Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porCristian agudelo Modificado hace 4 años
1
AUTOMATIZACIÓN Y CONTROL DE PROCESOS Cristian Camilo Agudelo Calderón Universidad de Caldas 2019
2
USO DE INTELIGENCIA ARTIFICIAL PARA LA REDUCCIÓN DE DATOS DESCENTRALIZADA Y LA EXTRACCIÓN DE INFORMACIÓN Lean Data in Manufacturing Systems : Disponible en línea en www.sciencedirect.com ScienceDirect Procedia CIRP 72 (2018) 219-224
3
Autores: Lean Data in Manufacturing Systems :
4
En el transcurso de la digitalización, se puede observar un gran aumento en la cantidad de datos adquiridos en sistemas de producción. Sin embargo, sólo una pequeña parte de los datos se utiliza para el análisis
5
En el 2016 [1]: 16.1 Zettabytes Para el 2025 [1]: 163 Zettabytes
6
Crecimiento Exponencial [1] Pardo L. 2016. La era del Zettabytes. De: https://www.neoteo.com/la-era-del-zettabyte-cuantos-bytes-hay- en-un-zettabyte-y-como-nos-afecta/
7
La digitalización nos proporciona información valiosa. Permite que las empresas logren ser mas eficientes tanto en el proceso como en los recursos. Informa sobre el mantenimiento predictivo lo que garantiza una mejor planificación de la producción. Introducción
8
Requiere tiempo. Es costoso. No hay compresión en los datos. Sin embargo
9
Utiliza sistemas integrados. El análisis se realiza in situ. Reduce el volumen de datos. Enviará información valiosa al usuario. Enfoque en el análisis descentralizado
10
Implementar un modelo de análisis descentralizado para la clasificación de los estados de funcionamiento en plantas de producción usando redes neuronales ANN ¿Que se pretende?
11
El uso de la ANN en plantas de producción ha sido discutido y aplicado parcialmente en 1997. Trabajo relacionado
12
HEUER [2] identifico tres áreas principales de aplicación que hoy en día de siguen, lo resume como: Trabajo relacionado
13
1-Diagnostico y pronóstico 2-Optimización 3-Medición, control y regulación. Trabajo relacionado
14
Se basará en el ámbito de “Diagnostico y pronostico” para apoyar la “Medición, control y regulación”. La ANN de este estudio
15
Metodología La Figura 1. Nos muestra el esquema eléctrico de configuración de la maquina, consta de cuatro maquinas asíncronas trifásicas y un inversor.
16
Figura1. Thomas Küfner et al. / Procedia CIRP 72 (2018) esquema eléctrico de configuración de la maquina
17
Características principales de los motores Thomas Küfner et al. / Procedia CIRP 72 (2018) características principales de los motores.
18
Figura1 Thomas Küfner et al. / Procedia CIRP 72 (2018) esquema eléctrico de configuración de la maquina Fase L2, medición eléctrica del sistema
19
Las señales adquieren una tasa de muestreo de 20 Ks / s Condiciones
20
Condiciones alrededor de 20.000 muestras en cada segundo
21
Las señales adquieren una tasa de muestreo de 20 Ks / s De estas muestras saca 50 RMS. Condiciones
22
Las señales adquieren una tasa de muestreo de 20 Ks / s De estas muestras saca 50 RMS. Condiciones Valor Cuadrático Medio
23
Las señales adquieren una tasa de muestreo de 20 Ks / s De estas muestras saca 50 RMS. Un total de 14 Segundos. Condiciones
24
Las señales adquieren una tasa de muestreo de 20 Ks / s De estas muestras saca 50 RMS. Un total de 14 Segundos. Condiciones 50 RMS * 14 S =
25
Las señales adquieren una tasa de muestreo de 20 Ks / s De estas muestras saca 50 RMS. Un total de 14 Segundos. Condiciones 50 RMS * 14 S = 700 RMS
26
Estados de operación Figura 2. Thomas Küfner et al. / Procedia CIRP 72 (2018) Estados de operación.
27
Cambio de temperatura Figura 3.Thomas Küfner et al. / Procedia CIRP 72 (2018) Temperatura durante las 250 mediciones.
28
Análisis para la implementación de la ANN Figura 4.Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN.
29
Análisis para la implementación de la ANN Preparación de los datos de entrada.
30
Análisis para la implementación de la ANN Preparación de los datos de entrada. 50 RMS * 14 S = 700 RMS
31
Análisis para la implementación de la ANN Figura 4.Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN.
32
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN.
33
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700
34
Análisis para la implementación de la ANN Preparación de los datos de entrada. Aplicación de las capas (filtros).
35
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700
36
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700 500
37
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700 500
38
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700 500 150
39
Análisis para la implementación de la ANN Preparación de los datos de entrada. Aplicación de las capas (filtros). Definir categorías de salida.
40
Análisis para la implementación de la ANN Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700 500 150
41
Figura 2.Thomas Küfner et al. / Procedia CIRP 72 (2018) Estados de operación. Análisis para la implementación de la ANN
42
Figura 4. Thomas Küfner et al. / Procedia CIRP 72 (2018) Visualización del modelo ANN. 700 500 150 6
43
Análisis para la implementación de la ANN Se implementaron 10 diferentes modelos de red neuronal variando entre sus registros y épocas de entrenamiento.
44
Análisis para la implementación de la ANN Con el fin de obtener resultados confiables sobre el éxito del aprendizaje se probaron con datos históricos 5 años atrás
45
Conclusiones Figura 5.Thomas Küfner et al. / Procedia CIRP 72 (2018) Resultados de vcada modelo de ANN.
46
Conclusiones Los valores están muy cerca del optimo del 100 y demuestran que los modelos son adecuados para una clasificación confiable
47
Conclusiones Figura 6.Thomas Küfner et al. / Procedia CIRP 72 (2018) Esquema modelar para descentralización y extracción de información..
48
Conclusiones Se puede instalar directamente en el suministro principal trifásico de las plantas de producción. Un microcontrolador toma las muestras actuales de cada estado.
49
[1] Reinsel, D.; Gantz, J.; Rydning, J.: IDC White Paper “Data Age 2025: The Evolution of Data to Life-Critical - Don’t Focus on Big Data; Focus on the Data That’s Big”. April 2017. URL: https://www.seagate.com/files/www- content/ourstory/trends/files/Seagate-WP-DataAge2025-March-2017.pdf (last access 8.06.2019) [2] Heuer, J.: „Neuronale Netze in der Industrie: Einführung - Analyse – Einsatzmöglichkeiten“. Deutscher Universitätsverlag: Wiesbaden, 1997. ISBN 3-8244-6386-5 [3] Küfner. T, Uhlemann.T, Ziegler.B. “ Lean Data in Manufacturing Systems: Using Artificial Intelligence for Decentralized Data Reduction and Information Extraction”. Procedia CIRP 72 (2018) 219–224 Bibliografía
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.