Machine Translated by Google

Diagnóstico de Fallas Físicas en Profibus-Dp

Redes a través de Redes Neuronales Artificiales
Patricio Córdova, Pedro Muso, Juan de Dios Espinoza, Carmen Robayo, Alexandra Robayo
Faculty of Systems, Electronics and Industrial Engineering
Universidad Técnica de Ambato
Ambato, Ecuador
edgarpcordovac@uta.edu.ec, cmuso2938@uta.edu.ec, jd.espinoza@uta.edu.ec, critsr@hotmail.com, alexandra_robayo@hotmail.com

Resumen— La presente investigación expone un sistema de
diagnóstico de fallas PROFIBUS-DP basado en Redes Neuronales
Artificiales, el modelo fue entrenado con el paquete keras,
especializado en la creación y entrenamiento de modelos de
aprendizaje profundo. Se utilizaron medidas de seis escenarios
posibles, cinco de ellos corresponden a fallas comunes y el
último es la forma de onda cuando la red está funcionando
correctamente, estos fueron capturados con un osciloscopio
para el entrenamiento del modelo. El sistema proporciona un
diagnóstico probable en base a los datos obtenidos con el osciloscopio conectado a la red PROFIBUS-DP. la forma de onda
indica a qué tipo de falla corresponde, estas se guardan en un
archivo que se envía a una interfaz que contiene el modelo de
clasificación previamente entrenado. El programa da un
porcentaje de qué tipo de falla puede estar ocurriendo. El modelo
fue probado con variantes en la red de prueba, obteniendo
resultados favorables logrando una precisión de 0.7225.
Palabras clave— PROFIBUS-DP, red neuronal artificial, keras
Las redes analizan muestras de señal en busca de alguna deformación y
al encontrarla indica la posible causa del problema, ya que las fallas en
las redes PROFIBUS generan una forma de onda característica. [8] Esta
investigación utiliza otro tipo de entrenamiento usando el paquete keras,
considerado uno de los mejores paquetes para crear una red neuronal
profunda, manteniendo la forma de onda original alterada.
II. METODOLOGÍA
La presente investigación ha sido desarrollada para brindar un
método alternativo para la detección de fallas en la capa física de las
redes PROFIBUS-DP, con la clasificación de las formas de onda típicas
que se presentan en la red cuando aparece una falla. Se utilizó un
osciloscopio digital que captura las formas de onda y las envía como
datos a una Red Neuronal Artificial (RNA) entrenada, la cual realiza la
clasificación y brinda un diagnóstico probable.

El entrenamiento de la ANN se realizó tomando muestras en una red

I. INTRODUCCIÓN PROFIBUS-DP de prueba, en la que intencionalmente provocó las fallas
que comúnmente ocurren en la capa física. Para el entrenamiento se
Alrededor del mundo, las industrias usan diferentes tipos de
utilizaron librerías especializadas en aprendizaje automático y se
comunicación en sus procesos, uno de estos es conocido como:
ejecutaron dentro de un ambiente de trabajo interactivo que soporta
PROFIBUS. [1], PROFIBUS (PROcess FIeld BUS) se ha convertido en
varios lenguajes de programación llamado Jupyter Notebook.
uno de los buses de campo más utilizados en la industria de procesos,
con alrededor de 11 millones de dispositivos instalados hasta finales de
2017, según el sitio web oficial de PROFIBUS y PROFINET International Cabe señalar que la toma de datos se realizó con el SDK
(PI). [2] proporcionado por el fabricante del osciloscopio con el que se desarrolló
el proyecto de investigación. El código provisto para este SDK fue
Las empresas nacionales e internacionales que operan en el Ecuador
desarrollado en Visual Studio, por lo que las variantes realizadas también
utilizan buses de comunicación en sus procesos, dependiendo de sus
fueron trabajadas con este software. En la figura 1 se muestra la estructura
requerimientos optarán por un determinado protocolo. PROFIBUS es uno
utilizada para el desarrollo de la investigación.
de los principales protocolos utilizados en las áreas petrolera, minera y
manufacturera en Ecuador. [3] Los equipos que se utilizan para el A. Red de prueba utilizada
diagnóstico no están montados en cada una de las redes PROFIBUS-DP,
Se utilizó la estructura de la figura 2 con variaciones en la longitud
cuando ocurre una falla el personal evalúa utilizando equipos portátiles de
del cable para adquirir diferentes señales. El montaje de todo el equipo
monitoreo o software DCS (sistemas de control distribuido. El tiempo que
se realizó en un tablero, junto con una fuente de alimentación para los
demora el técnico en armar el equipo de monitoreo y determinar su
dispositivos esclavos. A cada esclavo se le asigna una dirección específica
diagnóstico, depende en gran medida de la experiencia que se tenga con
con los dipswitches de cada uno de ellos.
referencia al tema.[4]
B. Averías analizadas

El diagnóstico de fallas puede pasar por varias etapas que van desde Se analizaron cinco tipos de formas de onda que se pueden presentar
inspecciones visuales del estado físico de la red hasta el uso de equipos en una red PROFIBUS-DP. todo esto se puede ver en la figura 3.
especializados que junto con software brindan una idea de lo que está
sucediendo en la red [5]. Onda sin fallas: se considera una señal aceptable cuando es una
Existen trabajos de investigación que proponen un diagnóstico onda cuadrada con una amplitud de al menos 5 V. Asimismo, la tensión
automático de redes PROFIBUS, utilizando un sistema inteligente que en vacío tiene el menor ruido posible, con una amplitud de 1 V. y
diagnostica y localiza automáticamente fallas en redes industriales, finalmente la reflexión debe no ser exagerado. [9]
realizando un análisis de las señales transmitidas por la capa física. Para
el análisis de la capa física se procesan las señales eléctricas, y se
trabajan con Redes Neuronales Artificiales que clasifican según su forma
de onda. [6] [7] Un trabajo sugiere reprocesar la señal con Matlab por el
método clipper, luego neuronal artificial

177

978-1-6654-2512-4/21/$31.00 © 2021 IEEE

Licencia de uso autorizada limitada a: Instituto Tecnologico Metropolitano ITM. Descargado el 17 de abril de 2022 a las 03:37:25 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google

un)

b)

C)

Figura 1. Pasos para ejecutar el sistema de diagnóstico.

d)

y)
Fig. 3. Formas físicas de las fallas analizadas con la ANN a) onda aceptable, b) A-
Figura 2. Pruebe la topología de la red PROFIBUS-DP.
Shield corto y B-Shield corto, c) AB corto, d) cable largo, e) sin resistencia de terminación.

Falta de terminación: cuando no se conecta una resistencia de

terminación o se rompe el cable, se produce una reflexión en el cable, .
con efecto de "sube y baja", esta reflexión provoca picos de tensión en
la señal. [9]
Cortocircuito entre A y B: cuando se produce un cortocircuito entre
las dos líneas de transmisión, la reflexión que se produce reducirá la
amplitud de la señal, mientras que la tensión en vacío es prácticamente
nula. La deformación en este caso también puede indicar la distancia a
la que ocurrió el daño. [9]
Cortocircuito entre B y pantalla: cuando se produce un cortocircuito
entre la línea B y la pantalla, así como entre el canal A y la pantalla,
existe una pequeña desviación que es difícil de diagnosticar, por lo que
se procede a analizar las formas de onda de cada canal. por separado.
[9]

Exceso de cable: cuando hay un cable demasiado largo, actúa

como un condensador, que cambia la forma de la señal.
El resultado es que, para una señal de onda cuadrada, el flanco
ascendente se redondea. cuando el cable es más largo este efecto es
más pronunciado. Si la señal cambia demasiado drásticamente, es Fig. 4. Archivos proporcionados por el SDK.

posible que el receptor no pueda reconocer la señal correctamente. [10]

D. Estructura del conjunto de datos

C. Adquisición de datos El conjunto de datos está en un archivo tipo csv, en su primera

Para la toma de datos se utilizó el osciloscopio INSTRUSTAR
ISDS25C y el SDK proporcionado por el fabricante de este instrumento.
El SDK consta de varios archivos como se muestra en la figura 4. El
proyecto está definido con el nombre DLLTEST.vcxproj.user, el código
fue editado de tal forma que se ajusten a los requeridos para la
recolección de datos que sirvieron para el entrenamiento del NNR .
Microsoft Visual Studio se utilizó para editar el código.
columna tiene el nombre del caso que se provocó en la red de prueba
PROFIBUS, la segunda columna está representada por un parámetro
claramente identificable que no es relevante para el entrenamiento, la
última La columna contiene las etiquetas para cada evento generado.
La Tabla 1 muestra la estructura del conjunto de datos. Las muestras
generadas por cada captura son 1020 y estas son las que se enviarán
para el entrenamiento de ANN.

178

Licencia de uso autorizada limitada a: Instituto Tecnologico Metropolitano ITM. Descargado el 17 de abril de 2022 a las 03:37:25 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google

TABLA I. ESTRUCTURA DEL CONJUNTO DE DATOS

Estado rojo Ch1+Ch2 1 2 … 1019 1020 Etiqueta

Bien C xxxxxx … xxxxxx 1
…… …
……
……… CortoA-B C xxxxxx … xxxxxx 2
…… …
……
………
CortoA-Blindaje C xxxxxx … xxxxxx 3
…… …
……
………
CortoB-Blindaje C xxxxxx … xxxxxx 4
…… …
……
………
Sin_Resistencia C xxxxxx … xxxxxx 5
…
….. ……
………Cable_Largo C xxxxxx … xxxxxx 6
…… …
……
………
Fig. 6. Valores de TP, TN, FP y FN en una matriz de confusión
La Tabla 2 muestra las variaciones en la estructura de la red neuronal
E. Red neuronal artificial
con la precisión medida con el conjunto de prueba en cada caso. Usando
Las primeras pruebas de entrenamiento se realizaron con conjuntos esta tabla, se pudo establecer la mejor estructura de la red neuronal.
de datos relativamente pequeños (400 mediciones por caso), sin
embargo, los resultados no fueron tan alentadores, como se puede
De la tabla 2 se puede analizar que el valor de precisión no depende
observar en la figura 5 (a), la curva de aprendizaje no converge en un valor aceptable.
Por lo que se decidió aumentar el número de mediciones a 1000, 2000 y únicamente de una variación en el diseño de la red neuronal, las capas
finalmente 5000 mediciones por caso, con estas se obtuvieron mejores ocultas se cambiaron entre dos y tres, observándose que con dos capas
resultados reflejados en la figura 5 (b). En total, el conjunto de datos ocultas se puede acercar a una precisión muy similar la cual se consigue
utilizado consta de 30.000 mediciones realizadas en la red PROFIBUS con tres capas ocultas, dependiendo en este caso del número de
de prueba. neuronas utilizadas en cada capa.

A medida que se agregan más neuronas a cada capa, aumenta el

tiempo de entrenamiento, esto está relacionado con la primera capa
oculta, esto se puede comparar en el escenario 3 y 4. Escenario 4 a
pesar de tener una capa oculta más el tiempo en el que corre una época es menos.

TABLA II. CAPACITACIONES REALIZADAS

Escenario capa capa capa capa época

Producción Épocas
abandonar Tiempo
por
Exactitud
oculto
1er
entrada
Capa
de segundo
oculto
oculto
3er

1 1020 100 50 6 0,2 50 5s 0,768

un) b)
2 1020 100 50 6 0,2 100 4s 0,747
Fig. 5. Curva de aprendizaje, a) 400 medidas por caso b) 5000 medidas por
caso
3 1020 1000 75 6 0,2 50 26s 0,855
Se realizaron algunos entrenamientos con variaciones en el número
4 1020 100 1000 50 6 0,2-0,2 50 7s 0,78
de capas, neuronas en la red, épocas y otros parámetros, arrojando
diferentes resultados en relación a la precisión del modelo. Para evaluar 5 1020 2000 1000 50 6 0,1-0,1 50 48s 0,8294
el modelo, la forma más sencilla es: la proporción de aciertos en la
clasificación denominada “exactitud”. La precisión se calcula con la 6 1020 2000 500 75 6 0,3-0,25 100 38s 0,8296
ecuación 1, y se hace con los datos que quedaron para probar.
7 1020 2000 500 75 6 0.3-0.25 50 40s 0,821

+ 8 1020 2000 500 75 6 0,5-0,25 50 38s 0,805

= (1)
+++ 9 1020 4000 500 75 6 0,2-0,2 50 108s 0,872

10 1020 2000 1000 50 6 0,2-0,2 50 48s 0,822

Donde los valores de Verdadero Positivo (TP), Verdadero Negativo
(TN), Falso Positivo (FP) y Falso Negativo (FN) se representan en la 11 1020 4000 1000 75 6 0,2-0,2 60 165s 0,864
matriz de confusión que se muestra en la figura 6.

179

Licencia de uso autorizada limitada a: Instituto Tecnologico Metropolitano ITM. Descargado el 17 de abril de 2022 a las 03:37:25 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google

Las épocas identifican el número de iteraciones que la red va a ejecutar en

su aprendizaje, según los escenarios 6 y 7 de la tabla 1. Aumentar épocas no
significa que el aprendizaje sea mejor, más bien puede significar un aumento en
el tiempo de entrenamiento. El número de épocas que se utilizó con mayor
frecuencia fue de 50.

El parámetro dropout disminuye el tiempo de entrenamiento del modelo,

esto se observa levemente en los escenarios 7 y 8, pero si el porcentaje de
neuronas y conexiones evitadas en cada época es alto, el valor de precisión
disminuirá. Entonces, trabajamos con valores entre 20% a 30%. Si no se establece
este parámetro, la ejecución del entrenamiento puede tardar mucho más y
también existe el riesgo de un sobreajuste.

Con el análisis realizado a los modelos generados se determinó que el

escenario 9 presenta el mejor desempeño, este presentó la menor ondulación en
su curva de aprendizaje, mientras que en su matriz de confusión se observa el
mayor porcentaje de respuestas correctas con respecto al otros, como se ve en
la figura 7.

C)

un)

d)
Fig. 7. a) Curva de aprendizaje b) Curva de pérdida c) Matriz de confusión numérica
d) Matriz de confusión porcentual

tercero RESULTADOS

A. Pruebas de desempeño del modelo

Una vez guardado el modelo, se probó con otro conjunto de datos tomado
de la red de prueba PROFIBUS, con variaciones en la longitud del cable y sin el
repetidor de diagnóstico en la red. El conjunto consta de 400 mediciones por caso
generado. La figura 8 muestra la topología de la nueva red de prueba.

Con la variación en la red de prueba se logró una precisión de 0.7225, este

valor se considera aceptable ya que se encuentra por encima de 0.5. En la matriz
de confusión de la figura 9. se observan con mayor detalle los casos en los que
el modelo interpretó un resultado diferente al esperado.

b)

180

Licencia de uso autorizada limitada a: Instituto Tecnologico Metropolitano ITM. Descargado el 17 de abril de 2022 a las 03:37:25 UTC de IEEE Xplore. Se aplican restricciones.
Machine Translated by Google
Fig. 8. Variación de la red PROFIBUS de prueba
La mayor confusión que existe es cuando el cable es excesivo
ya que las mediciones se realizaron con un cable que llegaba a los
300 metros aproximadamente. El cable provocaba demasiada
distorsión que el modelo lo comparo con otros más cercanos.
. RECONOCIMIENTO
Fig. 9. Matriz de confusión en la prueba de red PROFIBUS con variantes
181
Licencia de uso autorizada limitada a: Instituto Tecnologico Metropolitano ITM. Descargado el 17 de abril de 2022 a las 03:37:25 UTC de IEEE Xplore. Se aplican restricciones.
IV. CONCLUSIONES
se diseñó el sistema a partir de un modelo generado por una red
neuronal artificial clasificadora, entrenada con 30 mil medidas, y
compuesta por 5 capas; 3 capas esconden una capa de entrada y
una capa de salida con 6 nodos, la evaluación del modelo reflejo da
como resultado una precisión de 0.872 en el conjunto de prueba y
0.7225 en la red de prueba con variación, este valor determina la
capacidad de éxito que tiene el modelo entrenado tiene, considerado
bueno con estos valores.
Esta investigación puede complementar otras similares en el área
industrial, así como también puede complementarse con otros
trabajos que se enfoquen en la solución de problemas en una red
PROFIBUS DP.
Un agradecimiento especial a la Universidad Técnica de Ambato
ya todos sus profesores que abren las puertas del conocimiento a
muchas personas como a nosotros.
REFERENCIAS
[1] J. Rojas, «LA EVOLUCIÓN DEL CONTROL DE PROCESOS Y LA TELEMETRÍA,»
2010. [En línea]. Available:
http://fgsalazar.net/LANDIVAR/ING PRIMERO/boletin02/URL_02_QUI01.pdf.
[Último acceso: 10 Septiembre 2018].
[2] PN eV, «PROFIBUS and PROFINET International (PI)», 2017. [En línea]. Disponible:
https://www.profibus.com/technology/profibus/. [Último acceso: 13 de agosto de
2018].
[3] J. Reinoso y G. Salazar, «Sistema de Medición Inteligente de Energía Eléctrica en
la Empresa The Tesalia Springs Company S.A.: Implementación y Análisis de
Resultados,» Revista Politécnica, vol. 39, nº 2, pp. 33-40, 2017.
[4] R. Defas y A. Guzmán, «Diseño e implementación de un módulo didáctico para
integración de redes de campo industrial: Modbus, Profibus, para actuadores
eléctricos,» 21 Junio 2016. [En línea].
Available: http://bibdigital.epn.edu.ec/handle/15000/16250. [Último acceso: 10
Septiembre 2018].
[5] W. Silva y C. Mota, «PI PROFIBUS-PROFINET BRASIL», 2010.
[En línea]. Disponible:
http://www.profibus.org.br/metodos+para+diagnosticos+rede+profibu
s.html. [Último acceso: 16 de agosto de 2018].
[6] E. Mossin, «Diagnóstico automático de redes Profibus,» 15 Octubre Available: http://
2012. [En línea].
www.teses.usp.br/teses/disponiveis/18/18153/tde-10102012-
162642/en.php. [Último acceso: 28 Agosto 2018].
[7] E. Mossin, D. Brandão, G. Sestito y R. Torres, «Diagnóstico automático para redes
profibus», Revista de Control, Automatización y Sistemas Eléctricos, vol. XXVII,
págs. 658-669, 2016.
[8] G. Sestito, P. Toledo de Oliveira y Souza, E. Mossin, D. Brandão y A.
Dias, «Redes neuronales artificiales y recorte de señales para el diagnóstico de
Profibus DP», 2014 12ª Conferencia Internacional IEEE sobre Informática
Industrial (INDIN), págs. 242-247, 2014.
[9] PROCENTEC, «ProfiTrace 2.9 User Manual,» Enero 2018. [En línea].
Available: https://procentec.com/media/3331/profitrace-v29-manual en-v503-
sec.pdf. [Último acceso: 22 Octubre 2018].
[10] Guía de instalación, Directrices de puesta en marcha de PROFIBUS, Karlsruhe:
Organización de usuarios de PROFIBUS eV, 2015.
[11] MS Rocha, «Desarrollo de un analizador de red Profibus de bajo costo», 31 de
enero de 2016. [En línea]. Disponible: http://www.tcc.sc.usp.br/tce/disponiveis/
18/180500/tce-31012017-
112403/?&lang=br. [Último acceso: 28 Agosto 2018].
[12] J. Fornari, G. González y L. Herrera, «Reconocimiento de Patrones de Procesos
Industriales mediante el uso de redesneuronales artificiales,»
Revista Electrónica Argentina-Brasil de Tecnologías de la Información y las
Comunicaciones, vol. I, nº 2, págs. 1-10, 2015.