Академический Документы
Профессиональный Документы
Культура Документы
TESIS
MAESTRO EN
MANUFACTURA AVANZADA
PRESENTA
A Dios, por permitirme seguir aprendiendo en este andar de la vida, donde más que
conocer, entender y analizar mi entorno, pretendo alcanzar la humildad necesaria
para trascender.
A mi familia, mi esposa e hija que durante este proceso de formación han aprendido a
desarrollar la paciencia necesaria para sobrellevar mi presencia llena de ausencias.
Gracias CONACYT, por haber creado esta modalidad de maestría, porque con ella
muchas personas como yo tenemos la oportunidad de continuar preparándonos sin
desatender nuestra labor dentro de la industria. Gracias CIATEQ por haber sido mi
primer trabajo profesional y ahora mi escuela de Posgrado.
Por último deseo agradecer a mis asesores, y lo digo en plural porque de muchas
personas me he apoyado y he aprovechado su experiencia. Ahora me queda más
claro que estudiar un posgrado es noventa por ciento investigación y diez por ciento
dirección.
i
RESUMEN
ii
GLOSARIO
Arena shell: Arena sílica procesada para ser usada en el soplado de corazones
BPNN: Back-propagation Neural Network (Red Neuronal de Retro propagación)
Colado: Reparación de partes de horno mediante la aplicación de una mezcla de
agua y cemento refractario
Corazón: Piezas de arena shell que forma las cavidades en las piezas de aluminio
DM: Data Mining (Minería de Datos)
DW: Data Warehouse (Almacén de datos)
Empaquetadura: Empaque de grafito que se coloca para sellar la tapa de las
conexiones eléctricas de las resistencias
Etiqueta lingüística: Característica que describe a un sujeto mediante palabras como
muy, poco, mucho, normal, bastante, etc.
FAM: Fuzzy Association Matrix (Matriz de Asociación Difusa)
FLS: Fuzzy Logic System (Sistema de Lógica Difusa)
Horno de sostenimiento: Repositorio de aluminio líquido
Inyección: Aplicación de aire a la cámara del horno para forzar al aluminio líquido subir
por el tubo repartidor
Lavado de horno: Actividad de llenar y retirar el aluminio líquido por primera vez del
horno después de ser reparado
Lingote: Barra de aluminio usada como materia prima
Manga: Cavidad por donde la punta dispara el aluminio líquido
Mantenimiento Predictivo: Actividades de mantenimiento para anticiparse a las fallas
de los equipos
Moldeadora: Máquina de inyección de aluminio
NR: Neural Network (Red Neuronal)
Punta: Parte final del cilindro hidráulico que empuja el aluminio líquido
Refractario: Material que recubre interiormente las paredes del horno
Termografía: Técnica que permite conocer la temperatura mediante la medición la
energía infrarroja que emite cualquier cuerpo o materia.
Tubo de llenado: Ducto por donde se hace la carga de metal líquido al horno
Tubo repartidor: Ducto por donde el aluminio sube al molde cuando se presuriza la
cámara del horno
Tubo radiante: Alojamiento donde se instala la resistencia eléctrica
iii
SCR: Silicon Controlled Rectifier (Rectificador Controlado de Silicio)
Sinterizado de horno: Actividad de elevar la temperatura del horno después de
reparado a través de una curva característica
Solidificación: Disminución de la temperatura del aluminio por debajo de los 450ºC
SVM: Support Vector Machine (Máquina de Vectores de Soporte)
Variable lingüística: Aplicación de una etiqueta lingüística a la variable tratada.
Membresía: Pertenencia a un cierto grupo
Función de membresía: Función que describe el grado de pertenencia de una variable
a un cierto grupo
iv
ÍNDICE
AGRADECIMIENTOS .................................................................................... I
RESUMEN .................................................................................................... II
GLOSARIO ................................................................................................. III
ÍNDICE ....................................................................................................... V
ÍNDICE DE FIGURAS ................................................................................. VII
ÍNDICE DE TABLAS .................................................................................... XI
CAPÍTULO 1 INTRODUCCIÓN................................................................... 12
1.1 ANTECEDENTES ..................................................................................................... 12
1.1.1 Moldeo por baja presión (LPDC) ........................................................................... 12
1.1.2 Moldeo por alta presión (PDC) .............................................................................. 14
1.2 DEFINICIÓN DEL PROBLEMA ............................................................................... 15
1.3 JUSTIFICACIÓN ..................................................................................................... 17
1.4 OBJETIVOS ............................................................................................................. 22
1.4.1 Objetivo general: ..................................................................................................... 22
1.4.2 Objetivos específicos: ............................................................................................. 22
1.4.3 Hipótesis ..................................................................................................................... 23
v
3.4 OBTENCIÓN DE DATOS........................................................................................ 59
3.5 CARACTERIZACIÓN DEL CASO DE ESTUDIO .................................................... 60
3.5.1 Variables y Variables de Control ........................................................................... 61
3.5.2 Variables Lingüísticas ............................................................................................... 63
3.5.3 Función de Membresía ........................................................................................... 64
3.5.4 Fusificación ............................................................................................................... 76
3.5.5 Reglas de Control .................................................................................................... 76
3.5.6 Desfusificación ......................................................................................................... 80
3.6 PROCESAMIENTO DE DATOS .............................................................................. 82
CAPÍTULO 4 RESULTADOS......................................................................... 86
4.1 RESULTADOS DEL MODELO DIFUSO DE TRES ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA COMBINADAS ............................................................ 86
4.2 RESULTADOS DEL MODELO DIFUSO DE TRES ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA TRIANGULARES ........................................................... 87
4.3 RESULTADOS DEL MODELO DIFUSO DE TRES ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA TRAPEZOIDALES ......................................................... 87
4.4 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS
CON FUNCIONES DE MEMBRESÍA TRIANGULARES ................................................. 88
4.5 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS
CON FUNCIONES DE MEMBRESÍA TRAPEZOIDALES ............................................... 89
CONCLUSIONES Y RECOMENDACIONES ............................................... 92
REFERENCIAS BIBLIOGRÁFICAS ............................................................... 94
ANEXOS .................................................................................................. 100
Anexo A. Funciones de membresía tipo S para tres y cinco etiquetas,
superficies de respuesta y resultados de predicción ........................................101
Anexo B. Imágenes de visualización y configuración de pantalla GOT........109
Anexo C. Conexión a PLC Mitsubishi Serie Q por puerto Ethernet ..................114
Anexo D. Conexión a PLC Mitsubishi Serie Q mediante la pantalla GOT ......119
Anexo E. Procedimiento para descarga de datos de pantalla GOT ............124
vi
ÍNDICE DE FIGURAS
Fig. 1 Reporte de anormalidad emitido por mantenimiento predictivo. ........................... 17
Fig. 2 Fases de la metodología de Crisp-MD. ......................................................................... 26
Fig. 3 Lógica clásica versus Lógica Difusa ............................................................................... 29
Fig. 4 Etapas de Lógica Difusa .................................................................................................. 32
Fig. 5 Etapas de un sistema difuso. ........................................................................................... 32
Fig. 6 Variables independientes y variable dependiente ..................................................... 33
Fig. 7 Diagrama de control Fuzzy.............................................................................................. 34
Fig. 8 Diagrama de control Fuzzy modificado ........................................................................ 34
Fig. 9 Diagrama de control Fuzzy con ganancias.................................................................. 35
Fig. 10 Base de conocimiento para toma de decisión en el control de contraste de
imagen. ........................................................................................................................................ 44
Fig. 11 Diagrama del diseño experimental ............................................................................. 48
Fig. 12 Marcaje de los puntos de sujeción para los componentes en la platina.............. 50
Fig. 13 Distribución de los componentes en la platina del tablero ..................................... 50
Fig. 14 Componentes eléctricos interconectados ................................................................. 51
Fig. 15 Transformador de corriente instalados en las líneas que alimentan las resistencias
....................................................................................................................................................... 52
Fig. 16Transformador de corriente utilizado para medición de corriente .......................... 52
Fig. 17 Conexión en paralelo a los controladores de temperatura de cada resistencia 53
Fig. 18 Programación de PLC y Pantalla ................................................................................. 54
Fig. 19 Indicadores análogos para medición corriente ........................................................ 55
Fig. 20 Pantalla inicial del sistema de monitoreo ................................................................... 56
Fig. 21 Visualización de datos de cada variable ................................................................... 57
Fig. 22 Visualización de gráfica de corriente eléctrica ......................................................... 58
Fig. 23 Visualización de gráfica de temperatura de resistencias y metal .......................... 58
Fig. 24 Consumo de corriente de la resistencia durante media hora de monitoreo ....... 59
Fig. 25 Registro de temperatura de una resistencia durante media hora ......................... 60
Fig. 26 Diagrama de control de potencia eléctrica de un horno de sostenimiento........ 62
Fig. 27 Diagrama de control difuso tipo Mamdani en Matlab® .......................................... 63
Fig. 28 Función de membresía combinada (triangular y trapezoidal) con tres etiquetas
lingüísticas para el consumo de corriente. ............................................................................. 66
vii
Fig. 29 Función de membresía triangular con tres etiquetas lingüísticas para el consumo
de corriente. ................................................................................................................................ 66
Fig. 30 Función de membresía trapezoidal con tres etiquetas lingüísticas para el
consumo de corriente. ............................................................................................................... 67
Fig. 31 Función de membresía triangular con cinco etiquetas lingüísticas para el
consumo de corriente. ............................................................................................................... 67
Fig. 32 Función de membresía trapezoidal con cinco etiquetas lingüísticas para el
consumo de corriente. ............................................................................................................... 68
Fig. 33 Función de membresía combinada (triangular y trapezoidal) con tres etiquetas
lingüísticas para la cantidad de piezas moldeadas. ............................................................ 68
Fig. 34 Función de membresía triangular con tres etiquetas lingüísticas para la cantidad
de piezas moldeadas. ................................................................................................................ 69
Fig. 35 Función de membresía trapezoidal con tres etiquetas lingüísticas para la
cantidad de piezas moldeadas. .............................................................................................. 69
Fig. 36 Función de membresía triangular con cinco etiquetas lingüísticas para la
cantidad de piezas moldeadas. .............................................................................................. 70
Fig. 37 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la
cantidad de piezas moldeadas. .............................................................................................. 70
Fig. 38 Función de membresía combinada (triangular y trapezoidal)con tres etiquetas
lingüísticas para la temperatura de la resistencia. ................................................................ 71
Fig. 39 Función de membresía triangular con tres etiquetas lingüísticas para la
temperatura de la resistencia. .................................................................................................. 71
Fig. 40 Función de membresía trapezoidal con tres etiquetas lingüísticas para la
temperatura de la resistencia. .................................................................................................. 72
Fig. 41 Función de membresía triangular con cinco etiquetas lingüísticas para la
temperatura de la resistencia. .................................................................................................. 72
Fig. 42 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la
temperatura de la resistencia. .................................................................................................. 73
Fig. 43 Función de membresía combinada (triangular y trapezoidal) con tres etiquetas
lingüísticas para la vida útil de las resistencias. ...................................................................... 73
Fig. 44 Función de membresía triangular con tres etiquetas lingüísticas para la vida útil
de las resistencias........................................................................................................................ 74
viii
Fig. 45 Función de membresía trapezoidal con tres etiquetas lingüísticas para la vida útil
de las resistencias........................................................................................................................ 74
Fig. 46 Función de membresía triangular con cinco etiquetas lingüísticas para la vida útil
de las resistencias........................................................................................................................ 75
Fig. 47 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la vida
útil de las resistencias.................................................................................................................. 75
Fig. 48 Visualización de reglas de control en Matlab® para tres etiquetas lingüísticas .. 79
Fig. 49 Visualización de reglas de control en Matlab® para cinco etiquetas lingüísticas
....................................................................................................................................................... 79
Fig. 50 Superficies de respuesta para tres etiquetas lingüísticas con funciones
combinadas................................................................................................................................. 80
Fig. 51 Superficies de respuesta para tres etiquetas lingüísticas con funciones
triangulares .................................................................................................................................. 81
Fig. 52 Superficies de respuesta para tres etiquetas lingüísticas con funciones
trapezoidales ............................................................................................................................... 81
Fig. 53 Superficies de respuesta para cinco etiquetas lingüísticas con funciones
triangulares .................................................................................................................................. 82
Fig. 54 Superficies de respuesta para cinco etiquetas lingüísticas con funciones
trapezoidales ............................................................................................................................... 82
Fig. 55 Comparativa de archivo descargado de la pantalla (izquierda) y archivo que se
usa para procesamiento en Matlab®(derecha) ................................................................... 84
Fig. 56 Script usado para la evaluación de los datos en el modelo difuso........................ 85
Fig. 57 Resultados del modelo de tres etiquetas lingüísticas con funciones combinadas
....................................................................................................................................................... 86
Fig. 58 Resultados del modelo de tres etiquetas lingüísticas con funciones triangulares 87
Fig. 59 Resultados del modelo de tres etiquetas lingüísticas con funciones trapezoidales
....................................................................................................................................................... 88
Fig. 60 Resultados del modelo de cinco etiquetas lingüísticas con funciones triangulares
....................................................................................................................................................... 88
Fig. 61 Resultados del modelo de cinco etiquetas lingüísticas con funciones
trapezoidales ............................................................................................................................... 89
Fig. 62 Identificación de los momentos en los que se realizó la carga de metal al horno
....................................................................................................................................................... 90
ix
Fig. 63 Comportamiento de consumo de corriente de la resistencia "R"........................... 90
Fig. 64 Comportamiento de la temperatura de la resistencia "R" ....................................... 91
x
ÍNDICE DE TABLAS
Tabla 1 Tiempo de recuperación de horno por daño .......................................................... 19
Tabla 2 Impacto económico por las piezas que se dejan de producir durante 21 días . 20
Tabla 3 Desglose del monto económico de los gastos por reparación de horno ........... 20
Tabla 4 Análisis comparativo entre distintos autores del uso de Lógica Difusa y otras
técnicas para la predicción...................................................................................................... 39
Tabla 5 Listado de componentes del sistema para captura de datos .............................. 49
Tabla 6 Condiciones para el acondicionamiento de lectura de consumo de corriente
en cada resistencia .................................................................................................................... 54
Tabla 7 Acondicionamiento de lectura de temperatura de resistencia ........................... 55
Tabla 8.Tres variables lingüísticas de entrada y de control .................................................. 63
Tabla 9. Cinco variables lingüísticas de entrada y de control ............................................. 64
Tabla 10. FAM de la variable de control (tiempo de vida útil) con tres etiquetas
lingüísticas .................................................................................................................................... 77
Tabla 11. FAM de la variable de control (tiempo de vida útil) con cinco etiquetas
lingüísticas .................................................................................................................................... 78
xi
CAPÍTULO 1 INTRODUCCIÓN
1.1 ANTECEDENTES
Hablar de fundición es hablar de un proceso en el que existen variables que deben ser
controladas para lograr la calidad especificada en las piezas que se producen. Estas
variables pueden ser: de control de flujos, control de enfriamiento, tiempos de
inyección y solidificación, características del molde y principalmente la temperatura,
tanto del metal como del molde y del agua para enfriamiento. Es por eso que la
temperatura juega un papel muy importante en todos los procesos de fundición, y
para este caso en el que se moldea con aluminio las cabezas de los motores, la
calidad de estas radica principalmente en el control de la temperatura.
12
a. Recibo y preparación de arena. En esta área se recibe la arena sílica, se
clasifica de acuerdo a su granulometría, se almacena y se procesa mediante la
adición de una mezcla materiales que le dan fluidez y resistencia, y ahora se
nombra como arena shell. Posteriormente se almacena nuevamente para
luego utilizarse en el área de corazones.
13
g. Inspección final. En esta área el personal realiza la inspección física de las piezas
y se envían al siguiente proceso en planta maquinado.
b. Cabina de corte. El siguiente robot le corta los excedentes de material a los que
se les conoce como coladas.
e. Maquinado de seis caras. En esta zona la pieza se pre maquina por medio de
equipos CNC con el cual se desbastan las 6 caras del monoblock.
f. Prueba de fugas. En esta zona se le cubren todas las caras de la pieza con sellos
y se somete a presión neumática para detectar fugas.
14
En toda la planta de fundición la variable principal del proceso es la temperatura, y el
control de ésta es imprescindible para lograr la calidad requerida en las piezas, tanto
las que se moldean por alta presión como las que lo hacen por baja presión.
Dado que la temperatura es un factor importante para las piezas, también el control y
monitoreo de esta son factores que determinan el correcto funcionamiento del horno
de la máquina moldeadora. Sin embargo como área de mantenimiento el monitoreo
del buen funcionamiento de éste se realiza por medio del consumo de corriente. Es
precisamente aquí donde se tiene un área de oportunidad, ya que en estos tipos de
hornos se presentan los siguientes problemas, para los cuales mediante este trabajo, se
pretende disminuir las fallas que se producen en estos debido al daño en las
resistencias.
La revisión y monitoreo que se lleva actualmente es mensual. Los registros que se llevan
son: consumo de corriente de las resistencias y termografía en las líneas de
alimentación de éstas, tanto en la zona del tablero como en las conexiones en el
horno. Los datos obtenidos desde que se implementaron estas actividades como
mantenimiento predictivo no han logrado predecir las fallas que se han presentado
por razón del segundo caso que se mencionó anteriormente. Y es precisamente sobre
este caso en el que se basa principalmente este trabajo de investigación.
15
Aun cuando las resistencias presentan daño y se logra detectar éste en una de ellas
antes de que ocasione el daño en la segunda y posteriormente se realice el cambio,
no ha sido posible encontrar un patrón en las variables que se mencionaron
anteriormente (consumo de corriente y termografía) el cual indique una tendencia
que permita actuar anticipadamente. Esto lleva a la necesidad de contar con un
monitoreo constante de estas variables, con el cual a través de un procesamiento de
los datos adquiridos, se pueda realizar alguna predicción, la cual ayudará a evitar
fallas inesperadas.
Las resistencias eléctricas de los hornos se alimentan con 220 VCA, el rango de
consumo de corriente en el que trabajan para mantener la temperatura del metal en
los límites establecidos de proceso, oscila de 0 a 100 Amperios para el modelo HR, las
cuales se controlan a través de un SCR, de 0 a 60 QRK2, también controladas por SCR
y de 75 a 100 QR y MR, las cuales se controlan por contactores, y en función de la
demanda de temperatura pueden trabajar una, dos o las tres al mismo tiempo. Se han
realizado pruebas de monitoreo de consumo de corriente durante varios ciclos de
trabajo en una máquina (la cual está identificada como AQM-712).Los datos que se
han obtenido indican el comportamiento del consumo de cada una de las
resistencias, donde se ha observado la variación entre ellas. Sin embargo para
comprender esta variación es necesario obtener los datos de temperatura del metal
durante el mismo periodo, ya que la demanda de corriente está en función de la
temperatura del metal (como se mencionó anteriormente), y pueden trabajar dos
para mantener la temperatura del metal o las tres para elevarla.
16
Fig. 1 Reporte de anormalidad emitido por mantenimiento predictivo.
Fuente: Confidencial
El precio de estos hornos puede oscilar entre 1.5 o 2 millones de pesos. Los costos de
reparación cuando existe algún daño de refractario es de aproximadamente
$700,000, debido a que se debe hacer la demolición total del material y volver a
recubrir internamente el piso, las paredes y el techo del horno.
17
Las causas por las que el refractario pueda llegar a deteriorarse son principalmente:
exposición al calor y contacto directo de metal líquido, además de oxidación del
metal y formación de corindón en las paredes y techo que se vuelven abrasivos contra
el refractario.
Otro de los problemas que se presentan en planta fundición con los hornos es, la caída
de temperatura del metal (<450ºC). Cuando esto ocurre el metal puede llegar a
solidificarse (350ºC) y dañar los tubos radiantes y con ellos las resistencias, una vez que
el metal penetra en éstas, se cierra el circuito a tierra y se debe retirar el aluminio y con
ello el refractario, para volver a recubrir piso, paredes y techo. Este problema se ha
presentado en planta hasta en dos ocasiones en un periodo de 6 meses, lo cual ha
representado para la planta un gasto por reparación de más de 1.5 millones de pesos,
aunado a esto, las piezas que se han dejado de producir durante el periodo de
reparación, el cual puede llevarse hasta 22 días debido a los conceptos que a
continuación se describen de manera general:
18
Tabla 1 Tiempo de recupera
uperación de horno por daño
19
Tabla 2 Impacto económico por las piezas que se dejan de producir durante 21 días
Tabla 3 Desglose del monto económico de los gastos por reparación de horno
COSTO POR REPARACIÓN DE HORNO
I TEM DESCRI PCI ÓN UNI DAD COSTO UNI TARI O SUBTOTAL
1 Material refractario Lote $300,000 $300,000
2 Mano de obra Serv icio $180,000 $180,000
3 Tubos radiantes Pieza $66,000 $198,000
4 Empaquetadura Lote $30,000 $30,000
5 Cubo Pieza $7,000 $21,000
6 Tubo alimentador Pieza $6,500 $19,500
7 Resistencias Pieza $26,000 $78,000
8 Gas nitrogeno Lote $1,000 $1,000
TOTAL $827,500
20
2. Al realizar limpieza del panel, se pudo haber movido el selector
accidentalmente.
3. Algún movimiento de selector de manera intencional.
Para cualquiera de las tres posibles causas, el resultado es el mismo, daño de horno, sin
embargo, si se cuenta con un sistema que de aviso de anormalidad, en este caso el
descenso de temperatura o selector de resistencias en posición OFF, se puede actuar
de manera inmediata y evitar el daño mencionado. Inicialmente los hornos no
estaban provistos de alguna alarma visible ni sonora que indicaran alguna falla de
resistencias, descenso de temperatura o incluso selector de resistencias en posición
OFF, sin embargo a raíz del último evento, se instaló una alarma en la que al apagar el
control de las resistencias, se emita una alarma sonora y visual.
Otra de las razones por las que es necesario contar con un sistema de este tipo en
planta fundición, es para aprovechar las tecnologías existentes en el mercado y que
21
no han sido implementadas aún para la solución de problemas específicos en los
procesos. Esto recae en el reto establecido desde la dirección y gerencia establecen
que la planta tiene que cambiar, tiene que dar un giro, los procesos en fundición
tienen que ser más automatizados.
Como alerta de falla, el sistema que se pretende instalar cumple con esa parte, sin
embargo como predicción, el monitoreo de variables como consumo de corriente y la
temperatura, para su posterior análisis y procesamiento, se realizará por medio de la
aplicación de la herramienta que se describe más adelante. Con esto se logrará
anticipar la falla de las resistencias y actuar de manera oportuna.
1.4 OBJETIVOS
22
1.4.3 Hipótesis
23
CAPÍTULO 2 MARCO TEÓRICO O FUNDAMENTOS TEÓRICOS
2.1 INTRODUCCIÓN
En la actualidad existe un gran volumen de datos que deben ser manejados por las
organizaciones, ya sea siguiendo algún comportamiento específico o tendencias,
Tinoco et al. [3]. El estudiar un fenómeno basado en esos datos tiene como propósito
el tomar una decisión. En el pasado el procesamiento de esta información estaba
supeditada al conocimiento de los expertos, pero hoy en día debido a los avances en
la tecnología es posible la adquisición y procesamiento de datos para luego obtener
resultados, estos datos pueden ser: imagen, video, texto, u otros de carácter numérico,
Riquelme et al. [4].
24
Por lo anterior, cada vez se buscan diferentes alternativas para la adquisición y
almacenamiento de datos, se desarrollan sistemas y métodos de procesamiento, así
como dispositivos y softwares de los cuales se obtienen resultados que llevan a una
toma de decisiones. Los avances tecnológicos en este sentido son de vital importancia
para que estas etapas mencionadas se puedan programar y mediante el uso de
computadoras sea posible incluso hacer predicciones.
25
Por otro lado, la Minería de Datos (DM) trata de realizar análisis estadísticos y síntesis
automática de la información, buscando regularidades, dependencias, patrones de
comportamiento, grupo de casos, etc., que no son evidentes; es decir, descubrir
información útil contenida en los datos, Riquelme et al. [4].
Otra de las herramientas en minería de datos es el SVM, por sus siglas en inglés, Support
Vector Machine. Esta herramienta desarrollada por la empresa AT&T, trata de
conjuntos de algoritmos de aprendizaje supervisado, Son-Kim [8]. Este algoritmo se usa
para problemas no lineales, y debido a la ayuda de parámetros como multiplicadores
de Lagrange se puede obtener una buena capacidad de generalización, Son-Kim [8].
26
Por otro lado, Rodríguez, et al. [5] mencionan que los fundamentos de las máquinas de
vectores de soporte fueron desarrollados por Vapnik, quien se apoyó sobre la teoría
del aprendizaje estadístico. La formulación de la SVM se basa en el principio de
minimización del riesgo (SRM: structural risk minimization) el cual es superior al principio
del riesgo empírico (ERM: empirical risk minimization) empleado en las Redes
Neuronales convencionales. El SRM minimiza la cota superior del riesgo esperado,
mientras que el ERM minimiza el error del dato de entrenamiento. En función de lo
anterior, la SVM tiene una mayor capacidad de generalización. Existen dos tareas bien
diferenciadas que puede realizar la SVM: clasificación y regresión de funciones.
El estudio realizado por Rodríguez et al. [5], mediante la herramienta de SVM, hace un
diagnóstico de falla en un motor eléctrico con problema en uno de los rodamientos. El
trabajo consistió en el monitoreo de corriente de este motor trabajando bajo
condiciones de daño en tres rodamientos de prueba, una falla diferente para cada
uno de ellos. El resultado mostró la efectividad del método e incluso en el documento
asevera que SVM supera a las Redes Neuronales y algunas otras técnicas de
predicción de fallas.
La Red Neuronal de Retro propagación (BPNN, por sus siglas en inglés Back-
propagation neural network), es un modelo computacional matemático que simula la
estructura biológica de las neuronas a través de multicapas y es también un
aprendizaje supervisado. Además, este sistema requiere de una gran cantidad de
datos para su entrenamiento y realizar un proceso de calibración, de tal forma que la
red neuronal se pueda utilizar, lo cual es una desventaja. Por lo anterior, su aplicación
para este proyecto está limitada, puesto que sería necesario un gran número de casos
de falla.
En Lógica Difusa se parte del hecho de que conceptos como alto, bajo, ruidoso,
dulce, caro, amargo, barato, delgado, etc. son percibidos de manera diferente por
cada persona. Por ejemplo, para una persona de Alaska el concepto de caliente
27
puede ser arriba de 10 °C, mientras que para un mexicano caliente es arriba de 30 °C
o en un proceso de fundición caliente es arriba de 300°C. Por esta razón los conjuntos
CALIENTE, TIBIO y FRÍO son llamados conjuntos difusos. Un conjunto difuso es un
conjunto con límites borrosos o “no muy bien” definidos, Guzmán-Castaño [9].
Tejada [10] establece que para lograr una descripción de lo que es Lógica Difusa se
deben diferenciar primeramente los tipos de incerteza, una de ellas es la incerteza
estocástica, la cual consiste en que se puede cuantificar una cierta probabilidad.
Por otro lado la incerteza léxica o imprecisión, Tejada [10] menciona que es la que se
basa en el lenguaje de comunicación que usamos los humanos. Mediante esta
incerteza se pueden hacer evaluaciones y obtener conclusiones.
Vega [11] afirma que la Lógica Difusa es una rama de la inteligencia artificial y lo que
trata de hacer es simular la forma en que los humanos procesamos la información con
el objeto de tomar decisiones. El simple hecho de estacionar un automóvil es un
proceso que involucra la experiencia y conocimiento, algunas reglas aprendidas y
finalmente una serie de decisiones.
En [12] se menciona que la Lógica Difusa se asocia a cómo las personas perciben el
medio que los rodea, que la subjetividad se encuentra en todo momento, así como las
afirmaciones, las cuales normalmente se formulan de manera ambigua. Lo que para
una persona puede ser alto, frio o grande, para otra pude ser lo contrario.
Según Pérez, et al. [13],Lógica Difusa es usada para situaciones que no son totalmente
ciertas ni completamente falsas, dicho de otra manera, para valores que pueden
oscilar entre dos extremos, verdad absoluta y falsedad total. Sin embargo lo difuso no
es lógica en sí, sino más bien el objeto de estudio. Mediante la Lógica Difusa se
estudian tópicos imprecisos, es decir, temas donde intervienen variables lingüísticas y
que combinan reglas para definir acciones, Pérez, et al. [13].
28
humano. A pesar de ello, los conceptos de la Lógica Difusa han encontrado gran
campo de aplicación en sistemas cuyo comportamiento es difícil de predecir o
modelar matemáticamente.
Pérez, et al. [13] hacen una comparación gráfica entre Lógica Difusa y lógica clásica,
la cual se muestra en la figura (3), en ella se pueden ver los grados de pertenencia que
puede tener una variable respecto a un término lingüístico, alguien puede ser no
totalmente alta, pero tampoco completamente no alto.
29
existen grados de pertenencia a un conjunto difuso y los elementos que pueden existir
en ese conjunto, pueden tomar valores entre 0 y 1. Esto lleva a la definición de función
de pertenencia, la cual consiste en que cada elemento puede tomar un valor o
variable de entrada , la cual se denota como:
(1)
Tejada [10] hace una comparación entre la lógica booleana y la Lógica Difusa,
menciona que una desventaja que tiene la primera es que a pesar de su exactitud no
puede reproducir patrones del comportamiento humano.
De acuerdo a Galindo [14] las siguientes son las situaciones donde se requiere de una
aplicación de Lógica Difusa:
• En procesos no lineales
• En procesos complejos donde el modelo de solución no es sencillo
• Cuando se tenga que introducir la experiencia de un operador "experto" que
se base en conceptos imprecisos obtenidos de su experiencia.
• Cuando el ajuste de una variable afecte a otras
• Cuando algunas partes de lo que se quiere controlar son desconocidas y no es
posible medirlas de manera fiable, es decir, la presencia de errores
• Cuando lo que se quiera representar provenga de una base de datos
imprecisos o con incertidumbre
30
Puesto que el desarrollo de este proyecto se basa en la predicción, es mandatorio que
se comprenda la forma en que trabaja esta técnica, para lograr su correcta
implementación.
(1)
Dónde:
1 ∈
=
0 ∉
(2)
De lo anterior se tiene entonces que todos los elementos del universo sólo pueden
estar contenidos en dos elementos, lo cual se expresa de la siguiente manera [15]:
: → 0,1 (3)
31
Rules
Crisp Crisp
inputs Fuzzifier Defuzzifier outputs
Sin embargo otros autores como Tejada [10] mencionan que un sistema difuso se
compone solo de tres etapas, las cuales se muestran en la figura (5) a continuación:
Existen variables que pueden ser dependientes e independientes para una aplicación
con Lógica Difusa, en el caso que presenta Vega [11] donde se busca que un
automóvil se estacione, el espacio y el ángulo de referencia son independientes,
mientras que el ángulo de giro del volante es dependiente de las primeras. Esto se
puede representar según Vega [11] como se muestra en la figura (6).
32
Espacio Lógica
Angulo de giro
Difusa
Angulo referencial
La Lógica Difusa dentro de los sistemas de control crea lo que se denomina control
difuso. De acuerdo a [12] un conjunto difuso define precisamente las ambigüedades
descritas anteriormente, a diferencia de la teoría clásica, la cual no lo hace. Además,
en esta última un elemento puede pertenecer a un solo conjunto. La base de la
Lógica Difusa son los conjuntos difusos y con estos se llevan a cabo afirmaciones SI-
ENTONCES. El objetivo de esto según [12], es emular el pensamiento humano, sin
embargo para el ámbito industrial, llevar a cabo un control mediante Lógica Difusa
requiere de la experiencia del operador, del personal experto en el proceso o en el
funcionamiento de una máquina con el fin de que se pueda llegar a emular el
comportamiento humano.
Por otro lado, Kouro y Musalem [17] definen al control difuso como un control con el
que se puede interpretar el sentido común a través de palabras en lugar de números,
o bien, mediante sentencias u oraciones en lugar de ecuaciones. Pero como en todo
proceso, los números son las características principales y no el sentido común, se
requiere de una adaptación entre ellos, dando como resultado la introducción de una
variable de estado al sistema de control, a lo anterior Kouro y Musalem [17] le llaman:
proceso de fusificación, la cual como se ha mencionado en revisiones anteriores, es la
primera etapa de la Lógica Difusa.
En un lazo de control difuso de entrada y salida única, Kouro y Musalem [17] sugieren
que se deben utilizar como variables de entrada para el controlador tres elementos:
33
Acumulación del error
Sin embargo Kouro y Musalem [17] sugieren una alternativa que simplifique la
generación de una gran cantidad de reglas de fusificación debido al número de
variables de entrada, para ello se establece un integrador, el cual durante el proceso
se sumará a la acción final, lo que da origen a un sistema híbrido debido a que el error
y el cambio de error son variables difusas y la acumulación del error es determinística.
De esta forma el diagrama de control difuso modificado como se puede observar en
la figura (8):
Cabe hacer mención que este sistema tiene un inconveniente, el cual se debe a que
por su naturaleza difusa (sentencias y conjuntos) no ofrece un resultado óptimo o
deseado. Y para corregir este problema, Kouro y Musalem [17] sugieren en su artículo,
la incorporación de ganancias en las entradas, es decir, antes de la fusificación, esto
34
ayudará a corregir de manera numérica los errores que se hacen en la interpretación
difusa. De tal modo que la propuesta de Kouro y Musalem [17] queda como sigue:
Con su análisis y trabajo sobre el prototipo, Kouro y Musalem [17] afirman que es
posible elaborar un sistema de control que interprete de manera intuitiva el estado de
ciertas variables, y que a través de esto, deduzca en forma lógica una acción y lleve
la variable tratada estado que se requiera.
Por otra parte en [18] se establecen las tareas típicas a realizar en un proyecto de
implementación de Lógica Difusa. Los pasos que se mencionan son cuatro, con
algunos puntos en cada uno de ellos, mismos que deberán seguirse con el fin de
obtener un buen resultado:
“1. Identificar las variables del dominio. Para esto, hace la definición de dos tipos de
variables:
1. Variables "de estado": son las que describen las entradas del sistema
2. Variables "de control": son las que describen las salidas del sistema
35
Habitualmente se pretendería que las particiones definidas "cubran" la totalidad del
espacio de valores de las distintas variables, es recomendable que exista
solapamiento.
!í#$!% + !á $!%
Implementación conectivas difusas ∧, ∨, − ∶
( % )* % + +)!, ,*% , ,
36
pueden ser muy complejos o casi totalmente no lineales, en los cuales se tiene
información que puede ser inexacta o poco concreta, y que para estas resulta
ineficiente el uso de alguna otra técnica clásica. Además por un lado, aprovechan de
los modelos difusos la fácil compresión del sistema físico que se desea modelar, y por
otro lado, la capacidad de aprendizaje que brindan los modelos hechos con Redes
Neuronales. Mientras que los modelos basados en Redes Neuronales se consideran
como "caja negra", los modelos neurodifusos permiten introducir la experiencia y
conocimiento del experto en cualquier parte del proceso de modelado. Otra ventaja
de estos sistemas es que pueden elaborar el modelo a partir de datos de entrada y
salida obtenidos del mismo sistema, Córdoba, et al. [19].
Aunque Rai, et al. [31] aseguran que la combinación de Lógica Difusa y Redes
Neuronales supera a la Lógica Difusa convencional, no necesariamente se requiere de
la integración de dos o más herramientas de predicción para lograr que un sistema
experto tenga una confiabilidad alta, por ejemplo, Zalnezhad, et al. [33] en su estudio
usaron únicamente Lógica Difusa y lograron una a precisión del 97.142% en su
predicción de la dureza obtenida en la superficie de un material aplicado en el área
aeroespacial.
37
Por su parte Kolomvatsos y Hadjiefthymiades [32] combinaron solamente Lógica Difusa
con un mecanismo de predicción con lo que mejoró la eficiencia del desempeño del
jugador en su videojuego.
En el caso de Khosravi, et al. [35], hacen una comparativa entre dos sistemas: Redes
Neuronales y Sistemas de Lógica Difusa Tipo 2, con aplicación en la proyección de la
demanda de energía eléctrica en los horarios distintos a los denominados "horarios
punta". En su documento muestran las ventajas del uso de los Sistemas de Lógica
Difusa Tipo 2, así como la diferencia que tiene con respecto a los tradicionales Sistemas
de Lógica Difusa Tipo 1, ya que integran en su proceso de desfusificación una salida
más, la cual es un tipo de conjunto reducido. En base a su estudio comparativo logran
una mayor precisión en la proyección mediante el uso de Sistemas de Lógica Difusa
Tipo 2.
Por otro lado, en la revisión del estado de arte hasta este momento, solo se ha
encontrado que Gurrea, et al.[29] hacen un estudio en el que concluyó que la Lógica
Difusa está teniendo cada vez más aplicación en las organizaciones debido a que no
solo se deben considerar medidas cuantitativas si no también cualitativas, las cuales
requieren ser delimitadas, categorizadas y clasificadas.
En general, Ozben, et al. [27], Moon, et al. [28],Rai, et al. [31], Kolomvatsos y
Hadjiefthymiades [32], Zalnezhad, et al. [33],Lin, et al. [34], Khosravi, et al. [35] y
Ghasemi y Mohammad [36] usan la Lógica Difusa como herramienta de predicción,
por su parte Khodayari, et al. [30] desarrollan un sistema de aplicación que implica la
predicción en tiempo real, es decir, un sistema experto para la conducción de un
vehículo, el cual puede considerar distintos factores como son: prevención de
choques y guardar distancia segura.
38
desarrollo de este estudio es muy similar al que se va a realizar al que se propone en
esta tesis, por lo que servirá como guía.
Tabla 4 Análisis comparativo entre distintos autores del uso de Lógica Difusa y otras
técnicas para la predicción
Combinación
Autor / Año Aplicación de Comparación Efectividad
herramientas
• Máquina de
• Combinación • Mejor
• Predicción de Aprendizaje
[37] Olatunji, de ambas desempeño
modelos de • Extremo
et al., 2014 • Técnica la
permeabilidad Lógica Difusa
individual combinación
Tipo 2
• Red Neuronal de
• Predicción de una Prealimentación
[38] Gentili,et
señal de tiempo • Lógica Difusa
al., 2015
tipo caótica • Predictor Local
No Lineal
39
• Regresión • Resultados
• Predicción de • Lógica Difusa similares con
[39] Tekeli,et
cargas críticas en • Redes cualquier
al., 2014
vigas Neuronales técnica
Artificiales
• Predicción de
resultados de
• Lógica Difusa
[40] Gencel, secado y • Resultados
• Pruebas
et al., 2013 endurecido de cercanos
experimentales
concreto auto
compactado
• Máquina de
Vectores de
Soporte
• Redes
• Redes
Neuronales • Mejor
[41] Ahmed y • Predicción de Neuronales
Artificiales desempeño
Al-Jamimi, mantenibilidad de Artificiales
• Redes Lógica Difusa
2013 softwares • Lógica Difusa
Neuronales
Artificiales /
Lógica Difusa
• Lógica Difusa
Tipo 1
• Predicción de
parámetros de • Lógica Difusa
[42] Torno, et • Excelente
taladrado y • Pruebas
al., 2011 desempeño
percusión en experimentales
rocas
40
• Predicción y
• Error menor al
[44] estimación de • Lógica Difusa
10%
Taghavifar y área y presión de • Pruebas
• Alto
Mardani, 2014 contacto entre experimentales
coeficiente R2
rueda y piso
• Predicción de la
• Lógica Difusa • Error
[45] Barzani, rugosidad en
• Pruebas promedio de
et al., 2015 superficies a
experimentales 5.4%
maquinar
• Desviación
• Predicción de • Lógica Difusa menor a 5%
[46] UdDarain,
agrietamiento y • Pruebas • Bondad de
et al., 2015
flexión de vigas experimentales ajuste
cercano a 1
• Mejor
[47] • Predicción de • Lógica Difusa
resultado con
Vundavilli, et profundidad de • Algoritmos
Algoritmo
al., 2012 corte Genéticos
Genético
41
2.5.7.1 Control de temperatura
El estudio realizado por Singhala, et al. [16], donde a través del uso de Lógica Difusa
desarrollaron el control de temperatura de un sistema dinámico no lineal que contaba
con un calentador, un ventilador y un termopar, concluyeron que era la mejor manera
mantener la temperatura deseada con buena precisión.
La anterior analogía hace referencia a que por medio de Lógica Difusa se pueden
formular matemáticamente nociones o sentencias para que sean procesadas en una
computadora y de este modo se cuantifica el grado de verdad y falsedad. Esto
intenta emular el pensamiento humano.
42
espacio donde el automóvil podrá desplazarse, ángulo referencial del eje del vehículo
cuya dirección y sentido va de la parte delantera hacia la parte posterior, con
relación al eje horizontal y por último el ángulo de giro del volante.
Kao, et al. [21] establecieron un método basado en Lógica Difusa para la prevención
de colisiones en el servicio de tráfico de buques. Encontraron oportunidad para usar la
Lógica Difusa en esta área debido a que en la situación en la que se encontraba el
servicio de tráfico de buques no tenía la suficiente capacidad técnica para vigilar la
gran cantidad de tráfico marítimo en ciertas áreas de manera segura. Con este
método implementado al servicio de control de tráfico de buques se pretendía que las
habilidades del operador y su toma de decisiones formaran parte del sistema de
prevención de colisiones. El proyecto consistió en la integración de datos como:
dominio del barco, fuerza inercial, y esto a su vez se usó para generar un anillo de
seguridad y un índice de peligrosidad. Con los datos anteriores se podría lograr una
precisión en la predicción del tiempo y posición que podía ser lograda usando un
módulo espacial del sistema de información geográfica.
De acuerdo a Hussein, et al. [22] la función de ajuste de contraste está dada por la
expresión:
⨁ ⨁- , (4)
43
De lo anterior, la función de control de contraste - , va a depender de las
características de la imagen, es decir, de los valores que puedan llegar a tener , .
Este sistema puede aplicar criterios de proximidad debido al mecanismo de inferencia
con que cuenta, el cual está basado en Lógica Difusa, para posteriormente tomar
decisiones, dicho de otra manera y de acuerdo a Hussein, et al. [22], si los pixeles
están muy cercanos (poco contraste), la función - , debe ser alta y si los pixeles
están alejados la función debe ser baja.
⨁ ⨁- , ⨁2 $- 3 = 41
0
= 1 $- 3 = 42
⨂ ⨂- , ⨂2 $- 3 = 43
9,:% ; $% 8%
44
En base a la revisión hecha de los sistemas de control basados en Lógica Difusa se
puede concluir que la principal ventaja que tienen estos, es la respuesta que brindan,
ya que es veloz y precisa, con lo cual se logra un menor número de transiciones entre
los estados fundamentales del medio que se esté controlando, es decir, que el control
de un fenómeno no lineal, trata de mejorar su salida (comportamiento) con mayor
estabilidad, además el modelado difuso posee ciertas ventajas, como su simplicidad,
al eliminar la complejidad de los modelos matemáticos; la utilización de menos código
y, por consiguiente, una optimización en el uso de la memoria y tiempo
computacional, Dai Pra [23]. Si lo que se pretende controlar es un sistema de aire
acondicionado donde el límite de temperatura es 30°C y presenta variaciones entre
29 y 30°C, un sistema de control clásico basado en PID hará que el dispositivo esté
encendiendo y apagándose continuamente para tratar de mantener la temperatura
establecida como set point, Vela [24]. Por su parte mediante el control basado en
Lógica Difusa, los 30°C no representarían algún umbral y el sistema lograría mantener
la temperatura de forma estable sin continuos apagados y encendidos.
Evidentemente esto traerá como beneficio el alargamiento de la vida útil del
dispositivo y un ahorro energético debido a la disminución de los picos de corriente
generados por los arranques del motor eléctrico del compresor del sistema.
45
CAPÍTULO 3 PROCEDIMIENTO DE INVESTIGACIÓN
46
Por lo anterior, la confirmación de la temperatura en todo momento, durante el
proceso de moldeo, es el punto crítico dentro de una planta de fundición. Sin
embargo, para lograr mantener la temperatura dentro de los rangos establecidos es
necesario calentar el horno. Este calentamiento se realiza por medio de tres
resistencias eléctricas y el consumo de corriente de cada una de ellas está
relacionado directamente con el efecto de incremento de temperatura en el metal.
De esta manera se identifican las tres variables que definen las entradas en el sistema
de predicción:
Para la adquisición de datos fue necesario contar con un dispositivo que capture
todas las señales que se mencionaron anteriormente. La figura (11) ilustra de manera
esquemática el diseño experimental y los principales componentes con que cuenta el
dispositivo y la forma en que se relaciona con el horno. En la tabla (5) se muestran los
componentes principales del dispositivo de captura, el cual se elaboró por personal
técnico del área de mantenimiento electromecánico.
47
Fig. 11 Diagrama del diseño experimental
48
Tabla 5 Listado de componentes del sistema para captura de datos
El primer paso fue la distribución de los componentes en la platina del tablero, para lo
cual se elaboró un layout con las dimensiones y se marcaron los puntos de sujeción. La
figura(12) muestra al personal técnico haciendo el marcaje donde se realizaron los
barrenos roscados para fijación de las partes.
49
Fig. 12 Marcaje de los puntos de sujeción para los componentes en la platina
50
El siguiente paso fue realizar la conexión eléctrica entre los componentes, siguiendo el
estándar que se lleva dentro de la planta, en el cual se establece que toda línea
eléctrica que se alimente con 110 VAC debe ser color amarillo y en color azul las líneas
de 24 VDC. El resto de líneas, las cuales son señales de milivoltaje, no guardan un color
específico, sin embargo para este proyecto se usaron blanco, rojo, gris y negro. La
figura (14) muestra la condición final en el interior del tablero, donde se observan los
componentes conectados eléctricamente.
51
Fig. 15 Transformadores de corriente instalados en las líneas que alimentan las
resistencias
52
Fig. 17 Conexión en paralelo a los controladores de temperatura de cada resistencia
Una vez instalado el hardware, se procedió con la programación del PLC y la pantalla.
Los anexos (C) y (D) describen los procedimientos para la conexión al PLC mediante el
puerto Ethernet y a la pantalla mediante el puerto USB. El siguiente paso fue la
elaboración del diagrama escalera. La programación se realizó en campo, como se
muestra en la figura (18), para hacer el acondicionamiento de la lectura del
transformador de corriente (en el caso de la medición de corriente) contra los valores
reales de los amperímetros análogos que tiene el tablero del horno (Figura 19). La
correspondencia se estableció bajo las condiciones mostradas en la Tabla (6), esto
debido a la curva de respuesta que presentan los transformadores de corriente
cuando se usan en el rango de 0 a 100 A. Debido que estos sensores en su hoja de
datos no cuentan con información acerca de la linealidad de respuesta, se tuvo que
realizar el acondicionamiento de manera manual.
53
Tabla 6 Condiciones para el acondicionamiento de lectura de consumo de corriente
en cada resistencia
RANGO DE VALORES FACTOR DE
DATO MOSTRADO
MEDIDOS CONVERSIÓN OPERACIÓN
EN PANTALLA
D10, D20, D30 Kx
0 ≤ Dx ≤ 499 24 D15
500 ≤ Dx ≤ 999 26
D25
1000 ≤ Dx ≤ 1499 32 (Dx) / (Kx)
1500 ≤ Dx ≤ 1999 34 D35
2000 ≤ Dx ≤ 2500 42
54
Tabla 7 Acondicionamiento de lectura de temperatura de resistencia
El software utilizado para la programación del PLC fue MELSOFT Series GX Works2 de
Mitsubishi, ya que es la plataforma de control que se usa en la mayoría de las
máquinas instaladas dentro de la empresa.
55
detalles y características), la segunda parte muestra los parámetros y ajustes
necesarios para el almacenamiento (logging).
La figura (20) muestra la pantalla inicial del sistema de monitoreo. Dentro de planta
este proyecto se le ha denominado "Sistema de Lógica Difusa" (FLS por sus siglas en
inglés, Fuzzy Logic System).
56
La visualización de los datos en pantalla se logró a través de la programación de tres
ventanas, en la primera se muestran los valores numéricos (Fig. 21), en la segunda se
muestra una gráfica con el consumo de corriente en cada resistencia (Fig. 22) y la
tercera, la temperatura de las resistencias y el metal (Fig. 23). En esta última se
programó la pantalla de tal manera que la escala es muy grande por lo que la
variación de temperatura no se percibe y se observa un poco lineal.
57
Fig. 22 Visualización de gráfica de corriente eléctrica
58
3.4 OBTENCIÓN DE DATOS
59
Fig. 25 Registro de temperatura de una resistencia durante media hora
En las dos figuras se observa el comportamiento que presentaron las variables durante
el monitoreo, el cual tuvo una correspondencia muy cercana entre ellas. Sin embargo
el consumo de corriente (Fig. 24) presentó dos crestas por cada una de la temperatura
de la resistencia eléctrica.
60
3.5.1 Variables y Variables de Control
61
Fig. 26 Diagrama de
e con
control de potencia eléctrica de un horno
o de sostenimiento
s
62
Fig. 27 Diagrama de control difuso tipo Mamdani en Matlab®
Se crean dos grupos de etiquetas lingüísticas para cada variable y variable de control,
el primero con tres y el segundo con cinco, las cuales se muestran en las tablas (8) y
(9).
Consumo de Corriente
Bajo Normal Alto
Temperatura de Resistencias
Fría Normal Caliente
Cantidad de piezas moldeadas
Pocas Medio Muchas
Vida Útil
Corta Normal Larga
63
Tabla 9. Cinco variables lingüísticas de entrada y de control
Consumo de Corriente
Muy Bajo Bajo Normal Alto Muy Alto
Temperatura De Las Resistencias
Muy
Muy Frio Frio Normal Caliente
Caliente
Cantidad de piezas moldeadas
Bastante
Muy Pocas Pocas Normal Muchas
Muchas
Vida Útil
Muy Corta Corta Normal Larga Muy Larga
La función característica de membresía está definida de acuerdo a Ley et al. [26] por
la siguiente función:
Tal que:
1; >$ ) ∈ ?
) =
< 0; >$ ) ∉ ?
(6)
: Es el universo de discurso
): Son los elementos del universo de discurso
?: Identifica el conjunto difuso de
?= ), < ) :) ∈ } (8)
64
De acuerdo a Ley et al. [26], la forma de la función de membresía debe reflejar los
cambios en el grado de satisfacción del experto, con los cambios en las variables.
Estas pueden ser por ejemplo: triangulares, trapezoidales, lineales, lineales separables,
parabólicas, singleton y S.
Para este caso de estudio, se establecen las siguientes funciones de membresía, las
cuales se presentarán para su evaluación en el siguiente orden:
Las figuras (28 a 32) muestran las funciones de membresía establecidas para el
consumo de corriente de las resistencias eléctricas de un horno. De acuerdo al
conocimiento del experto en el proceso, se considera que el horno durante operación
ordinaria tiene este comportamiento de consumo de corriente:
65
Por lo tanto, el rango en el que las resistencias pueden llegar a trabajar se encuentra
de 0 a 60 Amperes, este rango será el universo de discurso para la variable de
consumo de corriente.
Fig. 29 Función de membresía triangular con tres etiquetas lingüísticas para el consumo
de corriente.
66
Fig. 30 Función de membresía trapezoidal con tres etiquetas lingüísticas para el
consumo de corriente.
67
Fig. 32 Función de membresía trapezoidal con cinco etiquetas lingüísticas para el
consumo de corriente.
68
Fig. 34 Función de membresía triangular con tres etiquetas lingüísticas para la cantidad
de piezas moldeadas.
69
Fig. 36 Función de membresía triangular con cinco etiquetas lingüísticas para la
cantidad de piezas moldeadas.
70
• Resistencia acercándose al fin de vida útil: alrededor de 1150°C
71
Fig. 40 Función de membresía trapezoidal con tres etiquetas lingüísticas para la
temperatura de la resistencia.
72
Fig. 42 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la
temperatura de la resistencia.
73
Fig. 44 Función de membresía triangular con tres etiquetas lingüísticas para la vida útil
de las resistencias.
Fig. 45 Función de membresía trapezoidal con tres etiquetas lingüísticas para la vida útil
de las resistencias.
74
Fig. 46 Función de membresía triangular con cinco etiquetas lingüísticas para la vida
útil de las resistencias.
Fig. 47 Función de membresía trapezoidal con cinco etiquetas lingüísticas para la vida
útil de las resistencias.
Las figuras correspondientes a las funciones de membresía tipo S para los casos de tres
y cinco etiquetas lingüísticas se muestran en el anexo A.
75
3.5.4 Fusificación
Para la fusificación de los datos numéricos que se tienen en base a la experiencia del
experto y con ayuda de las gráficas de función de membresía se obtendrá el grado al
que pertenezca cada una de las variables consideradas en este caso de estudio. El
método a usar para este proceso va a depender del tipo de función de membresía
con el que se trabaje.
El uso de las reglas de control permitirá expresar la relación que existe entre los
conceptos imprecisos y el comportamiento que gobierna al sistema que se pretende
controlar. Estos conceptos imprecisos son los que se han etiquetado como variables
lingüísticas y que posteriormente en su gráfica de función de pertenencia se obtiene el
grado de membresía, sin embargo la obtención de resultados se hace uso de
sentencias IF-THEN.
Este caso de estudio cuenta con 3 variables y todas están relacionadas entre sí, por lo
que se hará uso de las reglas difusas de Mamdani las cuales aplican sentencias IF-
AND-THEN. El uso de estas reglas tiene algunas ventajas como: amplia aceptación, es
intuitivo y se adapta perfectamente a la incorporación de conocimiento y
experiencia.
En las tablas (10 y 11) se muestran las reglas que se usarán en este caso de estudio,
dichas reglas pueden cambiar a lo largo del desarrollo del mismo, debido a que
puede enriquecerse con más aportación de personal experto en el proceso. Cada
tabla es una matriz de asociación difusa (FAM, por sus siglas en inglés Fuzzy Association
Matrix) para la representación de las reglas, la primera incluye tres etiquetas
lingüísticas y la segunda cinco, quedando como sigue:
76
Tabla 10. FAM de la variable de control (tiempo de vida útil) con tres etiquetas
lingüísticas
TEMPERATURA RESISTENCIAS
CONSUMO DE CANTIDAD DE
CALIENTE NORMAL FRIO
CORRIENTE PIEZAS
B P L L M
B N L L M
B M L M C
N P L M M
N N M M C
N M L M C
A P M M C
A N C C C
A M C C C
77
Tabla 11. FAM de la variable de control (tiempo de vida útil) con cinco etiquetas
lingüísticas
De la matriz con tres etiquetas lingüísticas surgen 27 reglas de control, mientras que
para la matriz con cinco etiquetas lingüísticas 125, las cuales para esta
caracterización del caso de estudio, se programan en Matlab® y pueden visualizar en
la figuras (48 y 49).
78
Fig. 48 Visualización de reglas de control en Matlab® para tres etiquetas lingüísticas
79
3.5.6 Desfusificación
Mediante esta operación lo que se busca es obtener una respuesta no difusa, es decir,
que las operaciones hechas en base a las reglas de control entregan un resultado que
requiere ser convertido a valores numéricos reales con los que se va a gobernar el
sistema, para este caso de estudio, ese resultado es la variable de control: tiempo de
vida útil.
De los dos métodos más utilizados para la desfusificación, están el de Centroide
(Centro de Masa) y el Centro de Área, en este proyecto se utilizó el primero por medio
Matlab®.
80
Fig. 51 Superficies de respuesta para tres etiquetas lingüísticas con funciones
triangulares
81
Fig. 53 Superficies de respuesta para cinco etiquetas lingüísticas con funciones
triangulares
Las superficies de respuesta correspondientes a las funciones tipo S para las tres y cinco
etiquetas lingüísticas se muestran en el anexo A.
82
Los datos procesados abarcaron un periodo de captura de un mes y se generaron 40
archivos con extensión CSV. Cada archivo se conformaba por 65,500 mediciones. Sin
embargo la medición recolectó datos que correspondieron a algunos días en los que
no se produjeron piezas, y en esos casos las variables de temperatura de metal y
consumo de corriente tuvieron un comportamiento diferente. Por lo anterior, se
consideraron únicamente las mediciones obtenidas durante la generación de piezas.
Mediante el uso de Excel, se procesaron los archivos obtenidos y se dejó uno con las
variables de consumo de corriente, temperatura de la resistencia y se agregó el dato
de las piezas producidas durante el periodo de medición. La figura (55) muestra dos
imágenes, la de la izquierda es la información que se descargada y a la derecha se
muestra el archivo con la información que se usó para el procesamiento en Matlab®.
En el archivo de la izquierda se observan los datos de las tres resistencias, sin embargo
para este caso de estudio únicamente se procesaron los datos de la resistencia "R", ya
que durante el periodo de monitoreo los termopares de las resistencias "S" y "T"
sufrieron daño. En el archivo de la derecha las columnas B y C se intercambiaron de
lugar para que quedaran como se muestra. Esto se debió a que la programación del
modelo difuso en Matlab®, el orden de las funciones de membresía se estableció en
ese orden.
83
Fig. 55 Comparativa de archivo descargado de la pantalla (izquierda) y archivo que
se usa para procesamiento en Matlab®(derecha)
Una vez obtenido el archivo de Excel, el siguiente paso fue realizar la programación en
Matlab® para leer el archivo y evaluarlo en los modelos difusos propuestos
anteriormente, los cuales se enlistan a continuación:
84
Fig. 56 Script usado para la evaluación de los datos en el modelo difuso
Cabe hacer mención que durante el periodo de captura de datos, los termopares de
las resistencias "S" y "T" sufrieron daño, lo que originó datos erróneos de lectura. Por esta
razón únicamente se procesaron los que se obtuvieron de la resistencia "R".
85
CAPÍTULO 4 RESULTADOS
Como se verá durante el desarrollo de este capítulo, los resultados que se obtuvieron
presentaron una variación que imposibilitó realizar la comprobación con el
comportamiento real de la vida útil de la resistencia del horno.
Una vez evaluado el archivo en los modelos difusos, el software entregó el mismo
número de resultados que la cantidad de datos de entrada, es decir, se obtuvieron
43,200 (equivalentes a un turno de trabajo de 12 horas de producción normal). En la
figura (57) se muestran de manera gráfica los resultados obtenidos. En estos resultados
se puede observar que la variable de control presenta oscilación de 5 a 25 meses
aproximadamente, sin embargo se puede observar que presenta también
repetibilidad en 15 meses.
Fig. 57 Resultados del modelo de tres etiquetas lingüísticas con funciones combinadas
86
4.2 RESULTADOS DEL MODELO DIFUSO DE TRES ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA TRIANGULARES
Fig. 58 Resultados del modelo de tres etiquetas lingüísticas con funciones triangulares
87
Fig. 59 Resultados del modelo de tres etiquetas lingüísticas con funciones trapezoidales
Fig. 60 Resultados del modelo de cinco etiquetas lingüísticas con funciones triangulares
88
4.5 RESULTADOS DEL MODELO DIFUSO DE CINCO ETIQUETAS LINGÜÍSTICAS CON
FUNCIONES DE MEMBRESÍA TRAPEZOIDALES
89
Fig. 62Identificación de los momentos en los que se realizó la carga de metal al horno
Fuente: Excel
90
Para el caso de la temperatura de la resistencia "R", el comportamiento que presentó
la temperatura de la resistencia presenta también patrón de comportamiento y se
muestran en la figura (64).
Fuente: Excel
91
CONCLUSIONES Y RECOMENDACIONES
Por otro lado, contar con opiniones de más expertos sobre el proceso puede
enriquecer en mayor grado el resultado de este caso de estudio en aplicaciones
posteriores ya que esto modificaría el modelo difuso y con esto se podrían obtener
diferentes resultados.
93
REFERENCIAS BIBLIOGRÁFICAS
[2] DE PRADA, Cesar. El futuro del control de procesos. RIAII, 2010, vol. 1, no 1, p. 5-14.
[4] RIQUELME, José C.; RUIZ, Roberto; GILBERT, Karina. Minería de datos: Conceptos y
tendencias. Revista Iberoamericana de Inteligencia Artificial, 2006, vol. 10, no 29, p. 11-
18.
[5] RODRÍGUEZ, Irahis; TERÁN, Rubén; ALVES, Roberto. Diagnóstico De Fallas En Motores
de Inducción Empleando la Técnica de Maquinas de Vectores de Soporte. 2009.
[7] CARIDAD Y OCERÍN, José María. La minería de datos: análisis de bases de datos en
la empresa. 2001.
[8] SON, Hyojoo; KIM, Changwan. Early prediction of the performance of green building
projects using pre-project planning variables: data mining approaches. Journal of
CleanerProduction, 2014.
94
[10]TEJADA MUÑOZ, Guillermo. Tutorial De Lógica FUZZY. Electrónica-UNMSM, 2014, no
5, p. 18-29.
[16] SINGHALA, Piyush; SHAH, Dhrumil; PATEL, Bhavikkumar. Temperature Control using
Fuzzy Logic. arXiv preprint arXiv:1402.3654, 2014.
[17] KOURO, Samir; MUSALEM, Rodrigo. Control mediante Lógica Difusa. Técnicas
modernas automáticas,(1-7)-7, 2002.
95
[19] CÓRDOBA, Juan Manuel, et al. Método de predicción a corto-plazo de foF2
basado en modelado neuroborroso para su aplicación en sistemas de comunicación
por satélite de alta precisión. Física de la Tierra, 2008, vol. 20, p. 167-182.
[20] ARANGO, Adriana; VELÁSQUEZ, Juan D.; FRANCO, Carlos J. Técnicas de Lógica
Difusa en la predicción de índices de mercados de valores: una revisión de
literatura. Revista Ingenierías Universidad de Medellín, 2013, vol. 12, no 22, p. 117-126.
[21] KAO, Sheng-Long, et al. A fuzzy logic method for collision avoidance in vessel traffic
service. Journal of Navigation, 2007, vol. 60, no 01, p. 17-31.
[22] HUSSEIN, Nashaat M., et al. Aplicación de Lógica Difusa en el control de contraste
de imágenes. 2010.
[23] DAI PRA, A., et al. Predicción de la variación dimensional en piezas de ADI
empleando técnicas de modelado difuso. Jornadas SAM-Conamet-AAS, 2001.
[25] MORALES, César Octavio Hernández; GONZÁLEZ, Juan Pablo Nieto; SILLER, Elías
Gabriel Carrum. Detección y diagnóstico de fallas en sistemas eléctricos de potencia
(SEP) combinando Lógica Difusa, métricas y una red neuronal probabilística.
[26] LEY, Manuel; CHACÓN, Oscar L.; VÁZQUEZ, Ernesto. Control de voltaje de sistemas
de potencia utilizando Lógica Difusa. Ingenierías, 2000, vol. 3, no 6, p. 37.
[27] OZBEN, Tamer; HUSEYINOGLU, Mesut; ARSLAN, Nurettin. Fuzzy logic model for the
prediction failure analysis of composite plates under various cure temperatures. Journal
of the Brazilian Society of Mechanical Sciences and Engineering, 2014, vol. 36, no 3, p.
443-448.
96
[28] MOON, Jiho, et al. Prediction of axial load capacity of stub circular concrete-filled
steel tube using fuzzy logic. Journal of Constructional Steel Research, 2014, vol. 101, p.
184-191.
[30] KHODAYARI, Alireza, et al. Design of an improved fuzzy logic based model for
prediction of car following behavior. En Mechatronics (ICM), 2011 IEEE International
Conference on. IEEE, 2011. p. 200-205.
[31] RAI, Adarsh, et al. Fuzzy logic based prediction of performance and emission
parameters of a LPG-diesel dual fuel engine. Procedia Engineering, 2012, vol. 38, p. 280-
292.
[33] ZALNEZHAD, E.; SARHAN, Ahmed AD; HAMDI, M. A fuzzy logic based model to
predict surface hardness of thin film TiN coating on aerospace AL7075-T6 alloy. The
International Journal of Advanced Manufacturing Technology, 2013, vol. 68, no 1-4, p.
415-423.
[34] LIN, Pin-Fang, et al. Objective prediction of warm season afternoon thunderstorms
in northern Taiwan using a fuzzy logic approach. Weather and Forecasting, 2012, vol.
27, no 5, p. 1178-1197.
[35] KHOSRAVI, Abbas; NAHAVANDI, Saeid; CREIGHTON, Doug. Short term load
forecasting using interval type-2 fuzzy logic systems. En Fuzzy Systems (FUZZ), 2011 IEEE
International Conference on. IEEE, 2011. p. 502-508.
97
[36] GHASEMI, Ebrahim; ATAEI, Mohammad. Application of fuzzy logic for predicting
roof fall rate in coal mines. Neural Computing and Applications, 2013, vol. 22, no 1, p.
311-321.
[38] GENTILI, Pier Luigi, et al. Analysis and prediction of aperiodic hydrodynamic
oscillatory time series by feed-forward neural networks, fuzzy logic, and a local
nonlinear predictor. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2015, vol.
25, no 1, p. 013104.
[39] TEKELI, Hamide, et al. Comparison of critical column buckling load in regression,
fuzzy logic and ANN based estimations. Journal of Intelligent and Fuzzy Systems, 2014,
vol. 26, no 3, p. 1077-1087.
[40] GENCEL, Osman, et al. Fuzzy Logic Model for Prediction of Properties of Fiber
Reinforced Self-compacting Concrete. Materials Science, 2013, vol. 19, no 2, p. 203-215.
[41] AHMED, Moataz A.; AL-JAMIMI, Hamdi A. Machine learning approaches for
predicting software maintainability: a fuzzy-based transparent model. IET software,
2013, vol. 7, no 6, p. 317-326.
[42] TORNO, Susana, et al. Mathematical and fuzzy logic models in prediction of
geological and geomechanical properties of rock mass by excavation data on
underground works. Journal of Civil Engineering and Management, 2011, vol. 17, no 2,
p. 197-206.
[43] PANDEY, Arun Kumar; DUBEY, Avanish Kumar. Fuzzy expert system for prediction of
kerf qualities in pulsed laser cutting of titanium alloy sheet. Machining Science and
Technology, 2013, vol. 17, no 4, p. 545-574.
98
[44] TAGHAVIFAR, Hamid; MARDANI, Aref. Fuzzy logic system based prediction effort: A
case study on the effects of tire parameters on contact area and contact
pressure. Applied Soft Computing, 2014, vol. 14, p. 390-396.
[45] BARZANI, Mohsen Marani, et al. Fuzzy logic based model for predicting surface
roughness of machined Al–Si–Cu–Fe die casting alloy using different additives-
turning. Measurement, 2015, vol. 61, p. 150-161.
[47] VUNDAVILLI, Pandu R., et al. Fuzzy logic-based expert system for prediction of
depth of cut in abrasive water jet machining process. Knowledge-Based Systems, 2012,
vol. 27, p. 456-464.
99
ANEXOS
100
Anexo A. Funciones de membresía tipo S para tres y cinco etiquetas, superficies
de respuesta y resultados de predicción
Fig. a Función de membresía tipo S para el consumo de corriente con tres etiquetas
lingüísticas
Fig. b Función de membresía tipo S para la cantidad de piezas con tres etiquetas
lingüísticas
101
Fig. c Función de membresía tipo S para la temperatura de resistencia con tres
etiquetas lingüísticas
Fig. d Función de membresía tipo S para la vida útil con tres etiquetas lingüísticas
102
Fig. e Superficie de respuesta para tres etiquetas lingüísticas con función tipo de
membresía tipo S
Fig. f Superficie de respuesta para tres etiquetas lingüísticas con función de membresía
tipo S
103
Fig. g Superficie de respuesta para tres etiquetas lingüísticas con función de membresía
tipo S
104
Fig. i Función de membresía tipo S para el consumo de corriente con cinco etiquetas
lingüísticas
Fig. j Función de membresía tipo S para la cantidad de piezas con cinco etiquetas
lingüísticas
105
Fig. k Función de membresía tipo S para la temperatura con cinco etiquetas lingüísticas
Fig. l Función de membresía tipo S para la vida útil con cinco etiquetas lingüísticas
106
Fig. m Superficie de respuesta para cinco etiquetas lingüísticas con función de
membresía tipo S
107
Fig. ñ Superficie de respuesta para cinco etiquetas lingüísticas con función de
membresía tipo S
108
Anexo B. Imágenes de visualización y configuración de pantalla GOT
109
[Screen Image] [Screen size]640X480 [OFF]
110
[Screen Image]
[Screen size]640X480 [OFF]
111
Logging ID : 1
Logging ID : 2
Logging Name Grafica de temperatura
Logging Mode File Save
Number of Files 1
Number of Logs a file 65500
File Terminal Trigger No
File Terminal Notification Device -
Logging Trigger Type Rise
Logging Trigger Device M10
Logging Notification Device No
Logging Count Device No
Retain data in the embedded memory in GOT even when the po No
wer goes off (The battery will be required)
Log Storage Number 32767(number of items)
--> 513 Kbyte of the memory to be used
Block Number 1
File Output Attribute Yes
Drive Name A:Standard CF Card
Folder Name Project1\LOG00002
File Name LOG00002
Add date information to file name Yes
Store Trigger Type None
Additional File Type CSV File
Destination Change
Drive Name A:Standard CF Card
Folder Name Project1\LOG00002
File Name LOG00002
112
[Logging] Logging ID : 2
Logging ID : 3
Logging Name Grafica de corriente
Logging Mode File Save
Number of Files 1
Number of Logs a file 65500
File Terminal Trigger No
File Terminal Notification Device -
Logging Trigger Type Rise
Logging Trigger Device M10
Logging Notification Device No
Logging Count Device No
Retain data in the embedded memory in GOT even when the po No
wer goes off (The battery will be required)
Log Storage Number 32767(number of items)
--> 513 Kbyte of the memory to be used
Block Number 1
File Output Attribute Yes
Drive Name A:Standard CF Card
Folder Name Project1\LOG00003
File Name LOG00003
Add date information to file name Yes
Store Trigger Type None
Additional File Type CSV File
Destination Change
Drive Name A:Standard CF Card
Folder Name Project1\LOG00003
File Name LOG00003
Specify File Output Time Information Format No
Date/Time Format -
Writing Notification Device No
Writing Error Notification Device No
113
Anexo C. Conexión a PLC Mitsubishi Serie Q por puerto Ethernet
114
115
116
117
118
Anexo D. Conexión a PLC Mitsubishi Serie Q mediante la pantalla GOT
119
120
121
122
123
Anexo E. Procedimiento para descarga de datos de pantalla GOT
124
125