Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.
I.INTRODUCCIN
El mundo empresarial en los ltimos aos se ha
desarrollado a un ritmo acelerado, influenciado por
la
competitividad,
esto
hace
importante
implementar un programa de mantenimiento con el
objetivo de proteger los equipos y mquinas para
aumentar su tiempo de servicio y alargar su vida
til.
El anlisis de vibraciones mecnicas se utiliza como
una herramienta de monitoreo y diagnstico de
fallas, y hace parte del programa de mantenimiento
predictivo; estas tcnicas permiten evaluar las
condiciones externas de una mquina sin necesidad
de desarmarla y sin afectar su funcionamiento
normal, las seales de vibracin se van captando en
tiempo real con la mquina funcionando de tal
forma que se pueda predecir a travs del monitoreo
cuando esta va a fallar, logrando as grandes
ventajas en la competitividad de las empresas.
De acuerdo a lo anterior, es de suma importancia
recopilar informacin crtica en forma clara y
oportuna para mejorar la toma de decisiones en los
procesos de implementacin de sensores y
transductores para realizar una clasificacin
automtica [1] de patrones de desbalanceo. Para la
solucin de este problema en la Universidad
Antonio
Nario se han venido desarrollando
alternativas que van desde la construccin de un
banco de pruebas para anlisis de vibraciones
mecnicas en maquinaria rotativa, en el cual se
Premio Colombiano de Informtica ACIS 2011
Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.
de investigacin
vibraciones.
II.
que
lleva
este
banco
de
A. Logica difusa
El concepto de lgica difusa es muy comn, est
asociado con la manera en que las personas
perciben el medio, por ejemplo ideas relacionadas
con la altura de una persona, velocidad con la que
se mueve un objeto, la temperatura dominante en
una habitacin, cotidianamente se formulan de
manera ambigua y depende de quin percibe el
efecto fsico o qumico, ser su enunciado acerca de
tal fenmeno. Una persona puede ser alta o baja,
algo puede moverse rpido o lento, una temperatura
puede ser baja o moderada o alta, se dice que estas
afirmaciones acerca de una variable son ambiguas
porque rpido, bajo, alto son afirmaciones del
observador, y estas pueden variar de un observador
a otro. Uno se puede preguntar cundo algo es fro o
caliente, qu tan baja es la temperatura? cuando
decimos fro, o qu tan alta? es cuando decimos
caliente.
Los conjuntos difusos definen justamente estas
ambigedades e intenta modelar la ambigedad con
la que se percibe una variable. Los conjuntos
difusos son la base para la lgica difusa.
B. Conjuntos difusos
Los conjuntos clsicos, tienen limitaciones, ellos
definen un universo discreto con bordes bien
definidos, en ellos un elemento no pueden
pertenecer a cierto conjunto, algo es falso o es
verdadero; En este punto los conjuntos borrosos
son una extensin de los clsicos, para describir la
ambigedad de un conjunto borroso se logra
aadiendo una funcin de membreca o perteneca
denominada A(x), esta indica el grado en que la
variable x incluida en el conjunto A con valores
entre 0 y 1, si esta funcin toma el valor 0 significa
que el valor de x no est incluida en la etiqueta A y
si toma 1 el correspondiente valor de x est
absolutamente incluido en A.
Los conjuntos difusos son la base para la lgica
difusa, del mismo modo que la teora clsica de
conjuntos es la base para la lgica Booleana. Con
Premio Colombiano de Informtica ACIS 2011
C.
Modelo de clasificador difuso propuesto
El modelo propuesto para el clasificador difuso se
presenta en la Figura 5, en donde se observan los
variables de entrada llamadas Antecedente, stos
valores entran al clasificador (cuadro central),
pasando por la etapa de fuzzificacin, la cual
entrega los valores al motor de inferencia difusa
(Borrosa) que junto a las reglas difusas computa los
conjuntos difusos de salida por cada una de las
reglas difusas, estos conjuntos entran a la etapa de
Defuzzificacion, la cual como se mencion
anteriormente transforma los conjuntos de salida en
un valor representativo de perteneca para el caso en
particular de estudio.
Figura 2. Modelo de clasificador difuso
Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.
D. Funciones de membreca
Ya que el mtodo que se plantea para configuracin
de clasificador difuso es prueba y error, se empez
por utilizar para todas la funciones de membreca
una funcin de tipo triangula.
El rango para cada uno de los conjuntos difusos se
escogi observando el mximo y el mnimo de las
seales vibracionales obtenidas de banco de
pruebas.
Los rangos para cada uno de los conjuntos difusos
(RMS, PICO, ENERGIA) se obtienen del anlisis
de cada una de las seales Vibracionales para
obtener los correspondientes valores. Presentados
en la TABLEI, muestra los tres valores necesarios
para configurar una funcin triangula, estos valores
pertenecen a cada una de las funciones de
membreca de los conjuntos borrosos de entrada
(RMS, PICO, ENERGA):
III.
RESULTADOS
Se hicieron barias pruebas para llegar a la
configuracin mas optima para el clasificador
difuso, El proceso de estas pruebas se describe en la
grafica siguiente Figura 5.
sta grafica muestra los pasos posteriores a la
configuracin inicial del clasificador Difuso en el
Toolbox de Matlab Fuzzy, de la forma que se
describi anteriormente.
Figura 3. Proseo de configuraciones del clasificador difuso
TABLE I
CONJUNTO BORROSO Y SUS FUNCIONES DE MEMBRECA
Conjunto Borroso
Funcin membreca
RMS
PICO
ENERGA
CONDICIN
Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.
IV.
VALIDACIN CRUZADA
V.
CONCLUSIONES
La validacin cruzada o cross-validation es una
tcnica utilizada para evaluar los resultados de un
anlisis estadstico y garantizar que son
independientes de la particin entre datos de
entrenamiento y prueba. Consiste en repetir y
calcular la media aritmtica obtenida de las medidas
de evaluacin sobre diferentes particiones. Se
utiliza en entornos donde el objetivo principal es la
prediccin y se quiere estimar que tan preciso es un
modelo que quiere llevarse a la prctica [9]. sta
tcnica es muy utilizada en proyectos de
inteligencia artificial para validar modelos
generados.
Figura 5. Validacin cruzada
Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.
TABLE II
Valor medio
Precisin % Errorf %
87.50
12.50
75.00
25.00
75.00
25.00
62.50
37.50
100.00
0.00
75.00
25.00
100.00
0.00
87.50
12.50
100.00
0.00
87.50
12.50
87.50
12.50
87.50
12.50
100.00
0.00
75.00
25.00
100.00
0.00
75.00
25.00
75.00
25.00
75.00
25.00
87.50
12.50
87.50
12.50
85%
15%
VI.
CONCLUSIONES
Universidad Antonio Nario. ANGARITA O Robinson, ZAPATA C Nelson, Clasificacin Automtica De Patrones De
Desbalanceo En Una Maquina Rotativa, Utilizando Lgica Difusa.
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
AUTORES
ANGARITA O Robinson, roangarita@uan.edu.co