, una cuestión a solucionar es
la recuperación de información, esto es recuperar el patrón original dada
sola una información parcial. Hay dos clases de problemás: temporales y
estáticos. El uso apropiado de la información contextual es la llave para
tener éxito en el reconocimiento.
∃ Generalización :
Se puede extender a un problema de interpolación. El sistema es
entrenado por un gran conjunto de muestras de entrenamiento basados en
un procedimiento de aprendizaje supervisado. Una red se considera que
esta entrenada con éxito si puede aproximar los valores de los patrones
de entrenamiento y puede dar interpolaciones "suaves" para el espacio de
datos no entrenado. El objetivo de la Generalización es dar una respuesta
correcta a la salida para un estímulo de entrada que no ha sido entrenado
con anterioridad. El sistema debe inducir la característica saliente del
estímulo a la entrada y detectar la regularidad. Tal habilidad para el
descubrimiento de esa regularidad es crítica en muchas aplicaciones. Esto
hace que el sistema funcione eficazmente en todo el espacio, incluso ha

46
sido entrenado por un conjunto limitado de ejemplos. Esto se observa en
la siguiente figura:
Figura # 7
Generalización.
Fuente:
∃ Optimización
Las RNA es una herramienta interesante para la optimización de
aplicaciones, que normalmente implican la búsqueda del mínimo
absoluto de una función de energía.
Una vez que se define la función de energía, entonces la
determinación de los pesos sinápticos se hace rápidamente. Para algunas
aplicaciones, la función de energía es fácilmente deducible. En otras, sin

47
embargo, esta función de energía se obtiene de ciertos criterios de costo y
limitaciones especiales. El mayor problema asociado al problema de
optimización es la alta posibilidad de converger hacia un mínimo local,
en vez de hacia el mínimo absoluto. Para combatir este problema se
utilizan algunas propuestas estadísticas, como por ejemplo
procedimientos estocásticos.
Figura # 8
Optimización.
Fuente :
7. PARADIGMAS NEURALES.
Se le denomina Paradigma Neural a los diferentes núcleos o
métodos que han sido propuestos, por diferentes investigadores, para

48
entrenar y resolver diferentes tipos de problemás a través de las Redes
Neurales Artificiales
Existen actualmente diferentes tipos de Paradigmas Neuronales o
modelos de Redes Neuronales Artificiales, los cuales se diferencian por
la arquitectura de la red, el tipo de aprendizaje y el método o algoritmo
usado para entrenar la red.
El algoritmo más utilizado es el de Retropropagación, esto se debe a
que permite ser utilizado para resolver casi todo tipo de problema que
pueda resolverse con Redes Neuronales Artificiales. Para una referencia
global de estos paradigmas puede observarse en la tabla #1 donde se
muestran en forma general las características más resaltantes de los
mismos.
49
Tabla #1. Paragdimás Neuronales.

Paradigmas Neurales
Paradigma Creador Arquitectura Aprendizaje Aplicación
Perceptrón Rosenblatt Reconocimiento
(Monocapa) (1.957– 60) Monocapa Supervisado de Patrones
Perceptrón Widrow y Reconocimiento

(Multicapas) Hoff (1.960) Heteroasociativa Supervisado de Patrones
LMS (Least Widrow y
Mean Square) Hoff (1.960) Monocapa Supervisado Clasificación
Adaptación de
modems,
Madaline Grossberg Monocapa Supervisado ecualizadores a
(1.974) líneas telefónicas.
Teuvo Recurrente Reconocimiento
Hopfield Kohonen (Monocapa) Supervisado de Patrones
(1.980-84)
Rumelhart, Heteroasociativa No
Kohonen Hinton y (Monocapa) Supervisado Reconocimiento
Willians. de Patrones
(1.986)
Retropropagaci Rumelhart,
ón Hinton y Multicapas Supervisado Reconocimiento
(Backpropagati Willians. de Patrones
on) (1.986)
Counter- Robert Supervisado y Comprimir data
propagation Hecht Multicapas No para visualizar
(1.987) Supervisado imágenes
Memoria Varios Reconocimiento
Asociativa (1.982- Heteroasociativa Supervisado de Patrones, y
Bidireccional 1.987) clasificación
(BAM)
Cognitron/ Fukushima No Reconocimiento
Neocognitron (1.975-87) Multicapas Supervisado de Patrones e
imágenes
Teoría de Carpenter, No Reconocimiento
Resonancia Grossberg Multicapas Supervisado de Patrones y
Adaptativa (1.986-87) clasificación.
(ART)
50
8. ENTRENAMIENTO DE LAS REDES NEURALES
ARTIFICIALES.
De todas las características interesantes de las RNA, ninguna
sorprende tanto como su habilidad para aprender. Su entrenamiento
muestra mucho paralelismo al desarrollo intelectual del ser humano, que
puede ser visto como si hubiésemos alcanzado el entendimiento
fundamental de este proceso. Una red es entrenada para que la aplicación
de un conjunto de entradas produzca la serie de salidas deseada (o al
menos consistente). Cada serie de entrada (o salida) es referenciada
como un vector. El entrenamiento se realiza secuencialmente aplicando
vectores de entrada, mientras se ajustan los pesos de la red gradualmente
convergen a valores tales que cada vector de entrada produce el vector de
salida deseado.
Colina, E. (1996,p.15) sostiene que los métodos de aprendizaje para
las RNA están agrupados en dos categorías: los mecanismos o métodos
de aprendizaje supervisados y los no supervisados. Paralelamente Hilera
y Martínez (1995) definen el aprendizaje supervisado como aquel que se
realiza mediante un entrenamiento controlado por un supervisor externo

51
que dictamina el resultado y deberá proporcionar la red después de
procesar los datos de entrada, lo que se denomina salida deseada. A su
vez, Atencio, F. (1992) expresa que en el entrenamiento supervisado
necesita agrupar cada entrada con su salida deseada, para así formar lo
que se conoce como pares de entrenamiento; pero difiere, añadiendo que
el concepto de aprendizaje supervisado no puede ser aplicado a los
modelos biológicos del cerebro humano.
Simultáneamente, Villaquiran (1992) afirma que el entrenamiento
supervisado se realiza a través de una serie de ensayos sobre un conjunto
de patrones de entrenamiento en forma de datos con los cuales la red es
alimentada. Usualmente un vector de entrada es aplicado, la salida de la
red es calculada y comparada al vector destino correspondiente, y la
diferencia (error) es retroalimentada a través de la red y sus pesos son
cambiados de acuerdo a un algoritmo que tiende a minimizar el error.
Los vectores del conjunto de entrenamiento son aplicados
secuencialmente, se calculan los errores y los pesos ajustados para cada
vector, hasta que el error para cada conjunto de entrenamiento completo
sea de un nivel bajo aceptable.

52
En general luego de cada intento donde la red compara su salida con
la salida deseada, se corrige cualquier diferencia y se intenta nuevamente,
calculando o iterando, hasta que la salida alcanza un error de nivel
mínimo o aceptable.
En cuanto al aprendizaje no supervisado, Atencio, F. señala que este
fue desarrollado por Kohonen en 1984 y no requiere de un destino para
las salidas, por lo tanto no compara una respuesta ideal predeterminada,
de esta forma, la serie de entrenamiento sólo consiste en vectores o datos
de entrada, con lo cual coincide Villaquiran, al sostener que este
aprendizaje no requiere una respuesta esperada o en su defecto una
evaluación del desempeño de la red, además añade que la red se organiza
a si misma de tal manera que determina su propio modo de clasificar las
entradas.
Por otra parte, este algoritmo de entrenamiento modifica los pesos de
la red para producir vectores de salida que son consistentes, esto es,
ambas aplicaciones de los vectores de entrenamiento o aplicación de un
vector que es suficientemente similar a este, producirá los mismos
patrones de salida. El proceso de entrenamiento, por lo tanto extraerá las
propiedades estadísticas de una serie de entrenamiento y agrupara

53
vectores similares en clases. Es por ello, que Hilera y Martínez
mencionan que este tipo de aprendizaje, también se le conoce como
autosupervisado, ya que no necesitan de la influencia externa que ajuste
los pesos de las conexiones entre sus nodos.
9. FASES DE DESARROLLO DE LA RNA.
Existen dos fases en toda aplicación de las redes neuronales: la fase
de aprendizaje o entrenamiento y la fase de prueba. En la fase de
entrenamiento, se usa un conjunto de datos o patrones de entrenamiento
para determinar los pesos (parámetros de diseño) que definen el modelo
neuronal. Una vez entrenado este modelo, se usará en la llamada fase de
prueba o funcionamiento directo, en la que se procesan los patrones de
prueba que constituyen la entrada habitual de la red, analizándose de esta
manera las prestaciones definitivas de la red.
∃ Fase de Prueba: Los parámetros de diseño de la red
neuronal se han obtenido a partir de unos patrones representativos de
las entradas que se denominan patrones de entrenamiento. Los
resultados pueden ser tanto calculados de una vez como adaptados
interactivamente, según el tipo de red neuronal, en función de las

54
ecuaciones dinámicas de prueba. Una vez calculados los pesos de la
red, los valores de las neuronas de la última capa, se comparan con la
salida deseada para determinar la validez del diseño.
∃ Fase de Aprendizaje: Una característica de las redes
neuronales es su capacidad de aprender. Aprenden por la
actualización o cambio de los pesos sinápticos que caracterizan a las
conexiones. Los pesos son adaptados de acuerdo a la información
extraída de los patrones de entrenamiento nuevos que se van
presentando. Normalmente, los pesos se obtienen optimizando
(minimizando o maximizando) alguna "función de energía". Por
ejemplo, un criterio popular en el entrenamiento supervisado es
minimizar el least-square-error (error cuadrático medio) entre el
valor del maestro y el valor de salida actual.
Las aplicaciones del mundo real deben acometer dos tipos diferentes
de requisitos en el procesado. En un caso, la prueba en tiempo real pero
el entrenamiento ha de realizarse "fuera de línea". En otras ocasiones, los
dos procesos (el de prueba y entrenamiento en tiempo real). Estos dos
requisitos implican velocidades de proceso muy diferentes, que afectan a
los algoritmos y hardware.

55
10. METODOLOGIA PARA DESARROLLAR REDES
NEURALES ARTIFICIALES.
Para explotar o conocer más a fondo todo el recurso disponible en las
Redes Neurales Artificiales es necesario hacer uso de una metodología
para el desarrollo de las mismás.
Siguiendo una metodología se acelera la aceptación general de las
Redes Neurales como un importante recurso en las nuevas herramientas
computarizadas, y así, los análisis de sistemás y usuarios podrán entender
con mayor claridad las capacidades y limitaciones de la tecnología de las
Redes Neurales Artificiales.
Este parte del capítulo estará dedicado a presentar un conjunto de
fases, que permitirán servir de guía básica para optimizar el desarrollo de
aplicaciones basadas en Redes neurales Artificiales y para construir RNA
haciendo uso de aplicaciones existentes. Como en el caso del sensor
virtual para un sistema de control de calderas.
El objetivo, es proponer una metodología para el desarrollo de
Redes Neurales Artificiales, la cual consiste en presentar actividades
identificables para un proceso que necesita estructuración y organización.

56
Obvios beneficios incluye el uso de metodología como el control de
costos, incremento de exactitud y consistencia, eficiente uso de recursos,
incremento en la administración confidencial y altas satisfacciones al
usuario.
Muchas de las metodologías propuestas para el desarrollo de Redes
Neurales presenta un fuerte énfasis en la experimentación y desarrollo
simultáneo de múltiples vías, y comienzo con soluciones generales y
estrechamiento del conjunto de enfoques factibles. Los principales
componentes del ciclo de vida para el desarrollo de una red neural son
mostrados en el siguiente diagrama:

57
Figura # 9. Fases de la Red Neural.
FASE DE ANALISIS
VALIDAR LA APLICACIÓN
SELECCIONAR EL PARADIGMA NEURAL
FASE DE DISEÑO
DISEÑAR EL NIVEL DE LA NEURONA ARTIFICIAL
DISEÑAR LA ESTRUCTURA DE LA RED NEURAL
ARTIFICIAL
DISEÑAR EL ENTRENAMIENTO DE LA RED NEURAL
ARTIFICIAL
FASE DE DESARROLLO
SELECCIONAR EL CONJUNTO DE PATRONES DE
ENTRENAMIENTO
SELECCIONAR EL AMBIENTE DE DESARROLLO
CONSTRUIR LA RED NEURAL ARTIFICIAL
PROBAR Y DEPURAR LA RED NEURAL ARTIFICIAL
FASE DE IMPLANTACION
Fuente: PAZ y SOTO. (1999)
A. FASE DE ANALISIS.
La fase de análisis, también denominada fase de concepto o
documentación, permite la planificación para construir la aplicación. Se
lleva a cabo la revisión de los conceptos fundamentales de las redes
neuronales artificiales. También, se identifican y clasifican los pasos

58
concernientes al sistema en estudio, además de la factibilidad de las
actividades tradicionales; esta fase válida la aplicación propuesta y
selecciona el grupo de paradigmas neuronales que deben ser más
convenientes para lograr cumplir los requerimientos específicos.
a. Validar la Aplicación Propuesta.
Un enfoque para validar una aplicación es comparar estas
características con otras aplicaciones. Algunos tipos de aplicaciones son
adaptables a enfoques de redes neurales, la mayoría involucra, ya sea
reconocimiento de patrones o proyección estadística. Las aplicaciones
comunes incluyen reconocimiento de patrones, pronóstico,
procesamiento de información, monitoreo de procesos, procesamiento de
señales y control de robot.
Las aplicaciones que requieren deducción y pasos lógicos no son
buenas elecciones para Redes Neurales.
Un método para evaluar el valor de enfoque de una red neuronal es
comparar las características de la aplicación y requerimientos con las
capacidades de las Redes Neuronales. Algunas propiedades generales
de las Redes Neurales incluyen paralelismo, adaptabilidad,

59
generalización velocidad y flexibilidad. El grado en que cada paradigma
neural tiene estas características varía.
Para una completa validación, reunir los requerimientos específicos
de la aplicación es importante. De particular interés para las redes
neurales son las restricciones de recursos (tiempo, equipo, dinero),
fuentes de data (tipo, costo, tiempo, exactitud), requerimientos de
solución (tipo, exactitud, consistencia), tiempo (proyecto, entrenamiento,
operación) y técnicas actuales y tipo de entrenamiento.
b. Seleccionar el Paradigma Neuronal
El segundo paso de la fase de concepto es seleccionar un conjunto
inicial de paradigmas neurales. La selección esta basada en la
comparación de los requerimientos de aplicación de las capacidades del
paradigma neural. De interés en particular están: el tamaño, tipo de
salida requerida, clasificación de memoria asociativa, método de
entrenamiento y restricciones de tiempo. En la tabla # 2 se especifica la
relación entre el requerimiento de la aplicación y las capacidades de los
paradigmas neuronales seleccionados.

60
• Tamaño de la Red Neuronal.
Una vez que la aplicación ha sido seleccionada, delimitar el
problema es esencial. La delimitación asegura que el problema esta
aislado propiamente de efectos exógenos y reducido a una escala, para
un tamaño conveniente para las capacidades de la computación neural.
∃ Tipo de Salida Requerida.
El tipo de salida requerida por la aplicación limita el paradigma
neural que puede ser seleccionado. Tres interpretaciones comunes de
salida de Redes Neuronales son: clasificación, patrones y optimización.
a. La clasificación, estadísticamente proyecta entradas a categorías
discretas. Típicamente se encuentran dos o más nodos de salida, con uno
sólo activo a la vez. Por ejemplo, una aplicación de control de procesos
puede tener tres clasificaciones: normal, tensión o alarma. Sólo uno de
estos modos es apropiado en un momento dado.
Tabla #2. Paradigmas Neurales

61
Memoria Método Tipo de salida Tiempo información Volumen Uso

Asociativa entrenami de data
ento
HETERO
NO SUP.
LINEAL
COMPL
ENTRE
CLASE
PATR..
ALTO
ALTO
REAL
BAJO
BAJO
AUTO
RESP
OPT.
BACKPROPA- SUP.
M
GATION
COUNTER – R
PROPAGATIO
MADELINE M
ART 2 R
KOHONEN M
NETWORD
HOPFIELD R
NETWORK
MULTI M
LAYERED
PERCEPTRON
PERCEPTRON M
R: RAPIDO M: MEDIO B: BAJO N: NINGUNO
Fuente : PAZ y SOTO (1999)

62
b. Los patrones, son además, la salida más diversa y común de
Redes Neuronales. En este tipo de salida múltiples nodos, todos
potencialmente activos forman un patrón en repuesta a la entrada. Las
tareas de aplicación depende de patrones de salida que incluyen
procesamiento de imágenes, fusión de datos e identificación simbólica.
Las salidas de números reales son traducidas a valores como dólares,
grados o distancias. Areas que producen números reales incluyen
predicciones financieras, proyección funcional, control de procesos y
robótica.
c. La optimización, el tercer tipo de salida de las redes neuronales en
un patrón especial es interpretado como un conjunto de decisiones. Este
es el resultado de problemás de investigación de operaciones especificas
que pueden ser formulados en matrices.
∃ Clasificación de la Memoria Asociativa.
Es aquella que construye situaciones completas a partir de situación
parcial, esta es importante en el reconocimiento de patrones y
aplicaciones de procesamiento de información. Son necesarias dos

63
variedades para el desarrollo de redes neuronales: autoasociativa y
heteroasociativa.
a. La memoria autoasociativa traza piezas de datos para sí misma,
memorizando información especifica. Esta es frecuentemente usada para
construir patrones parciales o que tienden a error en su forma original,
o para optimizar ciertos problemás de investigación de operaciones
autoasociativas incluyen reconocimiento de caracteres y reconstrucción
de señales.
b. La memoria heteroasociativa proyecta un conjunto de patrones
a otros. Los patrones, clasificación y números reales son frecuentemente
almacenados como salida de redes heteroasociativas. Ejemplos de estas
aplicaciones incluyen clasificación de tarjetas, análisis de entrenamiento
y monitoreo de procesos.
∃ Método de Entrenamiento.
El método apropiado de entrenamiento para una aplicación de una red
neural depende de la disponibilidad de los datos y el tiempo. Hay tres
nodos comunes de clasificación y entrenamiento que son el Supervisado,
No Supervisado, y Aprendizaje Reforzado.

64
a. El Aprendizaje Supervisado, requiere pares de datos consistentes
de patrones de entrada y el resultado correcto, los datos de entrenamiento
deben además contener la solución de la red esperada, la cual a veces es
difícil de obtener y se requiere una serie de casos históricos. El tiempo
requerido para entrenar una red neuronal usando Aprendizaje
Supervisado depende del algoritmo usado y la naturaleza del problema,
pero es de una largo tiempo (varias horas en pocos días).
b. El Aprendizaje No Supervisado, clasifica los patrones de entrada
internamente y no necesita de un resultado esperado. Los requerimientos
de data para el entrenamiento No Supervisado son más fáciles y menos
costosos de encontrar. El tiempo de entrenamiento es generalmente
menor que el aprendizaje Supervisado, normalmente requiere varias
horas para entrenarla.
c.- Un acuerdo entre el Aprendizaje No Supervisado y Supervisado
es el Aprendizaje Reforzado, el cual requiere una entrada y sólo una
señal de recompensa o clase como una salida. El Aprendizaje Reforzado
es menos común debido a su complejidad y largo tiempo de
entrenamiento, pero tiene potencial para largos entrenamientos y
sistemás modulares de redes neuronales interconectados. Los

65
requerimientos de data de entrenamiento son menos estrictos que
aquellos para Aprendizaje Supervisado y pueden ser frecuentemente
alimentados en sistemás dinámicamente vía retroalimentación más que
por conexiones estáticas.
∃ Restricciones de Tiempo.
Es un importante factor en el desarrollo de Redes Neuronales; dos
categorías básicas son el tiempo de entrenamiento, que comienza
cuando las conexiones son ajustadas apropiadamente, y tiempo de
ejecución, comienza cuando una red entrenada es presentada con una
entrada y finaliza cuando la red produce un resultado. El tiempo de
operación depende primordialmente del ambiente del computador y las
dinámicas de la red, y se pueden encontrar restricciones en línea o tiempo
real.
∃ Estudio de Factibilidad.
Después de que sea validada la aplicación propuesta y los paradigmas
de redes hayan seleccionados, debería ser conducido en estudio de
factibilidad. Si el proyecto es técnicamente estimado y económicamente

66
factible, la fase de conceptos es completada y el proyecto esta listo para
la fase de diseño.
B. FASE DE DISEÑO
Especifica valores iniciales y condiciones para seleccionar
paradigmas neuronales a niveles de nodo, red y entrenamiento. A su vez
comprende varios pasos para determinar los tipos de nodos o elementos
de procesamiento, tamaño y conectividad de las capas de la red, el
algoritmo y parámetros del aprendizaje.
Se presentan varios parámetros de algunos paradigmas más usados
comúnmente, que pueden ayudar a mejorar el diseño de la Red
Neuronal, varios de estos paradigmas ofrecen flexibilidad en términos
de tamaño, conectividad, o parámetros de aprendizaje mientras otros son
restringidos por la naturaleza de su arquitectura o algoritmo de
aprendizaje.
a. Diseñar el Nivel de la Neurona Artificial.
Para diseñar una red neural el primer paso es determinar que
neuronas o elementos de procesamiento a usar. Las decisiones a este

67
nivel incluyen los tipos de entrada, formás de combinación y la función
de transferencia. La complejidad de los nodos en redes neurales
comprenden tres funciones: una forma de combinación, una función de
activación y una función de salida. La primera es usualmente una suma
de los pesos de las entradas. La función de activación determina el nivel
de activación de un nodo, esta función depende del nivel anterior de
activación adicional a la entrada actual. La función de salida entonces usa
el nivel de activación para producir una salida.
b. Diseñar la Estructura de la Neurona Artificial.
El segundo paso o nivel en la fase de diseño es determinar el número,
tamaño y conectividad de las diferentes capas de la red neural. Las
decisiones hechas en este punto incluyen él número de capas, el tamaño
de cada capa, el tipo de entrada y salida esperada y la conexión de cada
capa.
∃ Número de Capas en la Red.
Los algoritmos neuronales mayormente usados tienen un número
predeterminado de capas. Las redes llamadas Adeline, Madeline, y
Hopfield, requieren una o dos capas para funcionar. Otros algoritmos

68
tales como Backpropagation, permiten un número variable de capas
ocultas dentro de la red.
Las capas ocultas actúan como capas de abstracción, arrastrando
las características de las entradas. Incrementando el número de capas
ocultas secuenciales que aumenta el poder de procesamiento de las redes
neuronales pero complica significativamente el entrenamiento e
intensifica los efectos de la caja negra ( los errores son más difíciles de
determinar). Al aumentar el número de capas ocultas se incrementa el
tiempo y el número de ejemplos de entrenamiento necesarios. Como una
regla, se debe comenzar con una capa oculta y adicionar más a medida
que sean requeridas.
Otro método para incrementar el poder de procesamiento de las
redes neuronales es adicionar múltiple nodos dentro de una simple capa
oculta. Esta arquitectura es modelada sobre la creación de conjuntos de
neuronas del cerebro que actúan como detectores de características para
la percepción de entradas.
69
• Número de Neuronas Artificiales por Cada Capa.
Después de seleccionar él número de capas de la red, el próximo paso
es determinar el tamaño (en número de nodos) de cada capa. La capa de
entrada presenta los datos de la red. El número de nodos de entrada es
calculado desde el número de fuentes de datos. Frecuentemente la
decisión de diseño más difícil es acertar las fuentes de datos correcta; el
volumen de datos no procesados o falsos impide el entrenamiento.
Se requieren de cuatro pasos para determinar el número apropiado
de fuentes de datos:
a.- Identificar todos los datos que en cualquier forma se relacionan
con el área de aplicación.
b.- Remover las fuentes de datos que son considerados no
factibles.
c.- Filtrar las fuentes de datos que son imprácticos por razones
técnicas.
d.- Explorar métodos de combinación o preprocesamiento de data
para hacerlo significativo.

70
Luego que las fuentes de datos son identificadas, deben ser
ingresadas a la capa de entrada a la red neural. Los datos de valores
continuos para un tiempo dado pueden ser representados como un
simple nodo en una red que acepta número reales.
Dados suficientes nodos en la capa, ciertas redes neurales pueden
proyectar estadísticamente dos series. Determina el número apropiado
de nodos para la capa oculta es difícil, y está frecuentemente
determinado por la experiencia. Muy pocos nodos permiten a la red
“memorizar” los patrones presentados a ésta sin extraer las
características salientes. Así, cuando se les presentan nuevos patrones,
la red es incapaz de procesarla apropiadamente porque esta no ha
descubierto los principios más sobresalientes del problema.
Si hay sólo una capa oculta, un tamaño inicial apropiado es 75%
del tamaño de la capa de entrada. Para más de una capa oculta, es
posible reducir el tamaño de la capa de entrada y obtener resultados
similares.
Después de entrenar la red, es importante evaluarla otra vez con el
conjunto de entrenamiento y con ejemplos que la red nunca haya

71
encontrado antes. Como una regla general, para mejorar la precisión de
la red en serie de entrenamiento, se debe incrementar el tamaño de la
capa oculta.
∃ El Número de Salidas.
El número de salidas de una Red Neural es determinado por el
paradigma neural usado y el tipo de salida esperado. Los paradigmas
autoasociativos tienen el mismo número de salidas como entradas; los
paradigmas heteroasociativos generalmente tienen menos nodos de salida
que nodos de entrada.
Son posible cuatro tipos de salidas: números reales, clasificación,
patrones y optimización.
a. Los números reales representan valores reales tales como niveles de
poder y cantidades de dinero en dólares.
b. Las clasificaciones son números binarios o reales y son interpretados
como categorías o atributos. Las clasificaciones en número reales son
útiles porque ellas indican la confidencia de una red en una salida.

72
C. Los tamaños de salida de patrones son determinados por su
interpretación.
d. Los tamaños de salida de optimización son directamente
proporcionales al número de objetos (por ejemplo ciudades o tareas) que
están siendo optimizadas.
∃ La Conectividad de la Red.
La conectividad de la red describe como los nodos son entrelazados
juntos. Las más comunes son las redes de alimentación hacia delante
encontradas en Backpropagation y perceptrón. Estas redes enlazan los
nodos en una capa a aquellas en la capa siguiente sin retroalimentación
sin conexiones entre capas. Otros algoritmos como la red de Hopfield y
los Mapas de Kohonen, dependen de la conectividad entre capas.
La respuesta para el tipo de conexión es el paradigma especifico a
utilizar. Por ejemplo, el Perceptrón es aleatoriamente conectado de
entradas a salidas o las redes de Hopfield que son conectadas
completamente. Generalmente, conectar completamente capas
adyacentes dentro de las redes multicapa es mejor. Este enfoque provee

73
más flexibilidad cuando el algoritmo de entrenamiento puede no
necesariamente anular enlaces poniendo sus pesos a cero.
c. Diseñar el Entrenamiento de la Red Neuronal
Artificial.
En este nivel o fase de diseño lo que plantea es seleccionar el
algoritmo de aprendizaje o paradigma neuronal que utiliza la red para
entrenarse en el problema a ser resuelto y con la selección del algoritmo,
a fin de decidir cuales serán los parámetros de aprendizaje más
apropiados para lograr el entrenamiento esperado.
El algoritmo de entrenamiento a seleccionar tiene que adecuarse a la
situación o problema a ser resuelto y las restricciones de tiempo que se
tengan para lograr dicho entrenamiento. También dependerá el tiempo de
entrenamiento de la red. Por supuesto, de la cantidad de patrones de
entrenamiento y de la estructura de la red. Es recomendable analizar
todos estos parámetros y luego seleccionar el algoritmo más apropiado,
del grupo de paradigmas previamente seleccionados en la fase en la fase
de concepto.
74
C. FASE DE DESARROLLO
Esta fase permite la construcción de la red y la aplicación de la
misma, con las decisiones tomadas en la fase de diseño. Esta fase se
contempla en cuatro grandes pasos:
a. Seleccionar el Conjunto de Patrones de Entrenamiento.
El conjunto de patrones de entrenamiento consta de todas las entradas
y salidas deseadas, usadas por el algoritmo de aprendizaje de la red, y así
poder ajustar correctamente la conexión entre neuronodos y pesos.
Se discutirán cuatro aspectos para agrupar el conjunto de patrones de
entrenamiento:
1. El tipo de datos a seleccionar.
2. Cantidad de datos a agrupar.
3. Selección de la data.
4. Preparación de la data.
75
∃ El Tipo de Datos a Seleccionar.
Esto depende del algoritmo de aprendizaje seleccionado, tipos de
características de entradas y salidas, y la naturaleza del problema.
∃ Cantidad de Datos a Agrupar.
Incrementar la cantidad de datos para el entrenamiento, teniendo
varios efectos sobre el proceso de aprendizaje de la red, estos son:
1. Primero, entre más completo y exacto sea el conjunto de
entrenamiento, más exacta es la operación de la red. Debiendo
prever, que el conjunto de entrenamiento no sea ambiguo o
aleatorio, y que no esté errado, como tampoco incomprensible.
2. Segundo, incrementar el tamaño del conjunto de
entrenamiento afecta el tiempo requerido para entrenar la red. Un
gran conjunto de entrenamiento produce un largo proceso de
cálculo computacional, pero puede acelerar la convergencia del
aprendizaje. Por lo tanto el efecto global de agregar casos de
entrenamiento puede decrementar el tiempo de aprendizaje.

76
Generalmente, agrupar varios datos de entrenamiento como sea
posible, sin limites de tiempo, dinero y recursos de computación es una
buena idea, para así poder entrenar mejor la red.
∃ Selección de la Data.
Preparar la data para el uso de la red puede hacerse de varias formás:
a. Transformar las entradas en la forma apropiada (radios,
clases) y tipos de datos (binario, bipolar, continuos).
b. Preprocesamiento oportuno, tal como filtrar o transformar,
esto puede acelerar el proceso de entrenamiento.
c. Convertir la data a vectores ASCII o binarios, según
requerimientos de la red para ayudar al paradigma neural de la red.
d. La normalización (Euclidiana, logarítmica) de la data es
necesaria para la red y para ayudar el paradigma de la red.
e. Escalar la data minimizando el efecto grandes volúmenes de
entradas e incrementar la efectividad del algoritmo de aprendizaje.

77
Generalmente, un buen conjunto de datos de entrenamiento
perfecciona el entrenamiento y garantiza buenos resultados de la red.
b. Seleccionar el Ambiente de Desarrollo.
Al igual que otros proyectos de software, el acceso a los recursos de
computación son importantes. El tiempo para seleccionar el ambiente de
desarrollo no es crítico, pero usa información de las fases de concepto y
diseño para determinar tamaño, velocidad y requerimientos de
localización de datos.
Es importante tomar decisiones del ambiente de desarrollo como
el tiempo necesario, debido a que la selección del recurso humano,
hardware y software están frecuentemente limitados por la disponibilidad
de estos.
∃ Recurso Humano
El recurso humano o el (staff) para un proyecto de redes neurales
artificiales depende del tamaño, complejidad y objetivos del proyecto. El
gerente del proyecto debe tener experiencia previa en desarrollar
software, preferiblemente en proyectos complejos de computación y un

78
conocimiento sobre las capacidades y limitaciones de las redes
neuronales artificiales. Al menos un miembro del grupo debe tener
sólidos conocimientos en análisis de sistemás y se debe responsabilizar
de las actividades de las fases de concepto y diseño de la red; y ayudar
en la búsqueda y procesamiento del conjunto de datos de entrenamiento.
Es necesario, programadores con experiencia en análisis de información
y procedimientos de programación, sobre todo si el proyecto es
complejo, y al menos un miembro del grupo de programadores debe
tener un conocimiento básico de los principios de las redes neuronales
artificiales.
∃ El Hardware
Los requerimientos de hardware están básicamente fundamentados
sobre el tamaño, velocidad, software disponibles y acceso de datos. Estos
criterios de evaluación pueden ser: Capacidad de memoria primaria,
capacidad de almacenamiento, tiempo de respuesta, software disponible,
acceso a los datos costos, personal calificado, posibilidad de interfaces y
compatibilidad con otras plataformas.

79
∃ El Software-
Existe una amplia gama de paquetes comerciales de software
autorizados para construir redes neurales artificiales, tales como
NeuralWare`s, NeuralWorks profesional, BrainMaker, Neural Planer,
Visual Conexa, Matlab, entre otros. En general estos paquetes ofrecen
cierta flexibilidad para su uso y proveen utilidades para la construcción
de redes neuronales. Sin embargo, no se elimina la posibilidad que se
desarrolle un sistema especifico o de propósito general para la
construcción de redes neuronales; estos pueden ser desarrollados en
Lenguaje C, pascal, entre otros.
Se dan algunos criterios que se deben considerar para evaluar la
herramienta de desarrollo a utilizar, estos son: Algoritmo neural a
desarrollar, facilidad de interfaz de los datos, velocidad de entrenamiento
y ejecución, transportabilidad, interfaces externas, precios y eficiencia.
c. Construcción de la red neuronal artificial.
Algunos pasos para construirlas son comunes a los pasos del
ambiente de desarrollo, estos pasos son los siguientes: Seleccionar el
algoritmo neuronal apropiado, tamaño de la estructura de la red, crear

80
algunas pantallas de consulta, cargar el conjunto de entrenamiento,
iniciar la red, determinar el criterio de convergencia o finalización del
entrenamiento, iniciar el entrenamiento de la red y monitoriar el proceso
de entrenamiento para detectar problemás. Los problemás que se pueden
presentar durante el entrenamiento incluyen el exceso de aprendizaje y
parálisis de la red. La solución puede estar en agregar una pequeña
cantidad de ruido al sistema o reformulando los parámetros de
aprendizaje y reinicializar el entrenamiento.
d. Prueba y Depuración de la Red Neuronal Artificial.
El propósito de probar la red es el de verificar el proceso de
entrenamiento. Cumplido el proceso no transparente de la red, examinar
los pesos y sus conexiones para determinar errores, es dificultoso, sino
imposible. Se debe tratar de probar el entrenamiento de la red como una
caja negra y determinar sobre el funcionamiento operacional, si este es
valido o no. El método más común para probar una red neural es
presentando una serie o conjunto de casos de prueba a la red y evaluar
sus respuestas. Existen tres consideraciones importantes para probar la
red como una caja negra: Presentar a la red casos que ya sean conocidos
(casos del conjunto de entrenamiento) e introducir nuevos casos

81
encontrados. Igual que en el proceso de entrenamiento, se deben verificar
las respuestas de la red, dificultad, y limitaciones de algunos casos.
Predeterminar el limite de aceptación de las respuestas dadas por la
red.
Otra forma de probar la red es analizar los pesos que entran y salen
de cada nodo. Algunos nodos son conexiones significantes similarmente,
los pesos que tengan valores mucho más elevados que otros indican que
tiene exceso de entrenamiento.
Las técnicas de pruebas de la red, extienden el análisis a las capas
internas en las redes neuronales multicapas. Esto se debe a que las
capas internas sustraen información desde la capa de entrada, para
determinar como la red internamente, representa características
sobresalientes de las entradas. Esta representación es importante que lo
realicen las capas internas con mucha frecuencia ya que de estos depende
la convergencia del entrenamientos y el buen funcionamiento de la red.
Si en el periodo de prueba se encuentran errores significativos en la
red neural, es necesario depurar el proceso de entrenamiento. Varios
puntos deben ser examinados tales como: incluir casos de entrenamiento

82
para mejorar la calidad, representatividad y exactitud, características en
los nodos de la red, estructura y conectividad, interfaz entre el conjunto
de entrenamiento y la red y alguna interconexión con otro software.
D. FASE DE IMPLANTACION
La fase de implantación es considerada el inicio del ciclo de vida de
la red y consiste en colocar la red en un ambiente operacional, integrarla
con sistemás existentes, realizar evaluaciones periódicas de
operacionalidad y el mantenimiento de la misma.
a. Integración de la Red Neural Artificial.
Al igual que otros proyectos avanzados de computación, las redes
neuronales son frecuentemente diseñadas como aplicaciones
independientes (stand-Alone).
Para maximizar sus beneficios, algunas redes neuronales son
integradas con nuevos y existentes sistemás de información.
Existen varias categorías de integración para la red:
∃ Integración con acoplamiento independiente, donde la red
neural es usada como procesador y como un componente de un sistema

83
distribuido. El intercambio de información puede hacerse directamente o
a través de base de datos.
∃ Acoplamiento compacto, es una integración más completa,
generalmente usada para compartir datos y cooperación de técnicas a
comunicar con otros componentes.
∃ Integración completa entre el sistema neural y un sistema de
procesamiento simbólico. Este tipo de integración es muy poco usada.
b. Evaluación del Sistema
La evaluación es crucial para la continuidad del sistema de
procesamiento de información que contenga una red neural artificial. La
red es entrenada para resolver problemás dinámicamente, pero una
continua evaluación es necesaria para garantizar una operacionalidad
satisfactoria.
Para evaluar la red se pueden realizar pruebas, haciendo uso de
datos actualizados y eventuales. Realizar una repetición de las pruebas
iniciales garantiza que la red neural continua en el mismo nivel de
eficiencia. Evaluar el funcionamiento de la red en el ambiente de

84
ejecución, agrupar nuevos casos del ambiente de ejecución o analizar los
resultados de las respuestas de la red, ayudan a garantizar que la red
pueda funcionar bien bajo condiciones reales.
c. Mantenimiento de la Red Neuronal.
El mantenimiento involucra modificaciones en la aplicación de la red,
debido al deterioro de la calidad de respuesta u otros problemás
detectados en la evaluación del sistema o por cambios y/o actualizaciones
requeridas en el mismo.
Generalmente el mantenimiento es debido en dos categorías:
∃ Modificación de los datos.
La modificación de los datos frecuentemente se origina por cambios
o condiciones que varían en el ambiente actual. Para este tipo de
modificación se debe tener en cuenta que: El conjunto de entrenamiento
debe ser modificado o reemplazado con los datos apropiados y la red
debe reentrenarse y reevaluarse siguiendo los pasos de la fase de
desarrollo.
85
∃ Cambios en el Sistema.
Los cambios en el software pueden incluir: Cambios en interfaces,
cooperación entre programas y/o la estructura de la red. Si los cambios
son hechos a la red, es necesario repetir parte de la fase del diseño. Y la
fase de desarrollo para garantizar un funcionamiento de la red bajo los
nuevos requerimientos.
En la fase de mantenimiento es recomendable realizar un respaldo de
la red. Para ello se recomienda tener varias copias de la red que este en
funcionamiento, las cuales pueden ser usadas para lo siguiente: Una
primera copia es mantenida en el ambiente operacional, una segunda
copia podría ser usada para propósitos de desarrollo y mantenimiento, y
una tercera copia usada para investigación o para archivarla. Un archivo
de la red puede ser usado como una librería de trabajo donde se guardan
varias generaciones de la red operacional, permitiendo a los
programadores regresar a construir la red si esta se degrada o se cambian
las condiciones del ambiente de trabajo.

86
11. ALGORITMOS NEURONALES
Los algoritmos neurales usados parta el desarrollo de esta
investigación se explican a continuación:
A. EL Perceptrón
El perceptrón, fue uno de los primeros modelos de redes neurales. Un
perceptrón imita una neurona tomando la suma ponderada de sus
entradas y enviando a la salida un (1) si la suma es más grande que algún
valor umbral ajustable (si ocurre de otro modo, devuelve 0). En un
perceptrón las conexiones son unidireccionales.
Las entradas (X1, X2, … , Xn) y los pesos de conexión (W1, W2, …,
Wn) de la figura # 10, son valores normalmente reales que pueden ser
positivos o negativos. Si la presencia de alguna característica Xi tiende a
causar la activación del perceptrón, el peso Wi será positivo; si la
característica Xi inhibe al perceptrón, entonces el peso Wi será negativo.

87
Figura # 10
Una Neurona y un Perceptrón
Fuente: Inteligencia Artificial. Por Elaine Rich. P.544
El perceptrón en sí mismo se compone de los pesos, el procesador de
sumas y el procesador del umbral ajustable. El aprendizaje en un proceso
en el cual se modifican los valores de los pesos y del umbral. Resulta
conveniente considerar el umbral exactamente como otro peso Wo tal y
como se muestra en la figura # 11. Se puede ver este peso como la
propensión a que se dispare el perceptrón independientemente de sus
entradas.
88
Figura # 11
Perceptrón con Umbral Ajustable,
Implementado como un Peso Adicional
Un perceptrón calcula una función binaria de su entrada. Este
sistema, se puede combinar para calcular funciones más complejas como
la que se muestra en la fig. #12.
En ese caso, grupos de perceptrones se pueden entrenar mediante
pares de entrada/salida, hasta que aprendan calcular la función correcta.
Pero la propiedad que resulta verdaderamente interesante del aprendizaje
del perceptrón es cualquiera que sea el cálculo que un perceptrón pueda

89
llevar a cabo ¡puede aprender a calcularlo!. Se demostrará dentro de un
momento
Figura # 12
Un Perceptrón con Muchas Entradas
Nos centraremos en lo que un único perceptrón puede aprender a
hacer. Considérese el problema de clasificación de patrones. Este
problema es linealmente separable, ya que se puede dibujar una recta que
separe una clase de la otra. Dando valores para X1 y X2, se quiere
entrenar un perceptrón para que produzca salida (1) si piensa que la
entrada pertenece a la clase de los puntos blancos, y (0) si piensa que

90
pertenece a la clase de los puntos negros. La clasificación de patrones es
muy similar al aprendizaje de conceptos.
No existe una regla explícita para guiarnos; se debe introducir una
regla a partir de un conjunto de ejemplos de entrenamiento. Ahora ya se
sabe como los perceptrones deben aprender a solucionar dichos
problemás.
r
Si un vector X de entrada (X1, X2, … , Xn). Adviértase que la función
de suma ponderada g(x), y la función de salida o(x) se pueden definir
como:
n
g ( x) = ∑i =0 Wi. Xi
o(x) = 1 Si g(x) > 0
Si g(x) < 0
Una recta que separe correctamente dos casos de entrenamiento se
corresponde con un perceptrón funcionando correctamente. Dicha recta
se denomina superficie de decisión. Para perceptrones con muchas
entradas, la superficie de decisión será un hiperplano en el espacio

91
multidimensional de los posibles vectores de entrada. El problema de
aprendizaje consiste en localizar una superficie de decisión apropiada.
Se considera la siguiente regla informal:
Si el perceptrón se dispara cuando no debe, hágase cada Wi más
pequeño en una cantidad proporcional a Xi. Si por el contrario el
perceptrón no se dispara cuando debería, hágase Wi más grande con la
misma proporción.
Ahora las funciones g(x) y o(x). Mientras que el signo de g(x) es
fundamental para determinar si el perceptrón se disparará, la magnitud
también es importante. El valor absoluto de g(x) indica hasta que punto

r
un vector de entrada dado X se aleja de la superficie de decisión. Esto
nos da la referencia sobre lo bueno que es un conjunto de pesos (W0, W1,
…, Wn), y sea X el subconjunto de los ejemplos de entrenamiento no
clasificados por el conjunto actual de los pesos. Entonces se define la
función de criterio del perceptrón J(w) como la suma de las distancias de
los vectores de entrada no clasificados a la superficie de decisión:
n
J ( w) = ∑ X ∈X ∑ i =0
Wi. Xi = ∑ W . X
X ∈X
92
Para crear un conjunto de pesos mejor que el que ya se tiene, se
tendría que reducir J(w). Al final, si todas las entradas se clasifican
correctamente J(w) será igual a 0.
Ahora la acción para minimizar J(w); se puede realizar por el método
denominado descenso por el gradiente.
El gradiente es un vector que indica en dirección nos debemos mover
en el espacio de pesos para reducir J(w). Para poder encontrar un vector
de pesos solución, únicamente se cambian los pesos en la dirección del
gradiente, se recalcula J(w), se recalcula el nuevo gradiente y se itera
hasta que J(w) = 0. La regla para sustituir los pesos en el tiempo t + 1 es:
O su forma ampliada
Wt +1 = Wt + η.∇ ∑ X si X { Es clasificado por error como un

X ∈X
ejemplo negativo
Wt +1 = Wt + η.∇J
{
Es clasificado por error como un
Wt +1 = Wt + η.∇ ∑ − X si X
X ∈X ejemplo positivo
93
Donde n es un factor de escala que nos dice lo lejos que nos
movemos en la dirección del gradiente. Un n pequeño consigue un
aprendizaje más lento, y un n grande puede provocar un movimiento a
través del espacio de pesos que se “pase” del vector solución. Si
tomamos n como una constante obtenemos lo que normalmente se
denomina “algoritmo de aprendizaje del perceptrón de incremento fijo”:
∃ Aprendizaje del Perceptrón de Incremento Fijo.
Para ello se debe tomar en consideración los siguientes pasos:
1. Crear un perceptrón con n + 1 entradas y n + 1 pesos, donde una
entrada extra llamada Xo siempre esta puesta a 1.
2. Inicializar los pesos (Wo, W1, ..., Wn) con valores reales aleatorios.
3. Iterar a través del conjunto de entrenamiento, recogiendo todos los
ejemplos sin clasificar que se obtienen en el conjunto de pesos que se
tiene.
4. Si todos los ejemplos se clasifican correctamente, la salida con los
pesos y se termina.
94
5. Si no ocurre así, calcular el vector suma S de los vectores sin
clasificar donde cada vector es la forma (Xo, X1, ..., Xn). Al calcular la
suma añadir a S el vector X, si X es una entrada para la que el perceptrón
falla al no dispararse incorrectamente, y añade –X, si X es una entrada
para la que el perceptrón se dispara correctamente. Multiplicar la suma
por un factor escalar n.
6. Modificar los pesos (Wo, W1, ..., Wn) añadiendo los elementos del
vector S a éstos. Volver al paso 3.
El descenso por el gradiente es una estrategia de aprendizaje de
similar a otras técnicas como los espacios de versiones.
El teorema de la convergencia del perceptrón de Rosenblantt (1962),
garantiza que el perceptrón encontrará un estado de solución, es decir,
aprenderá a clasificar cualquier conjunto de entrada linealmente
separable. En otras palabras, el teorema muestra que en el espacio de
pesos no existe mínimo locales que no se correspondan con el mínimo
global. La figura # 13, muestra un perceptrón aprendiendo a clasificar. Se
recuerda que cada conjunto de pesos específica alguna superficie de
decisión, en este caso algunas líneas bidimensional. En esta figura K es el

95
número de pesos a través de los datos de entretenimiento, es decir, el
número de interacciones de los pasos 3 a 6 del algoritmo de aprendizaje
del perceptrón del incremento fijo.
Figura # 13.
Un Perceptrón Aprendiendo a
Solucionar un Problema de Clasificación.
En otro orden de ideas, puede ser la de emplear dos escenarios
diferentes para el dibujo de líneas. Se puede dibujar una línea para aislar
el punto (X1= 1, X2 = 1) y después otra línea para dividir los puntos que
quedan en dos categorías. Utilizando esta idea se podría construir un
perceptrón multicapa (como series de perceptrones) para solucionar el

96
problema. En la figura # 14, se muestra un dispositivo de estas
características.
Figura # 14.
Un Perceptrón Multicapa que Resuelve el Problema XOR
Nótese como la salida del primer perceptrón sirve como entrada del
segundo perceptrón con una conexión contrapesada ampliamente
negativa. Si el primer perceptrón ve que la entrada es (X1= 1, X2 = 1),
enviará un impulso inhibitorio másivo al segundo perceptrón, haciendo
que dicha unidad produzca una salida 0 el segundo perceptrón no se
inhibe con respecto al primero y dará salida 1 si cualquiera de las
entradas es 1.
97
Por tanto, el uso de perceptrones multicapa soluciona el problema de
representación del conocimiento. Sin embargo, introduce un grave
problema de aprendizaje ya que el problema de convergencia no es
aplicable a los perceptrones multicapa. El algoritmo de aprendizaje del
perceptrón puede ajustar correctamente los pesos entre las entradas y las
salidas pero no puede ajustar los pesos entre los perceptrones.
B. REDES DE PROPAGACION HACIA ATRÁS
(Backpropagation)
Este tipo de red, tiene la capacidad de entrenar redes multicapa,
entrenamiento muy importante para la construcción de máquinas
inteligentes con componentes similares a las neuronas.
La red de propagación hacia atrás, se caracteriza por calcular
cualquier cosa. Dado un conjunto de entradas se pueden utilizar unidades
de suma y umbral simples como puertas AND, OR y NOT seleccionando
apropiadamente el umbral y los pesos de conexión. Se puede construir un
circuito combinacional cualquiera, constituido por dichas unidades
lógicas básicas. De hecho, si se permitiera utilizar lazos de

98
realimentación se podría llegar a construir un ordenador de propósito
general con ellos.
El principal problema es el aprendizaje. El sistema para la
representación del conocimiento empleado por las redes neuronales es
bastante opaco, ya que las redes deben aprender sus propias
representaciones puesto que programarlas a mano es imposible. Los
perceptrones tienen la curiosa propiedad de que cualquiera que sea lo que
tengan que calcular pueden aprender a hacerlo. Ahora esto se extiende a
redes multicapa. La propagación hacia atrás, es un paso que nos lleva en
esta dirección.
Resultará útil tratar en primer lugar con las diferentes subclases de
redes multicapa, denominada redes completamente conectadas,
laminadas y alimentadas hacia delante. Un ejemplo de este tipo de red es
la mostrada en la figura # 15a y 15b; en esta figura Xi, Hi y Oi
representan las unidades de activación de las unidad de entrada, ocultas y
de salida. Los pesos de las conexiones entre las capas de entradas y
ocultas se denotan aquí como W1ij, mientras que los pesos de las
conexiones entre las capas de salida y oculta se denotan W2ij. Esta red
tiene tres capas aunque algunas veces pueda resultar útil el que tenga
99
más. Cada unidad de una capa se conecta hacia delante en dirección a
cualquier unidad de la siguiente capa. Las activaciones saltan desde la
capa de entrada hacia la capa oculta y desde ésta hacia la capa de salida.
Normalmente, el conocimiento de la red está codificado en los pesos en
las conexiones entre las unidades. En contraste con el método de
relajación paralela utilizado por las redes de Hopfield, las redes de
propagación hacia atrás llevan a cabo un cálculo más sencillo. Como las
activaciones sólo saltan en una dirección no es necesario que haya un
proceso de relajación interactivo. Los niveles de activación en la capa de
salida determinan la salida de la red.
Figura #15a. Red de Retropropagación

100
Figura # 15b
Una Red Multicapa
Fuente:
Fig #15a: http://www.gc.ssr.upm.es/inves/neural/ann2/supmodel/mlp.htm
Fig #15b: Inteligencia Artificial. Por Elaine Rich. P.554
La existencia de unidades ocultas permiten que la red pueda
desarrollar complejos detectores de características o de representaciones
internas. La figura # 16 muestra la aplicación de una red de tres capas
para el problema de reconocimiento de dígitos

101
Figura # 16
Uso De Una Red Multiplicada Para Aprender A Clasificar

Dígitos Escritos Mano
La parrilla de dos dimensiones que contiene el número “7” forma la
capa de entrada. Una única unidad oculta podría activarse fuertemente
por una línea horizontal de la entrada o quizá por una línea diagonal. Lo
más importante es advertir que el comportamiento de estas unidades
ocultas que aprenden automáticamente y no es que se haya

102
reprogramado. La figura # 16 la parrilla de entradas parece estar fuera de
las dos dimensiones, pero la red completamente conectada no es
consciente de esta estructura de dos dimensiones. Precisamente porque
esta estructura puede ser muy importante, la mayoría de las redes
permiten que sus unidades ocultas mantengan solamente conexiones
locales con la red de entrada (una subparrilla diferente de 4X4 para cada
unidad oculta).
Se espera que para abordar problemas como el reconocimiento de
caracteres escritos a mano, la red neural no sólo aprenden a clasificar la
centrada para la que está entrenada, sino que generalice y sea capaz de
explicar la centrada que todavía no haya visto. Se volverá sobre el tema
de la generalización en el siguiente apartado. En este punto surge una
pregunta razonable que es: “si todas las redes neurales parecen ser
capaces de hacer esta clasificación, y si los problemás de IA como la
planificación, el análisis del lenguaje neural o la demostración de
teoremás no son únicamente tareas de clasificación”.
Volviendo a las redes de propagación hacia atrás. En esta redes, la
unidad en una propagación hacia atrás requiere de una función de
activación ligeramente diferente que la del perceptrón. Ambas funciones

103
se muestran en la figura # 17. Todavía hay una unidad de propagación
hacia atrás que suma sus entradas ponderadas pero, al contrario que el
perceptrón produce un valor entre 0 y 1 como salida, basada en una
función signoide (en forma de S), que es continua y diferenciable como
requiere el algoritmo de propagación hacia atrás. Sea sum la suma
ponderada de las entradas de una unidad. La ecuación de la salida de la
unidad viene dada por:
1
salida =
1 + e − sum
Figura # 17
Función De Activación Escalón De Perceptrón (Izquierda), Y
Función De Activación Signoide De La Unidad De Propagación
Hacia Atrás (Derecha)

104
II- SISTEMA DE CONTROL
Al hablar sobre sistemas de control, se ubica una de las ramas de la
ingeniería que más cambios a generado en el acontecer tecnológico del
mundo moderno. Su dominio abarca todos los quehaceres humanos,
desde el simple sistema de mantenimiento de nivel de un reservorio de
agua hasta los megasistemás que conforman el control de un planta
generadora de energía eléctrica.
Según Ogata (1.993, p. 4-6); un sistema de control de procesos, es un
sistema de regulación automática constituido por una serie de
componentes que trabajan de conjunto en conjunto en una forma
prescrita para alcanzar una meta específica, donde la salida es una
variable (como temperatura, presión, flujo, nivel de PH, etc.). El control
de procesos tiene una amplia aplicación en la industria, con frecuencia se
usan controladores programables como el de calentamiento de una
caldera, el cual la temperatura del mismo se controla según un programa
preestablecido. Por ejemplo el programa preestablecido puede consistir
en elevar la temperatura a determinado valor durante un intervalo de

105
tiempo definido y luego reducir la otra temperatura prefijada también
durante un período determinado.
En este control, el punto de referencia se ajusta según los
requerimientos del proceso manteniendo la temperatura del horno
cercano al punto de ajuste de variable. Los diferentes sistemás de control
constituyen la base fundamental en la práctica en la ingeniería y son
utilizados en el ámbito industrial, así mismo también a niveles
domésticos, ellos se fabrican para satisfacer las diferentes demandas
industriales y son diseñados como productos estándares, además estos
han sufrido muchos cambios en su tecnología desde los neumáticos hasta
los electrónicos.
Los sistemas de control están íntimamente ligados a la
automatización. El término automatización era empleado en los años 40
para describir aquellos procesos en los cuales se utilizaban mecanismos
para ejecutar tareas que anteriormente requerían la atención humana.
Desde entonces, la automatización se aplica en una gran variedad de
procesos, especialmente en aquellos donde las operaciones manuales son
reemplazadas por controladores mecánicos o eléctricos. Ejemplos las
válvulas de control.
106
Con el desarrollo de las técnicas de programación computarizada
surge un nuevo punto de partida del análisis de la automatización. Este
consiste en ejecutar las operaciones automáticamente por medio de la
programación de comandos, en combinación con la medición de la
retroalimentación para la toma de decisiones.
Cuando se habla de automatización, implica la utilización de un gran
número de elementos de acción y elementos de control combinados en
una serie de lazo cerrados, en conjunto con un programa y en
combinación con un equipo sofisticado de toma de decisiones. La mayor
dificultad a diseñar un sistema de control automatizado, se basa en
entender cada uno de los elementos de acción y sus interacciones, para
así incorporar esta información al programa, de manera que las rutinas de
toma de decisiones sean las correctas y estén disponibles cuando se
requieren.
Sobre la base de las ideas expuestas, se enfoca el proceso
seleccionado para el desarrollo de la presente investigación ya que este
constituye el punto de partida para el proyecto.

107
1. PROCESO DE GENERACIÓN DE VAPOR
A. Fundamentos de las Calderas y/o Generadores de Vapor:
El término de caldera se aplica a un dispositivo, para generar vapor;
para fuerzas, procesos industriales y calefacción, y para agua caliente,
calefacción y uso general; por razones de comprensión, a la caldera se le
considera como un productor de vapor en términos generales, sin
embargo muchas calderas diseñadas para vapor se pueden convertir en
calentadores de agua.
Las calderas diseñadas para convertir el calor, procedente de una
fuente externa (generalmente combustión de algún combustible), a un
fluido contenido dentro de la misma caldera se le denomina generador
de vapor.
El tratamiento del agua en este proceso es muy significativo debido
a las propiedades que este posee. Según Serverns, W. (1997), cuando al
agua se le comunica energía calorífica varia su entalpía y su estado
físico. A medida que tiene lugar el calentamiento, la temperatura del
fluido aumenta y por lo regular su densidad disminuye. La rapidez de la

108
vaporización depende de la velocidad con la cual se trasmite el calor al
agua y de su movimiento en el recipiente donde esta confinado.
La temperatura a la cual se produce la ebullición depende de la
pureza del agua y de la presión absoluta ejercida sobre ella. Para el agua
pura la temperatura de ebullición tiene un valor determinado para cada
presión y es menor a bajas que a altas presiones. Ejemplos numéricos de
presiones absolutas y las correspondientes temperaturas de ebullición del
agua pura son:
0,0344 Kg/cm2, 26,12 grados C; 1.033 Kg/cm2, 100 grados C; 42
Kg/cm2, 252.3 grados C.
El vapor de agua producido a la temperatura de ebullición
correspondiente a su presión (absoluta) se denomina saturado. El vapor
saturado puede estar exento completamente de partículas de agua sin
vaporizar o puede llevarlas en suspensión. Por otra razón, el vapor
saturado puede ser seco o húmedo. En la producción del vapor de agua
saturado la absorción de energía (todos los cuerpos cuya temperatura
es superior a - 273 grados C. poseen energía.) por cada Kilogramo de
agua tiene lugar en dos etapas: Adición de la entalpía del líquido (hf ) y
109
la adición de la entalpía de vaporización (hfg) el número de Kilocalorías
necesario para elevar 1 Kg de agua desde grados ºC. a su temperatura de
ebullición a presión determinada se denomina Entalpía del líquido, hf .
Esta cantidad es igual al producto del calor especifico medio del agua
por la temperatura de ebullición. Las cantidades de calor comunicadas al
agua como entalpía del líquido aumentan al crecer su presión y
temperatura. Este aumento no es uniforme para incrementos iguales de
presión . La variación de entalpía del líquido se emplea para aumentar
la temperatura del agua y para efectuar pequeñas variaciones del
volumen del líquido.
La energía calorífica, en Kcal, necesaria para convertir 1 Kg de agua
líquido en vapor seco a la misma temperatura y presión, se denomina
Entalpía de vaporización, hfg. A medida que crece la presión absoluta
del vapor de agua su entalpía de vaporización decrece, haciéndose cero
(0) para la presión critica absoluta de 224.43 Kg/cm2 correspondiente a
la temperatura de saturación de 374 grados C. A la presión crítica, el
agua pasa directamente del estado líquido al de vapor sin la adición de
la entalpía de vaporización, y entonces la entalpía total del vapor
saturado seco es igual a la del líquido, es decir 505 ,5 kcal por Kg

110
La entalpía total, hg de 1 kg de vapor saturado seco, sobre 0 grados
ºC, es la suma de la entalpía del líquido y de la entalpía de vaporización:
hg = hf + hfg
Donde:
hg = entalpía del vapor, en kcal por kg.
hf = entalpía del líquido, en kcal por kg.
hfg = entalpía de vaporización en kcal por kg.
La entalpía total del vapor saturado seco depende de su presión.
Por otra parte, la húmeda existente en el vapor de agua saturada
puede ser debida a varias causas. Cuando el vapor circula por una tubería
puede experimentar una perdida de calor por convección y radiación, de
forma que pierde parte de la entalpía de vaporización, y, como
consecuencia se forman en el vapor partículas de agua. Por otra parte la
generación del vapor puede haber sido imperfecta, bien sea por falta de
condiciones del generador, ebullición demasiado intensa o alimentación
defectuosa del agua de la caldera.

111
La cantidad de vapor seco por Kilogramo de vapor húmedo es el
Título del vapor. El título x del vapor se puede expresar como porcentaje
o como una fracción decimal.
La entalpía total de 1 kg de vapor de agua saturado húmedo es más
pequeña que la de 1 kg de vapor seco para la misma presión. Cuando el
agua no esta completamente vaporizada, el calor que posee como entalpía
de vaporización es más pequeño que el correspondiente al vapor seco. El
título del vapor solamente afecta a la entalpía de vaporización y no
modifica la entalpía del líquido para cualquier presión dada. La entalpía
total de 1 kg de vapor húmedo sobre 0 grados ºC., es:
hgw = hf + xhfg
Donde:
hgw = Entalpía total del vapor húmedo, en kcal por Kg.
hf = Entalpía del líquido, en kcal por kg .
hfg = Entalpía de vaporización del vapor saturado seco, en kcal
por kg.
x = Título del vapor, expresado como fracción decimal.

112
Continuando con las propiedades del agua se podría decir que la
temperatura y la entalpía total del vapor de agua saturado, a una presión
cualquiera, puede aumentarse, añadiéndole calor adicional. Cuando la
temperatura del vapor es superior a la de saturación correspondiente a
la presión, se dice que el vapor esta recalentado. El recalentamiento,
por lo regular, se efectúa en un equipo independiente en donde el vapor
no esta en contacto con el líquido.
La entalpía total de 1 kg de vapor recalentado se puede calcular
añadiendo a la entalpía total de 1 kg de vapor saturado seco, a la presión
dada, la entalpía agregada en el proceso de recalentamiento. El calor
específico medio del vapor recalentado varía con la presión y la
temperatura entre 0, 44 para pequeños grados de recalentamiento o
presiones inferiores a la atmosférica, hasta más de 2 para elevadas
temperaturas y presiones.
Las ventajas del vapor recalentado son: (1) el calor adicional
comunicado al vapor hace que este se comporte con más aproximación
como gas perfecto que como vapor saturado; (2) los límites de
temperaturas en ciertas partes de los equipos que utilizan vapor pueden
aumentarse; y, (3) se pueden eliminar o disminuirse las perdidas

113
producidas por la condensación del vapor en las tuberías y en las
maquinas y turbinas de vapor.
Por otra parte, cuando el fluido utilizado por la caldera para el
proceso de generación de vapor no es agua ni vapor, por ejemplo
dowtherm (nombre de marca registrada) o mercurio, a la unidad se le
clasifica como vaporizador (generador de vapores) o como un calentador
de líquidos térmicos. El propósito principal de la caldera es producir el
vapor, siendo necesario saber qué cantidad de vapor, cuál será la carga de
vapor y cuanto es la cantidad pico; cual es la cantidad de presión y la
temperatura; será el vapor saturado o sobrecalentado, que clase de
combustible será utilizado; la caja de fuego será operado con una presión
positiva o negativa; se utilizarán uno o más combustible, serán quemados
individual o simultáneamente; cuál es el propósito de la caldera, producir
vapor para potencia o producir vapor para un proceso (químico, petróleo,
etc), o será una caldera de calor donde el propósito principal disponer de
un producto de desperdicio tal como el licor negro en un molino de
papel.
Cada caldera está diseñada para llenar requerimientos específicos de
operación y cuanto más conocimiento tenga el ingeniero en control,

114
acerca del diseño de calderas y de su operación, más preciso será el
diseño de control.
En la definición técnica anteriormente expuesta se comprende como
caldera únicamente el cuerpo que forma el recipiente y la superficie de
calefacción por convección. Con la aparición de las paredes enfriadas por
agua para el fogón, supercalentadores, calentadores de aire y
economizadores; se creó el término “generadores de vapor”, para dar al
equipo una denominación más apropiada. Cuando el hogar o cava de
fuego es autocontenido, la palabra caldera se sobre entiende que describe
a la unidad generadora de vapor en su conjunto.
Por otro lado, la capacidad de una caldera de vapor se expresa más
concretamente en forma del calor total transmitido por la superficie de
caldeo en Kcal por hora. Debido a que este valor numérico es grande,
la ASME recomienda como unidades de Kilo Btu (= 1000 Btu = 254
Kcal ) por hora, o la mega Btu ( = 1.000.000 Btu = 254.000 Kcal ) por
hora.
Cuando el peso del vapor m es la cantidad máxima que la caldera
puede producir por hora a la temperatura de trabajo especificada

115
corresponde a, la fórmula 171 da la capacidad máxima. Pero si ms
representa el peso del vapor que la caldera puede producir con más
eficiencia, la producción correspondiente se denomina capacidad normal.
La potencia en HP de caldera, tal como fue establecida en 1889 por
la ASME, estaba basada en una máquina de vapor que empleaba 30 libras
(13,62 kg) de vapor por HP hora a una presión relativa de 4,9 Kg/cm2 y
con el agua de alimentación de la caldera a 38,5 ºC. Esto corresponde a la
vaporización de 15,66 Kg de agua por hora a 100ºC, lo cual significa la
conversión de 15,66 kg de agua por hora a 100ºC en vapor seco a 100ºC,
a la presión de vapor producido requiere la entalpía de vaporización a la
presión atmosférica normal, la cual vale 543,4 Kcal.
Por consiguiente, la capacidad de una caldera podrá expresarse de la
siguiente forma:
HP de caldera = ms . (h - ht)/ (543,4 x 15,66)
En donde ms, h y ht tienen el mismo significado que para la fórmula
anterior. Aunque el término de HP de caldera ya no es una unidad
aceptable de capacidad de caldera.

116
Por otra parte, el comportamiento de un generador de vapor puede
expresarse en función de los kilogramos de vapor producidos, velocidad
de combustión, transmisión de calor en kcal por metro cuadrado de
superficie de caldeo y por hora, temperatura de los gases de la chimenea,
porcentaje de CO2 en dichos gases, combustible sin quemar contenido en
las cenizas y escorias, porcentaje de la potencia nominal de la caldera
desarrollado, y rendimiento global.
B. Elementos de una Caldera:
Básicamente una caldera está compuesta por las siguientes partes:
a. Tambor o Hervidor de Una Caldera:
Esencialmente el tambor o hervidor de una caldera, es un recipiente
el cual se le suministra agua mediante la aplicación de calor, se producen
continuamente vapor. En los primeros diseños que se hicieron, el tambor
de una caldera era una simple cascara montada sobre una base de
ladrillos con una tubería para la entrada de agua y una salida para el
vapor. El combustible (carbón), se quemaba sobre la parrilla del hogar y
el calor emitido se dirigía hacia la superficie del inferior del tambor,
antes de que saliera por el escape. Los diseños modernos comprenden de

117
un uso de los tambores para tener un aprovechamiento mejor de la
máquina, pero en líneas generales su parte básica no se ha alterado. El
tambor lo podemos observar a través de la figura # 18.
Figura #18.
Tambor De Una Caldera
Fuente: http://www.lander.es/~cerney/fotos/calc.jpg
b. Hogar de la Caldera:
El fogón o hogar de una caldera, es el espacio localizado abajo o al
lado de la misma, en donde se quema el combustible y donde parte de los
productos de esta combustión para pasar a la caldera propiamente dicha.
Constando de una cámara en la que puede ser aislada y encerrada la
reacción de la combustión, debido a que esta reacción queda sujeta, a una
fuerza controlada.
118
Aparte de esto proporciona la protección y soporte necesario para el
proceso de la combustión.
Un fogón convierte la energía química potencial de un combustible,
en un agente dinámico que es “El Calor”.
En la siguiente figuras se puede observar el hogar de la caldera tanto
por dentro (Figura #19a), como por fuera (Figura #19b).
Figura #19a. Figura #19b.

Hogar De La Caldera Por Dentro Hogar De La Caldera Por Fuera
Fuente: Fotografía Tomada De Una Caldera Pirotubular De Dos Pasos

En La Empresa INAROCA, Maracaibo, Estado Zulia.
119
c. Tubos de Fuego:
Muy pronto los diseñadores de las calderas, dieron cuenta de que el
procedimiento de calentar un gran depósito de agua era marcadamente
ineficiente; señalando que era necesario hallar una forma más eficiente,
utilizando así mayor cantidad de agua en contacto con la fuente de calor,
a fin de aprovechar más el calor generado por el combustible.
Figura #20
Tubos de Fuego de una Caldera Pirotubular.
Fuente: Fotografía Tomada De Una Caldera Pirotubular De Dos Pasos

En La Empresa INAROCA, Maracaibo, Estado Zulia
La solución consistía en dirigir los productos que vienen básicamente
de la combustión, a través de unos tubos denominados Tubos de Fuego
como se observa en la figura #20, colocados dentro del hogar. Esta

120
solución aumenta no sólo la superficie de agua expuesta a calor, sino que
distribuye más uniformemente el vapor producido de toda la masa de
agua.
d. Tubos de Agua:
Esto consiste básicamente en lo siguiente: Recipiente Adicionales y
Tambor de la Caldera, pero siendo más pequeños y conectándose entre sí
mediante una serie de tubos por los cuales circula el agua; combinando
con vapor el líquido que fluye por estos tubos absorbiendo el calor
proveniente de los gases de escape.
La subdivisión de la presión, en parte, hace posible aumentar la
capacidad del generador de vapor y obtener presiones más elevadas con
aumentando notablemente la eficiencia de la unidad.
e. Economizadores:
Es en una serie tubos que si colocan en el cambio de los gases de
escape a través de los cuales hace pasar el agua de alimentación que
surtirá al tambor de la caldera, el agua que circula a través de los tubos
del economizador proveniente del desaireador canon PH, comprendido

121
entre 8 y 10, con una temperatura de entrada suficientemente alta como
para no causar exudación o transpiración de la superficie externa de los
tubos en contacto con los gases calientes de la combustión. Como se
observa en la figura #21.
Figura #21.
Caldera Convencional Con Economizador
Fuente: http://www.lander.es/~cerney/fotos/calc.jpg
La temperatura del agua que entra a un economizador, en generadores
de vapor de bajas presiones es ordinariamente de unos 200 grados ºF
mínimo. Para generadores de vapor de altas presiones se recomienda
utilizar unos 400 ºF como mínimo calor que se recupere de los gases
calientes, permitiendo precalentar el agua antes de que llegue al tambor

122
de la caldera, con la cual será necesario para consumir menos y
combustible para convertir esa más de agua en su totalidad a vapor.
La cantidad de recuperación de calor posible con economizador, que
por cada aumento de ºF en la temperatura del agua o por cada
disminución de 40 ºF en la temperatura de los gases de escape reduciendo
el costo total del combustible en 1%, para condiciones moderadas de
operación.
f. Sobrecalentadores y Recalentadores:
Consisten en una serie de tubos por los cuales los fuelles del vapor
que sale desde el tambor de la caldera hacia la salida. Esos tubos se
calientan los gases de escape, por lo cual se colocan en la vía de salida de
estos últimos y de este modo el vapor saturado que sale del tambor de la
caldera se calienta aún más pasando así por encima de su punto de
saturación.
Este procedimiento determina una ganancia termodinámica de
eficiencia y además tiene la ventaja de que el sobrecalentamiento de
vapor lo seca haciéndola una segura y manejable para ser utilizada por la
turbina de vapor. Vale destacar que el sobrecalentamiento de vapor antes

123
de que lo reciba la turbina de vapor reduce la tendencia de este a
condensarse en las últimas etapas de la turbina.
El uso de altas presiones como ejemplo se encuentra las en plantas
termoeléctricas; donde se hace necesario recalentar el medio de trabajo a
medida que pasa parcialmente por la turbina.
El recalentador no es otra cosa que una serie de tubos de la turbina,
cuyo propósito es recalentar el vapor que se empleará en otros equipos
auxiliares y etapas de la turbina, por el interior de los tubos del
recalentador que fluye, lógicamente, vapor parcialmente y expandido.
g. Precalentadores de Aire:
Estos aparatos sirven para calentar aire recuperando parte del calor de
los gases que van a la chimenea. Las ventajas que se derivan del empleo
de aire precalentado en la combustión son: conservación de la energía,
combustión mejorada, quemar con éxito combustibles de baja calidad,
aumento de rendimiento y aumento de capacidad. El aire caliente al ser
introducido en el hogar, aumenta la temperatura de éste y, como
consecuencia, aumenta la transmisión de calor radiante a la caldera.

124
Los precalentadores de aire pueden ser de los tipos de convección y
regenerativo. El tipo de convección se subdivide en tubular y de placa.
La figura #24 representa una vista de un calentador de aire tubular, en el
cual se establece el principio de contracorriente. Los gases calientes
entran en los tubos por la parte alta y salen por el fondo. El aire frío entra
por la parte derecha del fondo, fluye lamiendo la superficie externa de los
tubos y sale tal como aparece en la figura. Tabiques horizontales dirigen
el curso del aire para conseguir la máxima transmisión de calor. Los
tabiques se disponen de forma que la velocidad del aire se mantenga lo
más constante posible. En los calentadores de aire del tipo de placa el gas
y el aire pasan por conductos alternados situados entre las placas.
Figura #22.
Calentador de Aire
Fuente: Energía mediante vapor, aire o gas. Por W.H. Severns. Pag. 173.
125
En la figura #23 representa un calentador de aire de tipo
regenerativo. Consiste en un laberinto metálico en forma de tambor que
gira lentamente, de manera que alternativamente es calentado por los
gases que van a la chimenea fluyen en sentido ascendente a través de la
mitad del laberinto, y el aire inyectado por un ventilador desciende a
través de la otra mitad. Una junta divisoria evita todo lo posible que el
aire y los gases se mezclen. El laberinto metálico está diseñado en forma
tal que presentar la máxima superficie y ofrecer la mínima resistencia al
paso del aire y los gases.
Figura #23.
Calentador de Aire Regenerativo.
126
C. Clasificación de las Calderas:
Las calderas de vapor se clasifican, atendiendo a la posición relativa
de los gases calientes y del agua (acuotubulares y pirotubulares); por la
posición de los tubos, rectos y tubos curvados; y por la naturaleza del
servicio que prestan, en fijas, portátiles, locomóviles y marinas. La
elección de una caldera para un servicio determinado depende del
combustible de que se disponga, tipo de servicio, capacidad de
producción de vapor requerida, duración probable de la instalación, y de
otros factores de carácter económico.
La clasificación de las calderas puede hacerse desde muchos puntos
de vista, pero en general, podemos considerar los siguientes tipos:
1) Calderas de tubos de agua o acuotubuladores de circulación natural.
2) Calderas de tubos de humo o pirotubulares.
3) Calderas tipo “PACKAGE” o utilitarias.
4) Calderas tipo industriales o generadores de vapor.
5) Calderas monotubulares o de circulación forzada.
6) Calderas eléctricas y especiales.

127
En este caso se enfocó sólo hacia el estudio del modelo a utilizar en

la investigación:
a. Calderas Acuotubulares.
En las calderas acuotubulares, por el interior de los tubos pasa agua o
vapor como se observa en la figura #24a y 24b, y los gases calientes se
hallan en contacto con la superficie externa de aquellos, en contraste con
el tipo pirotubular.
Este tipo de caldera son empleadas casi exclusivamente cuando
interesa obtener elevadas presiones y rendimientos, debido a que los
esfuerzos desarrollados en los tubos por las altas presiones son de
tracción en vez de comprensión, como ocurre en los pirotubos.
La limpieza de las calderas acuotubulares se lleva a cabo fácilmente
porque las escamas e incrustaciones se quitan sin dificultad utilizando un
dispositivo limpiatubos movido con agua o aire.
Calderas de tubos de agua o acuotubulares de circulación natural
Para aumentar la producción de las calderas se procedió la
fabricación de unidades de tubos de agua de circulación natural. En estas
calderas la masa de agua se reparte en gran número de tubos de pequeño

128
diámetro, sometidos exteriormente a la acción de los gases de la
combustión y por el interior circula agua. En este tipo de calderas la
rotura de los tubos es más difícil, pero si se produce, sus consecuencias
no son de temer como en el caso de las calderas tipo locomotora o
pirotubulares.
Figura #24a Figura # 24b

Caldera Acuotubular Erie-City Caldera Acuotubular
Fuente:
Fig.24a: Energía mediante vapor, aire o gas. Por W.H. Severns. Pag. 174.
Fig.24b: http://www.lander.es/~cerney/fotos/calc.jpg
El diámetro reducido de los tubos y la existencia de los domos hace
posible el empleo de este tipo de calderas en las centrales eléctricas
modernas con vapor a presiones y temperaturas elevadas. En este tipo de
calderas la capacidad de la misma caldera aumenta utilizando tubos más

129
largos.
Los domos también pueden construirse de mayor tamaño hasta
aproximadamente 1.65 m y se pueden instalar protegidos contra el
excesivo calor radiante. Debido al bajo contenido de agua, su gran
superficie de calefacción y a su circulación eficiente del líquido, logran
alcanzar rápidamente condiciones normales de marcha. Siendo grande la
superficie de calefacción relativa al contenido de agua, la producción de
vapor es rápida y en consecuencia se requiere una buena circulación de
agua en los tubos.
Por su cámara de combustión amplia, hace eficiente a la misma, sobre
todo cuando se queman combustibles líquidos, pudiendo alcanzar
actividades de combustión bastante elevadas, por ejemplo, en grandes
unidades se alcanza quemar 7.500 Kg/h de combustible. Mientras que en
las calderas menores o humotubulares se pueden evaporar no más de 65
Kg/agua por m2 en superficie de calefacción en los pirotubulares se
alcanzan hasta valores de 70 Kg/ru2 y de 100 Kg/m2 en calderas del tipo
utilitarias. Este tipo de calderas se pueden fabricar hasta presiones de 170
Kg/cm2 y producciones de hasta 450 Ton/h.

130
Las principales ventajas de este tipo de calderas son:
a..- Puesta en servicio relativamente rápida.
b..- Pueden soportar tiros forzados bastante enérgicos.
c..- Puede variarse fácilmente la producción de vapor, con lo cual se
puede pasar rápidamente de la carga normal a sobrecargas relativamente
grandes.
d..-La explosión de un tubo no ocasiona mayores consecuencias.
e..-En estas calderas pueden modificarse fácilmente las dimensiones
del hogar para adaptarlas a diferentes combustibles.
f..-Todas sus partes pueden limpiarse, inspeccionarse y repararse con
mayor facilidad que en las calderas pirotubulares.
g..-En estas calderas la parte exterior de los tubos es de fácil acceso,
lo que permite la limpieza del hollín en los mismos.
h..-Al estar sometidos sus tubos de pequeño diámetro y reducido
contenido de agua a la acción del calor radiante las roturas tienden a
localizarse.
131
Sus principales desventajas son:
a..- Costo inicial mayor que el costo de las calderas pirotubulares.
b..- La alimentación de agua es más sensible que en las pirotubulares
por lo que deben trabajar preferentemente con sistemas de alimentación
automáticos.
c.- Si se desea un funcionamiento sin ningún tipo de problemas, estas
deben ser alimentadas con agua tratada para evitar las incrustaciones en
los tubos.
Principios Básicos de las Calderas de Circulación Natural
Figura #25.
Calentamiento de Domo de la Caldera
Fuente: Manual de Tecnoconsul de Calderas y Generación de Vapor.P.41

132
Supongamos un simple domo calentado desde abajo (figura #25). Las
burbujas se forman en la superficie calentada. Las burbujas y el agua
caliente son desplazadas por el agua más fría y por consiguiente, con
mayor peso y las corrientes de circulación trasladan a las burbujas a la
superficie donde el vapor es liberado en el espacio superior.
Las tres etapas principales del ciclo de circulación son:
a.- Flujo de agua a las superficies de calefacción.
b.- Flujo de vapor y agua caliente a las partes superiores.
c.- Liberación de vapor. En una caldera se requiere que haya una
circulación adecuada superficie quede seca y se recaliente.
La circulación natural es la producida por la diferencia de densidades
entre el agua en los la mezcla de agua más vapor en los tubos
ascendentes.
Sea un sistema como el de la figura #26, donde solamente el tubo
de la rama “a” recibe calor. Al vaporizarse parte del agua, se formará en
esa rama una mezcla de agua y vapor de menor peso específico que el
agua de la rama “b” no calentada. Se origina así, un Termosifón con

133
circulación del fluido en el sentido de las flechas.
Figura #26.
Circulación del agua de la caldera
Definiendo así a la circulación en una caldera como el movimiento
del agua y de la mezcla agua + vapor a través de los tubos provocado por
la diferencia de pesos específicos medios del fluido en ambas ramás de
los mismos. En las calderas se hace necesaria la circulación para
reemplazar al agua vaporizada en el tubo ascendente y para evitar el
calentamiento excesivo del metal que podrá perjudicar la unión del tubo
con el domo debido a la dilatación diferencial. El calentamiento excesivo
favorece el ataque del metal por el vapor que se inicia a partir de 300 a
4000C, si éste está casi inmóvil y disminuye además la resistencia
mecánica del metal con deformaciones (abombamiento) y aun estallidos.

134
Además que por el calentamiento el peso específico del fluido en la
rama “a” sea igual a 0.8 del correspondiente al agua en, entonces la
columna de mezcla agua saturada + vapor será equivalente a una
columna de aguas saturadas de solamente 0.8 H; del lado derecho la
altura de la columna de agua saturada es H. La diferencia entre estas dos
alturas 0.2 H. es la altura disponible para acelerar el fluido y vencer todas
las resistencias que son:
a. Resistencia de entrada en el tubo de descenso
b. Rozamiento en este tubo
c. Rozamiento en el tubo de ascenso o tubo vaporizador
d. Pérdida de altura para acelerar a la mezcla en el tubo ascendente
e. Resistencia a la salida del último tubo.
En la práctica la rama “b” también recibe calor si bien con menor
intensidad y el fluido que desciende por ella deja de ser agua para
convertirse en una mezcla agua-vapor si bien de menor título y mayor
peso específico que el que asciende por la otra rama. La diferencia de
densidades representa una gran fuerza circulatoria. Los tubos

135
descendentes y ascendentes se proyectan de modo que el rozamiento en
el sistema equilibre a la fuerza de circulación, cuando la corriente sea la
correspondiente al porcentaje de vapor en volumen deseado.
Figura #27.
Circulación de agua con Tubos Ascendentes y Descendentes
Debido a la diferencia de volumen específico se necesita mucha
mayor área para el vapor de baja presión que para el de alta presión. La
diferencia puede ser del orden de 4 a 1 entre los 14 a 110 Kg/cm2.
La fuerza de circulación está dada por la diferencia entre la
densidad del agua y la mezcla agua-vapor. (Ver Figura #28)

136
Figura #28.
Diferencia De Volumen Que Se Necesita Para Alta Y Baja Presión
A mayores presiones de operación estas fuerzas son
considerablemente menores. La resistencia al flujo varía con la
velocidad. Si la fuerza de circulación es mayor que la de resistencia a una
velocidad dada, el flujo se incrementará hasta que la fuerza de resistencia
equilibre a la fuerza de circulación. Si la fuerza de circulación es menor
que la de fricción el flujo decrecerá hasta que el balance sea alcanzado.
Un análisis de todas las fuerzas que influencian la circulación es bastante
complejo, pero siempre los más importantes factores son:
a. Diferencia de densidad entre el agua y la mezcla.

137
b. Pérdidas por fricción que se oponen a la circulación, las cuales son
(sin considerar otras cosas) aproximadamente proporcionales al volumen
específico de la mezcla agua-vapor en el circuito.
En general, las fuerzas de circulación decrecen rápidamente cuando
suben las presiones y la densidad de la mezcla se aproxima a la del agua.
Esto es equivalente por el hecho que las pérdidas por fricción tienden a
decrecer cuando la presión sube.
Como resultado de esto el diseño de los generadores de alta presión
involucra un cuidadoso estudio de los factores de circulación y es una de
las razones porque se han introducido las calderas de circulación forzada.
Debido a que la cantidad de agua que circula en una caldera en una
caldera es mucho mayor que la cantidad de vapor generado, si circulan,
por ejemplo, 10 Kg/agua por cada Kg de Vapor Generado, la proporción
de circulación es 10:1.
Otra forma alternativa de expresar lo mismo es el GRADO
SEQUEDAD que significa el porcentaje de vapor en peso en la mezcla.
La SEQUEDAD TOPE es el porcentaje del vapor seco en la parte
superior de los tubos de subida donde el calentamiento cesa. Esto varía

138
según el diseño, pero normalmente está entre 5 a 20%. Si el porcentaje de
vapor en la mezcla es demasiado alto hay peligro de “VACIO CON
VAPOR”, que es un estado donde una película de vapor existe en el
interior de un tubo colmo en los tubos de los SOBRECALENTADORES,
esto reduce la transmisión del calor pudiendo el METAL DEL TUBO.
sobrecalentarse.
Figura #29
Ebullición Nucleada
Aquí se produce lo que se llama EBULLICION NUCLEADA (Ver
Figura #29), donde las burbujas del vapor aparecen entre el Agua y el
Tubo, pero siempre hay Agua presente para refrigerar la superficie del
tubo.
A mayores presiones la ebullición Nucleada tiende a dar origen a una
Película de Vapor que cubre la SUPERFICIE DE CALENTAMIENTO.

139
La presión también tiene su influencia sobre el AREA de los TUBOS
necesaria. Si la misma SEQUEDAD TOPE es mantenida digamos en un
10%. la Mezcla Agua-Vapor a 14 Kg/cm2 requiere 3 veces más área de
Tubos que para 105 Kg/cm2 debido al Volumen Específico mucho más
grande de la Mezcla a Menores Presiones.
Esto es la causa por la cual las calderas de ALTA PRESION no
pueden siempre trabajar satisfactoriamente a presiones más bajas y las
Eficiencias Reducidas son aceptadas como una condición de Operación a
bajas presiones. En las unidades de Circulación Dual el agua entra al
primero de los tambores o colectores de vapor
De esta forma la concentración de sólidos es menor en las paredes del
Hogar en donde la absorción o consumo de Calor es mayor. Desde el
primer colector el agua parcialmente concentrada pasa al segundo, el que
suministra al agua a las superficies de calefacción que trabajan con su
consumo o absorción de Calor inferior y en la cual la concentración llega
a sus valores máximos.
Con el propósito de las características de las calderas acuotubulares
se realiza la comparación con el diseño contrario constituido por las

140
calderas pirotubulares.
b. Calderas Pirotubulares:
Se construyen con hogar interior y de uno a cuatro pasos. El diámetro
máximo de la ENVOLTURA (DIAMETRO MAXIMO) es de
aproximadamente 2.50 m y la presión máxima con que se construyen
puede llegar a 42 Kg/cm2. Muchas de ellas están timbradas con menos de
17 Kg/cm2 y generan menos de 9000 Kg/h de vapor.
En estas calderas el quemador está introducido en el TUBO DE
LLAMA también llamado HOGAR o TUNEL. Los gases que se
producen en el TUBO DE LLAMA pasan a la caja de humo, que está
situada en la parte trasera de la caldera y que puede estar protegida por
refractario donde se invierte la dirección de los humos que pasan a través
de los distintos pasos o pasajes para dirigirse hasta la CHIMENEA.
Las calderas más conocidas de este tipo son las llamadas
CALDERAS ESCOCESAS o CALDERAS MARINAS y que se
construyen en dos tipos principales:
a. Calderas de fondo húmedo.

141
b. Calderas de fondo seco.
En general, se conocen como CALDERAS ESCOCESAS todas
aquellas en las que el quemador se encuentra en el tubo de llama. En
estas calderas el tubo de llama está sujeto a fuerzas de compresión por lo
tanto, debe ser proyectado para resistir el colapso.
Los hogares de diámetros relativamente pequeños diámetros y que
tienen poca longitud pueden ser construidos como autosoportados, si el
espesor de pared del tubo de humos es adecuado. En calderas mayores
con tubos de llama de mayores dimensiones deben considerarse otras
soluciones de proyecto tales como:
A. Tubo de llama de paredes corrugadas.
B. División del tubo en secciones de longitudes más reducidas y
soportadas por bridas rígidas.
C. Tubo de llama soportado por “STAY BOLTS” que son colocados
entre el TUBO DE LLAMA y la cubierta o SHELL exterior de la
caldera. Existen númerosos tipos, frutos de diferentes combinaciones de

142
estas calderas que se diferencian por el número de pasos, diferentes tipos
de hogar, etc.
La figura #30a y 30b, representa un generador moderno de vapor
pirotubular horizontal de cuatro pasos, el cual puede quemar fuel-oil o
gas, estando completamente equipados con controles automáticos,
ventiladores de tiro inducido y forzado, así como también de otros
accesorios. La unidad va montada sobre un bastidor que facilita la
instalación y transporte. La cámara de combustión se prolonga a lo largo
de la caldera; los gases son dirigidos por placas divisoras, de forma que
sigan cuatro pasos a través de ella.
En los generadores de vapor de este tipo, los tubos son accesibles
desde tapas y puertas desmontables situadas en la parte anterior y
posterior. Por otra parte, la buena mezcla de combustible y el aire se
consigue mediante planchas deflectoras colocadas en la entrada del aire.
Los pirotubos sirven para mantener en posición la plancha portatubos
contra la presión interna; para este mismo fin en la parte alta de la cámara
de vapor van una serie de virotillos y roblones. Las calderas de este tipo
se construyen en tramás comprendidos entre 15 y 500HP, con presiones
relativas de 1 a 17 Kg/cm2.
143
Figura #30a
Descripción de una Caldera Pirotubular
Los objetivos perseguidos al construir una caldera cualquiera son:
costo reducido, formas simples de los tubos, compacidad, accesibilidad,
transmisión eficiente del calor, buena circulación y elevada capacidad de
producción de vapor. Esta amplitud de miras ha dado como resultado
muchos diseños y modificaciones de la caldera acuotubular, tales como
de tubos rectos, tubos curvos, de un sólo cuerpo cilíndrico, de varios
cuerpos, de cuerpo cilíndrico longitudinal y de cuerpo transversal.

144
Figura #30b
Caldera Pirotubular
Fuente: http://www.lander.es/~cerney/fotos/transformaciondecalor.jpg
Automatización de Calderas
Existe una diversidad enorme de calderas y generadores de vapor que
van desde los modelos más pequeños de baja presión, hasta los
generadores de presión supercrítica y gran producción de vapor.
Se pueden utilizar gran variedad de combustibles, muchas
combinaciones de estos o ninguna. Se pueden hacer muchas
clasificaciones atendiendo a la disposición de la cámara de combustión,
velocidad de vaporización, trayectoria de los gases de combustión, su
forma, presión de servicio, etc. Pero todos ellos tienen por objeto
producir vapor para su posterior utilización como medio de calefacción, o

145
fuerza motriz, y esto en las mejores condiciones posibles de seguridad y
eficiencia.
A principios de siglo las calderas eran pequeñas las temperaturas,
presiones bajas y la alimentación del combustible manual. Los
operadores eran consustanciales con las calderas y las explosiones eran
frecuentes. El constante aumento en el costo de producción del vapor ha
originado que los fabricantes redoblasen sus esfuerzos para mejorar el
rendimiento en la transformación de energía técnica en mecánica.
Ha sido productivo el progreso experimentado en la generación del
vapor durante los últimos años. Con el fin de mejorar el rendimiento del
ciclo termodinámico se han incrementado cada vez más las presiones y
temperaturas de trabajo, pasando del vapor saturado y presiones del
orden de los 8 Kg/cm2 a vapor recalentado y presiones supercríticas.
Este progreso no hubiera sido posible sin el apoyo de los fabricantes
de instrumentos de medida y control.
El desarrollo y disponibilidad de más y mejores instrumentos, no sólo
cubrió las necesidades de la industria, sino que estimuló el desarrollo de
grandes unidades y permitió el uso de instalaciones centralizadas de

146
control con la consiguiente reducción de personal y operación.
Sin instrumentos adecuados, la generación de vapor en condiciones
de seguridad y economía sería imposible, no sólo en grandes calderas de
centrales termoeléctricas, sino también en pequeñas calderas industriales.
Solamente el ahorro de combustible a lo largo de la vida útil de una
caldera paga varias veces la inversión de instrumentos.
Elección y Diseño del Generador y su Control
El primer paso en la definición de un sistema de control efectivo,
económico, seguro y funcional de una caldera, es la elección y el diseño
adecuados de la misma, y de sus servicios auxiliares para las condiciones
de servicio requeridas.
No se puede controlar una caldera que no es “controlable”. Este es un
punto sencillo y básico que se olvida con demásiada frecuencia. Si por
ejemplo, las variaciones de carga son importantes y más rápidas que la
velocidad de producción de la caldera, será imposible mantener constante
la presión, por más sensible y rápido que sea el sistema de control.
Tampoco será posible mantener una adecuada relación Aire-
Combustible, y por consiguiente el rendimiento óptimo si no se dispone

147
de un elemento primario adecuado para la medida del caudal de aire.
Para proyectar el Sistema de Control es fundamental una información
también correcta de ciertas características de diseño de la caldera, como
son las presiones en los generadores, aire de combustión en la cámara de
combustión y en los distintos puntos de los conductos de gases, para
diferentes valores de carga, etc.
Es por consiguiente importante una estrecha colaboración entre los
fabricantes de los instrumentos, los fabricantes de la caldera y el usuario
para conseguir óptimos resultados.
Sistemás de Medida y Control
Cualquier generador de vapor, no importa su tamaño, tipo o
aplicación puede ser eficazmente controlado en forma automática si ha
sido bien seleccionado y diseñado para esa aplicación concreta.
No pueden establecerse reglas fijas para el proyecto de un Sistema de
Regulación de Calderas. La gran diversidad de calderas existentes, las
múltiples combinaciones en que pueden encontrarse, los distintos tipos
de combustibles a usar, y las muy dispares condiciones de servicio que se

148
presentan, hacen que prácticamente cada caso sea diferente.
El Sistema de Medida y Control será tanto más complicado y caro,
cuanto mayor sea la caldera y más rigurosas y difíciles las condiciones de
servicio. En cada caso individual se impondrá un estudio cuidadoso del
Sistema de Control óptimo.
No obstante, todas las calderas presentan problemas comunes, y se
han desarrollado técnicas aplicables a todos ellos. El conocimiento de
estas técnicas y el estudio de cada problema en particular permitirá la
selección más adecuada del Sistema de Control.
Hay númerosos factores que afectan a la selección de los
instrumentos de una caldera tales como:
A.Diseño de la Caldera: Tamaño, complejidad.
B. Tipo de Combustible: Carbón, Combustibles líquidos, gas,
combinaciones de combustibles, etc.
C. Sistema de Alimentación de Agua: Tamaño del Domo (colector
superior), características de las bombas, y red de alimentación.
D. Equipos Auxiliares: Disposición y tipo de ventiladores,

149
reguladores, sistema de tiraje, accionamiento de los ventiladores, etc.
Todos estos factores se deberán tomar en cuenta para el proyecto
del sistema de control y la selección de los instrumentos.
Se pueden distinguir tres tipos de instrumentos que son:
a. Instrumentos de Medida: Indicadores, Registradores, Monitores
b. Instrumentos de Control
c. Dispositivos de seguridad
A. Instrumentos de Medida que Pueden Ser:
Indicadores: Utilizados para medir variables que requieren sólo
observación intermitente o lecturas de rutina.
Registradores: Utilizados para registrar variables, muy importantes
desde el punto de vista de operación o del comportamiento del equipo.
Monitores: Utilizados para la comprobación intermitente de la
temperatura de los tubos, temperaturas de cojinetes, y otros datos que
requieren comprobaciones poco frecuentes.
Por otro lado, es importante mencionar los instrumentos de medición

150
o sensores utilizados para la obtención de los diferentes parámetros que
maneja el generador de vapor, los mismos se muestran a continuación:
∃ Manómetros: Son aparatos destinados a medir la presión de
cualquier fluido que circula en la caldera.
El conocimiento de la presión se hace necesario desde el punto de
vista de medición y control en la operación de la caldera.
Hay varios tipos de manómetros entre los que pueden mencionarse:
a. Manómetros del tipo Bourdon.
b. Tipo Fuelle.
c. Tipo Diafragma.
d. Para medición del tiraje.
En general los manómetros deberán ser seleccionados de tal manera
que las indicaciones normales de las presiones que van a medir queden
en el centro de la escala. Por ejemplo un manómetro para una caldera que
va trabajar normalmente a 10.5 Kg/cm2 deberá tener una escala de 20.5
kg/cm2.
151
∃ Termómetros: existen termómetros de diferentes tipos que se basan
en diferentes principios tales como:
a. Expansión Térmica.
b. Resistencia Eléctrica.
c. Color de la Incandescencia.
d. Fusión de Sólidos.
e. Basados en el Efecto Seebeck.
La mayor parte de las medidas de temperaturas medias y bajas se
hace con aparatos que operan por expansión térmica de sólidos, líquidos
o gases.
La resistencia eléctrica se emplea para los casos en que se hace
lecturas a distancia. Los demás se usa especialmente para la medición de
altas temperatura. La pirometría es la ciencia para la medición de altos
temperaturas. El Efecto Seebeck se usa en las instalaciones permanentes
en el campo de los pirómetros por su portabilidad para hacer pruebas e
investigaciones y para determinar temperaturas en puntos normalmente
inaccesibles a otros instrumentos.

152
∃ Presostatos Simples y Diferenciales: Los presostatos son
dispositivos que tienen innumerables aplicaciones en los equipos
industriales y fundamentalmente en las calderas, se usan para:
a. Protección de la caldera por alta presión del vapor en el tambor
superior.
b. Enclavamientos o “interlocks” de las diferentes líneas de
alimentación de combustible a la caldera.
c. Presostatos diferenciales utilizados en otros sitios que miden
diferenciales de presión tales como en la entrada y salida del
calentador de aire, entrada y salida del fuel-oil a los filtros y
diferencial entre la presión del combustible que se alimenta al
quemador y la presión de vapor de atomización.
d. Niveles: Las calderas deberán estar provistas como mínimo de dos
aparatos que permitan medir la altura del nivel del agua.
Por los menos uno de ellos deberá ser del tipo indicador con tubo de
cristal. Los indicadores con tubo de cristal deben estar conectados a una
columna de nivel, con cámara de vapor y cámara de agua. Los tubos de

153
vidrio deberán ser aislados de la columna a través de grifos que deben
independizarlos en caso de rotura de los tubos de vidrio, o en el caso que
sea necesario limpiarlos o cambiarlos.
Las columnas de nivel también sirven para amortiguar las
oscilaciones del nivel del agua en el tubo de vidrio, provocados por las
corrientes y movimientos bruscos de ebulliciones tumultuosas que se
producen en la caldera.
Para que el nivel de agua pueda distinguirse en forma más nítida se
suelen usar niveles del tipo Klinger, que usan vidrios planos
exteriormente, pero que posee estrías del lado interior. Estas estrías
producen un fenómeno óptico, que hace aparecer el agua de color negro y
el vapor de color plateado.
En este tipo de niveles, en el caso de presiones muy altas el agua
quedará aprisionada entre dos vidrios de gran espesor, por lo que se
utilizará mica en los lugares donde pueda existir contacto con el agua
caliente, evitando el efecto corrosivo y empacaduras de amianto.
∃ Válvulas de Seguridad: Las válvulas de seguridad son dispositivos
muy importantes en la caldera. Mecánicamente puede definirse como un

154
dispositivo que consiste en un resorte o contrapeso regulable que actúe
sobre un disco o una esfera, presionado sobre un asiento.
B. INSTRUMENTOS DE CONTROL
Los Instrumentos de Control se utilizan para mantener la caldera en
las condiciones de operación deseados, de modo que se obtenga el
máximo rendimiento de cada Kg de combustible.
La lista de funciones que deben ser controladas automáticamente
varía, así como la de variables medidas, con el tamaño del generador, la
experiencia de los operadores, el tipo de equipo, y por supuesto, con la
reducción de los costos que puedan obtenerse.
En general, el uso de control automático puede justificarse en la
regulación de todas las funciones que no requieran el discernimiento de
un operador, y no puedan ser ejecutados por el mismo a un costo menor.
Las funciones que deben controlarse automáticamente no pueden
limitarse arbitrariamente a un cierto número. La selección deberá cubrir
grupos de operaciones dependiendo entre sí. Por ejemplo, si la salida del
carbón del pulverizador es controlada automáticamente, pero no lo es, el

155
aire total de combustión, el fuego podría apagarse por un exceso de aire,
demásiado alto, seguido por un aumento de alimentación del combustible
al generador apagado. En este ejemplo, deberán controlarse
automáticamente las dos funciones o ninguna.
Los Sistemás que permitan al operador desconectar el control
automático, de una función normalmente automatizada, deberán ser
provistos de dispositivos de seguridad (enclavamientos = interlocks) para
prevenir los peligros inherentes a la operación temporal parcialmente
manual/parcialmente automática.
Los grupos de funciones que normalmente se controlan en forma
automática son:
a. Combustión: Caudal de Aire-Caudal de Combustible y Tiraje
B.Alimentación de Agua y Presión de Vapor
C. Temperatura del Vapor.
C. DISPOSITIVOS DE SEGURIDAD
Los principales dispositivos de seguridad usados en las calderas son:

156
a. Válvulas de Seguridad
b. Sistemas de Seguridad: basado en el control de la llama por
incendio de detectores que pueden ser del tipo:
*De conductividad
*Rectificador de electrodos
*Infrarrojo
*Fotocélula de luz visible
*Ultravioleta
Trabajarán como enclavamiento para dejar fuera de servicio a todo el
Sistema de Combustión en caso de falta de llama.
Visto desde la perspectiva, el sistema de control y protección en una
caldera debe ser diseñado de manera que cumpla con los siguientes
requerimientos:
La falla del sistema debe generar el corte de suministro de gas
combustible a la unidad, llevando la misma a su condición de falla

157
segura. En ningún caso, la falla de algún componente del sistema de
control t protección debe comprometer la seguridad de la unidad.
En el diseño de sistemas de control y protección basados en
microprocesadores, deben proveerse de:
Capacidad de autodiagnóstico, a fin de supervisar la funcionalidad
del procesador lógico.
Protección de la lógica ante cambios no autorizados. Todo cambio
referido a esta lógica, debe implementarse con la unidad fuera de
servicio.
Falla del sistema lógico no debe imposibilitar la adecuada
intervención del operador. Puesto que el operador debe ser provisto de un
pulsador de parada de emergencia (estación manual ESD) que
independientemente del sistema lógico actúa sobre el relé de paro
maestro (“master fuel trip relay”). La falla de un componente en el
sistema lógico no debe inhibir la acción de este paro de emergencia.
Todas las señales de paro neumáticas y electrónicas, y en general el
sistema de protección de la unidad, debe ser concebido bajo el esquema

158
de falla segura, de forma que se garantice la activación de la secuencia de
paro de la unidad ante una condición de anormalidad, bien sea en el
proceso o por mal funcionamiento de la instrumentación (tanto neumática
como electrónica) del sistema de protección.
Secuencias de Arranque y Paro.
La secuencia de arranque y paro de la unidad se realizará conforme a
las especificaciones del fabricante y las características propias del
proceso considerado, sin embargo, debe garantizarse que el sistema de
control y protección ejecute las funciones siguientes:
A. Secuencia de Arranque:
1. Verificación automática de los permisivos siguientes:
∃ Presión de gas a quemadores.
∃ Presión de gas a pilotos.
∃ Temperatura de chimenea.
∃ Nivel de tambor en el agua.
∃ Presión de aire de combustión (cuando aplique).

159
∃ Verificación automática de la activación del botón de arranque.
Los parámetros anteriormente indicados serán generados por
instrumentos de campo dedicados para tal fin.
2. Purga.
Al cumplirse los permisivos para el arranque seguro de la unidad,
debe iniciar el período de purga de la misma, con 100% de flujo de aire
durante cinco (5) minutos, o un intervalo que garantice el desplazamiento
de un volumen del hogar de la unidad, asegurando así la no existencia de
atmósfera explosiva.
3. Encendido de Pilotos:
El encendido de pilotos debe realizarse únicamente si están dadas las
condiciones siguientes:
∃ Purga completada.
∃ Todas las válvulas de gas a quemadores cerradas.

160
El programa de control de la secuencia de arranque, debe accionar a
través del controlador de llama, el encendido de cada uno de los pilotos,
mediante los eventos siguientes:
∃ Activación del transformador de ignición del piloto seleccionado.
∃ Energización y apertura de la válvula de corte de gas de la línea de
gas combustible del piloto seleccionado.
En caso de no establecerse llama dentro de un período de diez (10) a
quince (15) segundos, se debe cerrar la válvula de corte de gas al piloto y
desenergizarse el transformador de ignición.
4. Encendido de Quemadores
Una vez encendido el total de los pilotos o un número tal que
garantice la operación segura de la unidad, debe procederse a la apertura
del sistema de corte de gas combustible a quemadores, para permitir (a
través de un regulador de flujo mínimo de gas) el flujo de gas para llama
siendo esta mínima.
El encendido de cada quemador debe realizarse en forma similar al
encendido de pilotos.
161
Luego que el refractario se haya calentado lentamente con llama
mínima, se puede proceder a aumentar la carga de la unidad hasta
alcanzar el punto de operación deseado.
El procedimiento anteriormente mencionado, es aplicable para
arranques en frío (en los que la unidad haya permanecido fuera de
servicio por un período de tiempo preestablecido por el fabricante).
Para arranque en caliente (en los que la operación normal de la unidad
se haya interrumpido por un período menor al tiempo preestablecido por
el fabricante), una vez encendido el total de quemadores o un número tal
que garantice la operación segura de la unidad, puede procederse a
aumentar la carga, hasta alcanzar el punto de operación deseado.
B. Paros de La Unidad
Existen dos tipos de secuencias automáticas de paro: un paro parcial y
un paro total.
162
1. Paro Parcial
Mantendrá a la unidad operando durante un período de 15 minutos en
condiciones de llama mínima, con los pilotos encendidos y los
quemadores funcionando a través del regulador para flujo mínimo de gas.
El paro parcial será activado automáticamente cuando ocurra alguna
de las condiciones siguientes:
∃ Alta presión de gas a quemadores en la caldera.
∃ Alta temperatura de la chimenea.
∃ Baja y alta presión de aire de combustión (cuando aplique).
∃ Baja presión de aire de instrumentos.
2. Paro Total
Este paro cortará totalmente el suministro de gas combustible a
quemadores y pilotos, y activará la secuencia automática de paro de la
unidad. Se activará después de accionarse el paro parcial y no se haya
normalizado la condición que lo originó, o cuando ocurran las
condiciones siguientes:
163
∃ Baja presión de gas a pilotos.
∃ Falla de Llama.
∃ Bajo nivel en el tambor de agua.
∃ Baja presión de vapor.
∃ Muy alta temperatura de chimenea.
∃ Paro manual.
Después del paro total de la unidad se debe cumplir con un proceso
de post-purga.
C. Sistema de Gas Combustible.
El gas combustible debe ser suministrado desde una fuente confiable
y debe pasar a través de un sistema de depuración y filtrado que garantice
la calidad y pureza necesaria para una buena combustión. Su dimensión y
arreglo de tuberías debe permitir el adecuado flujo de gas combustible
para todas las condiciones de operación de la unidad.
Este sistema se divide en dos subsistemas: el de gas a quemadores y el
de gas a pilotos.
164
1. Sistema de gas a quemadores.
El sistema de suministro de gas a quemadores debe contemplar lo
siguiente:
∃ Una válvula de bloque con actuador manual que permita realizar el
aislamiento total de la unidad y del sistema de gas combustible
cuando esta sea necesario.
∃ Un regulador de presión con una velocidad de respuesta adecuada
para garantizar la estabilidad del suministro ante variaciones en el
cabezal de alimentación.
∃ Una válvula de control de asiento sencillo con un dimensionamiento
tal que bajo condiciones de operación nominal de la unidad, su
porcentaje de apertura este entre un 65% y 75%. Esta válvula debe
tener un regulador de presión en paralelo ajustado de tal manera que
mantenga la presión necesaria para establecer el mínimo flujo de gas a
través de cada quemador que garantice la combustión y continuidad
de una llama estable.

165
∃ Válvulas de corte automático y de venteo intermedio, en la línea
principal de suministro de gas combustible y a nivel de cada
quemador.
∃ Indicadores de presión aguas arriba de la válvula de control y aguas
abajo del sistema de corte y venteo.
∃ Facilidades para realizar la despresurización y venteo de la línea
aguas arriba de la última válvula de corte de gas.
∃ Interruptores de fin de carrera, para verificar la condición de abierto o
cerrado, de todas las válvulas que intervienen en la secuencia de
arranque.
2. Sistema de gas a pilotos.
El suministro debe ser independiente del de gas a quemadores.
Es importante resaltar la necesidad de contemplar una válvula de
bloqueo manual, un regulador, y una válvula de corte automático en la
línea principal de gas combustible y doble válvula de corte automático
con venteo intermedio a nivel de cada piloto.
D. Estrategias de control
166
En relación a las estrategias de control regulatorio para calderas, las
mismas deben ser seleccionadas conforme a los requerimientos
específicos de la aplicación, y en todo caso la complejidad de las mismas
dependerá de los niveles de estabilidad y calidad establecidos. A
continuación se mencionan algunos lazos de control típicos, para este
tipo de unidad.
E. Lazos de control para calderas.
∃ Control de presión de vapor a la salida.
∃ Control de combustión.
∃ Control de agua de alimentación.
Para el control de nivel de una caldera, debe contemplarse una
estrategia de control de tres elementos (flujo de agua de alimentación,
flujo de vapor a la salida y a nivel en el tambor), donde constantemente
se realiza un balance de mása del sistema, el cual evita los problemás de
dilatación y contracción del agua propios de la dinámica de este tipo de
sistema. Para tal fin, se utiliza el control automático de nivel y
combustible.
167
a. Control Automático de Nivel
En la industria en general, el vapor es generado en grandes
cantidades, para calefacción, uso en diferentes procesos y generación de
energía eléctrica.
Existen dos elementos que son usados en la producción de vapor:
(Calor y Agua).
El sistema de control de nivel existe para proporcionar un balance
continuo de masa, ya que para cada cantidad de vapor que la caldera
produce y envía a los equipos consumidores, una cierta cantidad de agua
debe ser repuesta a la caldera.
El agua en ebullición para producir vapor es un proceso muy
importante, y el control del nivel del agua en consecuencia es la función
principal en la operación de la caldera. El agua puede hervir bajo dos
condiciones distintas. Cuando la ebullición se lleva a cabo a una presión
inferior a 3206 PSIG y 3740 C el proceso es llamado SUBCRITICO y
cuando la ebullición se realiza en una condición por encima de la presión
y temperatura crítica el proceso es llamado POSCRITICO.

168
El domo o tambor superior de la caldera es fabricado cada vez de
menores dimensiones con relación a las capacidades de generación de
vapor de las calderas. También las presiones y temperaturas del vapor
aumentaron considerablemente. El mantenimiento correcto del nivel en el
domo es una función primordial para la seguridad y la eficiencia de
operación de la caldera.
El nivel deberá ser controlado para prevenir:
a. Bajo Nivel de Agua: que puede causar el cese de circulación del
agua en la caldera causando daños importantes por el sobrecalentamiento
de los tubos.
b. Alto Nivel del Agua: que puede producir el arrastre de gotículas y
humedad con el vapor perjudicando las tuberías y los alabes de las
turbinas.
c. Ineficiencia de Operación: ya que podrá disminuir la entrega de
vapor al consumo, lo que significará pérdida en la eficiencia de la
caldera.
La función primordial del domo o tambor superior de la caldera es la

169
de proporcionar una Superficie suficiente para la separación del agua y
del vapor.
También cumple otras importantes funciones secundarias que son:
1. - Realiza la purificación del vapor separándolo del agua y sólidos
disueltos que lo acompañan.
2. - En su espacio pueden inyectarse las sustancias químicas que sirve
para el tratamiento interno y acondicionamiento del agua de la caldera.
3. - En su espacio también se inyecta el agua de reposición de la
caldera.
En el control de nivel de calderas existe de uno, dos o tres elementos;
el de un elemento se caracteriza, porque el nivel del tambor es mantenido
y controlado por adición de agua de alimentación para compensar el agua
cedida por el tambor. Sólo una única variable influye la posición de la
válvula de alimentación, el sistema es llamado de un elemento.
En el sistema de control de nivel de dos elementos, su propósito es el
de mantener la interface del vapor y el agua bien próxima a un punto
específico dentro del tambor, es decir, que el mantenimiento del nivel en

170
este valor es el mayor objetivo de este sistema de control; y los dos
elementos que son influenciados por la posición de la válvula de agua de
alimentación son el caudal de vapor y el nivel de tambor. A continuación
se describe con profundidad el sistema de tres elementos el cual abarca
también los dos anteriores.
Control De Nivel De Tres Elementos (ver figura#31)
Establece el equilibrio de tres variables independientes que son:
*Caudal de Vapor
*Caudal de Agua
*Nivel del Tambor
Figura #31
Control de Nivel de Tres Elementos
Fuente: Manual de Tecnoconsul de Calderas y Generación de Vapor, P. 139

171
El objetivo de este sistema es lograr que el nivel sea lo más constante
posible con el propósito de mantener una máxima superficie de
vaporización, para lograr un óptimo rendimiento y una gran estabilidad
de operación. Secundariamente la cadena de control, el balance térmico
de la caldera, manteniendo el equilibrio entre los caudales de vapor y
agua de alimentación para cualquier valor de la demanda.
Este sistema utiliza la demanda de vapor como variable de control,
con el nivel del tambor actuando como una señal correctiva secundaria
que actuará sobre el flujo de agua como agente de regulación. Este
sistema también elimina las incorrecciones de las cadenas de 1 y 2
elementos. El nivel no es forzado a apartarse del valor ideal, para que la
acción correctiva sea iniciada; corrige también los efectos del falso nivel
durante las variaciones bruscas de carga, cuando no hay perturbación por
variaciones de presión en el tambor de la caldera y permite la corrección
de las extracciones secundarias del vapor tales como el vapor que se usa
en los sopladores de hollín, vapor para la atomización de los quemadores,
purgas intermitentes, etc.
Este sistema es el que garantiza mayor estabilidad y mejor tiempo de
respuesta compatible con las características de la caldera, teniendo

172
además alta velocidad de respuesta y gran sensibilidad ante las
variaciones de demanda. Como los otros sistemas anteriores, el propósito
de este sistema es mantener el nivel de agua en el valor deseado.
No obstante el nivel es solamente un parámetro operacional, ya que la
variación de nivel, es un efecto, es producido por un flujo de masa que es
retirado del tambor de la caldera desbalanceando el sistema, a pesar de
que el mismo no es una medición directa de la variación de la carga.
La principal variación en el nivel del tambor es debido a la demanda
de vapor, provocando una variación en el balance de masa de la caldera.
El objetivo de este tipo de control es proveer el balance en el control de
masa, es decir, el caudal de descarga del vapor y el caudal de agua de
alimentación, a fin de mantener el nivel en un valor exacto.
En la práctica esta relación presentará siempre un error estático
inherente a un desfase que siempre se presenta en períodos de transición.
El control de nivel es necesario para compensar el error de esta relación y
para mantener la interface agua-vapor en punto determinado. Con este
tipo de control pasamos a tener medición del caudal de agua, eliminando
los inconvenientes que tendríamos debido a las variaciones en el caudal

173
del agua de alimentación.
A este sistema se lo denomina de tres elementos debido al hecho, de
tener tres variables: caudal de vapor, caudal de agua de alimentación y
nivel en el tambor. En este sistema también tenemos una combinación
del sistema de anticipación con realimentación. La variación de la carga
en forma de caudal de vapor es alimentada en forma anticipada como un
índice primario con el caudal de agua de alimentación. La señal dada en
función del nivel en el tambor actuará como realimentación que
constantemente supervisionará la anticipación.
Su uso también es recomendable cuando las características normales
de carga no son constantes, pero pueden aparecer variaciones repentinas
imprevisibles y/o una significativa variación de la carga.
Descripción General
El cambio o intercambio de carga en la forma de caudal de vapor es
medida por el trasmisor de caudal de vapor FT-l.
Es extraída la raíz cuadrada de la señal en FY- 1, y es trasmitida para
el computador de flujo FY-3. El nivel del tambor es medido y una señal

174
que es transmitida para el controlador de nivel del tambor LIC- 1 donde
es comparada con el punto de ajuste (SET POINT).
El controlador emite una señal correctiva para mantener el nivel en el
tambor en su punto de ajuste (SET POINT). La señal de salida del
controlador de nivel es transmitida al computador de caudal. El
computador de caudal del agua de alimentación combina las señales de
las 2 variables, caudal de vapor y nivel de agua en el tambor.
La señal en el controlador de caudal del agua de alimentación FIC 2
es comparada con su punto de ajuste (SET POINT). El controlador
entonces producirá una señal correctiva para mantener el caudal del agua
de alimentación en su punto de ajuste (SET POINT) por intercamhio de
la válvula de control de agua de alimentación FCV2.
En este Sistema de Control, mientras se está con el nivel en el valor
deseado, se tendrá un caudal de agua de alimentación determinado por el
caudal de vapor. En caso de que aparezca una variación en el caudal del
agua de alimentación, ella será detectada inmediatamente por el FT-2 que
realimentará al FIC-2, el cual producirá el cambio de la posición de la
válvula de agua de alimentación para que el caudal retorne al valor

175
requerido por el caudal del vapor, considerando que no se llegó a alterar
la posición de! nivel en el tambor.
Esto podría ocurrir si tuviéramos una variación en la demanda del
vapor, que actuará inmediatamente para alterar la posición de la válvula
FCV-2.
b. Control Automático de la Combustión
Para el Control de la Combustión se utilizan varios tipos de lazos de
control, no obstante aquí se describe el control de limites cruzados que es
el más utilizado en las mallas para el control de
Combustión de calderas y hornos; Control de Combustible y con
Límites Cruzados.
Se utiliza este tipo de control cuando tenemos dos variables actuando
en paralelo, siendo que es exigido que una de ellas actúe siempre en
anticipación a la segunda variable. La variable principal será la presión
del vapor que deberá ser mantenida en un valor constante
predeterminado.
La señal de salida del controlador de presión actuará como SET

176
POINT remoto para los caudales de combustible y de aire de combustión.
Cuando tengamos baja presión en la caldera tendremos por parte del
controlador de presión, una solicitación de combustible y aire. No
obstante la admisión de estos debe obedecer a una cierta secuencia, es
decir, primeramente tendremos entrada de aire de combustión para que se
produzca posteriormente la entrada de combustible.
Fig. #32
Control Automático de Combustible
Fuente: Manual de Tecnoconsul de Calderas y Generación de

Vapor, P. 141
177
Si esto ocurriera en sentido inverso podríamos provocar serias averías
en la caldera, principalmente si la entrada de aire sufriese un atraso
considerable. En la solicitación de disminución de los caudales de
combustible y aire por parte del controlador, tendríamos la condición
inversa: primero saldría el combustible para luego aumentar el caudal del
aire. Si observamos entonces la Fig. 57 y si consideramos la malla
estabilizada, tendríamos por las condiciones de proyecto las señales en
los relés selectores en 50%.
Vamos a suponer que se produzca una caída de presión en el colector
de vapor. Si el controlador de presión tuviese su salida aumentada
inmediatamente, el relé selector de alta presión también tendrá su salida
aumentada. No obstante el relé selector de baja presión mantiene su señal
de salida inalterada, no modificando en absoluto la posición de la válvula
de control de combustible.
Debido al aumento de la señal de salida del relé selector de alta
presión el controlador de caudal de aire tendrá su SET POINT
incrementado, provocando la apertura de la válvula de aire de
combustión. Después del aumento del caudal del aire de combustión

178
tendremos el aumento de señal para el relé selector de baja presión; el
cual tendrá su señal de salida aumentada; aumentando consecuentemente
el SET POINT del controlador de caudal de combustible y tendremos
entonces el aumento de caudal de combustible, siendo que el mismo sólo
aumentó después de que el caudal de aire aumentó.
De esta manera no corremos el riesgo de dar entrada solamente al
combustible, pudiendo producir averías en la caldera y hasta el peligro de
explosión.
III.- SENSOR VIRTUAL.
Cuando se visualizan dispositivos de medición como los sensores,
el común pensamiento es el de un elemento que capta señales para luego
traducirlas a niveles adecuados según los parámetros correspondientes a
cada nivel. Estos constituyen el elemento primario de cualquier sistema
de control ya que el suministra los datos requeridos por dicho sistema.
Cuando se habla de estos dispositivos se visualizan siempre como un
elemento, con características físicas definidas para cada uso o aplicación
especifica, por lo que imaginar un sensor de otra forma seria una
consideración abstracta desde cierto punto de vista. Si consideramos la

179
posibilidad de generar de una u otra forma un sensor que físicamente no
sea permisible, pero que este "definido" como instrumento de medición
capaz de cumplir con las funciones básicas que un sensor físico efectúa,
a este tipo de sensores comúnmente se les denomina sensores virtuales,
ya que sin ser permisibles físicamente son capaces de tomar mediciones,
así como el análisis en los niveles de variación de los parámetros
requeridos por el sistema de control.
Bajo estos lineamientos se puede definir un sensor virtual como un
software que con la adquisición de datos y la programación adecuada,
puede realizar tareas de un sensor físico, calculando los datos
obtenidos por estos dispositivos de medición, así como también la
detección de variables que no puedan detectarse físicamente.
En esta investigación el sensor virtual esta orientado a la emulación
de un parámetro requerido por el sistema de control , ya que se requiere
sólo de una variable a calcular para definir el sensor virtual como un
sensor de temperatura en un proceso de generación de vapor, por
ejemplo.
180
La información que manipulan estos sensores puede ser suministrada
por la base de datos en tiempo real proporcionada por el sistema de
control o directamente por las líneas de alimentación del sistema de
control el cual lleva la información de las variables controladas por el
mismo, las cuales servirán de soporte para la inferencia de la variable
para la cual fue definido el sensor virtual.
Actualmente se estudian las mejores alternativas para la elaboración
de estos sensores, los más desarrollados son programás basados en
métodos matemáticos como los observadores de estado entre otras
técnicas.
De igual forma se desarrollan actualmente sensores virtuales con una
técnica poco convencional, como lo constituyen las Redes Neuronales
Artificiales.
Estas son aplicadas para la identificación de variables y la
obtención de modelos. La importancia de obtener modelos de procesos
radica en que pueden utilizarse para la realizar detección de fallas en
línea o con propósitos de control. Las redes neurales aprenden a través de
un proceso de entrenamiento el cual se logra a través de la indicación

181
repetitiva de patrones de entradas y salidas a la red correspondientes al
proceso investigado, de tal forma que este crea en su interior una
aproximación del proceso o simplemente una relación funcional no lineal
entre las variables de entrada y de salida almacenándolo en forma de
conocimiento.
Los patrones de salida corresponden a las variables que se deseen
predecir, mientras que los patrones de entrada son todas aquellas
variables que van a permitir representar el proceso, por lo tanto, la
efectividad y la habilidad de la red dependerá de su adecuada selección la
cual viene dada en gran parte por la experiencia, el ensayo y el error.
Estas son útiles para el control inferencial y el monitoreo,
puesto que permite inferir valores de variables de proceso de difícil
medición en función de otras variables de medición fácil y continua,
utilizando instrumentos sencillos y robustos.
En esta investigación la base del sensor virtual, es la emulación o
inferencia de la variable que se desea obtener de un proceso especifico;
la cual se obtiene mediante la aplicación de las redes neuronales.

182
Si la red neural esta bien entrenada, estos sensores virtuales se
pueden utilizar también para la estimación dinámica de variables de
estado en controladores basados en modelos, como variable controlada
en el control convencional usando PID y para monitorear el
funcionamiento de los analizadores, los mismos no requieren de
analizadores off-line, introduciendo retardo o costosos analizadores que
requieran frecuentes calibraciones, por lo que hacen más sencillo el
sistema de control o monitoreo.
Es importante mencionar que el sensor virtual además de poder
inferir la variable requerida por el sistema de control, también se le
puede otorgar características de evaluación y diagnostico de la variable
inferida originando a su vez la posibilidad de tomar acciones de control
para la regulación del proceso.
Por otra parte, si se es especificó a nivel de procesos, uno que resulta
interesante para la aplicación de un sensor virtual es en las torres de
destilación.
En las torres de destilación las composiciones de tope y fondo se
infieren midiendo solamente temperaturas en platos cercanos al tope y al

183
fondo de la torre. Esto es aceptable para sistemás binarios, con un buen
control de la presión, pues en estos casos existe una relación bien
definida entre la temperatura y la composición.
Para el caso de multicomponentes esta relación no esta bien definida
y por lo tanto la incorporación de otras variables de proceso, mediante el
uso de un sensor virtual, mejora notablemente la inferencia continua de la
composición u otra propiedad de interés y por lo tanto el comportamiento
de los sistemás de control.
B.- REVISION DE LITERATURA
Con el objeto de proporcionar a esta investigación una sustentación
bibliográfica más amplia, se ha evaluado varios trabajos de investigación
encontrándose entre ellos el de Lepol, I. Y Viloria , R. (1998 )
denominado “Modelaje del funcionamiento de una cuba de filtración
de mosto utilizando algoritmos basados en redes neurales. Con la
realización de este estudio, se ofreció a la cervecería una perspectiva
distinta de la obtención del diferencial de presión dentro de la cuba de
filtración, junto con el desarrollo de un programa convertidor de datos
del sistema de supervisión, en una base de datos específica para el

184
funcionamiento de las redes neurales. Utilizando el algoritmo de
backpropagation (retropropagación) con momentun, por cumplir con los
requerimientos del proceso, por ser uno de los más sencillos y conocidos
dentro de esta área y por aportar un mayor porcentaje de mayor rapidez
en el proceso de entrenamiento. Para la realización del programa neural
se utilizó el lenguaje de programación Turbo C++ 3.0 para sistema
operativo MS-DOS. Es importante resaltar que este trabajo proporcionó
la base teórica de redes neurales que se empleó para la estructura de esta
investigación.
En otro orden de ideas Boscan, R., y Sánchez, M., (1.996).
Implantaron un sistema de supervisión y diagnóstico de pozos con
bombeo electrosumergible, aplicando redes neurales. Los autores
destacan la reducción de las fallas en equipos, procesos y de producción
diferida, al igual que la disminución del tiempo de respuesta con el fin de
tomar decisiones más rápida y eficazmente. Se registró un aumento en la
producción y la supervisión y diagnóstico en tiempo real de los pozos.
Debido a la implementación de las redes neurales como método de
trabajo, el sistema es novedoso en cuanto a la tecnología y satisface las
necesidades de la organización. Se estableció la comunicación entre el

185
sistema desarrollado y el SCADA que proporcionó la información en
tiempo real de los pozos, para tomar los datos y mostrar a través de un
computador, el diagnóstico en tiempo real. Es importante destacar que
para esta investigación se utilizó el lenguaje Visual Basic 4.0, para
desarrollar la interfaz gráfica que sirvió de plataforma al programa
comercial propagator, diseñado para realizar el entrenamiento de la red
neural multicapa, y relacionarlo con el Plant Information System (PI) que
sirvió como sistema recolector de datos.
También Atencio, F (1992) en su trabajo de reconocimiento de
patrones, basado en redes neurales, con aprendizaje supervisado,
utilizando el algoritmo de retropropagación”, el cual permitió el
diseño e implementación de un sistema basado en redes neurales
artificiales que permite el reconocimiento de diferentes tipos de patrones,
mediante el uso de algoritmos de entrenamiento backpropagation
(retropropagación). Este sistema desarrollado en el lenguaje de la
propagación Turbo Pascal 5.5., crea, entrega, prueba y ejecuta una red
neural para el reconocimiento de patrones gráficos, numérico y
simbólico; además de cambiar y consultar la estructura, pesos y
parámetros de la red. El desarrollo de este sistema, permitió también

186
determinar que no es necesario usar técnicas de procesamiento paralelo
para construir que usen y construyan tecnologías basadas en redes
neurales.
Fue también relevante cuando Villaquiran A. (1.992).Diseño e
implantó un simulador de redes neurales con retropropagación y
método de segunda derivada bajo el enfoque orientado a objetos, Con
esta investigación se logró el diseño y la construcción de un simulador de
redes neurales que soporta los métodos de aproximación a lo diagonal de
la matriz Herssiana del método de Newton o de la segunda derivada y
memoria del método de retropropagación tradicional (con Gradiente
Descendiente). Este simulador se realizó bajo el enfoque orientado a
objetos utilizando el lenguaje de programación C++. Los resultados
experimentados que se produjeron al aplicar el simulador sirvieron para
la resolución de varios problemás, permitiendo confirmar la mayor
rapidez de convergencia del método de la segunda derivada respecto al
método de Gradiente Descendiente. Además, los pasos que se siguieron
para el desarrollo del simulador, sirvieron para el complemento de la
metodología utilizando en esta investigación, de igual forma este trabajo
reforzó el marco teórico de esta investigación.

187
En este sentido se tomaron en consideración varios trabajos de
investigación disponible en Internet:
“Identificación y control predictivo basado en modelos mediante
red neural en el espacio de estados”, autor Zamarreño, J. (1.998,
http:www.isa.cie.uva.es/~jm/tesis.htm.). Esta estableció una conexión
entre la teoría clásica de representación de sistemás dinámicos y
automáticas y la incipiente teórica de redes neurales artificiales, para
tener una mayor comprensión de la capacidad de redes neurales en el
modelo empírico de sistemás físicos, a su vez, el desarrollo de modelos
neurales apropiados dio a lugar a un enriquecimiento de aquellos
controladores que se basan en modelos matemáticos para su
funcionamiento. El primer logro de este trabajo fue la generalización de
los modelos lineales en el espacio de estados para obtener una red neural
que es capaz de representar cualquier sistema no lineal que esté regido
por ecuaciones diferenciales; con lo cual se lograron dos ventajas: por
una parte, la complejidad de la red neuronal disminuyó debido al menor
número a la red, y, por otra, se facilitó el análisis del modelo al poder
transformar la red neuronal en múltiples modelos lineales en el espacio

188
de estado para cada rango de operación. El segundo logro fue la inclusión
del modelo neuronal en un algoritmo de control predictivo.
“Arquitectura VLSI para modelos neurales evolutivos”, autor:
Moreno, J. Universidad Politécnica de Cataluña (1.994,
URL:petrus.upe.es/~microele/neuronal/SP/tesis.html). En ella se
mostraron soluciones eficientes, materializadas en forma de arquitecturas
microelectrónicas VLSI (Very Large Scale Integer), para llevar a cabo la
realización física de sistemás basados en modelos neuronales evolutivos.
Inicialmente se seleccionaron los modelos neuronales evolutivos
increméntales como los más adecuados para una eventual
implementación hardware. En una segunda fase se consideró la mejora de
las propiedades de convergencia asociadas a los modelos neuronales
increméntales, para permitir una realización física eficiente. Tomando
como base los resultados aportados por el análisis de arquitecturas, se
propuso una arquitectura digital, la cual es capaz de organizarse según
los requisitos impuestos por las correspondientes fases de ejecución y de
aprendizaje, de manera que es capaz de emular las arquitecturas
evaluadas por el análisis. Se propuso una arquitectura mixta
analógico/digital, la cual permite la implementación física de los modelos

189
neuronales increméntales. La ventaja más importante ofrecida por esta
arquitectura consiste en la posibilidad de desarrollar sistemás compactos
y de una velocidad de proceso elevada, siendo por tanto adecuados para
resolver problemás de tratamiento de señal integrado.
C.- DEFINICION DE TERMINOS BASICOS
∃ Adaptativos: (Adaptación)
Modificación de la estructura, para poder subsistir ante los cambios
de las condiciones del ambiente. (Jackson, W. 1.976, P.63)
∃ Algoritmos
Conjunto ordenado y finito de operaciones que permiten hallar la
solución de un problema. Método y notación en las distintas formás del
calculo. (SALVAT, 1.985. P 123).
∃ Algoritmos Genéticos:
190
Son algoritmos matemáticos aplicables a problemás de optimización,
basados en la teoría de evolución de Darwin, operando en un ciclo de
simple de selección y reproducción, implicando una recombinación y
mutación del material genético de las soluciones.
(http:\\www.laguia.com.ar/aaia.htm).
∃ B.T.U:
(British Thermal Unit). Es una unidad de energía corrientemente
utilizadas en ingeniería. La BTU se define como 1/180 de la cantidad de
energía necesaria para elevar la temperatura de 1 libra de agua desde
32ºF a 212ºF. (SEVERNS, 1.997. P.4)
∃ Calderas
Son unidades de calentamiento que se utilizan para generar vapor a
presiones y temperaturas determinadas, según las condiciones del
proceso. (Manual instrumentista, CEPED).
∃ Capa
191
Como una serie de neuronodos; cuyos pesos son activamente
manipulados; los neuronodos o neuronas que sirven como buffer para las
entradas o salidas no serán contados como capas. (ATENCIO, 1.992. P
10)
∃ Chimenea
Es un conducto vertical para descargar la atmósfera los productos de
la combustión. Puede ser de metal, concreto o de ladrillos. (Manual de
Powermáster, 1.996, P.2-3)
∃ Control:
Significa medir el valor de la variable controlada del sistema, y
aplicar el sistema la variable manipulada para corregir o limitar la
desviación del valor medido, respecto al valor deseado. (OGATA, 1.993.
P2).
∃ Energía
192
Capacidad de un sistema físico para realizar trabajo. La materia posee
energía como resultado de su movimiento o de su posición en relación
con las fuerzas que actúan sobre ella. La radiación electromagnética
posee energía que depende de su frecuencia y, por tanto, de su longitud
de onda. Esta energía se comunica a la materia cuando absorbe radiación
y se recibe de la materia cuando emite radiación. (Enciclopedia Encarta
1999)
∃ Entalpía:
Cuando un fluido atraviesa unos limites determinados se observa el
flujo del trabajo (Pv) y la energía interna (u) aparece siempre juntos, es
conveniente combinar estos dos términos para facilitar los cálculos. Su
suma se denomina entalpía.(SEVERNS, 1.997. P.11)
∃ Inteligencia artificial:
Es el campo de la ciencia de la computación dedicado a analizar y
desarrollar sistemás que produzcan e emiten los procesos de
pensamiento y razonamiento del hombre
(http://www.laguia.com.ar/aaia.htm)
193
∃ Kilocaloría:
Se define como 1/860 del kilovatio - hora internacionales. Es
asimismo 1/100 de la cantidad de energía requerida para elevar la
Temperatura de 1 kg de agua desde 0ºC a 100ºC. (SEVERNS, 1.997. P.4)
∃ Lógica difusa (Fuzzy Logic):
Es un conjunto de técnicas matemáticas para la representación y
tratamiento de datos que no tienen una precisión definida y concreta.
(http:\\www.laguia.com.ar/aaia.htm).
∃ Lazo de control abierto:
Un sistema de control de lazo abierto, es cuando la salida no tiene
efecto sobre la acción de control; o sea, la salida no sé retroalimenta para
compararla con la entrada. Un ejemplo práctico lo constituye una
lavadora de ropa doméstica. El remojo, el lavado y el enjuague en la
lavadora se cumplen por tiempo. La máquina no mide la señal de salida,
es decir, la limpieza de la ropa. En cualquier sistema de control de lazo

194
abierto, para cada entrada de referencia corresponde una condición de
operación fija.( Chacín – Urdaneta, 1.994 Pag 24 –26),
∃ Lazos de control cerrados:
Los sistemás de control de lazos cerrados, son aquellos en donde, en
un ciclo continuo se producen variaciones por perturbaciones externas
y/o por perturbaciones internas del parámetro del sistema, por lo tanto el
sistema que controla constantemente las condiciones de trabajo y
compararla con las establecidas. Si se produce una variación, esta
información se devuelve al sistema de control que se encarga de corregir
el error. Como un ejemplo de este tipo de control que se encarga de
corregir el error. Como un ejemplo de este tipo de control tiene los
accionadores de aire. ( Chacín – Urdaneta, 1.994 Pag 24 –26),
∃ Presión de Vapor
Presión a la cual la fase gaseosa de una sustancia coexiste un
equilibrio con su fase líquida o sólida; esa característica de la sustancia y
aumenta con su temperatura. (SALVAT, 1.985. P 3653).
∃ Purga
195
Es el proceso de la caldera, en la cual se utiliza para sacar una
cierta cantidad de agua con el fin de extraer de la caldera los lodos,
sedimentos y espumás. (SEVERNS, 1.992. P 152)
∃ Redes
Son tres o más componente interconectados, que comparten
componentes, data e impresoras entre sí. (Manual de Computación
UNIDATA, 1.993. P 8).
∃ Redes Neurales ( Neurals Networks):
Son programás de Inteligencia artificial que Capaz de simular alguna
de las funciones de aprendizaje del ser humano. Sin reglas
convencionales, una red neuronal obtiene experiencia analizando
automáticamente y sistemáticamente una cantidad de datos, para
determinar reglas de comportamiento. Sobre la base de estas reglas,
puede realizar predicciones sobre nuevos casos. Estas técnicas se aplican
a problemás de clasificación y series de tiempo y ofrecen el potencial de
identificar conexiones que otras técnicas no pueden, porque utiliza
relaciones lineales y no lineales entre los datos, puede trabajar con

196
cualquier tipo de distribución y maneja datos con redundancia y/o
inconsistencia en la información (http:www.laguia.com.ar/aaia.htm)
∃ Sensor
Dispositivo utilizado para determinar el valor actual de una magnitud
controlada de un sistema. (SALVAT, 1.985. P 123).
∃ Señal de Error
Es también llamada desviación, representa la existencia entre la
variable del proceso y el punto de ajuste. (Guerrero, 1.987, P.10)
∃ Sistemás:
Es una combinación de componentes que actúan conjuntamente y
cumplen un determinado objetivo. (Ogata, 1.993. P3)
∃ Sistema de Control.
Es una interconexión de componentes que forman una configuración
del sistema que proporcionará una respuesta deseada del sistema. (Ogata,
1.993. P4).
∃ Temperatura.
197
Es la cantidad de calor expresada en grados que contiene un
cuerpo, siendo el calor una de las formás de presentarse la energía.
También se define como el índice de energía interna relativa de la mása
(W.H.Serverns , 1997 P.5).
∃ Termopar
Consiste en dos conductores homogéneos y diferentes unidos en
sus extremos y aislados lateralmente.
∃ Tiro: Es la diferencia entre la presión atmosférica y cualquier
presión menor existente en el hogar en los pasajes de los gases de
escape. (Manual de Instrumentista, CEPED).
∃ Transductores.
Es un dispositivo que al ser afectado por la energía de un Sistema de
Transmisión, proporciona energía en la misma forma o en otra, a un
segundo Sistema de Transmisión. Esta transmisión de energía puede ser
Eléctrica, Mecánica, Química, Optica(radiante) o Térmica. (Ogata,
1.993).
198
∃ Válvulas de Control.
Dispositivo diferente a la válvula común de dos posiciones
operadas manualmente, que manipula en forma correcta el flujo de una o
más corrientes del fluido del proceso. (Manual de Instrumentista,
CEPED).
∃ Vapor
Gas en equilibrio con su fase líquida. Su presión parcial coincide
con la presión de vapor, y un aumento de su presión, una disminución de
su temperatura o un aumento de su cantidad, hacen que parte de él se
condense. (SALVAT, 1.985. P 3653)
∃ Ventilador de tiro inducido.
Es un ventilador utilizado para extraer los gases calientes de los
equipos de recuperación de calor. (Manual de Instrumentista, CEPED).
∃ Ventilador de tiro forzado.
Es un ventilador para suministrar aire a presión a los equipos
encargados de quemar el combustible. (Manual de Instrumentista,
CEPED).
199
D.- SISTEMA DE VARIABLES .-
Las variables de estudio correspondientes a esta investigación se
presentan a continuación con la respectiva definición conceptual y
operacional.
I.- SENSOR VIRTUAL
∃ Definición Conceptual.
Se puede definir un sensor virtual como un software que con la
adquisición de datos y la programación adecuada, puede realizar tareas
de un sensor físico, calculando o inferiendo los datos obtenidos por
estos dispositivos de medición, así como también la detección de
variables que no puedan detectarse físicamente.
∃ Definición Operacional.
Operacionalmente este constituye la representación virtual de un
sensor físico, que con la programación adecuada y ciertas
especificaciones; realizaría mediciones del proceso de generación de

200
vapor, pudiendo sustituir o trabajar en conjunto con los sensores físicos
implicados en el proceso .
En esta investigación el sensor virtual esta orientado a la emulación
de un parámetro requerido por el sistema de control, ya que se necesita
sólo de una variable, para definir el sensor virtual como un sensor físico,
en esta investigación se aplica a un sensor de presión en el proceso de
generación de vapor.
Este dispositivo virtual, utilizan algoritmos neuronales para el logro
de la inferencia de la variable requerida por el sistema de control,
obteniendo así una medición virtual del parámetro deseado.
II.- REDES NEURONALES
∃ Definición Conceptual.
Según el Ing. Francisco Atencio, una Red Neural Artificial es un
conjunto de unidades procesadoras o neuronas artificiales altamente
interconectadas en la red. Cada unidad procesadora de la red mantiene
sólo una parte de la información dinámica y es capaz de ejecutar sólo
pequeñas operaciones de calculo (sumar entradas, calcular un nuevo

201
nivel de activación, o comparar entradas con un valor umbral). La salida
de una unidad procesadora, el cual es calculado de un nivel de activación,
es enviada a una unidad procesadora receptora, mediante la conexión de
las dos unidades procesadoras.
Los algoritmos basados en redes neuronales están constituidos por
un grupo de elementos simples, que están interconectados másivamente
en paralelo, con una organización jerárquica que interactúan con los
objetos del mundo real del mismo modo que lo hace el sistema nervioso
biológico (Lepore y Viloria 1998).
∃ Definición Operacional.
Operacionalmente los algoritmos basados en redes neuronales son el
grupo de sentencias e instrucciones que en forma general representan la
lógica de programación para las estructuras y los componentes
matemáticos que constituyen el programa neuronal, con el cual se le
proporciona a los sistemás de control otra perspectiva en cuanto a la
obtención de los datos del sistema supervisado. La ventaja que se obtiene
al emplear las redes neuronales, es que una vez entrenadas pueden

202
predecir el resultado de la variable de estudio, con una diferencia de error
mínima.
Las redes neuronales muestran muchas aplicaciones, debido a la gran
diversidad de características que se le otorgan, en esta investigación se
enfoca a nivel de la inferencia o emulación de un parámetro manipulado
por el sistema de control, como lo es la presión de vapor sobrecalentado
presente en el proceso de generación de vapor.
III.- SISTEMÁS DE CONTROL DE CALDERAS.
∃ Definición Conceptual:
Según Severns W. (1.992), esta se define como el conjunto de
instrumentos y algoritmos utilizados para medir y controlar: presión,
temperatura, nivel y flujo, ya que el manejo de estas variables es esencial
para las operaciones seguras y eficientes de una planta eléctrica. Su
función básica es asegurar la operación económica y confiable del
equipo, ya que el proceso es altamente dinámico.
Este presenta cuatro elementos principales, estos son:

203
• Detector, Sensor o elemento primario: es el dispositivo que
permite los cambios de las variables que se están midiendo en el proceso.
• Transductor o Transmisor: es el dispositivo que recibe el
elemento primario o sensor, y lo codifica a una lectura conveniente, para
la transmisión y/o utilización por el sistema automático de control.
• El Controlador o Sistema de Control: este utiliza los cambios de
las mediciones del instrumento para compararlo con un nivel establecido
o señal, llamado punto de referencia o set-point, para diferenciarlo entre
ese valor y aquel que se detecta.
• Elemento final o elemento de control: este dispositivo
proporciona la respuesta del sistema de control, a través de ciertas
variables importante en el proceso. Esta respuesta varia de acuerdo a las
condiciones del proceso que haya sido controlado, a gran agrado; afecta
la acción del sistema. En muchos casos, el proceso mismo se puede
considerar un quinto elemento del sistema de control. (Cordoba, 1.989,
P.191-194)
∃ Definición Operacional
204
Operacionalmente se puede entender como sistema de control de
calderas, el conjunto de partes: transmisores, controladores, sensores,
registradores, indicadores y otros; que busca la eficiencia y equilibrio del
proceso en su actividad; de manera que, la el proceso se mantenga con un
nivel operativo estable.
Las variables, que se pueden regular son de tipo: Eléctricas,
Térmicas, Hidráulicas, Gaseosas, Mecánicas.
Dentro de un sistema de control de calderas, se observan varios
componentes principales, entre las cuales se encuentran: Proceso medio
de control, elemento final del control, medios de medición; el punto de
ajuste o señal de referencia, las señales de mando y las infaltables
perturbaciones.
Sintetizando la definición de esta variable, dentro de la
investigación; se puede indicar que el punto principal a enfocar son las
mediciones de los parámetros presentes en el proceso de generación de
vapor como lo son la presión, temperatura, flujo, nivel entre otros, los
cuales son obtenidos por medio de sensores físicos, elementos
fundamentales para el buen funcionamiento del sistema de control.

Info de Redes Neuornales 2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Info de Redes Neuornales 2

Cargado por

Copyright:

Formatos disponibles

CAPITULO II

Este capítulo está constituido por la fundamentación teórica, de las

variables de estudio como lo son: los Sensores Virtuales, las Redes

Neuronales Artificiales y el sistema de control del proceso industrial.

Pasando luego por la revisión de la literatura, donde se evalúan varios

estudios realizados con anterioridad, y estrechamente relacionados con

esta investigación, de igual forma se realiza la Definición de Términos

Básicos, donde se aclara cualquier confusión que pueda presentar el

lector, y finalmente la Definición Conceptual y Operacional de las

Dentro de este marco, se definen las variables de estudio como lo son

las redes neuronales, el sistema de control y el sensor virtual.

I. REDES NEURALES ARTIFICIALES.

Las Redes Neuronales Artificiales, forman parte de un conjunto de

teorías desarrolladas dentro del campo de la inteligencia artificial, como

son: los Algoritmos Genéticos, Lógica Difusa, Teoría del Aprendizaje,

Estas, son sistemás que procesan información y están formadas por

una cantidad de unidades o nodos. Ninguno de estos nodos tiene un

especial protagonismo en el funcionamiento global del conjunto, pero los

sistema, así lo afirma Obiol, P. (1997, p. 53). Una característica

importante es su capacidad de emular el conocimiento y razonamiento

humano para dar soluciones a problemás que son difícilmente descritos

por algoritmos tradicionales.

Según Atencio, F. (1992), una Red Neuronal Artificial es un conjunto

de unidades procesadoras o neuronas artificiales altamente

interconectadas en la red; de igual forma, Hilera y Martínez, señalan que

son una combinación de nodos interconectados entre sí, operando en

forma paralela, alcanzando resolver problemás relacionados con el

reconocimiento de patrones y formás, predicción, codificación,

clasificación, control y optimización.

computación emergente que tratan de emular el sistema biológico

neural”, basándose de esta manera en un simple principio básico de la

eficiencia sináptica y aprendizaje, donde señala que si una neurona

recibe una señal de entrada proveniente de otra neurona (estímulo), y si

ambas están activas simultáneamente, entonces, debe incrementar la

eficiencia sináptica entre ambas neuronas (respuesta).

Emulando estas hipótesis, se estructura computacionalmente una

serie de algoritmos a los que les presenta un conjunto de datos extraídos

del mundo real, patrones de entrada con su respectivo componente de

salida, con la finalidad de buscar una configuración de peso (conexiones

sinápticas) que presente o aproxime todos los patrones de entrada

(estimulo) a sus respectivos componentes de salida (respuesta).

Una red artificial es un sistema de procesamiento de información

compuesto por un gran número de elementos procesadores

Cada elemento o unidad de proceso computa su actividad

localmente, basándose en las actividades de las unidades a las cuales

están conectadas y a la fuerza de sus conexiones con estas unidades.

Estas unidades procesadoras en red mantiene sólo una parte de la

información dinámica, capaz de ejecutar sólo pequeñas operaciones de

calculo (sumar entradas, calcular un nuevo nivel de activación, o

comparar entradas con un valor umbral). La salida de una unidad

procesadora, es calculado por el nivel de activación, enviada a la unidad

procesadora receptora, mediante la conexión de las dos unidades

procesadoras. De esta manera, las neuronas artificiales representan tanto

características funcionales, como configuraciones topológicas de las

La finalidad del estudio de la neurona biológica, no es la creación

de un modelo capaz de interactuar como lo haría un cerebro orgánico,

por ejemplo imágenes, sonidos, habla o escritura, entre otros, para lo

cual, las tecnologías digitales no parece la forma más convenientes.

Las redes neuronales se basan en dar soluciones a problemás de la

realidad, utilizando para ello la capacidad de manejar las impresiones,

incertidumbres y reacciones del humano ofreciendo así, alternativas de

fácil compresión e implementación, demostrando la habilidad para

proporcionar soluciones poderosas en áreas donde la computación

tradicional ha tenido dificultad durante años.