Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen—En este artículo se presenta el desarrollo de una respecto a los niveles de producción del proceso es una relación
metodología basada en herramientas de inteligencia artificial para la de suma importancia a tener en cuenta en un plan de gestión
estimación del desempeño energético de un proceso de molienda de energética (Castrillon, Gonzalez, & Quispe, 2013).
caña de azúcar en un ingenio del Valle del Cauca en Colombia. Esto
partiendo del ordenamiento y análisis de los datos obtenidos del Uno de los métodos más usados en la actualidad para el análisis
proceso, los cuales inicialmente serán utilizados para realizar un del comportamiento de este tipo de procesos es la aplicación del
modelo de regresión lineal autorregresivo exógeno y posteriormente modelo de regresión lineal por mínimos cuadrados. Este
uno de red neuronal artificial, a través del software Matlab. Ambos posibilita, una vez establecida una función lineal, efectuar
modelos serán evaluados con datos de prueba, tendrán la misma predicciones sobre el valor de la variable dependiente que en este
estructura y se comparará su desempeño con el objetivo de caso es el consumo energético, conociendo el valor de la variable
determinar con cual de ellos se presenta la mejor estimación del independiente que corresponde a la producción (Mena &
comportamiento de las variables estudiadas. Montecinos, 2006). La proporción de la variación de la respuesta
de la variable dependiente explicada por el modelo, es medida
Palabras claves—Inteligencia artificial, regresión lineal, red por el coeficiente de determinación R2, el cual se espera que sea
neuronal artificial, desempeño energético. cercano a 1, lo cual quiere decir que el modelo tiene buen ajuste
Abstract—This paper presents the development of a methodology y es capaz de explicar el comportamiento de dicha variable
based on artificial intelligence tools for estimating the energy (López, Rojano, Ojeda, & Salazar, 2007).
performance of a sugarcane milling process in a company in Valle del
Cauca in Colombia. This starts from the ordering and analysis of the
Una variante de la estructura de regresión lineal es el modelo de
data obtained from the process, which will be used to make a auto regresión con variables exógenas, de ahora en adelante
autoregressive exogenous linear regression model and later an ARX, en donde se tiene un número de pasos de tiempo de la
artificial neural network model, through Matlab software. Both entrada en el pasado y un retardo de la entrada con respecto a la
models will be evaluated with test data, they will have the same salida, el cual será aplicado al conjunto de datos obtenidos para
structure and their performance will be compared in order to este trabajo (López, Rojano, Ojeda, & Salazar, 2007).
determine with which of them the best estimate of the behavior of the Otro método que últimamente está siendo muy utilizado para el
variables studied is presented.
análisis de este tipo de procesos es el de las redes neuronales
Keywords—Artificial intelligence, linear regression, artificial neural artificiales, de ahora en adelante RNA. Esta es una técnica de
network, energy performance. estimación y clasificación perteneciente a la inteligencia
artificial, que tiene como principio el proceso de aprendizaje que
intenta simular la conducta cognitiva del cerebro humano. Una
I. INTRODUCCIÓN RNA normalmente está constituida por capas de información,
Tener un buen desempeño energético es considerado un donde generalmente se puede distinguir una capa de entrada o
mecanismo para asegurar el abastecimiento energético, pues se variables independientes, una o varias capas intermedias u
sustenta en la adopción de nuevas tecnologías y sobre todo de ocultas que realizan la determinación de las relaciones entre las
buenos hábitos de consumo, con el fin de optimizar el uso de variables de entrada y salida, y una capa de salida que recibe el
los recursos energéticos disponibles logrando con ellos los más resultante de las variables independientes (Mena & Montecinos,
altos niveles productivos (UPME, 2016). 2006).
En cuanto a los ingenios azucareros, en Colombia se La finalidad de este trabajo es establecer una metodología para
encuentran ubicados sobre el valle geográfico del río Cauca, para la estimación del consumo energético según el nivel de
siendo trece en total los que se benefician de las condiciones producción de un proceso de molienda de caña de azúcar,
climáticas de esta zona que favorecen la siembra y cosecha utilizando técnicas de regresión lineal y de RNA, cuyos
de caña durante todo el año y permiten la producción no desempeños serán comparados posteriormente.
solamente de azúcar sino también de alcohol, abono e
incluso energía (Asocaña, 2014). Una de las partes más
críticas de los procesos productivos realizados en los II. METODOLOGÍA
ingenios corresponde a la molienda de la caña, pues su Este trabajo inicia con la explicación de la base de datos usada,
desarrollo depende en gran parte de motores eléctricos, los seguida por la aplicación del modelo de regresión lineal con la
cuales están catalogados como los usuarios de mayor definición de su estructura, parámetros y validación, para luego
consumo de energía eléctrica en plantas industriales , por lo obtener y también validar un modelo RNA con esta misma
que la predicción o estimación del consumo de energía con
estructura, finalizando con la comparación del desempeño de
ambos modelos. Parametro Valor
Valor de distribución normal para confianza
A. Descripción de los datos del 99% (z) 2,575
Coeficiente de varianza (cv) 0,13008
La caña de azúcar después de ser cosechada y trasladada
hasta la planta de producción, se descarga en bandas Nivel deseado de precisión ( e ) 0,021
transportadoras que la llevan hasta una desfibradora que Muestra mínima de datos 254,409
parte sus tallos en trozos muy pequeños para después iniciar
su paso por el molino que está compuesto por seis juegos de Tabla 2. Parámetros de la muestra mínima de datos
motores eléctricos de cuatro masas cada uno, la finalidad de
esta etapa es extraer el jugo de la caña de azúcar que Cabe destacar que inicialmente el número total de registroscon
contiene la sacarosa, aplicando agua caliente y alternando el los que se contaba era de 294, sin embargo, se decidió considerar
mismo jugo extraído entre los primeros cinco pasos o solo 282 de ellos, excluyendo los que presentaban un incremento
motores para facilitar el proceso. Finalmente, del sexto paso muy significativo en el valor del consumo energético con una
o motor sale la caña de azúcar ya en forma de bagazo con producción casi nula o un incremento significativo de la
baja humedad para su posterior tratamiento y uso para producción con consumo energético muy bajo, lo cual no es
combustible en las calderas, mientras que el jugo extraído congruente y de lo que se puede inferir un posible error en la
en esta etapa de molienda sigue su proceso hasta ser recopilación de los datos para todo el año en el registro de las
convertido en azúcar. toneladas de caña ingresadas al proceso. Con estos 282 datos se
La base de datos incluye la información diaria de producción asegura el cumplimiento de la muestra mínima con una
de toneladas de caña pesadas al ingreso del molino y el confiabilidad del 99%.
consumo de energía eléctrica medido para los equipos
asociados al proceso, durante todos los días productivos del B. Estructura del modelo ARX
año 2019. En la Tabla 1 se presenta una pequeña muestra de
A partir del método de regresión lineal con mínimos cuadrados, se usa un
los datos obtenidos.
modelo ARX, para lo que se espera generar la gráfica que explica el
comportamiento del consumo energético en el proceso de molienda de
caña de azúcar. Para el entrenamiento del modelo se utilizó un 70% de los
datos disponibles y para su validación el 30% restante.
𝑌=𝜙𝛳
Ecuación 2
Ecuación 1
𝜃1 = 0.3405
𝜃2 = 8.9713
𝑌𝐾 = (0.3405)𝑦(𝑘−1) + (8.9713)𝑢(𝑘−1)
En el desarrollo del modelo no lineal, para validar el UPME. (2016). Plan de acción indicativo de eficiencia energética
mismo proceso o sistema, se ha evidenciado que los 2017-2022. Colombia: Ministerio de Minas y Energía.
coeficientes de desempeño presentan una leve mejoría con
respecto al modelo lineal. Estos desempeños han dado
como resultado un coeficiente R de 0.8 para los datos de
entrenamiento y de 0.763 para los datos de prueba; siendo
este último el comparable con el modelo lineal y
evidenciando que es levemente mayor. Esto debido a que
el modelo RNA logra analizar la variación de los datos
medidos logrando ajustarse un poco mejor a la base de
datos que no logra ser tan constante en cada medición.
%% %[Red,tr]=train(Red,XTrain,DTrain);
YestTrain1= Phi1*Theta1;
figure
%%
plot(YReal1(:,1),'-b');
YestTrain = sim(Red,XTrain);
hold on
figure
plot(YestTrain1(:,1),'-r');
plot(DTrain(1,:),'-b');
hold off
hold on
figure (1)
plot(YestTrain(1,:),'-r');
plotregression(YReal1(:,1),YestTrain1(:,1)
hold off
)
%%
RangoU=0:1000:9000; figure
RangoY=0:1000:112000; plotregression(DTrain(1,:),YestTrain(1,:))
[U3d,Y3d]=meshgrid(RangoU,RangoY);
Yest3d=Theta1(1)*Y3d+Theta1(2)*U3d; %%
surf(Y3d,U3d,Yest3d); Yest = sim(Red,XTest);
view(125,25) figure
hold off plot(DTest(1,:),'-b');
%% hold on
%Validación del modelo plot(Yest(1,:),'-r');
figure hold off
N=length(Y)
figure
for k=2:N plotregression(DTest(1,:),Yest(1,:))
Yest1(k)=Theta1(1)*Y(k- hold off
1)+Theta1(2)*U(k-1); %%
end;
plot(Y(2:N),'r');hold on;
plot(Yest1(2:N),'-ob');hold off
%
figure (5)
plotregression(Y,Yest1)
%