s.e.p. s.e.i.t. d.g.lt. - cenidet · institutos tecnológicos 50 años de educación superior...
TRANSCRIPT
S.E.P. S.E.I.T. D.G.LT.
CENTRO NACIONAL DE INVESTIGACION Y DESARROLLO TECNOLOGICO
“RECONOCIMIENTO DE PATRONES DE FALLAS EN GENERADORES ELECTRICOS EMPLEANDO REDES
NEURONALES ARTIFICIALES”
T E S I S QUE PARA OBTENER EL GRADO DE:
M A E S T R O E N C I E N C I A S EN CIENCIAS COMPUTACIONALES P R E S E N T A :
MARTHA ALICIA ROCHA SANCHEZ
DIRECTOR DE TESIS: M.C. MANUEL MEJlA LAVALLE
CUERNAVACA, MOR. MARZO DE 1999.
SISTEMA NACIONAL DE INSTITUTOS TECNOL~GICOS
Centro Nacional de Investigación y Desarrollo Tecnológico
FORMA A 3 REVISION DE TESIS
REV. 12/97
Cuernavaca, Morelos a 1 2 de Marzo 1999.
M.C. Máximo López Sánchez Presidente de la Academia de Ciencias Computacionales Presente
Nos es grato comunicarle, que conforme a los lineamientos para la obtención del grado de Maestro en Ciencias de este Centro, y después de haber sometido a revisión académica la tesis denominada: "RECONOCIMIENTO DE PATRONES DE FALLAS EN GENERADORES ELÉCTRICOS EMPLEANDO REDES NEURONALES ARTIFICIALES", realizada por la C. Martha Alicia Rocha Sánchez, y habiendo cumplido con todas las correcciones que le fueron indicadas, acordamos no tener objeción para que se le conceda la autorización de impresión de la tesis.
Sin otro particular, quedamos de usted.
Atentamente La comisión de revisión de tesis
J- Y , r j . / ? b : ; . .
' I T .
Dr. Francisco José Mugica Álvarez.
ccp Dr. Javier Ortiz Hernandez/Jefe del Departamento de Ciencias Computacionaies
q+ .e..$&?
Institutos Tecnológicos 50 años de educación superior tecnológica en Mexico It
A?ARlADO POSTAL 5-1 ba, C P 62051, CUERNAVACA. MOR. MEXICO - IELS. (7311 2 2314.1 2 7613, FA% (73) 12 2434. EMAIL: [email protected]
SISTEMA NACIONAL DE INSTITUTOS TECNOL~GICOS
Centro Nacional de Investigación y Desarrollo Tecnológico
FORMA A 4 AUTORIZACION DE IMPRESIÓN DE TESIS
REV. 1 2 / 9 7
Cuernavaca, Morelos a 16 de Marzo de 1999
C. Martha Alicia Rocha Sánchez. Candidato al grado de Maestro en Ciencias En Ciencias Computacionales Presente
Después de haber atendido las indicaciones sugeridas por la Comisión Revisora de la Academia de Ciencias Computacionales en relación con su trabajo de tesis: "RECONOCIMIENTO DE PATRONES DE FALLAS EN GENERADORES ELÉCTRICOS EMPLEANDO REDES NEURONALES ARTIFICIALES", me es grato comunicarle, que conforme a los lineamientos establecidos para la obtención del grado de Maestro en Ciencias en este Centro, se le concede la autorización para que proceda con la impresión de su tesis.
mento de Ciencias Computacionales
í
Institutos Tecnológicos 50 años de educación superior tecnológica en México
MVMlLMB
APARTADO POSTAL 5-164. CP 62051. CUERNAVACA. MOR. MEXICO. TELS. (73112 2314.12 7613, FAX (731 12 2434 - EMAIL: [email protected]
Dedco con todo mi amor esta
iesii a mi esposo &uis y a mis
Gracias por sader ser pamentes
y comprensioos.
Agradecimientos
Gracias a ti, mi Dios, por brindarme la oportunidad de agradecerte infnitamente los logros de mi vida.
Gracias a m i s queridos padres que han sabido cumplir con el divino mandato de Dios de enseñarme a superarme y de valorar los
sufrimientos.
Gracias a mi hermana Rossio, a su esposo Ramón y m i s sobrinos por su apoyo y su cariño.
Gracias a m i s hijos Pado y Jonatán porque ellos han llenado mi vida de amor y felicidad.
Gracias a mi esposo José Luis por haberme dado la oportunidad de vivir junto a él toda la vida. .
AGRADECIMIENTOS
Gracias al Ing. Juan Hugo Rodriguez Garza del Tecnológico de Leónpor haberme motivado y ayudado a que esta maestría fuera posible.
Gracias al Ing. Angel Gámez, al Ing. J. Aguilera Batista, al Ing. Efraín Bermudez, a la Ing. Ruth Sáez y en general al Instituto Tecnológico de León por haberme dado las facilidades para realizar mis estudios de posgrado.
Gracias al M.C. Raúl Pinto, al Dr. Francisco Mugica y al Dr. Guillermo Rodriguez por sus atinadas y valiosas sugerencias en la redacción de este documento.
Gracias a mi director de tesis, el profesor Manuel Mejía Lavalle por el gran cúmulo de conocimiento que me trasmitió y su gran tiempo de dedicación en la realización y revisión de esta tesis.
Gracias a todos los que trabajan en el CENIDETy en especial al Dr. Javier Or& por la gran ayuda y orientación que se me brindó sobre todo para los trámites del CENIDET y D. G.I. T.
Gracias a la M.C. Matilde Velazco Soni por su apoyo incondicional.
Gracias a mis compañeros de la maestría Mirna Cruz, José Luna, Noe Carrillo, Fabiola Rasgado por su gran amistad.
Gracias al CENIDETpor su gran calidad en la ensefianza
Gracias al IIE por su apoyo material y humano para la realización de esta tesis.
Gracias al CONACYT por su apoyo económico durante el periodo de 1996 a 1998 para realizar mis estudios de posgrado y sobre todo por su preocupación en la difusión de la ciencia y tecnología
TABLA DE CONTENIDO.
CAPÍTULO 1 INTRODUCCI~N
1.1. ANTECEDENTES ........................... 1.2. OBJETIVOS ................ ........................... 1.3. PLANTEAMIENTO G 1.4. JUSTIFICACI~N. ........................... ....................... 1.5. ALCANCES Y LI 1.6. FACTBILIDAD Y DISCIPLINAS IMrOLUCRADAS ..................... 1.7. METODOLOG h... ......................... 1.8. PLAN DE EXPOS1 .......................
CAP~TULO 2
.......................... ..........................
L PROBLEMA ....... .......................... ..............
FUNDAMENTOS TEÓRICOS INVOLUCRADOS
Pág.
1
8
2.1. FUNDAMENTOS DE GENERADORES ELÉCTRICOS 8 8 10 11
11 UN GENERADOR ........................ .........................
14
........................... 2.1.1. GENERADORES ELECTRICOS ............... ........................ 2.1.2. GENERALIDADES DE DESCARGAS PARCIALES .....................
2.1.2.1. LOS NSLADORES Y DIELÉCTRICOS .................. 2.1.2.2. LOS SISTEMAS DE AISLANTES EN LOS ESTA
2.1.2.3. GENERALIDADE ................... 2.1.2.4. CLASIFICACIÓN DEL FENÓMENO DE DP ..................
2.1.2.4.2. DP SUPERFICIALES ....
................. 2.2. FUNDAMENTOS DE RNAs .................. .................. 2.2.1 EL PROTOTIPO BIOLÓGICO.. .......................
2.2.1.1. ESTRUCTURA DE LA ................. 2.2.1.2. NATURALEZA BIOELÉCTRICA DE LA NEURONA ............ 20
2.2.2. SIMILITUD DE RNAs Y ....................... ..........................
................................... .................... 2.2.3.1 APRENDIZAJE ...........
2.2.3.2 GENERALIZACI~N ............................ ................. 2.2.3.3. ABSTRACCIÓN .................. ...........................
........................ 2.2.4. LA NEURONA ARTIFICIA ........................ 2.2.5. FUNCIÓN DE A 2.2.6. APRENDIZAJE EN RNAs .....................
2.2.6.1. APRENDIZAJE NO SUPERVIS
.....................
2.2.9. BENEFICIOS DE LAS RNAs .........
2.3. RNAs SELECCIONADAS .............................................. ..................... 31
Hamining con factores de certeza version I1 .............................. 34 2.3.3. LA RED RADUL BASIS FI/NCTION( RBF)... ..................... 37
2.5. ESTADO DEL ARTE ...................................................... 41
2.3.1. LA REDACKPROPAGATION ......................... 31 2.3.2. LA RED PHAF II (Paradigm ado en el mo
2.4. RECONOCIMIENTO DE PATRONES ................................. 40
48 CAPÍTULO 3
3.1. SISTEMA DE DIAGNÓSTICO ................................................. 48 3.1.1. DESCRIPCI~N DE LAS TÉCNICAS DE MEDICIÓN EMPLEADAS
DESCRIPCIÓN DEL PROBLEMA Y METODOLOGIA PROPUESTA.. ............
48 EN EL IIE .............. ..................... 3.1.2. DESCRIPCIÓN DE PROBLEMAS EN EL SISTEMA AlSLANTE DE
GENERADORES (SAG) 50 3.1.3. ELICM++YLAS MEDICIONES EN LINEA DE DP EN GE .............. 51
3.2. DESCRIPCIÓN DEL PROBLEMA .... ............................................................ 53 3.3. CARACTERÍSTICAS DE LOS PA ES A RECONOCER .......................... 54 3.4. METODOLOGh PROPUEST ....................................................... 3 .5 . REQUERIMIENTOS DEL SIS .................................... 56 3.6. ANÁLISIS DE REQUERIMIENTOS PARA EL DIFGERN ................................. 57
CAPITULO 4 DESARROLLO DEL PREPROCESAMIENTO Y DE LAS RNAs ...................
56
60
4.1. OBJETIVO DEL PREPROCESAMIENTO.
4.2.1. MODELO ..................................
4.3. DESARROLLO DE LAS RNAs ............. 4.3.1. BACKPROPAGATIO ................................... 4.3.2. PHAFII ............... ................... 4.3.3. RADIAL BASIS F .............................................
CAPITULO 5 RESULTADOS DE LOS EXPERIMENTOS DEL PREPROCESAMIENTO, RNAs 75 Y PROTOTIPO ..............................................................................................................
5.1, EXPERIMENTOS EN EL PreInDat ...................................................................... 75 77 5.1.1. ANÁLISIS DE RESULTADOS DEL PREPROCESAMIENTO ............
5.2.1. EJEMPLOS Y PREPARACION DE ARCHIVOS DE 5.2. PRUEBAS CON LAS RNAs .................................................................................. 86
~~
87 89
PATRONES.. ............................................................................................ 5.2.2. RESULTADOS CON LA RED BACKPROPAGATION ......................... 5.2.3 RESULTADOS CON LA RED PHAFII .............................. 90 5.2.4 RESULTADOS CON LA RED REF.... 5.2.5.GRÁFICA COMPARATIVA DE LAS 5.2.6. PROTOTIPO: DIAGNÓSTICO DE FALLAS CON EL
DIFGERN ............ ................................ 5.2.6.1. LOS PATRONES DE ENTRENAMIENT
92
92
.................
........................... ............................
ii
5.2.6.2, I\NÁLISIS DE LA ETAPA DE ENTRENAMIENTO y 94 RECONOCIMIENTO DEL DIFGERh’ ...................................
CAPITULO 6. 98 CONCLUSIONES .........................................................................................................
..........................
................
106 REFERENCIAS y BIBLIOGRAFíA ............... ..,; ......................................................
A. 1 APÉNDICE A .................. APÉNDICE B... APÉNDICE c ....................................................... : .............. APÉNDICE D ................ APÉNDICE E ........................ ..................................................... E.l
iii
INDICE DE FIGURAS. ~~~
No.
2. I . Figura. Título
Componentes del sistema aislante del devanado del estator [Salgado 971
DP internas, por la presencia de burbujas de gas, cavidades de aceite o particulas extrañas [Méndez 901.
2.2.
2.3. DP superficiales, debidas a la presencia de esfuerzo dieléctnco paralelo a la superficie del aislamiento [Méndez 901.
Pág.
12
16
16
2.4. DP Corona, debidas a la concentración de campo eléctrico en la superficie de un conductor o electrodo en aire. píéndez 901 17
2.5, Diagrama del modelo abstracto de la neurona artificial [Blum 921. 23
2.6.
2.7.
2.8.
Función de Escalón [Blum 921.
Función logistica o sigmoidal [Blum 921.
Estnichira de una red multinivel con conexiones hacia delante [Blum 921.
2.9. Ejemplos de conexiones con propagación hacia atrás [Blum 921.
2s
25
21
28
2.10.
iV
Red Backpropagarion con tres capas [Chin-Teng 961. 32
2.11.
2.12.
Arquitectura de la red PHAFII [Ontiveros 951.
Arquitectura de una red RBF.
35
38
3.1.
3.2.
3.3.
Conexiones para el monitoreo en línea de DP en generadores eléctricos [Reyes 981.
Zonas de medición de los voltajes y comentes inducidos en la flecha [Reyes 981.
Ejemplos de patrones PRPD en donde se muestra la relación +q-n .
49
50
55
3.4. Proceso propuesto para el DIFGERNy sus etapas. 51
I No. 1 I I
Figura. 4.1.
Título Phg. Patrón PRPD es una matriz bidimensional que guarda las frecuencias (n) de las relaciones entre ángulo de fase (4) y la carga (q). Se esquematiza la discretización de puntos de la relación anterior. 63
4.2.
4.3.
Rectángulos verticales indicando cada intervalo discretizudo almacenado en el vector Ver.
Rectángulos horizontales indicando indicando cada intervalo discrerizudo
64
almacenado en el vector Hor 66
4.4. Patrón PRF'D seccionado con ondas senoidales. Se aprecia que ahora los infervalos son curvos en la fase positiva como negativa.
67
4.5.
5.1.
Esquema de preprocesamiento en el desarrollo de PreInDat. 68
7s Gráficas de la Dif Nc para los experimentos de la tabla 5.2.
V
5.2.
5.3.
79
so
Gráficas de la Dif nC para los experimentos de la tabla 5.3.
Gráficas de la diferencia de nC para los experimentos de la tabla 5.4.
5.4. Gráficas de la Dif nC para los experimentos de la tabla 5.5. Se grafica en cada una las tres fases en modo vertical y de acuerdo al número de intervalos aplicado. a) para 8 intervalos. b) pam 16 intervalos y c) para 30 intervalos. 82
5 . 5
5.6.
5.7.
j 3.
Gráficas de la diferencia de nC para 10s experimentos de la tabla 5.6. Se grañca en cada una las tres fases en modo horizontal y de acuerdo al número de intervalos aplicado. a) para 8 intervalos, b) para 16 intervalos y c) para 30 intervalos.
Grificas de la diferencia de nC para los experimentos de la tabla 5.7. Se grafica en cada una las tres fases en modo senoidal y de acuerdo al número de intervalos aplicado. a) para 8 intervalos, ~ b ) Para 16 intervalos y c) para 30 intervalos.
Result&s de las redes neuronaies. Se grafica e1 RMS promedio de las tablas 5.9 a 1 a 5.1 1. Patrones preprocesados para la clase RANURA.
I
84
86
91
94
-
No. Figura.
5.9, Pág. Título
Patrones preprocesados para la clase PERDIDA DE RESISTMDAD EN LA PINTURA CONDUCTORA. 95
5.10.
5.11.
vi
Patrones preprocesados para la clase AFLOJAMIENTO. 95
96 Patrones preprocesados para la clase SUPERFICIALES.
5.12.
6.1.
6 .2 .
Patrones preprocesados para la clase INTERNAS. 96
100 Patrones preprocesados que se utilizaron pata la etapa de evaluación de la RNAs.
Patrones de fallas que se emplearon en el prototipo final DIFGERN. (a) Patrones de fallas etiquetas como PERDIDA DE RESISTMDAD. (b) Patrones de fallas etiquetadas como AFLOJAMIENTO.
100
ÍNDICE DE TABLkS. I 1 I 1
1 Valores de los datos de entrada del Prehfat, estos datos se :ombinaron para determinar los conjuntos de valores que permitan un preprocesamiento adecuado.
Promedios de Dif Nc de las fases A,B y C en modo Vertical sin eliminar Nido.
Promedios de Dif Nc de las fases A,B y C en'modo Horizontal sin eliminar ruido.
Promedios de Dif Nc de las fases A,B y C en modo Cenoidal sin
1 I
eliminar ruido. I
I I I
1 Resultados para las pruebas eliminando ruido para 8,16,30 intervalos, Fase A,B,C y modo Vertical
Resultados para las pruebas eliminando ruido para 8,16,30 intervalos, Fase A,B,C y modo Horizontal.
Resultados para las pruebas eliminando ruido para 8,16>30 intervalos, Fase A,B,C y modo Senoidal.
Ejemplo de patrones en donde se agrega la clask en el elemento 9,lO y 11. Estos ejemplos se discretizaron en 2 intervalos cada fase por lo que son 4 verticales y 4 senoidales. I
I Resultados obtenidos para los experimentos con la red neuronal Bac!ipropagation. i
I Resultados obtenidos para los experimentos con la red neuronal PHAF 11. I
1 Resultados obtenidos para los experimentos con la red neuronal REF.
Relación de patrones usados para el diagnóstico con fallas de nediciones en sitio.
Resumen de la prueba del los 25 patrones que se emplearon en el .econocimiento con la red PHAF 11 en base al aprendizaje de los 33
I
3atrones de entrenamiento. I
No. Tabla
3.1.
76
71
78
75
81
8:
85
88
90
90
91
94
97
5.1.
5.2.
5.3.
5.4
5.5.
5.6.
5.7.
5.8.
5.9.
5.10.
5.11.
5.12.
5.13.
Pag.
52
Título I :Iectricos pspar7a 981. 1 , Clasificación de defectos y procesos de deterioro de generadores
CAPÍTULO 1
Este capítulo introductorio expone las generalidades del presente trabajo de investigación titulado: “Reconocimiento de Patrones de Fallas en Generadores Eléctricos empleando redes Neuronales Artificiales”. Entre otros temas expone los antecedentes, objetivos, justificación, alcances y limitaciones, planteamiento del problema, y otros temas que dan una idea general de dicho trabajo.
1.1. ANTECEDENTES.
Aplicaciones prácticas como clasificación, diagnóstico, visión artificial presentan desafios cuando se diseñan algoritmos en redes neuronales artificiales (RNAs). Por ejemplo, si tratamos de entrenar RNAs muy grandes sin un conocimiento previo del problema, puede conducir a resultados insatisfactorios y a conclusiones erróneas acerca del tipo de problema que puede ser atacado usando esta tecnología [Rodríguez et al 961. Estando consciente de esta problemática, las RNAs deben aplicarse a problemas bien definidos y bien identificados.
La tecnología de RNAs se emplea en el reconocimiento de patrones, en tareas de diagnóstico y otras aplicaciones del área de inteligencia artificial. El término reconocimiento de patrones originalmente se refería a la detección de formas simples, tales como caracteres escritos a mano, mapas del tiempo y espectros del lenguaje. Sin embargo, un objetivo más ambicioso ha sido implementar la percepción artificial; es decir, imitar las funciones de los sistemas sensoriales biológicos en su forma más completa [Hilera 951.
Las plantas y subestaciones eléctricas de México tienen, entre otros, un problema complejo de reconocimiento de patrones de fallas en sus generadores eléctricos (GE). El sector eléctrico está especialmente interesado en que exista un sistema automático, capaz de reconocer patrones de fallas y emitir diagnósticos en dichos generadores. Este interés es originado, en parte, por el gran tiempo invertido de los expertos en entender y clasificar el tipo de fallas.
Actualmente el Instituto de Investigaciones Eléctricas (IIE) desarrolla el proyecto de: “Diagnóstico Integral de Equipos Eléctricos en Sitio”, en donde se pretende tener un laboratorio móvil inteligente que se traslade a cualquier lugar del país o del extranjero. El presente trabajo de investigación tiende a integrarse a dicho proyecto como un prototipo de prueba para el diagnóstico de fallas en GE, mediante el reconocimiento de patrones de fallas, Estas fallas se determinan con el análisis de datos obtenidos a partir de mediciones en tiempo real empleando el equipo iCM++ [ICMsystems], este equipo detecta la magnitud de las llamadas descargas parciales @P) en los devanados del estator del generador eléctrico en prueba.
1.2. OBJETIVOS.
El presente trabajo de tesis cumplió con los siguientes objetivos:
1) Desarrollo de un método de preprocesamiento que reduzca información de los datos originales y mantenga la información esencial de los datos que entran al proceso de reducción. Este preprocesamiento trabaja con datos obtenidos del 1CM-H como.entrada y como resultado se obtienen vectores Ó n-uplos de elementos. La sección 5.2. del capítulo 5 expone el uso de dichos vectores.
2) Evaluación de los paradigmas de RNAs Backpropagarion [Hilera 951 [Wasserman 891 [Fu 941, PHAF I1 (Paradigma basado en la red Hamming) [Ontiveros 951 wej ía 92B] y la red conocida como Radial Basis Function (RBF) (paradigma basado en funciones básicas radiales) [Mulgrew 961 [Fu 941 con el objeto de detectar cuál de estos paradigmas se desempeñana mejor en el problema de diagnóstico de fallas en GE. Las redes anteriores emplean los vectores Ó n-uplos resultantes de un preprocesamiento.
3) Una vez cumplido el objetivo anterior, se desarrolló el sistema prototipo llamado diagnóstico de fallas en generadores eléctricos con redes neuronales (DZFGERN), que es capaz de reconocer patrones con fallas de generadores eléctricos. Para el DIFGERN se empleó la red neuronal PHAF II, paradigma de red neuronal que presentó el mejor desempeño. La red PHAF 11 según se muestra en la sección 5.2.5 presentó el menor error en el reconocimiento de patrones y de aquí parte la decisión de emplearla en este sistema, de acuerdo al objetivo (2).
El Último objetivo implica un sistema computarizado que automáticamente reconozca fallas en GE, mediante la interpretación de registros de DP.
1.3. PLANTEAMIENTO GENERAL DEL PROBLEMA.
Una forma de detectar el estado operativo de un generador eléctrico de gran capacidad (P.e. los generadores hidroeléctricos de mayor capacidad, en México, son los de la Central Hidroeléctrica Aguaklpa que tienen una capacidad de 340 M W a 13.8 kV) es mediante el registro con el equipo ICM++ de las actividades de DP. Las DP son pequeñísimas descargas eléctricas que se producen en los devanados del generador; las' condiciones de operación a las que se somete el generador, más la presencia de DP producen un deterioro acelerado del aislamiento en el generador, reduciendo la vida útil del mismo. Un generador está diseñado para trabajar durante 30 años, pero se ha comprobado que la presencia de DP, por ejemplo, en las ranuras del devanado disminuye esta vida Útil a 10 años [Robles 971.
2
CAPITLrLO 1. Intr0d"cCió".
La forma actual de diagnóstico consiste en obtener un conjunto de gráficas del generador bajo análisis o pmeba, las cuales son revisadas e interpretadas por expertos humanos, y son ellos los que finalmente dictaminan el estado del generador.
El trabajo de diagnóstico se realiza en las siguientes etapas:
1.- Conectar el equipo para medición de DP al generador. 2.- Cambiar la variable del voltaje hasta obtener gráficas con el mínimo de ruido (gráfica
3.- Obtener gráficas para diferentes niveles de carga del generador (desde vacío hasta plena
4.- Obtener gráficas de cada fase del generador u obtener gráficas a partir del neutro'. 5.- Analizar opciones de espectros con diferentes anchos de banda y frecuencia. 6.- Obtener gráficas, si es necesario, con diferentes tiempos de adquisición. 7.- Analizar las gráficas obtenidas en función de la magnitud de las descargas. Esto establece
si las descargas son normales, en cuyo caso el proceso termina o si son anormales, en cuyo caso se pasa al punto siguiente.
8.- Analizar las gráficas obtenidas en función de la forma de las descargas. Esto establece el tipo de problema en el generador. Existen más de 50 tipos de problemas que se pueden presentar en un generador, aproximadamente.
9.- Recomendar una acción correctiva o preventiva.
óptima ).
carga). Ver los ejemplos en la sección 3.3 del capítulo 3 .
Por cada generador, se obtienen decenas de graficas las cuales deben ser revisadas una por una, tarea que consume tiempo de los expertos humanos en hacer un diagnóstico final. Por otro lado, este trabajo es nitinano, para cada generador bajo prueba se tiene que repetir el proceso de diagnóstico.
1.4. JUSTIFICACIÓN.
Actualmente en el Instituto de Investigaciones Eléctricas (IIE) se hacen los diagnósticos de failas en generadores a través de una herramienta de medición de DP llamada ICM++, y son los expertos humanos los que interpretan el gran volumen de información de las mediciones. Este proceso toma tiempo considerable por la complejidad de la información dada en gráficas de diferentes tipos. A esto, se agrega el problema del ruido inherente en las gráficas que complica más el proceso de interpretación. Los expertos humanos demandan un sistema que les proporcione de manera automática el diagnóstico de las fallas, y que les permita hacer correcciones preventivas y oportunas en los generadores eléctricos.
Los expertos humanos del Instituto de Investigaciones Eléctricas (IE) deben revisar alrededor de 20 generadores en un año y deben hacerlo oportunamente para evitar daños
~~
A la unión de las fases de un generador se le llama neutro. Es a partir del neutro, donde se registran I
gráficas de DP de las tres fases, en una sola medición.
3
cpsinno I. Intmduwion.
costosos. Adicionalmente existen otros grupos, en México y en el extranjero, que realizan la misma labor de diagnóstico en cientos de generadores. Por otro lado, la labor de reconocimiento de las gráficas obtenidas no es un problema trivial, pues sólo personal con varios años de experiencia y con estudios especializados son capaces de obtener los diagnósticos correctos.
La selección de la tecnología de redes neuronales artificiales para reconocer fallas se justifica porque es una tecnología que ha demostrado ser eficiente en problemas experimentales en el área de DP [Costa et al 971 [Chan 971, pero se requeria saber si funcionaba bien en productos terminados y concretos (de hecho en la literatura especializada no se encontraron trabajos que empleen datos reales de DP), por lo que el trabajo de investigación aporto resultados basados en datos de mediciones reales de DP tomados de generadores eléctricos. El siguiente párrafo, expone la razón de haber seleccionado las tres RNAs planteadas en los objetivos.
La decisión de utilizar la red neuronal artificial (RNA) bucípropugution, es por su madurez y porque ha demostrado ser buena en el reconocimiento de patrones de DP como se reporta en [Cachin 951 [Corsten96] [Hozumi 921 [Krivda 951. Según [Krivda 951 la RNA radiul busisfunction (RBF) puede dar tratamiento a algunos de los casos desconocidos que la buckpropgation no pueda reconocer. Las propiedades de red RBF hacen que sean convenientes para ser usadas como aproximadores universales según [Poggio 901 [Hartman et al 901 [Park 911. La RNA PHAF 11 se desarrolló por [Mejía 92B] y sirve para implementar algoritmos de RNAs capaces de clasificar datos de mediciones eléctricas.
1.5. ALCANCES Y LIMITACIONES.
El sistema DIFGERN automatiza la etapa 7 y 8 del trabajo de diagnóstico que se presentó en la sección 1.3. Esto quiere decir, que la clasificacion de fallas hecha por el DIFGERN se hace a partir de los datos de las mediciones que el experto humano obtiene en tiempo real. También, el experto hace la recomendación de la acción correctiva o preventiva en base a los resultados del DIFGERN.
Para implementar el DIFGERN, previamente se llevaron al cabo pruebas con el fin de hacer la selección de los parámetros adecuados de entrada tanto al preprocesamiento como al sistema neuronal. En el capítulo 5, se explica a detalle los parámetros y pruebas antes mencionados.
Para propósitos de la tesis, el sistema neuronal es capaz de:
1.- Leer un conjunto de gráficas (también las llamaremos casos o patrones'), las preprocesa y aprende ( casos de aprendizaje).
El termino patrón 0 caso se empleará indistintamente en la tesis, aunque de antemano se entiende la diferencia entre caso y patrón. Caso se refiere a un objeto que tiene características de un patrón que
4
2
2.- Aceptar un conjunto de gráficas desconocidas, las preprocesa y reconoce (casos a
3.- Encontrar en forma automática los patrones de los mecanismos de deterioro. 4.- Reconocer un tipo de mecanismo de deterioro, de S tipos diferentes con que se entrenó
la red neuronal. Se conocen aproximadamente más de SO mecanismos de deterioro, en el instituto se han detectado más de 5 y la red podrá aprender un nuevo mecanismo de deterioro si se identifica en una medición.
reconocer).
Las gráficas de los datos de las mediciones que se usaron para esta tesis, son de mediciones que se hicieron en cada una de las fases de cualquier generador y no en el neutro. Tomar graficas del neutro, implica hacer reconocimientos con patrones empalmados, haciendo más complejo el preprocesamiento y el sistema neuronal.
1.6. FACTIBILIDAD Y DISCIPLINAS INVOLUCRADAS.
Esta tesis se desarrolló basados en las siguientes condiciones:
1.- Existe un gmpo de expertos humanos en generadores eléctricos que apoyó en el
2.- Se contó con los recursos materiales (equipo de medición de DP, datos con casos de
3 . - Las redes neuronales han demostrado su capacidad para reconocer patrones, aún con
conocimiento de las DP.
generadores, hardware y software) necesarios para ei desarrollo de la investigación.
mido [Cachin 951.
Las disciplinas computacionales involucradas fueron: reconocimiento de patrones y RNAs.
1.7. METODOLOGIA.
A) Análisis de los requerimientos de información y preprocesamiento de datos de
B) Programación del método de preprocesamiento (ver detalles de la metodología empleada
C) Para cada paradigma se desarrollaron las siguientes fases:
mediciones en el ICM++.
en la sección 4.2.1 .)
- Diseño del paradigma de RNA acoplado al problema de reconocimiento de
- Programación de cada red en lenguaje C, o bien, se empleó software
- Se entrenó cada red neuronal con los mismos casos de entrenamiento.
fallas en GE.
comercial de redes neuronales.
constituye el modelo, 6 bien, patrón es la generalización de un tipo 6 clase de problema en base a casos presentados. Entonces cuando se habla de clasificar en clases se refiere a clasificar en un patrón un caso especifico.
5
se llevaron al cabo pruebas de reconocimiento Para cada red. - Se reportan los resultados obtenidos.
D) Se evalúan las redes para obtener la más eficiente. E) Se integra la red PHAF 11, por haber sido ia más eficiente, al sistema prototipo
esta fase, se entrena y se prueba con patrones clasificados en 5 tipos de
F) se determinó la eficiencia de la red PHAF II, en ei reconocimiento y se analizaron los
DI,TGEW, mecanismos de falla (P.e. descargas Superficiales).
resultados obtenidos.
1.8. PLAN DE EXPOSICI~N.
Son seis los capítulos que conforman la presente tesis, y a continuación se hace una descripción breve del contenido de cada uno de ellos.
En el capítulo 1 , titulado: Introducción, ya hemos visto que se da una introducción a toda la problemática que implicó esta tesis. Para empezar se dan los antecedentes, es decir, los trabajos que se han hecho hasta la fecha sobre la misma problemática. Se plantean los objetivos cumplidos. Se establece un planteamiento general del problema, con la finalidad de dar un entendimiento inicial acerca de lo que se desea resolver. Se establece la Justificación tecnológica de la solución, los alcances y limitaciones que se deben tomar en cuenta. Se presentan, también, las generalidades de implementación tanto del software como del hardware, factibilidad y disciplinas involucradas, así también, la metodología de solución.
En el capítulo 2, titulado: Los fundamentos teóricos involucrados, se refiere al establecimiento de los fundamentos de las áreas relacionadas con el desarrollo del DZFGERN Se hace la especificación de la teoría relevante al presente tema de tesis. Se abordan temas como fundamentos de generadores eléctricos, generalidades de DP en estatores, aisladores y dieléctricos, clasificación de las DP. Estos temas son importantes, ya que fue necesario entender el origen de las DP en los devanados de un generador con el fin de entender los datos que se manejan como casos de entrenamiento y prueba. En los fundamentos de RNAs, se aborda el prototipo biológico, similitud de las RNAs con las biológicas, Características de la RNAs, concepto de la neurona artificial, el aprendizaje en las R N A niveles o capas de neuronas, conexiones entres neuronas y por último se establece el modelo de las tres RNAs propuestas: Backpropagation, PHAF I1 y RBF .
El Capitulo 3, titulado: Descripción del problema y metodología propuesta, se define la problemática a través de una introducción con el sistema de diagnóstico y da una descripción de las técnicas de medición empleadas en el Instituto de Investigaciones Eléctricas, explica los problemas que causan las fallas en el sistema de aislantes en los GE; también nos descnbe el procedimiento para llevar a cabo las mediciones con el equipo ICMtt- (Insulation Condition Monitoring), así como las instrucciones para ejecutar el programa del ICM++. La Descnpción del problema se desarrolla de manera detallada y se explican las características
.
6
CriPiruLO 1. Introducción.
de los Casos a reconocer. por último, se establece el análisis de requisitos para el sistema prototipo DlFGERN
El Capítulo 4, titulado: Desarrollo del preprocesamiento y de las RNAs, se describe el objetivo del preprocesamiento y el modelo matemático que sustentará el desarrollo del PreInDat (Preprocesamiento Integral de Datos). Luego se detallan los algoritmos para el desarrollo del PrelnDaf y de la tres RNAs mencionadas. Este capítulo no presenta el desarrollo del prototipo aun, debido a que la red con mejor desempeño es, automáticamente, el prototipo para la fase que se llama entrenamiento y reconocimiento
El Capitulo 5, titulado: Resultados de los experimentos del preprocesamiento, RNAs y prototipo, presenta de manera general los experimentos que se llevaron a cabo para la fase de preprocesamiento. Esta fase fue exhaustiva, ya que se conformaron 357 experimentos con el fin de encontrar valores adecuados de entrada a las RNAs. Se presentan tablas de resultados del PreInDuf. Cuando el preprocesamiento concluye, se realizaron las pruebas de las RNAs propuestas para, finalmente, establecer las pruebas con el sistema prototipo DIFGERN y presentar los resultados del diagnóstico.
El Capítulo 6 , titulado: Conclusiones, se retoma la especificación del tema de tesis para hacer énfasis en las metas logradas, las conclusiones a las que se llegaron con el trabajo desarrollado por medio de un análisis final, comprobación de la hipótesis inicial, las aportaciones y se establece una propuesta de trabajo futuro.
"
7
CAPÍTULO 2 FUNDAMENTOS TE~RICOS INVOLUCRADOS.
LOS planteamientos teóricos sobre GE, DP y RNAs son aportados en este capítulo. LOS fundamentos de GE y DP serán dados desde el punto de vista de la Ingenieria Eléctrica. El aspecto teórico de las RNAs se dará desde la concepción biológica hasta los modelos matemáticos sobre los que se sustenta dicho paradigma incluyendo una breve explicación del reconocimiento de patrones neuronal. Este capítulo es importante, ya que da un panorama general de las áreas sobre la que se plantea el presente trabajo de tesis y se da el estado del arte de las investigaciones sobre reconocimiento de patrones de DP en GE.
2.1. FUNDAMENTOS DE GENERADORES ELÉCTRICOS.
Parte esencial para el desarrollo de la investigación fue conocer el funcionamiento de GE, de los estatores de estos equipos, y las caractensticas de las DP, con el fin de entender el problema. En esta sección se dan los fundamentos teóricos de GE, el sistema aislante en los estatores de los GE y fundamentos de las DP originadas en los devanados del estator de un GE.
2.1.1. GENERADORES ELÉCTRICOS.
Los generadores son máquinas que transforman energía mecánica en electricidad. Los generadores se encuentran en México, principalmente, en las plantas termoeléctricas, hidroeléctricas y10 geotérmicas que producen la energía eléctrica que consumimos, es decir, los generadores son el motor para que la energía llámese hidráulica, eólica, térmica, etc se convierta en electricidad. A continuación se dan aspectos teóricos matemáticos de los generadores sincrónicos, ya que es la categoría a la que pertenecen los generadores de nuestro estudio.
El generador sincrónico o alternador es el único tipo de generador de comente alterna que se usa en la actualidad [Baumeister 891.
Clases de generadores sincrónicos. Los generadores sincronos pueden dividirse en tres clases generales:
1) los de baja velocidad impulsados por máquinas o motores de combustión; 2) los del tipo de velocidad moderada accionado por turbina hidráulica; 3) los del tipo de alta velocidad accionado por turbina de gas o vapor.
8
En (1) se utiliza un bastidor de caja, hueco, como soporte del estator Y 10s campos consisten en una araña en la cual está sujeto un gran número de polos salientes, Por lo general atofillados. La velocidad rara vez excede de 75 a 90 T m (revoluciones Por minuto), aunque puede llegar hasta las 150 rpm. Los generadores movidos por turbina hidráulica también tienen polos salientes que, por lo general, están unidos por medio de colas de milano con una araña cilíndrica formada por placas de acero remachadas entre sí. Sus velocidades van de 80 a 900 rpm y, a veces más, aunque los generadores Keokuk para 9 O00 kVA giran sólo 58 rpm y trabajan con una columna de agua muy baja. La velocidad nominal de los generadores conectados directos con turbinas hidráulicas disminuye al reducir la columna. Es deseable que los generadores funcionen con la máxima velocidad permisible, porque el peso y el costo disminuyen cuando aumenta la velocidad.
Según [Baumeister 891 los generadores impulsados por turbina (turbogeneradores) trabajan con velocidades de 720 a 3600 rpm. Se utilizan excitadores conectados directos, excitadores accionados por banda (correa) desde el eje del alternador y excitadores con impulsión independiente. En las plantas generadoras grandes, pueden usarse excitadores con impulsión separada (por lo general con un motor) para suministrar la energia de excitación a las barras colectoras. Se suelen tener, para emergencia, excitadores accionados por vapor o por baterias de acumuladores. En los generadores de baja velocidad, se utiliza con fre- cuencia el excitador accionado por banda, porque puede girar con velocidad más alta y se reduce su costo.
Construcción. En el alternador usual, la armadura o estator es el elemento estacionario. Esta construcción tiene muchas ventajas. Es posible hacer todas las ranuras a cualquier profundidad razonable, ya que las bases de los dientes aumentan de sección al aumentar la profundidad de las ranuras; esto no se aplica al rotor. La gran sección de ranuras que se consigue en esta forma, ofrece amplio espacio para los conductores (cobre) y aislamiento. Los conductores que van de la armadura a las barras colectoras pueden aislarse en toda su longitud, ya que no es necesario un contacto rotatorio o deslizante. El aislamiento de un elemento estacionario no se deteriora con tanta rapidez como en un elemento rotatorio, porque no está sometido a fuerza centrífuga ni a vibraciones considerables.
El elemento rotatorio o rotor suelen ser los campos. Hay dos tipos generales de construcción de campos: el tipo de polos salientes y el tipo de polos lisos. El tipo de polos lisos se usa en forma casi exclusiva en los generadores lentos o de velocidad moderada (P.e. en generadores hidraúlicos), ya que su construcción es la menos costosa y permite amplio espacio para los amperes-vuelta de los campos.
En [Baumeister 891 se dice que no es posible emplear polos salientes en los turbogeneradores de alta velocidad, debido a la excesiva fncción del viento y a la dificultad para obtener suficiente resistencia mecánica. El tipo de polos lisos consta de una pieza cilíndrica de acero forjado con ranuras radiales, en las cuales se colocan los conductores de campo en forma de tiras. Los campos se excitan a bajo voltaje (de 125 y 250 volts); la
9
corriente se conduce hasta el rotor por medio de a n i h rOZanteS Y escobillas. La corriente consumida por 10s campos, por lo general, es de 1.5% O menos de la Potencia nominal de la máquina.
Diseño de los generadores sincrónicos (generadores) En la actualidad, rara vez Se constmyen generadores monofásicos. Para el servicio monofásico se utilizan dos fases de un alternador trifásico normal conectado en Y. Una carga monofásica o una carga trifásica desequilibrada producen pulsaciones de flujo en los circuitos magnéticos de los generadores, que aumentan las pérdidas en el hierro e introducen armónicas en la onda de fern LOS
devanados bifásicos constan de dos devanados monofásicos iguales, desplazados 90' eléctricos en la armadura y, por lo general, ocupan todas las ranuras de la armadura. El tipo más común de devanado es el trifásico, imbricado ondulado. En los devanados trifásicos, las tres bobinas están espaciadas 120' eléctricos y las bandas de las fases individuales están espaciadas 60". Los voltajes normales son 550, 1100, 2200, 6600, 13200 y 20000 V. Es mucho más dificil aislar para 20,000 volts que para los voltajes menores; sin embargo, si se transmite la comente a este voltaje, se justificaría su uso por el ahorro de transformadores. En máquinas de capacidades moderadas y grandes, es común generar 6,600 y 13,200 volts, si hay que usar transformadores. Es preferible el voltaje más alto, en particular para capa- cidades grandes, porque se reduce la sección transversal de los conductores de conexión y barras colectoras.
La frecuencia normal en Estados Unidos, Canadá, México y muchos otros paises para sistemas de alumbrado y potencia es de 60 Hz (Hertz); quizá queden unos cuantos sistemas de 50 Hz. La frecuencia de 25 Hz es de uso común en los tranvias y en el ferrocarril subterráneo para suministrar comente a los convertidores sincrónicos y otros aparatos con- vertidores de ca a cc; también es de uso común en los ferrocarriles electrificados para las locomotoras con motor monofásico en serie. Las lámparas incandescentes tienen un parpadeo notorio a 25 Hz. En Europa y muchos países del resto del mundo, se utiliza sólo la frecuencia de 50 Hz. La frecuencia de un alternador es:
Pxrpm =12oHz
en donde P es el número de polos y rpm las revoluciones por minuto. Los generadores se especifican en kVA (kilovolts amperes) en vez de kW (kilowatts), porque el aumento de temperatura, que determina la capacidad nominal, depende sólo de la corriente y es' independiente del factor de potencia. Si se especifica la capacidad en kW, también se debe especificar el factor de potencia.
2.1.2. GENERALIDADES DE DESCARGAS PARCIALES.
Las DP se presentan en los devanados del estator de un generador y son el mecanismo para detefminar un deterioro en los sistemas de aislamiento de los GE. Esta sección se plantean los fundamentos de DP en equipos eléctricos y de generadores.
10
2.1.2.1. LOS AISLADORES Y DIELÉCTRICOS.
L~~ equipos eléctricos tanto de alta y baja tensión usan matenales aidantes We se aplican en los circuitos eléctricos para impedir fugas de corriente. LOS matenales aidantes que se utilizan con altos voitajes, como los generadores, no sólo han de tener alta resistencia a las fugas de comente, sino que, además, deben de resistir la perforación dieléctnca, es decir, además de ser un buen aislante, el material debe ser un buen dieléctrico. La resistencia del aislamiento disminuye en forma rápida con los aumentos de temperatura. La humedad absorbida reduce la resistencia del aislamiento y tiene una gran efecto sobre las fugas superficiales o bien las llamadas DP [Baumeister 891.
2.1.2.2. LOS SISTEMAS DE AISLANTE EN LOS ESTATORES DE UN GENERADOR.
Según [Salgado 971 el estator de un generador esta compuesto de devanados que se constmyen con bobinas de paso fraccionario y son distribuidas en las ranuras en correspondencia al número de polos y fases. Las bobinas se fabrican con paquetes de soleras de cobre de pequeña sección transversal, las cuales se someten a presión para conformar la bobina. Cada solera se aisla entre sí para evitar el contacto directo entre ellas y consecuentemente un calentamiento local, debido a la circulación de corrientes parásitas. En caso de que el devanado esté formado por varias espiras, cada una de éstas es aislada. El aislamiento entre vueltas como se conoce, soporta diferencias de potencial entre espiras de una misma bobina y el espesor de este aislante es de 0.3 mm y 0.5 mm.
El aislamiento principal de las bobinas está constituido por mica, fibra de vidrio, y resina poliester o epóxica. Este aislamiento evita el contacto directo entre las barras de cobre y de hierro del núcleo del estator.
La superficie del aislamiento principal es cubierta con capas de pintura semiconductora que se fabrica a base de grafito, con el objeto de evitar DP a la ranura durante la operación del generador. Esta pintura se aplica en la parte recta de la bobina hasta aproximadamente de 10 a 30 cm. fuera de núcleo.
En los cabezales de las bobinas se aplica pintura graduadora fabricada a base de carburo de silicio. En esta zona de las bobinas se concentran esfuerzos dieléctncos, los cuales es necesario aliviar para no tener fallas prematuras. El traslape entre las dos pinturas es de O a 25 mm. En la figura 2.1. se muestra la configuración del sistema de aislante de una bobina.
Las bobinas totalmente fabricadas se instalan en las ranuras del estator para formar gradualmente el devanado de inducido y se fijan al estator con cuñas de material aislante para evitar vibraciones.
11
- --QQ- n a R A
Figura 2.1. Componentes del sistema aislante del devanado del estator [Salgado 971.
2.1.2.3. GENERALIDADES DE LAS DP.
Según [Méndez 901 el constante desarrollo tecnológico de los materiales aislantes y equipos que forman parte de los sistemas eléctricos de alta tensión, así como el empleo de niveles de tensión cada vez mayores, ha creado la necesidad de utilizar nuevas pruebas para detectar y evaluar en forma oportuna la presencia de defectos incipientes, y de esta manera evitar trastornos mayores, que contribuyen a incrementar los costos de fabricación y operación. La respuesta a este progreso está dada, entre otras, por la medición y localización de las DP, lo cual representa una herramienta importantísima para verificar la calidad de los aislamientos y manufactura de los equipos eléctricos, así como la optimización de su diseñó.
El fenómeno de DP se conoce desde hace más de 6 décadas, sin embargo, en cuanto a la normalización sobre los niveles permisibles de DP que deben soportar los aislamientos de las máquinas sin sufnr ningún daño, todavia no ha sido posible lograrlo para la mayoría de los equipos eléctricos, pero en este sentido, la tendencia a nivel internacional está enfocada a continuar con las investigaciones de laboratorio y experiencias de campo; lo que pone de manifiesto el auge que sigue adquiriendo hoy en día la prueba de DP La especificación del nivel de DP depende del tipo de equipo, materiales que lo constituyen y de su construcción, y la filosofia de dicha especificación se basa en que durante la presencia de DP por debajo de cierto nivel no ocasiona daños severos a los aislamientos de los equipos eléctricos. Sin embargo, esto no ha sido completamente experimentado para la mayoría de los equipos y en general el nivel permisible de DP resulta ser un compromiso entre fabricantes y usuarios. Los aislamientos a base de material orgánico (extruido) exigen niveles permjsibles de DP mucho muy bajos (menores de 5 picocoulombs), debido a que son menos resistentes ai daño originado por el fenómeno de DP
12
4
Definición de Dp. Las ~p son descargas eléctricas que ocurren dentro del sistema de aislamiento (sólido, liquido, gaseoso o compuesto) de los equipos eléctricos restringdo solamente a una parte del material dieléctrico y de esta manera solamente Pentea parcialmente el aislamiento entre los electrodos. Las DP comprenden a las descargas internas, descargas superficiales y descargas externas O por corona.
Ongen de las DP. Las DP pueden resultar de la ionización de cavidades (burbujas) 0
inclusiones dentro de los aislamientos sólidos o de burbujas gaseosas en los aislamientos líquidos, por sobre-esfuerzos de campo eléctrico en aislamientos sólidos, líquidos y gaseosos o a lo largo de su superficie. Para las DP que ocurren en la proximidad de un conductor O electrodo en aire (descargas externas), se ha generalizado el empleo del término efecto corona; aunque en la literatura americana se ha utilizado indistintamente el vocablo corona.
Las DP internas v superficiales pueden afectar el buen comportamiento de los aislamientos que constituyen a los equipos eléctricos, mientras que las descargas externas o por corona, no tienen intluencia sobre la vida útil esperada de las líneas de transmisión y componentes externos de las subestaciones pero pueden ser una fuente de interferencia en 10s relevadores de estado sólido, en las comunicaciones de radio, de televisión y de voz, y además originan algunos productos de descomposición que ocasionan corrosión de las partes metálicas y deterioro de los aislamientos sólidos de tipo orgánico.
La vida Út i l del equipo eléctrico. En la actualidad, no se ha encontrado todavía una relación entre el nivel de DP y la vida útil del equipo eléctrico, sin embargo, la presencia de DP se considera como una de las razones principales del envejecimiento de los aislamientos Y falla eventual del equipo eléctrico. La ocurrencia de las DP involucran pequeñas cantidades de energía (fracciones de micro-Joules), pero conducen a un deterioro progresivo de 10s a i s h h t o s no autorrecuperables que constituyen los equipos eléctricos Y como consecuencia la disminución de la vida útil.
Recientemente. se han descubierto nuevos mecanismos de deterioro de los materiales orgánicos (extnidos) tales como los fenómenos de arborescencia y de arborescencia en agua, los cuales no pueden ser detectados con la medición de DP.
Medición de DP. El mejor método para la medición de las descargas internas y superficiales, es por medio de un detector de DP en picocoulombs(máxima carga aparente). Mientras que para las descargas externas (efecto corona) es a través del detector de radio interferencia en microvolts (valor de casi pico).
Historia de las DP. Las manifestaciones de las descargas que ocurren en los tales como las descargas atmosféricas, han sido objeto de
En 1880 fue demostrado que la tensión de ruptura dieléctrica del aire, a una determinada presión "p" y separación de los electrodos "d", varia con el producto "p.d". En
aislamientos gaseosos observación y estudio desde hace más de un siglo.
13
CApiTUu) 2. Fundamentos Teóricos Involucrador.
1889 este comportamiento fue comprobado por Paschen en un campo eléctrico uniforme, para el aire, hidrógeno y bióxido de carbono.
En 1910 fue desarrollado por Townsend una explicación teórica (matemática) del fenómeno de descargas, para los gases aire, oxígeno e hidrógeno.
En 1922 fue publicado un método galvanométrico para la detección y medición de DP en los equipos eléctricos.
En 1940 fue normalizada por primera vez la prueba de radio interferencia a los equipos eléctricos, utilizando un capacitor de acoplamiento, por medio de la norma NEMA 107.
En 1953 fueron desarrolladas técnicas mas sensitivas de medición de DP, pero hasta 1957 se publicaron los primeros resultados de las pruebas, de radio interferencia a transformadores sumergidos en aceite aislante.
El empleo del llamado fap capacitivo empezó en 1957, pero no fue hasta 1965 cuando se publicaron formalmente los trabajos de investigación, validando el método del derivador capacitivo para la medición de DP. Este método elimina la necesidad de utilizar adicionalmente el capacitor de acoplamiento, pero se sacrifica sensibilidad en la medición.
En 1964 fue revisada por primera vez la norma para la medición de radio interferencia NEMA 107.
En 1968 se publicó por primera ocasión la norma IEC 270, para la medición de DP en equipos eléctricos, por el método de máxima carga aparente (pC) y con el empleo de un capcitor de acoplamiento; dicha norma fue revisada por primera vez en 1981.
En 1971, 1976 y 1981 fue revisada nuevamente la norma para la medición de radio interferencia NEMA 107, reafirmándose en la buena totalidad de contenido.
2.1.2.4. CLASIFICACIÓN DEL FENOMENO DE DP.
También, según [Méndez 901 en las técnicas de las altas tensiones no deja de ser común en muchos casos la presencia del fenómeno de DP, debido a que no es una tarea fácii (técnica y económicamente) la realización del diseño y manufactura de los sistemas de aislamiento que forman parte de los equipos eléctricos, con las características de calidad, tales que pudieran considerarse completamente libres de DP.
Los efectos perjudiciales que ocasionan las DP se pueden analizar para los tres tipos de aislamientos que se utilizan en la industria eléctrica como son:
- Sólidos
14
- Líquidos - Gaseosos
L~~ sólidos en general pertenecen a los aiSlam¡eIItOS no autorrecuperables Y son éstos sin duda, 10s que sufren mayor deterioro en la presencia de DP. LOS aislamientos sólidos que se utilizan hoy en día se clasifican en dos grandes gnipos, como son:
- Inorgánicos, los cuales son prácticamente inmunes a cualquier daño por el efecto de las DP, así por ejemplo se tienen la porcelana, fibra de vidrio, mica, etc.; cuando se utilizan en la intemperie (alrededor del aire), se consideran como aislamientos autorrecuperables.
- Orgánicos, los cuales se ven fuertemente afectados por el efecto de DP, así por ejemplo, se tienen los materiales de celulosa (papel, cartón, etc.), polimeros sintéticos (poiietiieno, polipropileno, etc.), etc.; estos aislamientos se consideran como no autorrecuperables.
Los aislamientos sólidos se manufacturan con las mejores técnicas de deshidratado y desgasificado. Sin embargo, no es posible eliminar completamente la humedad y gases; por lo que para mejorar las propiedades dieléctricas, algunos aislamientos sólidos se impregnan con líquidos aislantes. Los aislamientos sólidos tienen la propiedad de que cuando se someten a esfuerzos dieléctricos elevados, pueden liberar ciertos gases por la descomposición de los materiales y forma determinada carbonización por el efecto de las DP.
Los líquidos tales como aceite aislante, aceite de silicón, etc. pertenecen a los aislamientos no autorrecuperables cuando se tienen en pequeños volúmenes sin embargo, para el caso de grandes volúmenes se consideran como aislamientos autorrecuperables. Los aislamientos líquidos se manufacturan con buenas técnicas de secado (deshidratado y desgasificado) y filtrado, para lograr eliminar la humedad, las burbujas gaseosas y particulas en suspensión. Los aislamientos líquidos tienen la propiedad de que cuando se someten a esfuerzos dieléctricos elevados, Pueden liberar algunos gases por la descomposición y originar depósitos de carbón y sustancias químicas, que ocasionan corrosión a las partes metálicas y envejecimiento a los aislamientos sólidos. El efecto de las DP es intolerante cuando ocurren en los aislamientos líquidos, que se encuentran en la cercania de un aislamiento sólido.
Los gases tales como: aire, hexafluoruro de azufre, nitrógeno, etc., en general pertenecen a los aislamientos autorrecuperables, sin embargo, para el caso de pequeños volúmenes se consideran como aislamientos no autorrecuperables. Las DP no pueden ser toleradas en los aislamientos gaseosos, no tanto por el daiio que pudieran llegar a sufrir dichos aislamientos, sino porque se generan productos de descomposición que ocasionan corrosión a las partes metálicas y envejecimiento a los aislamientos sólidos, asimismo se tienen pérdidas dieléctricas, ruido, radio interferencia, teleinterferencia, interferencia en los
15
equipos de comunicación y relevadores de estado sólido, etc.; lo cual representa un fuerte impacto ambiental e impacto económico en el diseño y operación de los sistemas eléctricos.
Las DP pertenecen al gran grupo de descargas en gases, en el cual existen diversos mecanismos de ionización y uno de los procesos quizá el más importante, resulta ser el de ionización de las moléculas por el impacto de los electrones, de tal manera que se onginan nuevos electrones y éstos a su vez ganan un aumento de velocidad en el campo eléctnco, ionizando un mayor número de moléculas y de esta forma se genera la avalancha electrónica Las DP se pueden clasificar en tres grandes grupos, tal como se muestran en las figuras 2.2, 2.3 y 2.4, como son: DP internas, DP superficiales y DP por corona
Figura 2.2. DP internas, por la presencia de burbujas de gas, cavidades de aceite o partículas extrañas [Méndez 901.
Figura 2.3. DP superficiales, debidas a la presencia de esfuerzo dielectrico paralelo a la superficie del aislamiento [Méndez 901.
16
i Figura 2.4. DP Corona, debidas a la concentración de campo eléctrico en la superficie de un
conductor o electrodo en aire. [Méndez 901
En la práctica la clasificación de DP se hace en forma combinada y no siempre aislada, por la complejidad de los aislamientos que constituyen a los equipos eléctricos. En general se presentan combinaciones entre las descargas internas, superficiales y por corona.
2.1.2.4.1. DP INTERNAS.
Las DP internas ocurren en los aislamientos de los equipos eléctricos por la presencia de inclusiones de materiales extraños, que se caracterizan por tener una baja rigidez dieléctnca, en comparación con la rigidez dieléctnca de los materiales aislantes que constituyen dichos equipos. Esto ocasiona que el material extraño presente una ruptura dieléctrica a una intensidad de campo eléctrico más baja que la de los aislamientos. Además, es frecuente que el valor de la permitividad dieléctrica de la inclusión, sea más baja que el resto de los aislamientos y como la distribución de campo eléctrico en corriente alterna resulta ser inversamente proporcional a las magnitudes de las permitividades dieléctricas (capacitancias), resulta que la intensidad de campo eléctrico en la inclusión es mayor que la de los aislamientos y esto refuerza aun más la razón por la cual la ruptura dieléctrica ocurre primero en la inclusión y como consecuencia ocasiona el fenómeno de DP. Dentro de las inclusiones que pueden llegar a originar las DP en los equipos eléctricos, se mencionan las siguientes:
a).- Burbujas gaseosas. b).- Cavidades de aceite. c).- Partículas extrañas. d),- Protuberancias metálicas.
Estas inclusiones pueden ser producto de la mala calidad de los materiales o por el empleo de técnicas inadecuadas en la manufactura y puesta en servicio de los equipos eléctricos
17
C A P i N L o 2 . Fundamentas Teóricos Involunadas.
2.1.2.4.2. DP SUPERFICIALES.
L~~ DP superficiales tienen ocurrencia cuando existe una componente de eléctrico paralela a la superficie del dieléctrico. Las DP pueden ser el resultado de una inadecuada distribución de campo eléctrico o pueden ser originadas por una corriente de fuga que influye a través de una película (capa delgada) conductora de contaminación 0 humedad, en la superficie del dieléctrico. & u n o s materiales sólidos Particularmente 10s inorgáficos son muy resistentes a las descargas superficiales, sin embargo, 10s aislamientos orgánicos resienten fuertemente este efecto, produciendo carbonización 0 erosión superficial.
Este fenómeno se presenta en boquillas, terminales de cables, capacitores, transformadores, generadores, etc. y en ocasiones se puede detectar en forma rústica por la emisión de luz. Sin embargo, el método de medición más apropiado es el de máxima carga aparente, a través de un osciloscopio [Méndez 901.
2.1.2.4.3 DP POR CORONA.
El mecanismo de formación de las descargas por corona, depende del tipo de tensión (comente alterna, impulso o corriente directa), polaridad y de la forma y tamaño del electrodo; por su mayor importancia en este trabajo, exclusivamente se considera el fenómeno de descargas por corona con tensión de corriente alterna.
Las descargas por corona se forman en la superficie de un conductor o electrodo, cuando la intensidad de campo eléctrico en dicha superficie, excede la rigidez dieléctrica del aire (30 KV/cm a 2S0C y 760 mmHg). El comportamiento de las descargas por corona, depende de los siguientes factores:
- Presión del aire - Material del conductor o electrodo - Presencia de vapor de agua - Incidencia de foto-ionización - Forma de onda de la tensión
El grado de intensidad de las descargas por corona se determina esencialmente por dos factores, como son: .
- - Intensidad del campo eléctrico en la superficie del conductor O electrodo.
Estado fisico de la superficie en cuanto a las irregularidades por particulas de polvo, gotas de agua, protuberancias metálicas, restos de insectos, etc.
La Presencia de una protuberancia conductora en la superficie de un conductor 0 electrodo,, tal como una partícula Contaminante, origina una concentración de gradiente eléctrico, que se convierte en la fuente de las descargas por corona. Las descargas por corona en Comente ak.rna presentan mecankmos de ocurrencia para cada semiciclo,
18
CAPITLJLO 1. Fundamentos Te6icos Invalucradar.
similares a los procesos de corona en corriente directa de la misma polandad y se clasifican en la forma siguiente:
a),- Proceso de corona negativa b).- Proceso de corona positiva
En la práctica se ha observado que las descargas por corona, Ocurren con más frecuencia durante el semiciclo negativo de la onda senoidal del voltage Y además que la carga espacial producida durante .un semiciclo, puede llegar a modificar el tiPo Y la intensidad de la descarga por corona, que tiene ocurrencia durante el semiciclo subsecuente wéndez 901.
2.2. FUNDAMENTOS DE RNAs
Para resolver el problema del diagnóstico se emplearon RNAs, esta sección se dedica a dar los fundamentos teóricos de la tecnología de redes neuronales.
2.2.1. EL PROTOTIPO BIOLÓGICO.
Según [Wasserman 891 las RNAs se basan en principios biológicos, esto es, cuando se diseñan las configuraciones de las redes y los algoritmos, las investigaciones son pensadas a similitud de la organización del cerebro. Por otra parte, el conocimiento acerca de la operación completa del cerebro es demasiado limitada y hay pocas guías para emularlo. Por lo tanto, los diseñadores de redes deben ir mas allá de los actuales conocimientos biológicos, buscando estructuras que desempeñen funciones útiles. En muchos casos, este cambio necesario descarta los hechos biológicos. El cerebro entonces se convierte en una metáfora, las redes requieren de un conjunto grande de suposiciones acerca de la anatomía y funcionalidad del cerebro.
No obstante, esta debilidad, a menudo no tiene relación con biología, las RNAs continúan evocando comparaciones con el cerebro. Sus funciones son a menudo evocadoras del conocimiento humano.
La siguiente discusión acerca del funcionamiento de las neuronas en el cerebro es muy amplia, es importante mostrarla para entender la base biológica de las RNAs.
El sistema nervioso humano, construido de células llamadas neuronas, es de una asombrosa complejidad. Aproximadamente unas 10" neuronas participan en quizás 10" interconexiones sobre rutas de transmisión. Cada neurona comparte muchas características con otras neuronas en el cuerpo, pero tiene una única capacidad de recibir, procesar y transmitir señales electroquimicas en las conexiones que comprende el sistema de comunicación del cerebro [Wasserman 891.
19
2.2.1.1. ESTRUCTURA DE LA NEURONA.
Una neurona es una célula viva y, como tal, contiene los mismos elementos que forman parte de todas las células biológicas, Tienen ciertas caracteristicas que las diferencian de las demás células. En general una neurona consta de un cuerpo celular mas o menos esférico, de 5 a 10 micras de diámetro, del que salen una rama principal llamado axon (salida de información), y vanas ramas cortas llamadas dendntas (entrada de información).
Una de las caracteristicas que diferencian a las neuronas del resto de las células vivas, es su capacidad de comunicarse. En términos generales, las dendritas y el cuerpo celular reciben señales de entrada; el cuerpo celular las combina e integra y emite señales de salida. El axón se encarga de transportar estas señales a los terminales axónicos, que se encargan de distribuir información a un nuevo conjunto de neuronas.
2.2.1.2. NATURALEZA BIOELÉCTRICA DE LA NEURONA.
Las señales son de dos tipos: eléctrica y química. La señal generada por la neurona y transportada por el axón es un impulso eléctrico, mientras que la señal que se trasmite entre las terminales axónicos de una neurona y las dendritas de las neuronas siguientes es de origen químico; concretamente, se realiza mediante moléculas de sustancias transmisoras (neurotransmisores) que fluyen a través de unos contactos especiales, llamados sinapsis, cuya función es la de receptor y se encuentran localizados entre los terminales axónicos y las dendntas de la neurona siguiente.
La generación de las señales eléctricas está íntimamente .relacionada con la composición de la membrana celular. Existen muchos procesos complejos relacionados con la generación de dichas señales, sin embargo, se pueden simplificar de la siguiente manera: la neurona, como todas las células, es capaz de mantener en su intenor un líquido cuya composición difiere marcadamente de la composición del líquido del exterior. La diferencia más notable se da en relación con la concentración de los iones sodio y potasio. El medio externo es unas 10 veces más rico en sodio que el interno, mientras que el medio interno es unas 10 veces más rico en potasio que el externo. Esta diferencia de iones de sodio y potasio a cada lado de la membrana produce una diferencia de potencial de unos 70 milivolts aproximadamente, en el intenor de la célula (conocido como potencial de reposo de la célula nerviosa).
La llegada de señales procedentes de otras neuronas a través de las dendritas (recepción de neurotrasmisores) actúa acumulativamente, bajando ligeramente el valor del potencial de reposo. Dicho potencial modifica la permeabilidad de la membrana, de manera que cuando llega a cierto valor crítico comienza una entrada masiva de iones de sodio que invierten la polaridad de la membrana.
La inversión del voltaje de la cara interior de la membrana cierra el paso a los iones de sodio y abre el paso a los iones de potasio hasta que se restablece el equilibrio en reposo. La
20
inversión del voltaje, conocida como potencial de accibn, se propaga a lo largo del axón y, a su vez, provoca la emisión de los neurotransmisores en los terminales axónicos.
Después de un pequeño periodo refractario, puede seguir un segundo impulso. El resultado de todo esto es la emisión por parte de la neurona de trenes de impulsos cuya frecuencia vana en función (entre otros factores) de la cantidad de neurotransmisores recibidos.
Existen dos tipos de sinapsis: a) sinapsis excitadoras, cuyos neurotransmisores provocan disminuciones
de potencial en la membrana de la célula postsináptica, facilitando la generación de impulsos a mayor velocidad, y
b) sinapsis inhibidoras, cuyos neurotransmisores tienden a estabilizar el potencial de la membrana, dificultando la emisión de impulsos.
Casi todas las neuronas reciben entradas procedentes de sinapsis excitadoras o inhibidoras. En cada instante, alguna de ellas estará activa y otras se hallarán en reposo; la suma de los efectos excitadores e inhibidores determina si la célula será o no estimulada; es decir, si emitirá o no un tren de impulsos y a que velocidad.
2.2.2. SIMILITUD DE RNAs Y BIOLÓGICAS.
Para establecer una similitud directa entre la actividad sináptica y la analogía con las RNAs, vamos a fijar los siguientes aspectos: las señales que llegan a la sinapsis son las entradas a la neurona; estas son ponderadas (atenuadas o amplificadas) a través de un parámetro, denominado peso, asociado a la sinapsis correspondiente. Estas señales de entrada pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (peso negativo). El efecto es la suma de las entradas ponderadas. Si la suma es igual o mayor que el umbral de la neurona, entonces la neurona se activa ( la salida). Esta es una situación todo o nada; cada neurona se activa o no se activa. La facilidad de transmisión de señales se altera mediante la actividad del sistema nervioso. Las sinapsis son susceptibles a la fatiga, deficiencia de oxígeno y a agentes tales como los anestésicos. Otros eventos pueden incrementar el grado de activación. Esta habilidad de ajustar señales es un mecanismo de aprendizaje. Las funciones umbral integran la energía de las señales de entrada en el espacio y en el tiempo [Hilera 951.
2.2.3. CARACTER~STICAS DE LA RNA~.
Las RNAs aprenden por experiencia, generalizan a partir de ejemplos previos y abstraen caractensticas esenciales a partir de entradas con datos irrelevantes.
A pesar de estas similandades funcionales, todavía el más optimista partidario no sugerirá que las RNAs duplicarán las funciones del cerebro humano. La inteligencia actual
mostrada por la RNA más sofisticada está por debajo del nivel de una sola red neuronal humana. El entusiasmo debe ser medido por la actual realidad. Esto es, sin embargo, igualmente incorrecto si se ignora el sorprendente desempeño inteligente de ciertas RNAs. Estas habilidades, sin embargo limitadas hoy en día, dan la idea de un profundo entendimiento de la inteligencia humana que parece cerrada a nuestro alcance y que abre la posibilidad de sorprendentes aplicaciones [Hilera 951.
2.2.3.1. APRENDIZAJE.
Las RNAs pueden modificar su comportamiento. Este factor, más que algún otro, es responsable del interés que éllas han recibido, Al mostrar un conjunto de entradas (quizás con entradas deseadas), son autoajustables para producir respuestas consistentes. Una amplia variedad de algoritmos de entrenamiento han sido desarrollados, cada uno con sus ventajas y desventajas,
2.2.3.2. GENERALIZACI~N.
Una vez entrenada la red, una respuesta de la red puede ser, en cierto grado, insensible a variaciones menores en la entrada. Esta habilidad se ve cuando reconoce un patrón con ruido y distorsión que es obtenido de ambientes reales.
2.2.3.3. ABSTRACCI~N.
Algunas RNAs son capaces de abstraer la esencia de un conjunto de entradas. Por ejemplo, una red puede ser entrenada sobre una secuencia de versiones distorsionadas de la letra A. Después de un adecuado entrenamiento, la aplicación de tal ejemplo distorsionado causará que la red produzca una letra perfectamente bien formada. En un sentido, ésta aprende a producir algunas cosas que nunca ha visto antes.
La extracción idealizada de prototipos es una alta habilidad usada por el humano, ahora podemos compartir esa habilidad con las RNAs.
2.2.3.4. APLICABILIDAD.
Las RNAs no son la panacea a todos los problemas. Por ejemplo, no son buenas para cálculos pero si son excelentes para tareas de reconocimiento de patrones en donde las' máquinas y algoritmos convencionales son pobres wasserman 891
22
2.2.4. LA NEURONA ARTIFICIAL.
L~ artificial fue diseñada para emular las Caractensticas de Primer Orden de la la
salida de Otra neurona. Cada entrada es multiplicada por SU conespondiente Peso, a la longitud sináptica, y la suma de todos los pesos de entrada deteminan el nivel de activación de la neurona. La figura 2.5 muestra un modelo de esta idea.
biológica, En esencia, un conjunto de entradas son aplicadas, cada una
Entr&
Peros rwpticor
Figura 2.5. Diagrama del modelo abstracto de la neurona artificial (Blum 921.
A pesar de la diversidad de paradigmas de redes, todas se basan en esta configuración. Aquí un conjunto de entradas etiquetadas XO,. . . ,xi,. , .x, son aplicadas a la neurona artificial. Estas entradas, colectivamente se referencian como el vector X, corresponden a la señal a través de la sinapsis de una neurona biológica. Cada señal es multiplicada por un peso asociado WO, ..., w!, ... w, antes de ser aplicado a un bloque sumador, etiquetado con 1. Cada peso corresponde a la “longitud de una conexión sináptica.. ( EI conjunto de pesos es referido como el vector W). La suma, corresponde al cuerpo de la célula, la suma del producto algebraic0 de los pesos de entrada es llamada RED:
RED=XW
2.2.5. FUNCIÓN DE ACTIVACIÓN.
La señal RED es usualmente aún más procesada por una función de activación F para producir la señal de salida de la neurona, SAL. Esta es una función lineal simple:
(2.3) SAL=K(RED)
23
donde K (O bien 0) es una constante, una función de umbral, donde:
SAL= 1 si RED>T SAL=-l en otro caso
donde T es un valor de umbral constante, o una función que Simula, de manera más correcta, las caractensticas no lineales de transferencia de la neurona biológica Y Permite funciones de red más general, esta función la podernos ver en ia figura 2.6.
Llamamos F al bloque que acepta la salida de la RED y produce la señal etiquetada como SAL. Si el bloque de procesamiento F comprime el rango de la E D , tal que S A L nunca excede algunos limites bajos sin considerar el valor de la RED, F es llamada función de aplastamiento (squushing). La función de activación es a menudo seleccionada para ser una función “logística” o “sigmoidal” (significa formada en S ) como se muestra en la figura 2.7. Esta función se expresa matemáticamente como F(x)=l/(l+e-*). Esto es:
SAL=]/( i+eSRED) (2.4)
Comparativamente con los sistemas electrónicos analógicos, se puede pensar que la función de activación es una ganancia no lineal para la red neuronal artificial. Esta ganancia es calculada encontrando la razón de cambio en S A L para un cambio pequeño en RED. Tal que, la ganancia es la pendiente de la curva como un nivel de excitación especifico. Varía a partir de un valor bajo en una gran excitación negativa (la curva es horizontal inicialmente), a un valor alto en una excitación O, y pierde hacia atrás cuando la excitación llega a ser muy positiva y grande. Grossberg(l973) citado en p l u m 921 encuentra que esta característica de ganancia no lineal resuelve el dilema saturación de mido que él tenía; esto es, jcómo puede la misma red manejar tanto señales pequeñas como grandes? Señales pequeñas de entrada requieren gran ganancia a través de la red si ella está para producir salidas usables; sin embargo, un gran número de estados de alta ganancia surgidas puede saturar la salidas con el mido amplificado (variaciones aleatonas) esto está presente en alguna red realizable. También, señales de entrada grandes saturarán estados de gran ganancia, la’ganancia elimina alguna salida usable. La región de gran ganancia central de la función logística resuelve el problema del procesamiento de señales pequeñas, mientras estas regiones de ganancia decreciente en extremos positivos y negativos son apropiadas para grandes excitaciones. En este camino una neurona ejecuta con una ganancia apropiada sobre un amplio rango de niveles de entrada.
24
~i~~~~ 2.6. Función de Escalón [glum 921. Figura 2.7. Función hgiSt¡Ca O sigmoidal IBlum 921.
Otra función de activación comúnmente usada es la tangente hiperbólica, Es similar en la forma a la función logística y esto es a menudo usado por biólogos como un modelo matemático de activación neurocelular. Esta función de activación en RNAs es expresado como sigue:
SAL=tanh(x) (2.5)
Igual que la función logistica, la función de tangente hiperbólica es de la forma S, pero es simétrica cerca del origen.
2.2.6. APRENDIZAJE EN RNAs.
El conocimiento en las redes neuronales es almacenado en las conexiones sinápticas, que son representados por los pesos y que se almacenan en matrices.
Una vez que el conocimiento se presenta a los pesos sinápticos de la red, presentando un patrón como entrada a la red, producirá la salida correcta; en [Blum 921 se formula la pregunta: jcómo adquieren el conocimiento las redes? Y su respuesta: durante el proceso de aprendizaje un conjunto de patrones se presentan a la red en una cierta secuencia y los pesos se van ajustando para capturar este conocimiento. El esquema de ajuste de pesos es conocido como la etapa de aprendizaje.
Uno de los primeros métodos de aprendizaje formulados es el aprendizaje Hebbiano dado por Donald Hebb 49 citado en [Blum 921 quien formuló el llamado “aprendizaje correlativo”, se parte de la idea de que los pesos de una conexión se ajustan basándose en los valores de las neuronas que están conectadas:
A w7= aaq (2.6)
donde Q es la taza de aprendizaje, a, es la activación de la i-ésima neurona en una determinada capa de neuronas, a, es la activación de laj-ésima neurona en otra capa, y wB es
25
CAPiTuLo 2. Fundamentos Teóricos lnrolumdos
la longitud de conexión entre las 2 neuronas. Una variable de esta regla de aprendizaje es la norma Hebbiana signada:
A wq= -wlj + S(u,)S(u,) (2.7)
donde S es la íünción sigmoidal.
2.2.6.1. APRENDIZAJE NO SUPERVISADO.
En general, un método de aprendizaje no supervisado es el que ajusta los pesos sin basar las comparaciones con algunas salidas deseadas u objetivo. Este tipo de aprendizaje es útil para casos en los que no se conoce la clase a la que pertenece un patrón de entrenamiento. Este tipo de aprendizaje forma autoasociaciones, permitiendo que se generen, a partir de la relación interna de patrones, las clases de entrada.
2.2.6.2. APRENDIZAJE SUPERVISADO.
Existen modelos que aprenden por medio de entrenamiento supervisado. Se presentan patrones de entrada, uno después de otro, a la red neuronal y observa el patrón de salida recuperado y compara éste con la salida deseada entonces, se requiere, de alguna manera, ajustar los pesos que toman en cuenta algún error en el patrón de salida.
Un ejemplo de una regla de aprendizaje supervisado es la regla de correlación del error:
A w y uai[c,-bj] (2.8)
donde a es la taza de aprendizaje, a; es la activación de la i-ésima neurona y bj la activación de laj-esima neurona en el patrón recuperado, y cj es la activación deseada de laj-ésima neurona.
2.2.6.3. APRENDIZAJE CON REFORZAMIENTO.
Este tipo de aprendizaje pertenece al de tipo supervisado, con la salvedad de que la fórmula difiere en la introducción de una corrección de error. Este tipo de aprendizaje es. similar al supervisado excepto porque cada neurona de salida obtiene un valor de error y sólo un valor de error es calculado para cada neurona de salida. La fórmula ajustada es:
A wy= a(v-@,)eg (2.9)
donde u=, taza de aprendizaje, F valor que indica el total de error del patrón de salida, Awg= O, = valor de un umbral para laj-ésima neurona de salida. Se requiere ampliar este
26
error generalizado para laj-ésima neurona de salida a cada una de las neuronas i-esimas. e, es un valor que representa la aceptabilidad de un peso para actualizarlo. Esto puede ser calculado como:
(2.10)
donde g, es la probabilidad de que la salida sea correcta dada la entrada a Partir de la i-ésima neurona y d significa la derivada. Esta probabilidad es realmente una estimación heurística que depende del modelo que se estudie.
2.2.1. NIVELES O CAPAS DE NEURONAS.
La distribución de neuronas dentro de la red se realiza formando niveles o capas de un número determinado de neuronas cada una. A partir de su situación dentro de la red, se pueden distinguir tres tipos de capas:
1.- De entrada: es la capa que recibe directamente la información proveniente de los patrones externos a la red. 2.- Ocultas: Son internas a la red y no tienen contacto directo con el entorno exterior. El número de niveles ocultos puede ser mayor o igual a cero. Las neuronas de las capas ocultas pueden estar interconectadas de distintas maneras, lo que determina, junto con su numero, las distintas topologias de redes neuronales. 3.- De salida: Transfieren información de la red hacia el exterior.
En la figura 2.8 se muestra el esquema de una posible red multinivel en la que cada neurona solamente está conectada con todas las neuronas de un nivel superior
..............
...............
Nivel de entrada Niveles Ocultos Nivelde saiida
Figura 2.8. Estructura de una red multinivel con conexiones hacia delante [Blum 921.
21
CAPITULO 2. Fundamentos Tebhcor Involumdos.
2.2.8. CONEXIÓN ENTRE NEURONAS.
La conectividad entre los nodos de una red neuronal está relacionada con la forma en que las salidas de las neuronas están canalizadas para convertirse en entradas de otras neuronas. La señal de salida de una neurona es una entrada a otra neurona e incluso puede ser una entrada de sí misma (conexión recurrente)
Cuando ninguna salida de las neuronas de entrada es recurrente o no va hacia una conexión hacia atrás se dice que la propagación es hacia adelante como el figura 2.8. cuando la salidas pueden ser conectadas como entradas de neuronas de niveles anteriores o del mismo, incluyéndose ellas mismas, la red es de propagación hacia atrás (ver figura 2.9.). Las redes de propagación hacia atrás que tienen lazos cerrados son sistemas recurrentes.
01
os -4 . g
On . . . ... . . . .. . . . .
Red con pmp.6-n hack at& a ne<~m de capas anteiiomr.
Figura 2.9. Ejemplos de conexiones con propagación hacia atrás [Blum 921.
2.2.9. BENEFICIOS DE LAS RNAs.
Según [Ontiveros 951 el uso de las redes neuronales trae como beneficios las siguientes propiedades y beneficios:
No linealidad. Una neurona es básicamente un dispositivo no lineal. Consecuentemente, una RNA compuesta de una interconexión de neuronas, es en sí misma no lineal. Además la no linealidad es de un tipo especial ya que es distribuido a través de la red. La no linealidad es una propiedad muy importante, particularmente si el mecanismo
28
fisico fundamental responsable de la generación de una señal de entrada (por ejemplo, las señales de habla) son inherentemente no lineales.
M~~~~ entrada-salida, El aprendizaje supervisado involucra la ~odif icación de los pesos sinápticos de una RNA mediante la aplicaciÓn de U n Conjunto de ejemplos de entrenamiento etiquetado o ejemplos de tarea. Cada ejemplo consiste de una única señal de entrada y la correspondiente respuesta deseada. A la red se le Presenta un ejemplo seleccionado al azar del conjunto, y los pesos sinápticos (libres de Parametros) de la red son modificados para minimizar las diferencias entre la respuesta deseada Y la actual Salida de la red producida por las señales de entrada de acuerdo con un Criterio estadístico apropiado. El entrenamiento de la red es repetido para muchos ejemplos en el conjunto hasta que la red alcanza un estado estable, donde no haya cambios significativos en los pesos sinápticos; 10s ejemplos de entrenamiento previamente aplicados pueden ser reaplicados durante la sesión de entrenamiento pero en diferente orden. Así la red aprende de los ejemplos mediante la constnicción de un mapeo de entrada-salida para el problema en cuestión. Dicho enfoque sirve para hacer inferencia estadisticas no paramétricas la cual es una rama del tratamiento estadístico con estimación de modelo libre. Por ejemplo, una tarea de clasificación de patrones, donde el requerimiento es asignar una señal de entrada que representa un objeto fisico o evento para una de varias categorías o clases prefijadas. En un enfoque no paramétrico para este problema, el requerimiento es “estimar” límites de decisión arbitrarios en el espacio de la señal de entrada para la tarea de clasificación de patrones usando un conjunto de ejemplos, y para hacerlo así, sin involucrar un modelo de distribución probabilistico. Un punto de vista similar esta implicito en el paradigma de aprendizaje supervisado, el cual sugiere una analogia entre el mapeo entrada-salida realizado mediante una RNA y la inferencia estadística no parámetrica.
Adaptabilidad. La RNAs tienen una capacidad de adaptar sus pesos sinápticos a cambios en el medio ambiente no estacionario. Una RNA puede ser diseñada para cambios en sus pesos sinápticos en tiempo real. La arquitectura natural de una RNA para la clasificación de patrones, procesamiento de señales y aplicaciones de control, se acopla con la capacidad adaptiva de la red, la hace una herramienta ideal para la clasificación, procesamiento de señales y control adaptivo. Asumiendo que el sistema adaptivo es estable, lo más robusto de su rendimiento probablemente será cuando el sistema opere en un medio ambiente no estático. Sin embargo, la adaptabilidad no siempre conduce a robustez, en realidad esto puede ser 10 opuesto. Por ejemplo, un sistema adaptivo con constantes de tiempo corto puede cambiar rápidamente y por lo tanto tender a responder a distorsiones causando una drástica degradación en el rendimiento del sistema. Para apreciar los beneficios de la adaptabilidad, las constantes del tiempo principales deben ser suficientemente grandes para que el sistema ignore las distorciones y aún suficientemente cortas para responder a los cambios significativos en el medio ambiente
Respuesta Evidencial. En el contexto de clasificación de patrones, una RNA puede ser disefiada para proveer información, no solamente acerca de un patrón particular para
29
sino también acerca de la confidencia de la toma de decisiones. Está última información puede ser usada para rechazar patrones ambiguos, deben ellos ser originados, Y por 10 tanto mejorar el rendimiento de clasificación de la red.
Información Contextual. El conocimiento es representado por la estructura Y estado de activación de una RNA. Cada neurona en la red es potencialmente afectada por ia actividad global de todas las otras neuronas en la red. Consecuentemente, la información contextual es tratada con naturalidad por una RNA.
Tolerancia a Fallas. Una RNA implementada en hardware, es tolerante a fallas en el sentido de que su ejecución es mínimamente degradada bajo condiciones de operación adversas. Si una neurona esta dañada o sus conexiones están dañadas, el recuerdo de un patrón almacenado sufre un daño en la calidad, sin embargo, debido a la naturaleza distribuida de información en la red, el daño tiene que ser extensivo antes de que se degrade seriamente una respuesta de la red.
Implementabilidad en VLSI. La naturaleza paralela de una red neuronal la hace potencialmente rápida para la computación de'ciertas tareas. Esta misma característica hace a las RNA apropiada para la implementación en la tecnología very-large-scala-integrated (VLSI). La virtud particular de VLSI es que provee un medio de capturar verdadero comportamiento complejo en una moda altamente jerárquica, lo que hace posible usar una RNA como una herramienta para aplicaciones de tiempo real involucrando reconocimiento de patrones, procesamiento de señales y control.
Uniformidad de análisis y diseño. Básicamente, las RNAs gozan de universalidad como procesadores de información. La misma notación es usada en todo el dominio invoiucrado en la aplicación de RNA. Esta Característica se manifiesta por sí misma de diferentes maneras:
-Neuronas, en una forma u otra, representan un ingrediente común para todas las RNAs.
-Esta comunidad hace posible compartir teorías y aprender algoritmos en diferentes aplicaciones de RNAS.
-Las redes Modulares pueden ser construidas a través de integración de módulos
Analogía Neurobiológica. El diseño de una RNA es motivado por analogías con el' cerebro, el cual es una prueba viviente de que el procesamiento paralelo tolerante a fallas no solo es físicamente posible sino también rápido y poderoso. Los neurobiologos ven a las RNAs como una herramienta de investigación para la interpretación del fenómeno neurobiológico. Por ejemplo las RNAs hab sido usadas para proporcionar ideas en el desarrollo de circuitos premotor en el sistema oculo motor (responsables de los movimientos del ojo) y la manera en que ellos procesan las señales. Por otra parte, los ingenieros ven a la neurobiología por las nuevas ideas para resolver problemas más complejos que aquellos en
30
técnicas de diseño convencional alambrado (aquí, por ejemplo, podemos mencionar el desarrollo de un modelo recibidor de sonar basado en el del murciélago)
Ya desde McCullocb y Pitts (1943) citados por [Ontiveros 951 se demostró que cualquier programa de una máquina de Turing podía ser realizada por una "red de neuronas lógicas". Esto significa que dada una estructura de la red y su entrenamiento adecuado, no existen tareas computacionales que no puedan ser ejecutadas por la RNA, pero hay que observar el hecho de que dichas tareas puedan ejecutarse, no implica necesariamente que sea de una manera eficiente, al igual que una máquina de Turing no es tan eficiente como una computadora convencional.
2.3. RNAs SELECCIONADAS.
En las siguientes secciones se describen los paradigmas de RNAs que se seleccionaron para la evaluación del desempeño en la tarea de reconocimiento de patrones de fallas en GE.
2.3.1. LA RED BACKPROPAGATION.
El algoritmo de aprendizaje buc@rupugution es uno de los desarrollos más importantes históricamente dentro de las redes neuronales según [Chin-Teng 96 1.
La buchpropugution es una red de alimentación hacia adelante multinivel, consiste de elementos de procesamiento con funciones de activaciones diferenciales continuas.
Dado un conjunto de entrenamiento de pares entrada-salida { (2, d ), k = 1,2,. . .p, el algoritmo proporciona un procedimiento para cambios de pesos en la red Buc@ropugufion, para clasificar correctamente los patrones de entrada dados. Las bases para el algoritmo de actualización de pesos se hace por medio del método de gradiente descendente, así como se hace para percepciones simples con unidades diferenciales.
El algoritmo de Buckpropugufion para un par de entrada-salida ( 2, d ),ejecuta dos pases de flujo de datos. Primero, el patrón de entrada 2 se propaga a partir del nivel de entrada hacia el nivel de salida y como un resultado de este flujo hacia adelante se produce una salida actual 9. Entonces una señal de error, resultado de la diferencia entre dl y y", se retro-propaga del nivel de salida hacia los niveles previos para actualizar entonces los pesos de la red. Para ilustrar con mas detalle la red Buckpropugufion, considerar una red de tres niveles mostrada en la figura 2.10, en donde hay m elementos de procesamiento (o neuronas) en el nivel de entrada, i elementos de procesamiento en el nivel oculto y n elementos de procesamiento en el nivel de salida; las flechas con líneas continuas muestran la propagación hacia adelante de las señales, y las flechas con lineas punteadas muestran la retropropagacion del error.
3 1
Figura 2.10. Red Backpropagation con tres capas [Chin-Teng 961.
Primero consideremos un par entrada-salida de entrenamiento (x,d) donde el super índice k es omitido para simplificar y d es la clase supervisada del patrón de entrada. Dado un patrón de entrada x, un elemento de procesamiento q en el nivel oculto recibe una red de entrada de la siguiente manera:
m
,=I red, = C v+, (2.11)
donde vq es el peso asociado de la entrada j en la capa de entrada y el elemento de procesamiento q en la capa oculta. A partir de la ecuación 2.1 1 se produce una salida de:
m
z, =a ( red, ) = a( C vq.xi ) j = l
(2.12)
donde a es la función de activación en un nivel o capa de elementos de procesamiento.
La red de entrada para elemento de procesamiento i en el nivel de entrada es entonces:
I I m
red, = CWA = C W , ~ u(Cvg, ) 9=l 4'1 ,=I
(2.13)
32
donde wiq es el peso asociado a la entrada i del nivel oculto y de la salida q de la capa de salida.
A partir de la ecuación 2.13 se produce una salida de :
yi = u(redi ) = u(C w;& ) 9=l
(2.14)
Las ecuaciones anteriores indican la propagación hacia adelante de la señal de entrada a través de los niveles o capas de la red. Como se mencionó, la red entonces retropropaga la señal de error, se define entonces una función de costo de la siguiente manera:
n n I
(2.15)
donde d, es la neurona de salida deseada.
conexiones que van de la capa oculta a la de salida se actualizan como: Entonces de acuerdo al método del gradiente descendiente, los pesos en las
(2.16)
donde q es la taza de aprendizaje y 6,, es la señal de error en la neurona i-ésima en el nivel de salida o. La señal de error es definida como
A 6,; = [d i - y , ][a'(red;)] (2.17)
donde red, es el i-ésimo elemento de procesamiento en la red de entrada y a = ¿Ju (red ,) / üred, El resultado muestra la regla delta.
Para actualizar los pesos de las conexiones entre la capa de entrada a la oculta, se usa el cambio de la regla con el método del gradiente descendiente y se obtiene una actualización en los pesos de las ligas entre el i ésimo elemento de procesamiento, en el nivel de entrada, al q-ésimo elemento de procesamiento en el nivel oculto:
-
33
Usando la ecuación 2.16, la ecuación 2.17 se puede reescribir
(2.19)
donde 6 h q es la señal de error del q-ésimo elemento de procesamiento en el nivel oculto h y se define como:
(2.20)
donde red, es la red de entrada al q elemento de procesamiento del nivel oculto h
La señal de error en el nivel oculto, de acuerdo con [Chin-Teng 961, es diferente al nivel de salida, ya que, el procesamiento de actualización de pesos en la ecuación antenor, es la llamada regla de aprendizaje delta generalizada. Se observa en la ecuación (2.19) es la señal de error 6 h q de un elemento q-ésimo del nivel oculto y es determinado a través del error 6,,, de la capa de salida.
Para calcular el error cuando se usa una función de activación sigmoidal entonces las ecuaciones quedan como:
6,; = %(1 -y: ) [ d; -y1 ] (2.21)
2.3.2. LA RED PHAFZZ (Paradigma neuronal basado en el modelo de Hamming con factores de certeza versión I1 ).
PHAF 11 es la versión mejorada de la PHAF I [Mejia 921 y según [Mejía 92B] la red PHAFII tiene ventajas sobre la red Hamming, ya que maneja factores de certeza en la respuesta, entre otros beneficios que se mencionan más adelante.
Esta red neuronal tiene la capacidad de manejar datos análogos entre O y 1, a diferencia del previo paradigma [Mejía 921 que sólo maneja datos con entradas binarias.
Según [Ontiveros 951 PHAF II es una red de tres capas de tipo supervisado con neuronas interconectadas, en donde la capa de entrada tiene ti neuronas, la capa intermedia M neuronas y está dada por el número de patrones de entrenamiento, la capa de salida con p neuronas determinada por la clase.
34
En este modelo, se manejan dos tipos de patrones de datos: el primero de ellos denominado patrón ejemplo, el cual representa las señales de entrada que se tienen para ser reconocidas y el segundo de ellos es el patrón objetivo, que representa algún tipo de anormalidad en el comportamiento de las señales implicando algún tipo de acción preventiva y/o correctiva.
La figura 2.11 muestra la arquitectura de la PHAF I1
Fases Arquitectura ’ i.k O
Etapas
Etapa 2
I 11-4 I I
5 t t i f
j=i ... N j=1 ... M Patrón
k=l . . .P E i e m b
Figura 2.11. Arquitectura de la red PHAFZZ [Ontiveros 95).
Las ecuaciones en la etapa de aprendizaje son:
&=E, B,k = s,k
Para i=f , ... N j = l , ... M k=l,...P
(2.23) (2.24)
donde E es la matriz de entrada de patrones ejemplo con N bits (o elementos) por patrón y M patrones, E es igual a A, donde A es la matriz de pesos de la capa de entrada a la capa intermedia, S es la matriz de salida de patrones objetivos con P bits (o elementos) por
35
CAPrIUt.0 2. Fundamentos Teóbcos Involucrados.
patrón y M patrones, S es igual a B, donde B es la matriz de pesos del nivel intermedio al de salida.
Una vez que los patrones ejemplo y objetivo han sido cargados en la red, ya está lista para reconocer patrones desconocidos. En esta etapa las ecuaciones del paradigma son :
C, = EucDis ( A , U, ) i = l , , . . N j= l , , . .M
(2.25)
donde U es el patrón desconocido con N bits, C es la salida de la capa intermedia con M neuronas y la función EucDis conocida como distancia euclidiana es :
N
;=I EucDis(g, h.) = sqrt ( Z íg8 - h; )* / N) (2.26)
donde g, y h, son elementos de vectores. Cuando C, ha sido calculada se procede a buscar un C,,, dada por
C,in = min ( C, ) paraj = 1, . . ., M (2.27)
Una vez encontrada la C- se encuentra a C' dada por
si Cj > Cmin si c, = Cmin
p a r a j = 1, ..., M (2.28) C ' j =
Luego se calcula el vector D como sigue : M
Dk= (c j * Bjk) ,=I
A partir de D se calcula D' donde cada valor D ' k , se fija en uno si Dt es mayor que cero; y las Di, restantes se fijan en cero. Esto es:
(2.29)
(2.30)
Con estos pasos, el patrón U ha sido reconocido por la red
36
CAPlnrU) 2. Fundamentos Teóneos Involumdos.
El factor de certeza global (FCG) es dado por la PHAF II calculado de la siguiente manera:
F C G = ( l - C m i n ) * l O O (2.31)
Un FCG menor o igual a 50% indica que no hay relación entre el patrón de entrada U desconocido y el de la salida dado por la red PHAFII.
El error para un patrón reconocido esta dado por :
E = 1 -FCG (2.32)
Las ventajas de la red PHAFII según [Ontiveros 951 son:
a) Acepta un número de patrones de entretenimiento más grandes que el número de neuronas de salida en contraste con la red Hamming que debe tener el mismo número, Ó mayor, que patrones de entrenamiento. Esto es una sena desventaja cuando el mapeo no es uno a uno.
de neuronas de salida
b) Maneja factores de certeza en la salida. La red PHAF II no sólo reconoce sino da información de certidumbre para toma de decisiones por parte de los usuarios.
c) Asegura el 100% de convergencia en los casos en el que el patrón de entrada es un patrón de entrenamiento [Mejía 92Bl.
d) No requiere de iteraciones durante el entrenamiento
e) AI emplear aprendizaje supervisado, la PHAFíl logra una exactitud mejor en el manejo de la relación entrada-salida [Mejia 92Bl.
2.3.3. LA RED RADLU. BASIS FUNCTION (Me. Originalmente la red RBF se desarrolló para interpoiación de datos en un espacio
multidimencional [Mulgrew 961.
Una red RBF (según Moody and Darken I989 citados en [Fu 941) es una red de dos niveles o capas. En La figura 2.12 se aprecia la arquitectura de esta red en donde las unidades de salida forman una combinación lineal de las llamadas funciones básicas (núcleos) calculados por el nivel oculto.
37
Fwión Bbica G.3lSSiaM
....
Figura 2.12 Arquitectura de una red RBF.
Las funciones básicas en el nivel oculto producen una respuesta localizada en la salida, esto es, cada unidad oculta tiene un campo receptivo localizado, llamado área de influencia. La función básica se puede ver como una función de activación en el nivel oculto [Fu 941.
Las posibles selecciones de funciones básicas pueden ser según [Mulgrew 961:
1 .- logantmica:
(2.33)
2.- multi-cuadrática:
3.- multi-cuadrática inversa:
4.- Gaussiana:
(2.34)
(2.<5)
(2.36)
38
CApiNLO 2. F u n b a l m Teóricos Insolumdos.
El parametro o, controla el radio de influencia de cada función básica. Es evidente, particularmente en la multicuadrática inversa y la Gaussiana que ambas están limitadas y localizadas en un radio de influencia tal que 5 (c ) + O (cero) cuando < + (infinito) [Mulgrew 961.
Según [Fu 941 la función básica que se selecciona mas comúnmente es la Gaussiana en la que el nivel de activacion O, de una unidad de la capa oculta j es determinada por:
(2.37)
donde X es el vector de entrada, W, es el vector de pesos asociados con la capa oculta ( i,e los centros de las funciones Gaussianas ), las salidas de la capa oculta va de O a 1, la entrada más cerca del centro de la Gaussiana es la que responde con mayor activación. Esto es porque el nodo produce una salida idéntica para entradas con distancia igual al centro de la Gaussiana, por eso se le da el nombre de básica radial. El nivel de activación O, de una unidad de salida es determinada por:
o,= 2 wji oi (2.38)
donde Wii es el peso de la unidad oculta i a la unidad de salida j
Las unidades de salida forman una combinación lineal de las funciones básicas no lineales y así la red ejecuta una transformación no lineal de la salida. En [Mulgrew 961 se dice que los pesos W j i pueden ser encontrados por interpolación ya que dichos pesos son un conjunto de ecuaciones con una solución única. Estos pesos, también pueden ser encontrados usando una red Backpropagation.
El aprendizaje en la red RBF puede ser dividido en dos etapas : aprendizaje en la capa oculta seguido del aprendizaje en la capa de salida.
El aprendizaje en la capa oculta se hace empleando un algoritmo de agrupamiento para encontrar, de un conjunto de patrones de entrada, los más representativos que deberán pasar a ser radiales básicos. Para esta etapa, se pueden emplear algoritmos como los k- means, redes de Kohonen y otros.
El aprendizaje en la capa de salida consiste en encontrar los pesos por medio del entrenamiento de una red como la Backpropagation, o bien, con algún método de resolución de ecuaciones lineales como SVD ( Singular Value Decomposition ) [Press et al 883.
39
CAp¡TULO 2. Fundamentas Teóicor Involumdos.
De acuerdo con [Mulgrew 961 el parametro o representa la medida de amplitud de los datos asociados con el nivel oculto. Según [Fu 941 Para determinar un o por cada grupo se realiza la evaluación siguiente:
(2.39)
Donde X es un patrón de entrenamiento en el grupo, W, es el centro del grupo asociado con la unidad oculta j, M es el número de instancias totales de entrenamiento que pertenecen al grupo de la misma clase.
En este enfoque el número de unidades ocultas se determinan por ei algoritmo de agrupamiento.
El parámetro o se puede adaptar durante el aprendizaje como un intento para minimizar el traslapamiento de grupos.
La red RBF puede ser usada en tareas de clasificación y como aproximación funcional.
Para la clasificación, la red puede determinar que tan cerrada está la entrada al centro de un núcleo Gaussian0 por la respuesta que la unidad.oculta da. Si se emplea una sola unidad oculta, entonces la región de decisión es circular. Desde esta perspectiva, la RBF es muy conveniente para la implementación de un modelo eficiente de clasificación.
Usando un conjunto de funciones básicas no lineales la red RBF es capaz de aproximar cualquier mapeo arbitrario.
La principal diferencia entre la red RBF y la red Backpropugation es el uso de las funciones básicas de la RBF [Fu 941
2.4. RECONOCIMIENTO DE PATRONES.
’ Sistema de Reconocimiento Automático de Patrones (SRAP) Un SRAp opera siempre con un universo de trabajo previamente definido. Este universo de trabajo se forma por todos los posibles objetos individuales que va a reconocer de manera automática. Estos objetos predefinidos se conocen como patrones. Estos patrones pueden pertenecer a diferentes categonas que llamamos clase.
Los objetos aparecen normalmente mezclados entre sí; presentando asociaciones e interacciones complejas.
40
Para proceder al reconocimiento automático de los objetos individualizados se realiza una transformación de los mismos convirtiéndose en un vector o n-uplo X cuyas componentes se denominan caracteristicas o rasgos. Cada vector de características se compara con un conjunto de vectores preestablecidos o diccionario, compuesto por los vectores de rasgos de todos los objetos del universo de trabajo [Maravall94].
Según [Hilera 951 las áreas de aplicación más importantes del reconocimiento de patrones neuronal serían las mismas que aquellas para las cuales los métodos convencionales y heuristicos han sido desarrollados durante los pasados treinta años:
a) Percepción remota. b) Análisis de imágenes médicas. C) Visión en computadoras industriales (especialmente para robots). d) Elementos de proceso de las entradas para computadoras.
2.5. ESTADO DEL ARTE.
En la tecnología de Aislantes Eléctricos (E1 de electrical insulation) se ha ampliado considerablemente el estudio del origen de las DP, de la diversidad de ellas y cómo interpretarlas cuando se presentan en aparatos de alto voltaje (HV por sus siglas en inglés High Voltage) También, el reconocimiento de fallas a partir de las DP se ha ampliado, como veremos en los próximos párrafos.
Discriminaci6n de patrones de DP usando una red neuronal. Los primeros estudios realizados, de los cuales se tienen informes, son la investigación de [Hozumi 921 del departamento de Ingeniería Eléctrica del Laboratorio de Investigación de Yokosuca. Estos investigadores, demuestran la eficiencia de usar una red backprogution para discriminar una descarga parcial que no es perjudicial a los aparatos eléctricos, de las DP que vienen acompañadas de un árbol eléctrico y que son los que producen una falla final en el sistema de aislamiento del aparato.
pozumi 921 comenta que la existencia de un vacío en el material aislante usado en aparatos eléctricos o cable puede causar DP. Una falla final en el sistema de aislamiento ocurre cuando un árbol eléctrico generado por las DP se extiende a través de los electrodos. Como el tiempo entre la iniciación del árbol y la falla final es usualmente mucho más corto que el tiempo de la iniciación del árbol, la fiabilidad de el sistema de aislamiento es extremadamente reducida cuando el árbol inicia. Según píéndez 901 las pruebas de las DP se llevan a cabo para evitar fallas prematuras causadas por los procesos mencionados.
En [Hozumi 921 uno de los objetivos importantes de las pruebas de DP es discriminar una descarga parcial está acompañada por un árbol eléctrico o no. Para este propósito, se han usado parámetros estadísticos simples tales como el máximo de la intensidad de la DP y la frecuencia para caracterizar las condiciones de las DP Sin embargo, el progreso en
41
CAF‘ITlJU3 1. Fundamenios Teáricas Involucrados.
técnicas computacionales de medición ha hecho posible el cálculo de varios parametros estadisticos, para todos los pulsos de descargas, siendo detectadas durante el Periodo de medición, L~ técnica de medición por computadora demostró la posibilidad de diagnósticos más precisos.
Según [Hornmi 921 los parámetros importantes para caracterizar las DP son: ángulo de fase ($), la magnitud de la DP (9) y la frecuencia de la DP (n). Los patrones de DP pueden tener estos tres parámetros, tales como patrones 4% $-n, 9-n Y 4-4-n.
Sin embargo, la complejidad de estos patrones hace dificil encontrar parámetros efectivos para el diagnóstico. Por lo tanto, en [Hornmi 921 se aplica el algoritmo de redes neuronales al reconocimiento de DP. De manera general, este estudio experimental se dividide en 2 partes. La primera parte, consiste en la discriminación de la iniciación del árbol eléctrico a partir de un vacio formado por un hueco en resina epóxica. Este vacío, hecho con una aguja de metal, se utilizó en la simulación de la DP. La segunda parte, consiste en emplear cuatro diferentes sistemas de electrodos para simular las DP y llevar a cabo la discriminación de dicho árbol.
La conclusión de esta investigación fue que la Backpropugutiot~ se aplicó a la discriminación de patrones de DP antes y después de la iniciación del árbol originado en el vacío en resina epóxica. La red aprendió los patrones 4-q y 4-q-n antes y después de la iniciación del árbol. Después de que el proceso de aprendizaje concluyó, la red se.alimentó con los patrones desconocidos para determinar el desempeño de la discriminación de la iniciación del árbol. Esto fue lo que se encontró:
(I) El algoritmo de red neuronal se aplicó a la discriminación de la iniciación del árbol usando tanto los patrones 4-q y 4-q-n.
(2) La red que aprendió los patrones 4-q-n mostró mejor discriminación que cuando aprendió el patrón 4-q.
(3) El desempeño de la discriminación disminuyó cuando los patrones de entrada fueron ejemplos “virgen” (conocidos comúnmente como patrones desconocidos).
(4) Esto hizo sugerir que la discriminación estable para los ejemplos “virgen” requieren de una longitud del árbol más grande que dicho vacio.
( 5 ) Los patrones de DP originados en los cuatro sistemas de electrodos se discriminaron usando, también, la misma red neuronal.
(6) Los patrones de DP combinados y empleados como entrada a la red se investigaron y resultó que las señales fueron distinguidas correctamente.
(7) La razón de respuesta correcta llegó al 70% cuando la razón del ruido mezclado llegó a 0.1. Esto debe mejorarse si el patrón de ruido fue aprendido por la red neuronal.
Estos resultados demostraron que el algoritmo de red neuronal es una herramienta poderosa para el diagnóstico de fallas en aparatos eléctricos. Sin embargo, debe ser considerado en los aparatos eléctricos actuales lo siguiente:
42
C M i n n X , 2. Fundamnilos TeMcos lnvolucradas.
(1) Cambio en los patrones de DP dependiendo del voltaje aplicado. (2) Acumulación de la base de datos de aprendizaje con mediciones en sitio. (3) Recortar el tiempo de aprendizaje e incrementar el número de patrones. (4) Es deseable aclarar las características de los patrones de DP a la cual la red neuronal es
sensible, analizando la estructura de la red la cual finaliza el proceso de aprendizaje.
comentario sobre el estudio: este es uno de los primeros trabajos que hacen reconocimiento de DP basados en pruebas de laboratorio y usando redes neuronales. LOS patrones simulados, no tienen los pulsos que hoy en día sí tienen los que se toman con los actuales aparatos de medición. En [Hornmi 921 se da énfasis a las mediciones en sitio para obtener base de datos más conñables y variadas. El trabajo de [Hornmi 921 ha contribuido, en la realización de la presente tesis, a verificar lo que está hecho y como punto de partida para el desarrollo de esta tesis.
Reconocimiento de DP con preprocesamiento basado en conocimientos y redes neuronales. [Cachin 951 del Instituto para las Ciencias Computacionales Teóricas en Zurich, Suiza desarrolló en 1995 una red neuronal del tipo multilayer perceptron para el reconocimiento de DP. Este trabajo se concentró en aspectos de análisis de DP. Se demostró que hay métodos de preprocesamiento para reducir la información contenida en un patrón de DP, mejorando, de esta manera, la capacidad de reconocimiento de la RNAs.
Este estudio de [Cachin 951 h e medular para el desarrollo del preprocesamiento de esta tesis. Los patrones utilizados por [Cachin 951 son los mismos que se utilizaron en este trabajo de tesis.
Según [Cachin 951 la descarga parcial es un desplazamiento local súbito de electrones e iones en un aislamiento, bajo la influencia de un campo eléctrico suficientemente herte. Este fenómeno es causado por defectos en el dieléctnco, y es por lo tanto importante para el diagnóstico del aislamiento. Los datos de DP consisten en una secuencia de tiempo de los pulsos de la carga que pueden ser representados de varias maneras. Una de las posibilidades es el ángulo de fase + del voltaje de comente altema(AC), en el que los pulsos de magnitud q es detectada. El resultado es el patrón de DP resuelta en fase (PWD por sus siglas en inglés de: phase resolved partial discharge). Una descripción estadística de los datos, se obtiene por puntuación o acumulación de pulsos en varios períodos de voltaje AC. La densidad de distribución d(4,q) de eventos en el espacio del parámetro (4, q), representa un patrón con información acerca de la naturaleza del defecto. En la practica, d($, q) es un punto representado por un código de color o por una gráfica tridimensional de d(+, q) sobre el plano (+,q). La forma de un patrón determina cierto tipo de defecto.
Según [Cachin 951 Vanos métodos se han propuesto para identificar defectos a través del reconocimiento de patrones PRPD, los cuales tienen diferencias. Primero, se usa una representación de los datos de la forma del pulso de DP, en los parámetros estadísticos y la
densidad de distribución, Segundo, los métodos de clasificación pueden ser estadisticos 0 por redes neuronales. Sin embargo, ninguno de estos métodos, antes usados, aplican conocimiento fisico al proceso de clasificación.
[Cachin 951 aplica un conocimiento fisico para el reconocimiento, basado en un procesamiento de datos para reducir substancialmente los datos de un patrón PRF’D (un tamaño común es de 256 x 256 puntos). Esta magnitud de datos, es inapropiada principalmente en sistemas basados en redes neuronales. Para la clasificación se emplea una red neuronal perceptron multinivel (buckpropagution ).
Según [Cachin 951 los modelos fsicos permiten simular los patrones PRPD de vanos tipos y tamaños de defectos. Para el diseño de sistemas de preprocesamiento y clasificación se usan patrones de prueba PRPD generados estocásticamente por computadora.
El reconocimiento opera sobre un patrón de media fase, permitiendo la clasificación de la fase negativa y positiva. La dimensión de la ventana de la fase positiva es el área $x q = [3 15: 180°] x [ 0,2 I( donde 4 se toma como el modulo de 360O y q representa un real entre O y 2. La nueva dimensión de la matriz es de m~ x m, = 160 x 128 puntos. Los índices sobre la d($, q ) discretizados son denotados por (-I; y e).
Las simulaciones se llevaron al cabo para comparar diferentes métodos de preprocesamiento, tamaños y arquitecturas de redes. Para eliminar decisiones ambiguas un patrón se toma correctamente clasificado si la activación de la unidad de salida correcta excede a otras unidades de salida por un margen de al menos A (tipicamente A= 0.2) [Cachin 951.
Comentano sobre este estudio: [Cachin 951 presenta en su investigación el tipo de patrones que el dispositivo ICM++ del IIE proporciona. También, se toma la misma metodología para realizar el preprocesamiento de los datos, haciendo algunos cambios para la eliminación de ruido. La misma metodología de discretización vertical, horizontal y senoidal se aplica a un patrón de media fase y la eliminación de ruido se hace en base a la expenencia transmitida por el experto humano y no con contornos como lo hace [Cachin 951.
Se sigue manifestando, en este artículo, el uso de patrones simulados y no patrones medidos en equipos con fallas reales; incluso [Cachin 951 recomienda se analicen los datos de aparatos de HV para obtener un mejor reconocimiento.
Reconocimiento automático de DP: De Holanda se tienen reportes sobre reconocimiento automático de DP. Se usó una red buckpropugation y la Kohonen. Lo interesante de este trabajo es haber dado una manera de extracción de características relevantes de ¡donnación de los patrones de DP y la estructura de la base de datos para el reconocimiento de DP [Knvda 951.
44
CAPITULO 2. Fundamentas Teáicos úivolumdos.
Este articulo presenta aportaciones interesantes en tres aspectos:
11.- explica diferentes métodos de medición de DP (radiofrecuencia, infrarojos, acústicos, de luz);
2),- muestra la forma de reducir la información de los patrones de DP para que sea clasificada y,
3)- explica de manera breve y da comentarios acerca de tres diferentes tipos clasificadores de patrones de DP: clasificadores convencionales, clasificadores dihsos y RNAs. Se usó los clasificadores de RNAs en este estudio.
Se& [Knvda 951 los patrones de DP contienen demasiada información que deben de resumirse de alguna manera. Hay autores que proponen un tipo específico de extracción de características, esta elección depende del tipo de datos que se manejen, ya que, como se mencionó están de acuerdo ai tipo de medición hecha para el sistema de adquisición de datos de DP.
En este artículo, el propósito de extraer características del patrón original de DP es reducir la dimensionalidad basada en el cálculo de ciertas características o propiedades de el patrón, 1120 parámetros se emplearon para el reconocimiento. Esto se tiene que tomar en cuenta en el método que será usado. El total de características que se extraen de los parámetros son 29 que son parámetros estadísticos tales como: sesgo, curtosis, picos, asimetría, etc.
Otra interesante tecnología introducida son las características fractales para describir Hq( 9, q ). En este caso, un patrón Hq ( q, q ) se redujo a dos dimensiones basada en el cálculo de dimensión y lagunandad fractal a partir del patrón. La dimensión fractal describe la rugosidad de superficie, y la lagunaridad la densidez de el patrón Hq(9,q) Características que son aparentemente descriptores relevantes.
El objeto de la clasificación, es asignar una etiqueta a un patrón de DP de origen desconocido a partir de patrones previamente colectados con etiquetas conocidas.
Para observar cada característica, de las 29 que se mencionan, del patrón ya extractado deberá encontrarse la no diferencia entre dos grupos. Para esto se utilizan técnicas matemáticas las cuales reducen el espacio de características multidimencional de 2 o 3 dimensiones. Se explican tres técnicas: mapeo, análisis discriminante y análisis de dusters, que se detallan en [Krivda 951.
La formación de gnipos similares entre patrones extractados de diferentes orígenes de se lleva al cabo con redes neuronales ( sistemas adaptivos ) y clasificadores DP
convencionales (sistemas no adaptivos).
45
L~~ redes neuronales se han aplicado con exit0 a Un número de Problemas de clasificación de patrones. Se usó una backpropagation con una capa oculta de neuronas Y una función de transferencia sigmoidal. Esta red permite formar hiperplanos de IOs Patrones extractados.
La clasificación se hizo en tres redes neuronales con datos de DP Para tres tipos de fallas, 10s datos de entrada fueron 15 valores de parámetros estadísticos. La red neuronal, en lugar de clasificar correctamente los patrones extractados de fallas, se han entrenado para reconocer, en este caso descargas corona y descargas en cavidad en un espacio.
El problema de las redes neuronales en aplicaciones reales es determinar, por ejemplo, el coeficiente de aprendizaje, ya que el aprendizaje de la red depende del criterio del valor de convergencia, entre otros.
Por otro lado se expone la alternativa de los clasificadores convencionales tales como: clasificadores bayecianos, clasificadores parsen, clasificadores del vecino más cercano, funciones discriminantes, con el fin de comparar la eficiencia de estos clasificadores y las RNAs.
Pero, como las redes neuronales también presentan sus desventajas que se explican en el documento, se sugiere que para elegir el método correcto se debe evaluar cada uno adecuadamente. [Krivda 95 J
Comentario de este estudio: Aunque las redes neuronales presentan desventajas, que se explican en el documento, la sugerencia es evaluar sus ventajas y también las desventajas de otros métodos de clasificación. Y como conclusión final de este documento, se puede decir que es importante saber cuál clasificador es mejor, ya que, si el problema se presenta desde la forma de medir las DP, lo mas adecuado es estudiar los datos de las DP a los que se tengan acceso y realizar una buena extracción de las características o preprocesamiento.
En el párrafo anterior habría que agregar, también, que cuando ya se tiene un mecanismo de medición con cierto equipo se debe de adaptar y estudiar el manejo de los datos que almacenan estos sistemas y lograr la mejor extracción de características. [Knvda 951 habla del 1120 parámetros empleados y esta tesis manejó 256 x 256 datos que se reducen en el preprocesamiento. Esto podría indicar un preprocesamiento más complejo, sin embargo, la cantidad de datos o parámetros no implica si un algoritmo será mas complejo o - no, lo importante es hacer el manejo adecuada de la información.
Identificación del origen de las DP con parámetros novedosos usando redes neuronales Counterpropagation. Por último, en Alemania la tecnología de redes neuronales es usada para identificar el origen de las DP en los aparatos eléctricos. Para este fin se generan DP en experimentos que sirven de base para analizar y determinar qué provoca las DP en los aparatos mencionados. Una variante de la arquitectura de Counterpropagarion se
CAPITULO 2. Fundamentos Teóficor lnvolunados.
usó en el reconocimiento de los patrones de DP [Hoof et al 971. Se empleó un patrón Aun(Au,,-,), el cual puede ser derivado a partir de los pulsos consecutivos de descarga. Este es un patrón conveniente, según [Hoof et al 971, para una clasificación potente. Cada punto de los datos del patrón Aun(Aun-,) contiene información de la secuencia de los pulsos consecutivos de las descargas. El voltaje externo un(t) (dependiente del tiempo t ) es normalizado a su máximo valor, permitiendo comparaciones con muestras a diferentes voltajes de inicio de DP.
Se emplearon algoritmos convencionales (distancia Euclidiana) y la RNA counterpropuption para evaluar el diagnóstico del origen de DP, concluyéndose, en general, que estos algoritmos mejoraron el reconocimiento debido al empleo del patrón novedoso Au,,(Aun-,).
Comentario sobre este estudio: Los datos de las DP se simularon en laboratorio y además, se usan patrones diferentes al los de [Cachin 951, es decir, patrones con diferencial de voltaje entre un pulso actual y otro pulso anterior. [Hoof et al 971 argumenta que el patrón PRPD es inadecuado por la gran cantidad de información, sin ,embargo, un procedimiento adecuado de extracción de información de un patrón PRPD puede ser la diferencia cuando se tienen disponibles este tipo de mediciones.
En México no se encontraron reportes sobre trabajos de reconocimiento automático de patrones de DP, y en el panorama internacional aunque hay trabajo al respecto, pocos de ellos se enfocan sobre problemas de fallas en generadores eléctricos de manera específica, y en estos casos emplean patrones simulados.
47
CAPÍTULO 3 DESCRIPCI~N DEL PROBLEMA Y METODOLOGÍA
PROPUESTA
Dos aspectos importantes, en el análisis de un sistema, son la descripción del problema y la metodología que se propone para atacar el problema. Este capítulo describe de manera de detallada el problema del diagnóstico y la estrategia de solución.
3.1. SISTEMA DE DIAGN6STICO.
Según [Reyes 981 actualmente en el IiE se lleva a cabo el monitoreo en linea de los generadores eléctricos, como una alternativa para la detección oportuna de posibles fallas dieléctricas y/o mecánicas durante la operación de los generadores. En el IIE se ha optado por el sistema ICM++ (por sus siglas en Inglés de Insulation Condition Monitoring) para el monitoreo en línea de DP, debido a que utiliza sensores que pueden instalarse y retirarse fácilmente, tanto en las terminales de alta tensión como en el llamado transformador de atemzamiento del neutro.
En la sección siguiente se explican las técnicas de detección de problemas y la técnica en el sistema de aislante del estator, objeto de esta tesis.
3.1.1. DESCRIPCI~N DE LAS TÉCNICAS DE M E D I C I ~ N EMPLEADAS EN EL IIE.
En [Reyes 981 se especifican las siguientes técnicas de medición:
1) Detección de problemas en el sistema aislante del estator. Para la medición de DP, se utiliza el sistema ICM++ como ya se ha mencionado. Para
llevar a cabo la prueba, se conecta un capacitor de acoplamiento de 140 picoFaraday (pF) y una impedancia a la salida de las tres fases (ver Figura 3.1 .). La máquina debe estar fuera de servicio por un período de 2 horas para la instalación de los capacitores y la calibración del sistema de medición. Sin embargo, cuando ésta instalación no puede llevarse a cabo, se puede conectar un capacitor de acoplamiento y un sensor, en paralelo con el transformador de aterrizamiento del neutro. La Figura 3.1 muestra las conexiones para llevar a cabo el monitoreo de DP.
El sistema de medición y adquisición, se controla mediante una computadora personal. Este sistema proporciona configuraciones de DP sobre una base de tiempo senoidal, donde se puede identificar la causa que las genera.
Alternativas de conexión para la medición en linea. En el caso de los generadores, la medición de descargas parciales puede efectuarse de dos maneras diferentes; en las terminales de altu tensión, las cuales se han venido mencionando como las fases del
48
CAPITULO 3. D-pción del Roblma y bletodalogia Propuesta.
generador, y en el lado del Ilezríro del generador. En la Figura 3.1 ., se muestran las dos condiciones de prueba mencionadas.
2) Corrientes y voltajes inducidos en la flecha El voltaje inducido en la flecha del rotor, es medido con un cable de filamentos
múltiples, directamente en contacto con la superficie de la flecha. Dependiendo del tipo de generador bajo estudio, se mide el voltaje inducido en la flecha, en el lado de la chumacera aislada, en el lado cople o chumacera atemzada y en el lado de la turbina (ver Figura 3.2.). La magnitud y forma de onda se registran en un osciloscopio.
La comente inducida en la flecha del rotor, se mide en la escobilla de puesta a tierra, utilizando una punta de comente con una frecuencia de medición de 20 Hz a 5 Idlz.
fC
c. c 4 w c < o r d s e c ~ 0
E M Bcmsloda*cmamamhl
$-
Figura 3.1. Conexiones para el monitoreo en linea de DP en generadores elkctricos [Reyes 981.
Utilizando un programa de cómputo, se analiza el contenido armónico de las señales medidas.
3) Detección de desbalances electromagnéticos debido a problemas meciínicos y/o
En el neutro del generador se presentan voltajes de tercera armónica con cierto nivel de la onda fundamental. La presencia de desbalances ya sea mecánicos y/o eléctricos en un generador, trae como consecuencia un desbalance magnético que se ve reflejado en el contenido armónico de las señales de voltaje en el neutro.
eléctricos.
49
CAprruLo 3. Descr¡pcián del Problema y Metadologia P r O p U e
chumacera
GENERADOR
VI mitaje de nechi If corriente ds flechs
Figura 3.2. Zonas de medición de los voltajes y corrientes inducidos en la flecha [Reyes 981.
Para efectuar la medición, se requiere tan sólo del uso de una punta de voltaje y una punta de comente, ambas con una frecuencia de operación que permita la medición de señales de alta frecuencia. Asimismo, se requiere de un osciloscopio para analizar los datos.
4) Temperatura d e operación en los devanados del estator.
Una técnica muy atractiva para determinar las condiciones de operación de los equipos es la termografia. Con ello se puede detectar cualquier anomalía que exista en los equipos, se puede definir la densidad de comente a la que trabajan los conductores, puntos-calientes por conexiones en mal estado o mal apretadas, temperaturas en soldaduras defectuosas, etc.
3.1.2. DESCRIPCIÓN DE PROBLEMAS EN EL SISTEMA AISLANTE DE GENERADORES (SAG).
Según [Esparza 981 los generadores eléctricos son de gran importancia para los sistemas eléctricos de potencia, su salida por falla origina severas repercusiones y grandes pérdidas para las compañías proveedoras de electricidad. En caso de una reparación mayor, la rehabilitación de una máquina puede tomar de seis meses a un año para estar en posibilidad de volver a funcionar.
Por el alto nivel de potencia que manejan los generadores, están sujetos a esfuerzos eléctricos, mecánicos, térmicos y ambientales que deterioran gradualmente sus componentes . y que en caso extremo pueden llevarlos a la falla. Es importante conocer con claridad los mecanismos de deterioro a los que se ven sometidos;centrar la atención en las variables significativas que identifican el proceso y tomar acciones correctivas para evitar que se cumpla el proceso completo y falle el generador. El deterioro de los generadores depende fundamentalmente del tipo de generador que se trate; ya sea de centrales hidroeléctricas o de centrales termoeléctricas; la potencia de salida y del sistema de enfnamiento utilizado.
Los generadores que operan en México se pueden clasificar de la siguiente manera:
50
CAPINLO 3 . Dam¡psión del Roblmia y Metodalogia Ropuatr.
Por el tipo de central; turbogeneradores de polos lisos (alta velocidad) e hidrogeneradores de polos salientes (baja velocidad). Por el tipo de enfriamiento utilizado.
+ Enfriamiento con aire + Enfriamiento con agua + Enfriamiento con hidrógeno.
+ Planta para alimentar carga base + Planta para alimentar carga pico.
Por el tipo de operación
El desarrollo progresivo de la actividad de DP en los dieléctricos es el mejor síntoma del deterioro del aislamiento, no sólo en generadores sino en cualquier equipo eléctrico. Estas descargas, también provocan envejecimiento del sistema dieléctrico debido a la erosión o deterioro continuo del sistema de aislamiento. Las DP ocurren durante el ciclo positivo y negativo del voltaje.
Además de los efectos eléctricos que provocan las DP, también, generan ozono. A través de una serie de reacciones, los nitrógenos basados en ácidos se forman, estos ácidos atacarán el material orgánico del aislamiento, acelerando el deterioro. La tabla 3.1 presenta una clasificación de los mecanismos que pueden surgir en un generador, agrupados en función del defecto que lo origina, el proceso de deterioro y la consecuencia última que puede ocumr en caso de no tomar acciones preventivas.
3.1.3. EL 1CM-H Y LAS MEDICIONES EN LINEA DE DP EN GE.
Actualmente, la medición de descargas parciales puede efectuarse ya sea con el equipo en servicio o fuera de servicio. En el ILE se cuenta con equipo para la medición de descargas parciales en línea. Este equipo es el ICM++, el cual registra digitalmente los pulsos de descargas parciales producidos en el sistema aislante de equipos que operan a baja, media y alta tensión. Los pulsos producidos por las descargas parciales son acumulados y ordenados con respecto a su intensidad (o aparente carga) y su ángulo de fase y/o tiempo de ocurrencia. El resultado de la medición es desplegado en forma de un patrón de colores, que puede ser utilizado para identificar el tipo de defecto del sistema aislante.
51
'.- Falla de los sistemas de enfriamiento del generador.
I.- Operación en condiciones anormales, sobre o subexcitación, motonzación del generador.
52
se alojan en el cabezal, los devanados del estator. ocurrencia de' descargas entre bastones. Elevación excesiva de las DP en el aislamiento, pérdida de temperatura de operación, propiedades fisicoquimicas, deterioro de las resina, falla del aislamiento principal. delaminación del sistema. Elevación anormal de la Falla del aislamiento termperatura de operación, interlaminar del núcleo, deterioro del estator o del rotor. formación de puntos calientes,
falla del aislamiento.
CAPITULO 3. Damp¡& del Problema y MeIodologia PrapuSL%
3.2. DESCRIPCIÓN DEL PROBLEMA.
SegVn [Robles 971 los generadores eléctricos figuran entre los elementos más importantes con los que se produce electricidad, por lo que es de suma importancia mantener estos complejos y costosos equipos, que en algunas ocasiones miden quince metros de diámetro y casi tres metros de alto, en óptimas condiciones, evitando fallas y llevando a cabo trabajos de rehabilitación, labor que en México realizan con excelentes resultados dos entidades: la Comisión Federal de Electricidad (CFE) y el IE.
Según [Robles 971 desde hace doce años, la unidad de equipos eléctricos del IiE efectúa diagnósticos y sugiere procesos de rehabilitación para generadores y otros equipos principales de las subestaciones eléctricas. El primer trabajo de este tipo se hizo en la central termoeléctrica de Poza Rica, Veracruz. En esa época, la central contaba con unos 28 años de servicio y llegó el momento en que debía tomarse la decisión de si seguía operando o si era más factible su cierre. La CFE solicitó entonces al ID2 los estudios para el caso, el cual comenzó los estudios del proceso de deterioro del generador. Es así como nace una exhaustiva línea de trabajo para el IIE.
También según [Robles 971 no sólo se han diagnosticado muchos de los generadores eléctricos de la CFE, también unidades de fuerza de refinerías, centros petroquimicos e incluso generadores de compañías centroamericanas de electrificación como del INDE en Guatemala, ICE de Costa Rica y de la Comisión del Río Lempa en El Salvador.
Debido a esta línea de investigación y gracias al prestigio que ha ganado la unidad de equipos eléctricos, la labor de diagnóstico se ha ido incrementando y el personal experto es escaso para la demanda que se tiene. El diagnóstico se lleva al cabo, en términos generales, de la siguiente manera:
1) Conectar el equipo ICM++ para la adquisición de datos
2) Hacer pruebas que se almacenan en archivos de datos. Las pruebas se llevan a cabo para diferentes condiciones de carga, para diferentes fases A,B,C (FA,FB,FC como se ve en la Figura 3.1) del generador, en tiempos y niveles de voltaje diferentes si la medición se hace fuera de operación, de tal modo que permitan obtener la mejor evidencia posible de las actividades de DP en el generador en prueba,
3) El ICM++ permite interpretar por medio de gráficas en una PC los datos de las pruebas que se hicieron. El ICM++ despliega gráficas (mapa) de DP.
4) Una vez analizadas las numerosas gráficas de prueba, se puede determinar el problema, o bien, si no hay evidencia, realizar otras pruebas adicionales y volver al paso 2.
5) Se hace el diagnóstico y la reparación en sitio s i la magnitud del problema lo requiere
53
CAPpITLJi.0 3, Oampcidn del Problema p !detodologia Propum.
6 ) Se realiza el reporte completo del proceso para fines de control histórico y económico
Este proceso es minucioso y se requiere un diagnóstico tan pronto como sea posible, aunado a esto, la demanda sobrepasa el número de expertos disponibles en diagnóstico en el IiE. En principio, este es el problema que se desea resolver con el prototipo del sistema DIFGERN al integrarse al proyecto llamado “DIAGNOSTICO INTEGRAL DE EQUIPOS DE GENERADORES’ cuyo propósito principal es tener programas de diagnóstico automático a cualquier equipo.
El sistema de reconocimiento de patrones de DP desarrollado, busca no sólo disminuir el tiempo de diagnóstico, sino servir de base para hacer diagnósticos en línea.
3.3. CARACTEIÚSTICAS DE LOS PATRONES A RECONOCER
En la literatura [Hornmi 921 [Cachin 951 [iúivda 951 los patrones que más se han usado es el llamado patrón de DP resuelto en fase PRPD (por su siglas del inglés Phase Resolved Partial Discharges) ya que es el más difundido. Esta difusión se debe, en gran medida, a la disposición de los aparatos de medición que se emplean en la adquisición de datos en sitio o tiempo real, es decir, existe un problema diferente que resolver para cada tipo de patrón de DP según cada aparato disponible. Para el DIFGERN el patrón que se analiza es el PRPD, ya que las mediciones para el diagnóstico es en base a las DP y el experto basa su diagnóstico, en su mayoria, en el reconocimiento de estos patrones.
El patrón PRPD es conocido también como el patrón @-q-n, ya que el ICM++ muestra en la pantalla del sistema, gráficas las de la Figura 3.3 . en donde se ve graficado el ángulo de fase (4) dado en grados, la carga ( 4 ) dada en picocoulombs (pC) o nanocoulumbs (nC), y la frecuencia (n) dada en enteros.
El ángulo de fase (I$) se refiere al ciclo senoidal del voltaje, es decir, una descarga parcial ocurre en un ángulo determinado a un nivel de carga (4 ) determinado. La frecuencia (n) es un estadística tomada para un cierto tiempo, esto es, si una prueba se hace para un segundo hay un número n de DP en un 4 y q determinado.
Como se observa en la Figura 3.3 hay un código de colores que indica la frecuencia (n) de descargas en un determinado (@,q).
El experto humano en generadores observa un grupo de datos de prueba, o bien, un grupo de patrones como los de la Figura 3.3 . y analiza visualmente algunos parámetros tales como: presencia de descargas positivas y negativas, la magnitud máxima y ajusta, en la ventana, el patrón. De esta manera, é l puede determinar qué tipo de descargas son y por ende, cuál es el problema que tiene dicho generador.
54
CAPIlULO 3. D-pción del Robl- y Metodologis Propuerta
Figui 'a 3.3. Ejemplos de patrones PRF'D en donde se muestra la relación Q-q-n.
55
La Figura 3.3. muestra dos ventanas gráficas (mapas de DP), cada una tiene una dimensión de 256x256 pixeles en el monitor de la PC. Cada pixel indica la presencia de DP en un ángulo (4) y una carga (9) dada, y el color representa la intensidad de dicha presencia en el tiempo de prueba, El eje de las x's representa el ángulo de fase (4) que va de 0' a 360'. Con el fin de discretizar en puntos gráficos localizables en pixeles el valor de $=Oo corresponde al pixel 1 y para 4=360° corresponde al pixel 256. Para el caso del eje de las y's representa la carga (4) tanto negativa como positiva en pC o nC, la carga es también discretizada, en donde el nivel mínimo es el pixel 1 y el nivel máximo es el pixel 256 iniciando es la esquina inferior izquierda de la ventana.
3.4. METODOLOGIA PROPUESTA
La estrategia que se seguió inicia con el análisis de requerimientos y establecimiento de alcances. Una vez establecido lo anterior, se establece una metodologia de preprocesamiento de datos. Para este fin, es necesario hacer un algoritmo computacional, rntegrado al DIFGEW, llamado PreInDui (Preprocesamiento Integral de Datos) que permita reducir el manejo de información sin perder las caractensticas importantes del archivo de datos de DP. Este preprocesamiento de datos, hace posible manejar datos no lineales de manera reducida, debido a que las RNAs manejan vectores de entrada, o bien, un conjunto de parámetros que consumen gran parte de la memoria principal de una computadora. Se evaluó, para diferentes valores de entrada al PreInDat, la mejor combinación de dichos valores para preprocesar los datos de entrada a la red.
El siguiente paso fue el diseño e implementación de RNAs propuestas, o bien, el uso de paquetes comerciales de simulación de RNAs, con el objetivo de evaluarlas y hacerlas competir en su desempeño. Esta comparación trae como consecuencia la decisión de implementar, en el prototipo final, la red que servirá para el diagnóstico.
En la Figura 3.4. se muestra el proceso de diagnóstico y reconocimiento de fallas para el DIFGERN Este diagrama es la idea general de los subsistemas que tiene el DIFGERN y la dirección del flujo de información que se detalla en la sección de análisis del sistema.
Esta metodología obedece principalmente a la manera tradicional de hacer diagnóstico y sobre todo, basados en la forma como lo hace el experto. . 3.5. REQUEMMIENTOS DEL SISTEMA DIFGEM.
Requerimientos de Hardware. PC pentium
Requerimientos de Sofware. Sistemas operativos DOS, WTNDOWS, compiladores C , Pascal, paquetes de Redes Neuronales tales como Neural Networks y BrainMaker.
56
CAPITULO 3. Dampción del Roblems y >lelodologia RopueJta
DIFGERN L _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ - - - - - - ---------------1
I I I
Enb.enamiento del sistema
I
Análisis de resultados por
Figura 3.4. Proceso propuesto para el DZFGERN y sus etapas.
Requerimientos del prototipo DIFGERh'. El sistema DIFGERN requiere de 3 sistemas para cubrir con los requisitos propuestos tales como:
Sisternu PreInDut: realiza la reducción de información empleando intervalos y eliminando niveles de ruido, así como la normalización de acuerdo a una escala máxima encontrada. El proceso completo se explica en la sección 4.2 del capítulo 4.
Sistema de entrenamiento del DIFGERN. realiza el aprendizaje de los patrones de ejemplo, esto es, los datos preprocesados de los patrones ejemplos que se desea aprenda la red para la fase de reconocimiento.
Sistema de reconocimiento del DIFGERN: Esta etapa contiene los procesos de reconocimiento de patrones desconocidos para la toma de decisiones.
3.6. ANÁLISIS DE REQUERIMIENTOS PARA EL DZFGERN.
El análisis inicia con una descripción de los campos de los archivos generados por el ICM++, con el fin de lograr su decodificación. Para esto se estudiaron los campos que conforman cada uno de los archivos en disco de las mediciones en sitio.
CAPITULO 3. Descripei6n dcl Problema y Mctodologia RopuWd.
Datos ICM++. Los datos de los archivos.DAT habilitan al software del equipo ICM++ y al sistema PrehiDaT a recuperar una medición y rehacer esta medición bajo las mismas condiciones. Por lo tanto, toda la configuración es parte del archivo.DAT
El apéndice A describe el código, rangos y significado de los diferentes campos que el ICM++ genera en los archivos.DAT de las mediciones de DP.
La parte principal de un archivo con terminación.DAT es el Mapa de datos. En este mapa de datos, cada valor es de 16 bits y hay 65536 datos (en total el mapa ocupa 128 kbytes=131072 bytes), se organiza en campos secuenciales, en donde hay un byte alto seguido de un byte bajo. Los campos que le siguen a este mapa ocupan cada uno 10 bytes (el nombre del archivo ocupa 20 bytes). El archivo.DAT tiene la gráfica del voltaje que ocupa 256 bytes y ocupa 500 bytes para el encabezado del reporte, dando un total de 132,248 bytes.
Datos requeridos para Pre&Duf: Los datos que requiere el sistema PreinDaf para preprocesamiento es el mapa de datos etiquetado con A (se sugiere ver el apéndice A para ver detalles de cada campo), en donde cada valor decodificado representa la frecuencia (n) de DP para una carga (q) y ángulo de fase (4) determinada.
El campo etiquetado como B.20 es la curva de sincronía, es decir, la medición comenzó a capturarse con la curva senoidal del voltaje en la fase positiva o negativa. Para fines del sistema lo llamaremos desfase del patrón PRPD.
El campo B.18 (Nivel del contador) permite ver el nivel máximo en pC o nC de la medición, este campo permitirá saber la carga (q) asociada al ángulo de fase ($), obteniendo la carga total transferida en un #,q cualquiera.
El campo B.15 (Características ADC ) se empleará como bandera de preprocesamiento, es deciro una medición que no haya sido hecha con linea bipolar no podrá ser procesada. La línea bipolar' permite ver un patrón PRF'D tanto en su carga positiva como negativa. En una línea unipolar las DP están sobre el eje de lax's, siendo todas positivas.
El campo C ( Forma de Onda) almacena la forma de la onda senoidal del voltaje, permitiendo saber el valor de cada punto del voltaje en el patrón PRPD. Su uso es importante, ya que, de él se obtendrá un tipo de preprocesamiento senoidal (ver sección 4.2 de preprocesamiento).
Datos para el Aprendizaje y Reconocimiento del DZFGERN El PreZnDat proporcionará los archivos con los patrones o bien vectores que alimentarán a las RNAs, estos archivos se ajustan con las clases correspondientes a la falla de cada patrón. El tamaño del vector puede ser de 1 a 432 elementos. Los experimentos a realizar nos proporcionan el
58
CMITLLO 3. DesnipOón del Problema y Macúologia Ropuesm
tamaño adecuado del vector de entrada a la red neuronal, este valor es un real. Las clases se dan en O’s y 1’s.
Resultados del DIFGERN: Los resultados se darán en un archivo de reporte con el reconocimiento de cada uno de los patrones muestra, se indicará la calidad del reconocimiento y el diagnóstico final.
59
CAPÍTULO 4 DESARROLLO DEL PREPROCESAMIENTO Y RNAs.
Este capítulo detalla el desarrollo del sistema PreInDat y el desarrollo de las RNAs PHAF ZI y RBF, redes neuronales propuestas en el capítulo 1. En el caso de la Buc@ropagation se empleó la aplicación BruinMaker, esta sirvió para ejecutar los experimentos, detallados en el capítulo 5 sección S.1, tanto del entrenamiento como del reconocimiento. La redes PHAF I/ y REF se programaron en lenguaje C y Pascal. La sección 4.1 y 4.2. explican la implementación del preprocesamiento y RNAs, respectivamente. Es importante hacer notar que para conformar el DIFGLRN fue necesario desarrollar el preprocesamiento y las RNAs, con el objeto de afinar parámetros con los que finalmente se alimenta el prototipo DIFGERN,
4.1. OBJETIVO DEL PREPROCESAMIENTO.
Debido a sus conexiones y a los elementos de procesamiento, las RNAs consumen memoria. El uso de esta memoria puede ser indiscriminado si no se controla el tamaño de los elementos de entrada. El preprocesamiento hace el control de datos por medio de una reducción o síntesis considerable de información, por ejemplo se puede sintetizar de 65536 datos de una medición a 100 datos. Lo importante de este proceso es saber cuántos datos es posible reducir, o bien, como se podrá realizar la mejor sintesis de datos. El sistema PreInht ejecuta una reducción de estos datos, como se detalla en las siguientes secciones,
4.2. SISTEMA ReinDat
Este sistema basado en [Cachin 951, tiene la característica principal de almacenar los datos en tres maneras:
1) Haciendo un drscreiización de itttervalos vertical, que permite conservar la relación de
2) Haciendo una discretización de intenJa1o.s horizontal, que permite conservar la relación
3 ) Haciendo una discretizución de Niiervalos senoidal, que permite conservar la relación de
carga (d,
de ángulo de fase (4) y
ángulo de fase (4) de forma senoidal.
Estos tres tipos de discretización se ejecutan sobre una fracción del patrón de medición (en adelante lo mencionaremos como patrón PRPD), esto es, el experto no requiere de analizar la gráfica completa, sólo una parte positiva y una parte negativa.
60
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
4.2.1. MODELO MATEMÁTICO DEL PreInDat.
Definición 4.1. Sea el ángulo de fase (4) y la carga (4) discretizados en 256 puntos entonces se tiene que m=256 es el punto máximo discretizado.
La discretizución de puntos se hace empleando el siguiente criterio:
1) Para el ángulo de fase ($)=O" le corresponde el punto 1, para el ángulo de fase ($)=360° le corresponde el punto 256.
2) Se obtiene el valor c de la carga máxima en pC por medio del campo B.27(ver campo en el apéndice A). Entonces, para la carga p - c le corresponde el punto 1 y para la carga q=c le corresponde el punto 256.
3) Para referenciar un punto discretizudo sobre el ángulo de fase($) se emplea el subíndice i y para la carga (4) el subíndicej.
La figura 4.1. esquematiza esta discretización, tomando en cuenta que los puntos (1,l) se localizan en la parte inferior izquierda en la gráfica del patrón PRDP.
Definición 4.2. Sea el patrón PRDP una matriz m x m que almacena las frecuencias (n) entre O y 65536 de la relación entre los ángulos de fase (4) y las cargas (4) .
Definición 4.3. Llamemos W una matriz m x m en donde se almacena un patrón PRDP a partir del cual se obtiene una matriz V de m' xp, en donde m ' y p < m.
Con el fin de llevar a cabo una extracción de W a V y determinar las dimensiones m' x p se identifican cuatro secciones de un patrón PRüP como se ilustra en la figura 4.1. en donde la sección 3 es la fase positiva, la sección 2 es la fase negativa, estas dos secciones son las que se extraen, totalmente ó en parte, definiéndose los siguiente límites I,, I*, I, y f4 todos 5 m como sigue:
I , s 1 2 , 1 s /is mi2 y 1 5 12 s mi2
h S /a, i?1/2+1 5 13C m y mf2+1 5 145 m
Entonces m' y p se calculan como:
m p = - 2
CAPITULO 4. Desanollo del Preprocesamiento y de las RNAs.
Mientras que los límites I , , /*, 13 y /J determinan qué tanto extraer de la secciones 3 y 2 con respecto del ángulo de fase ($), p se refiere a extraer media fase de las sección 3 y 2 con respecto de la carga (q).
Definición 4.4. Llámese co) la función que calcula la carga (4) a partir un pu t~ fo discretizado j .
Entonces la matriz V se calcula así:
1) Extraer la fase positiva:
vdk=wV*c(j) parai = 11, ..., 11 (4.3) j = + 1,. . .,m d = I , ..., 12-¡i+l k = I, . . . ,p
2) Extraer la fase negativa:
Vdi = WV * c( j ) parai = 13 ,...,id
j = I , ...,+ d = 12 - 11 + 2, ...,tn k = 1, ...,p
(4.4)
Como se puede observar la figura 4.1 es un plano bidimensional a colores. Cada color representa un rango de frecuencia (ti) representado de la siguiente manera:
Gris suave para I < TI< 4. Gris fuerte para 45 ?I< 16. Rosado para 165 n-32 . Rojo para 3 2 s n< 128. Amarillo para W128.
62
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
1, ... 9 '9 ... ,256
Figura 4.1. Patrón PRPD es una matriz bidimensional que guarda las frecuencias (n) de las relaciones entre ángulo de fase (+) y la carga (9). Se esquematiza la discretizacion de puntos de
la relación anterior.
Una vez conformada V, se procede a realizar la discretización de intervalos. Entiéndase, que discretizar un intervulo es tomar un grupo de puntos discretizudos para formar un intervalo discretrzado que por simplicidad se nombra como intervalo. Se pueden realizar tres tipos de discreíización de intervuhs: vertical, horizontal y senoidal. A continuación se define cada uno de ello.
Discretización de intervalos vertical.
Definición 4.5: Llámese f al total de intervalos a discretizar por cada sección extraida, a dl el total de puntos discretizudos que agmpa cada ititervulo en los &Ii primeros puntos de la matriz V y a dz el total de puntos discretizados que agrupa cada inrervafo en los últimos puntos de la matriz V. Entonces dl y d2 son calculados como sigue:
(12 - I1 + 1) di = f
(14 - 1 3 + 1) t
d2 =
63
CAPITüL.0 4. Desarrollo del Preprocesamiento y de las RNAs.
Definición 4.6: Sea Ver el vector de dimensión 2t, donde 21 5 m’, que almacena los valores acumulados de cada intervalo calculados de la siguiente manera:
parar = 1, ..., t
parar = t +. 1, ..., 21
(4.7)
(4.8)
(4.9)
donde cont es el contador actual del intervalo que se acumula en Ver. La ecuación (4.7) discretiza intervalos para la fase positiva, entonces el subíndice r toma hasta el valor t correspondiente a la fase positiva. La ecuación (4.8) discretrza intervalos para la fase negativa, entonces el subindice r toma del iizfervulo tf 1 hasta 2t que corresponden a la fase negativa.
Figura 4.2. Recthgulos verticales indicando cada intervalo discrefizadu almacenado en el vector Vér.
La figura 4.2 ilustra la discrefización de intervalos verticales que se acumula en cada Ver, , por ejemplo, en la gráfica la fase positiva y negativa tienen cada una f=9 intervalos, por lo que el vector Ver tiene un tamaño de 2f= I8 inrervalos.
64
CAPITULO 1. Desarrollo del Preprocesamiento y de las RNAs.
Discretización de iniervalos horizontal
Definición 4.7: Llámese f al total de intervalos a discretizar por cada sección extraída, a duel total depunfos dzscretizados que agrupa cada intervalo para losp puntos de la matriz V. Entonces d, se calcula como sigue:
P du = - t
(4.10)
Definición 4.8: Sea el vector Hor de dimensión 2t, donde f 5 p , que almacena los valores acumulados de cada infe~valo de la siguiente manera:
(4.11)
(4.12)
parar =t+1, ..., 2f (4.13)
(4.14)
La figura 4.3 ilustra la discretización de iritervalos horizontal que se acumula en cada Hor, , por ejemplo, en la gráfica la fase positiva y negativa tiene cada una e 6 intervalos, por lo que el vector Hor tiene un tamaño de 2t-12 elementos.
65
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
Figura 4.3. Rectángulos horizontales indicando cada intervalo discretizodo almacenado en el vector Hor.
Discretización de intervalos senoidal
El campo C de los datos de los archivos de las mediciones del ICMW (este campo es la forma de la onda seno, ver apéndice A) contiene los valores de la onda seno del voltaje, este grupo de 256 valores se utiliza para calcular la discretización senoidal.
Definición 4.9. Llámese se al vector de 256 valores en donde se almacenan los datos del campo C, el rango de valores que toma se es de 1 a 256.
Definición 4.10. Sea lim un valor limite para considerar un valor de V dentro de una intervalo senoidal. Entonces cada valor de se tiene un mínimo y un máximo calculado así:
mmo = se, + iim donde P I , ..., 256 (4.15)
mino =se, - lim donde 0=1, ..., 256 (4.16)
La figura 4.4. muestra la onda seno superior y la onda seno inferior. Entre estas dos ondas se hace la dzscre%izaczón de intervalos senoidal, por ejemplo, se partió en 8 intervalos el patrón PRPD.
Definición 4.11: : Llámese t al total de intervalos a discretizar por cada sección extraída, y a a5 el total de puntos discretizados que agrupa cada intervalo senoidal para los p puntos de la matriz V. Entonces ds se calcula como sigue:
dr,=(mau,-min,)lt para 0=1, ..., 256 (4.17)
66
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
Figura 4.4. Patrón PRPD seccionado con ondas senoidales. Se aprecia que ahora los intervalos son curvos tanto en la fase positiva como negativa.
Definición 4.12. Sea el vector Sen de dimensión 21, donde 1 5 p , que almacena los valores acumulados de cada intervalo de la siguiente manera:
Senmt!d) = Senm(d) + ' d k parad = 1, ..., m' (4.18) k = I, . . . , p
Donde int(d) es la función que retorna el intervulo donde se acumula un valor de Vdk Esta función emplea la ecuación (4.17) para buscar si un d determinado está dentro de cierto intervulo senoidal. El rango de int(d) es de 1 a 2f.
4.2.2. DESARROLLO DEL PrelnDaL
Los patrones PRF'D pueden presentar variaciones en su captura, los expertos humanos hacen mediciones cambiando algunas variables, por ejemplo, desean iniciar la medición con el voltaje negativo, mediciones bipolares o unipolares, entre otras. También, cada patrón presenta un desfase, es decir, la ventana de captura muestra presencia de DP al final del ciclo de voltaje que son parte del arranque de la medición.
El programa del preprocesamiento calcula a partir de las siguientes condiciones:
67
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
I
a) La medición es bipolar, es decir, el patrón PRDP fue medido para carga positiva y negativa,
b) Si hay una inclinación (slope) negativa el patrón se desfasa 180 grados entonces se normaliza a una inclinación positiva. Cuando una medición se hace con slope negativo los datos empiezan a registrarse a partir de la fase negativa del voltaje por lo que la onda senoidal aparece desfasada los 180"
c) Un factor de ruido se elimina en el preprocesamiento. Este factor consiste en determinar un valor de frecuencia(n) que se toma como un valor nulo en el preprocesamiento. Más adelante se explica este factor.
I 2 3 5 + 2 5 6 8 6
J. I
+ 2 2 0 . 6 0 p s
- 0.
m 00
m
v
l.
o
- 2 2 0 . 6 O p i
1 ( b ) d i s c r c t i z a d o 2 5 6
Figura 4.5. Esquema de preprocesamiento en el desarrollo de PreInDof.
La figura 4.5 resume el preprocesamiento en el PreInDat. Se discretiza la ventana sobre 4 en 256 puntos y sobre q en 256 puntos (m=256), con esto se conforma W, para conformar a V, basta extraer los primeros 86 puntos más los últimos 22 del patrón que dan un total de 108 puntos para la fase positiva. Para la fase negativa se seleccionan del punto' 107 al 217, lo anterior se hace sobre el eje de la 4. Sobre el eje de la q, para la fase positiva, se toma del punto 129 al 256 y para la negativa del punto 1 al 128. La figura muestra un ejemplo de discretización vertical, para las otras dos formas de discretizar se toman los mismos límites.
Eliminación de ruido. Los patrones tienen implícito ruido, por lo que es importante eliminarlo, lo más posible, durante el preprocesamiento. El PrelnDut acepta un parámetro
68
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
para eliminar cierto nivel de frecuencia (n). Los expertos humanos comentan que los puntos grises (1s n< 16) representan poca presencia de DP y que esto representa ruido para el diagnóstico. De tal modo que si noise es el nivel de mido a eliminar entonces no se tomarán en cuenta las frecuencias menores o iguales a noise para el cálculo del intervalo.
Parámetros de entrada al PrelnDat. Para que calcule correctamente el preprocesamiento, se debe alimentar el programa con los siguientes parámetros:
1) El(los) archivo(s) a procesar el(los) cual(es) debe(n) estar etiquetado(s) con un nombre y la terminación .dat por ejemplo: 8kvfa.dat Ó si se quiere un lote de archivos se especifica como path\*.dat.
2) Número de intervalos a discretizar.
3) Valor del ruido que se va a eliminar de los patrones.
4) Tipo de discretización de intervalos: vertical, horizontal o senoidal
Vectores resultado: El PreInDut genera un reporte con los archivos preprocesados, así como los valores de los intervalos discretizados, es decir, los elementos de cada patrón. Cada línea es un patrón preprocesado y es la base de entrada a las RNAs.
4.3. DESARROLLO DE LAS RNAs.
El desarrollo de las tres redes neuronales propuestas se presenta en esta sección de manera algorítmica. En el caso de la red buckpropgution. se empleó el software comercial BrainMaker [Lawrence 931 en su versión para MsDOS y en el caso de la red PHAF I í se implementó en lenguaje C y la red RBF se implementó en lenguaje C y Pascal. Se describe en términos generales el funcionamiento del BrainMaker y se dan los algoritmos para las redes PHAF II y RBF.
4.3.1. BACKPROPAGATION.
Esta red se simuló en el paquete comercial BruinMaker de California Scientific Software que consta de las siguientes utilerías (El apéndice B explica brevemente cada utileria):
1) El NelMaker Professional. Utilería para preparación de patrones de datos
2 ) El BruinMaker Professionul. Utileria que simula la red
Estas dos utilerías se emplearon para simular la red Buckpropution en la evaluación del desempeño. La decisión de emplear este software, h e el explotar una de las aplicaciones
69
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
de redes neuronales en el mercado y facilitar más la labor de investigación y agilizar el tiempo de implementación
4.3.2. PHAFII.
La red PHAF-I1 presenta el siguiente algoritmo
Etapa de Aprendizaje: Paso 1.Cargar los patrones ejemplo y sus clases en la capa intermedia de la red con la siguiente coniiguración:
PatEnt (matriz de aprendizaje) Objetivos (aprendizaje supervisado)
Donde CasosEnt es el total de patrones ejemplo del archivo de entrenamiento, nEíern es el total de elementos de cada patr6n del archivo de entrada a la red y nobj es el número de neuronas de salida de la red.
Etapa d e reconocimiento.
Hacer mientras haya patrón desconocido: inicio
Paso 2. Llenar neuronas de entrada con el patrón desconocido en el arreglo PutDes.
Paso 3. Hacer cálculo intermedio, para el patrón desconocido en turno, como sigue:
( C(~ut~l,~[i]~j]-~at~esljl)* Reslnt[i]= i=l ,..., CusosEnt. (4.19)
nEfem
Paso 4. Buscar la máxima semejanza:
Reslnf,, = min (Reslnt[i]) para i=l,. ... CusosEnf.
Se almacena la im;i cuando el subíndice i de la mínima diferencia se encontró.
(4.20)
70
CAF'ITLJLO 4. Desarrollo del Preprocesamiento y de las RNAs.
Paso 5. Buscar resultados iguales al mínimo intermedio ResInt,i. :
(4.21) O Sí Reslrft[I]z Reshtmin 1 En otrocaso
parai = 1, ..., CasosEnt Re sZnt[i] =
Paso 6. Cálculo del factor de certeza global (FCG):
FCG=( l-Reslnrmi.)* 1 O0
Paso 7. Cálculo del resultado final en el vector ResFin:
c-m Res% [k]=C (objetivos[j J [ k J * Reslnt [ j J ) k = 1,. . . , rrObj
fI
ResFzn,., = may (Resfin[k]) para k= I , . . . ,nOhj
(4.22)
(4.23)
(4.24)
en el vector ResFin queda la clase encontrada.
Fin
Este algoritmo aprende en una primera iteración, de manera que la etapa de aprendizaje se lleva casi al mismo tiempo que el reconocimiento. El reporte de los resultados queda en un archivo llamado PHAF5II.SAL y contiene los datos de la siguiente cabecera:
Salida Deseada Salida Real FCC Patrón de Mkrima Semejanza
4.3.3. RADIAí BASIS FLrNCTION (RBF).
La red neuronal RBF se desarrolló es tres etapas principales. Para el aprendizaje, se emplean dos etapas y para el reconocimiento, una etapa. Los módulos que conforman a esta red son:
RBF-FIS SW-FIS RBF-REF
El módulo RBF-FiS, es la primera etapa de aprendizaje y tiene los siguientes pasos:
71
CAPITULO 4. Desarrollo del Preprocesamiento y de 1% RNAs.
Paso 1. Recibir como entrada un archivo con’ los patrones muestras y almacenarlos en la capa oculta de la red, estos patrones forman lo que se conoce como núcleos o centros de la función básica radial Gaussiana:
Para i=l hasta NumMuestras Para j=l hasta TamañoMuestra +BitsSalida
inicio leer valor del archivo preprocesado almacenar valor en matriz de centros C[i][i]
fin
Este paso, también captura en la misma matriz, la clase a la que pertenece el centro capturado.
Paso 2. Determinar cada parametro @, o bien, la amplitud de datos de cada centro con respecto a los otros centros de su misma clase de la siguiente manera:
Para i=l hasta TotMuestras inicio
Para j=l hasta TotMuestras inicio
Si la clase del centro i es igual a la clase del centro j entonces inicio
Dif = dise(i,j) fi2[i]= i/M(i)*(Dif)’
fin fin
fin
donde dise() es la función que saca la distancia euclidiana entre el centro i y la muestra j de la misma clase, la función M() calcula el total de muestras de la clase i. Este paso representa el aprendizaje de parámetro del radio para cada muestra de los centros.
Paso 3. Calcular las funciones Gaussianas, estos cálculos representan los coeficientes del conjunto de ecuaciones que se resolverán por medio del SVD. Los coeficientes se. determinan así:
Para i=l hasta i=TotMuestras inicio
Para j=i hasta j=TotMuestras inicio
Dif = dise(i,j) Valor=gauss(dif, fi2[i])
12
CAPITULO 4. Desarrollo del Preprocesamiento y de las RNAs.
grabar Valor en archivo matriz.dat fin grabar un salto de línea en el archivo matriz.dat
fin
La función gauss() calcula la función Gaussiana para la distancia Dif y usa el parámetro fi2 correspondiente al centro actual i.
El módulo SVD-FIS, es la segunda etapa de aprendizaje y tiene los siguientes pasos:
Paso 1. Admite el archivo matriz.dat para almacenar los coeficientes en la matriz A Paso 2. Descomponer la matriz A en las matrices U,W,V bajo la siguiente igualdad:
A = U . W . V'
donde:
A = matriz que se desea descomponer, y posteriormente es U W = diagonal de la matriz W V = matriz no transpuesta onogonal
Paso 3. A partir de la matriz A encuentrar el vector desconocido XS de la ecuacion :
A . X S = B
en donde:
XS = V . (diagonal de (l/w)) . UT . B
Paso 4. Grabar en el archivo de salida XS.
El módulo RBF-REF, calcula las salidas de los patrones a clasificar
Paso 1. Del archivo resultante de SVD-FIS se capturan los pesos, y del RBF-FIS se capturan los núcleos de las Gaussianas:
Para i=l hasta TotSalidas Para j=i hasta TotMuestras
inicio Leer valor del archivo de pesos
w[i]~J=vaior fin
13
CAPITULO J, Desarrollo del Prepmcesarniento y de las RNAs.
Para i=l hasta TotMuestras inicio
Leer valor del archivo de Fis.dat fi[i]=valor Para j=l hasta TamañoMuestra
inicio Leer valor del archivo de centrosdat C[i]Lj]=valor
fin fin
Paso 2. Procesar para cada patrón a reconocer los cálculos del reconocimiento:
Mientras haya patrones que reconocer inicio
incrementar i Para j=l hasta TotMuestras inicio
Dif = dise(ij) Valor=gauss(dif, fi2[i]) RMS=error(i j ) grabar salida en archivo REPORTE
fin fin
donde i es el número de patrón en turno y j el núcleo con el que se va determinar el grado de semejanza. El RMS, el error cuadrátivo medio, es una medida de error en el reconocimiento, en caso de que se conozcan las clases de los patrones a reconocer.
Cabecera y pie del archivo REPORTE:
Salida Deseada Salida Real Error Promedio
RMS
74
CAPÍTULO 5 RESULTADOS DE LOS EXPERIMENTOS DEL PREPROCESAMIENTO, RNAs Y PROTOTIPO.
Los resultados se exponen de manera cronológica, es decir, de acuerdo al orden en que se llevaron a cabo cada una de las actividades de pruebas. Primero, se realizaron los experimentos del preprocesamiento, una vez seleccionados los parámetros se realizaron las pruebas con las RNAs propuestas. Finalmente, se integró el sistema prototipo DIFGERN y se ejecutaron pruebas con los patrones reales de DP para ver la eficiencia de este prototipo.
5.1. EXPERIMENTOS EN EL FreInDat.
Uno de los factores importantes, cuando se desarrolló el preprocesamiento de datos, era saber cuántos intervalos se debían usar como entrada a la red neuronal y finalmente fueran las variables de alimentación al sistema DIFGERN. Otro factor importante, era saber qué mido o frecuencias (n) eliminar. De esta manera, con el PrelnDat se realizaron los experimentos, combinando los datos de entrada, variando t, noise y modo de discretización de Intervalos.
Cabe mencionar que se emplearon patrones clasificados por densidades de DP, en esta fase de evaluación, y no por mecanismos de fallas, en realidad se trabaja con patrones clasificados con un mecanismo de falla hasta la etapa de prueba del prototipo DIFGERN (sección 5.2.6).
La selección de valores se realizó en dos etapas: la primera consistió en no variar noise, la segunda fue seleccionar los tres mejores valores de f y variando noise. Los valores de t y noise se seleccionaron arbitrariamente, mientras que el modo de discretizar los intervalos y fases de conexión del generador se tomaron todos los valores posibles.
Ei criterio para seleccionar la mejor combinación de t y noise se basó en buscar cuáles valores conservaban la máxima simetria que siguen los patrones de DP entre la fase positiva y fase negativa, esto es, que tan iguales son dichas descargas entre estas dos fases de un patrón PRPD (estas fases se pueden observar en la figura 4.1 del capítulo 4). Esta igualdad la llamamos similirud entre el negativo y el positivo:
(5.1)
15
CAPITULO 5. Resultados de los E.upenmentos del Preprocesamiento. RNAs y Prototipo.
donde intunc significa el vector que contiene cada intervalo acumulado. El vector Nitacu se conforma como sigue:
w 1 tf 1 . . . 21 1 . . .
el vector contiene t intervalos de la fase positiva y t intervalos de la fase negativa extraídas del patrón PEWD.
El apéndice C ejemplifica algunos experimentos llevados al cabo para determinar los valores de los parámetros de entrada a las RNAs en prueba y de entrada a la etapa de entrenamiento del DIFGERN
La tabla 5.1. muestra las combinaciones utilizadas para las dos etapas de experimentación, mencionadas anteriormente.
Tabla 5.1. Valores de los datos de entrada del PreInDat, estos datos se combinaron para C :min
t l M a 1 2 4 6 8 IO I2 14 16 18 20 26 30 50 80 90 108
............ UIP =- ................. O
....................................................................... Ycr<isnl
HWiZOlIlSl Smoidal
..................................................... A B C
-- Vertical A
HONGl7lSl B Smoidal C
8 16 30
10
30 1
uado.
.
16
CAPITULO 5 , Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo.
Intenmioh I F-A Fase B I
La última columna (fases del generador) de la tabla 5 1. se refiere a los archivos que se midieron en cada una de las conexiones de un generador, es decir, se tomaron un gmpo de patrones PRDP medidos en cada fase.
5.1.1. ANÁLISIS DE RESULTADOS DEL PREPROCESAMIENTO.
Las tabla 5.2 a la 5.4 muestran los promedios de la similitud referenciados como Dif Nc (los reportes del apéndice C presentan este encabezado titulado como Dif Nc) que se obtuvieron a partir de la serie de experimentos con el PreZnDut para la primera etapa. El modo utilizado es, como ya se ha mencionado, la discrefización de iriteniuíos vertical, horizontal y senoidal, respectivamente.
En las gráficas de la figura 5.1, se observa que la discretización vertical no guarda la simetría de los patrones que se procesan, sin embargo, este tipo de discretización se toma de base para integrar el vector de alimentación al sistema de RNA, con el fin de que contenga la información de la carga (q).
La figura 5.2 y 5.3 se grafica la discretización horizontal y senoidal respectivamente. Se observa, en esta última, una mejor simetría de los patrones, este resultado era de esperarse, ya que, la naturaleza de las DP son intrínsecamente senoidales en su comportamiento al voltaje. El vector de alimentación contendrá también, la discretización senoidal con el fin de que se conserve la información del ángulo de fase ($).
Tabla 5.2. Promedios de Dif Nc de las fases A,B y C
Fase c
2 4 6 8 10 12 14 16 18 20 26 30 50 80 90
1 O8
30724.69907 15523.35764 1 1 187.14468 8379,366319 6678.158565 5726.192708 3525.528356 2293.7558
3835.348669 2730.139468 ZzM.239005 794.301288 940.065177 335.990741 265.999295 641.330006
28147.48485 15425.26231 10975.1 4773 8178.276515 5445.391098 5647.288826 3422.907197 2240.64465 3796.1 17898 2560.559659 2185.515862 807.184482 918.681581 336.352783 270.001894 635.978693
Los experimentos se realizan para saber, también, si es mejor discretizar horizontal o senoidalmente; las figuras 5.2 y 5.3 demuestran que la senoidal guarda mejor la simetna, es decir, tiene una Dif Nc promedio menor ( ecuación 5. i).
26423.61 853 13563.96121 9985.795259 7409.235991 5815.265625 5049.762392 301 3.369343 1937.364763 3399.66972 2349.558728 1922.062096 684.499933 801 .51 8858 31 I ,106ai 5 223.27M91 568.872104
CAPITULO 5 . Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo.
8 3915.35 10 5159.37 12 4618.40 14 2917.28 15 2459.05 18 2550.10 20 3388.55 26 2482.02 30 2202.28 50 1263.09 80 937.35 90 741.93 i 1 M fiw o2
La selección del número adecuado de intervalos para hacer los experimentos con eliminación de ruido se hace en esta etapa. m-lr’ili
..,l>.n. .....”. I I
3377.91 4680.47 41 14.95 2432.96 2061.18 2093.52 3041.48 2619.68 2002.06 1345.16 1026.58 813.91 674.96
Figura 5.1. Gráficas de la Dif Nc para los experimentos de la tabla 5.2.
Tabla 5.3. Promedios de Dif Ne de las fases A,B y C,
3575.79 4522.25 391 0.50 2652.04 2175.90 221 1.94 3004.24 2212.80 1984.25 1117.03 667.89 693.15 559.18
en modo Horizontal sin eliminar ruido. I ~ l a s I FaseA 1 FaseB 1 FaseC
11 16622 991 17283 71 I 1532312 12727.33 11314.10 111 19.77 5651.79 5861.12 5815.72 I !I 5928.91 5007.25/ 5259 .A
CAPiTiJLO 5 . Resultados de los Ekpenmentos del Preprocesamiento, RNAs y Prototipo.
i x
Oiwca van Iyld0.0 Modo ii F a C
O ~ Z " R n . % X % P ~ - " . * e
I"IeN*O.
Figura 5.2. Gráficas de la Dif nC para los experimentos de la tabla 5.3.
Tabla 5.4. Promedios de Dif Nc de las fases A,B y C
79
CAPITULO 5 . Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo
: a x n n 8 8 x - . . - e - - - - - L S ,hi.n,
Figura 5.3. Gráficas de la diferencia de nC para los experimentos de la tabla 5.4.
Para realizar la segunda etapa, los intervalos seleccionado fueron 8,16 y 30 para llevar al cabo experimentos eliminando mido. La discretización de 8 intervalos se selecciona por ser una medida heurística usada en [Cachin 951. La división con 16 y 30 intervalos presenta un promedio de Dif Nc bajo y es un número razonable para integrar los patrones preprocesados. Obviamente, existen mejores valores de intervalos, sin embargo al seleccionar, por ejemplo, una división de 90 intervalos hace dificil manejar los datos.
Las tablas 5 .5 a la 5.7, así como las figuras 5.4 a la 5.6 muestran los resultados de estos experimentos. El análisis ahora consiste en ver cuál valor de noise, o bien, ruido eliminado es más adecuado. La eliminación de ruido que presentan, en general, mejor comportamiento son los valores de mise para 6,8 y 10.
El resultado de la segunda etapa establece los valores de los datos de entrada a las RNAs, de esta manera los experimentos con las redes son específicos y la sección siguiente define los experimentos que se ejecutaron y el análisis de los resultados que se obtuvieron. .
80
CAPITULO 5 . Resultados de los Exprimentos del Preprocesamiento, RNAs y Prototipo.
nodo Vertical para 8 intervalos Fase B I FaseA 8318.53 8384.71 2
noise
Tabla 5.5. Resultados para las pruebas eliminando ruido para 8,16,30 intervalos,
Fase C 7328.69
4 6 8 10 12 20 30
Modo Vertical para 16 noise
2 4 6 8 10 12 20 30
dodo Veitical para 30 noise
2 4 6 8 10 12 20 30
8263.47 8335.41 7267.50 8184.74 8281.55 7207.43 6096.89 8230.59 7148.47 7597.59 8172.01 7085.20 7891.45 8109.02 7524.73 7786.M 7998.47 7140.08 791 3.1 6 7698.48 6673.31
intervalos Fase A Fase ü Fase C
2271.71 2296.19 1911.43 2250.03 2285.1 1 1899.05 m2.77 2276.09 1887.28 2205.72 2267.81 1879.74 2190.55 2254.00 1872.1 4 2168.69 2238.1 1 1999.72 21 97.1 8 2230.37 1970.12 2463.99 2270.83 2059.51
intervalos Fase A Fase B Fase C
790.13 831.64 682.58 786.31 830.83 681.63 783.96 829.67 681.36 784.59 829.53 683.04 784.57 826.54 685.44 783.88 823.81 739.30 831.14 846.83 788.87 101 1.56 930.40 899.85
81
28
CAPITULO 5 . Resultados de los Eiipenmentos del Preprocesamiento. RNAs y Protoupo.
iorizonlal Para 8 intervalos Fase A Fase E
Tabla 5.6. Resultados para las pruebas eliminando ruido para 8,16,30 intervalos,
Fase C
Noise 2 4 6 8 10 12 20 30
Noise 2 4 6 8 10 12 20 30
Horizontal para 16 i , Fase A
I +xkontal para 30 intetvalos
Noise Fase A 2 21 92 887 4 21 78.3275 6 2160.4651 8 2141 8294 10 2125.7759 12 21152959 20 21 89.2775
3751.0965 3715.9386 3674.0692 3626.41 24 3583.9294 3530.065 3332.159 3548.6543
Fase B
Fase E 2357.397 2337.1906
2313.9 2289.797 2277.0423 2268.4886 2301.7962 2364.2882
3356.3729 3331.5748 331 1.1371 3288.6662 3272.1238 3256.3873 3251.6721 3477.4316
Fase C 2044.4018 2026.71 4 2016.4865 iOW.2424 1999.6603 1595.8629 2022.567 2143.5765
Fase C 2054.9604 2044.6299 2034.8873 2025.2242 M17.1193 2CQ7.3907 2036.3908
341 8.0862 3367.129 3331.9423 3301.5323 3305.3685 3581.813
21 47.3704 21 19.2701 2093.0898 2069.9818 2057.337 2051.8957 2097.406 2178.2233
1966.4316 1951.8473 1937,701 1922.0521 1909.4834 2038.301 1 2012.8168
301 2341 .mI 2096.28391 2004.684
83
CAPITULO 5. Resultados de los E?;penmentos del Preprocesamiento. RNAs y Prototipo
c) Figura 5.5. Gráficas de la diferencia de nC para los experimentos de la tabla 5.6. Se grafica en cada una las tres fases en modo horizontal y de acuerdo al numero de intervalos aplicado. a) para 8 intervalos, b) para 16 intervalos y e) para 30 intervalos.
84
CAPITULO 5. Resultados de los Experimentos del Preprocehento, RNAs y ProtoUpO.
Fase C 2026.7361 2032.7539 2038.9302 2066.7499 2107.41 19 231 0.2708 2617.8556 31 10.0966
Fase c 1112.8116 1112.902
1 1 12.1042 1 1 19.9472 1131.5093 1233.4249 1386.4175 1629.4666
Fase C 1441 .O51 1 1431.7535 1421,9407 1418.2477 1417.5696 1524.9933 1557.5204 1614,0611
d o Senoidal para 8 intervalos I I I Fase B
2552.9175 2582.2241 2607.471 2 2633.1 765 2653.9302 2687.3518 2984.7109 3426.6279
Fase B 1335.5629 1349.7622 1364.1 873 1377.6578 1391.2898 1406.5161 1543,0474 1756.8822
Fase B 1962.1 227 1954.8572 1946.31 59 1938.3922 1929.1 583 1923.3014 1967.8598
Nois# Fase A 2 2337.6817 4 2356.1 41 1 6 2384.0408 8 2412.0462 10 2435.8808 12 2444.5848 20 2670.1 199 30 3524.2839
cdo Senoidal para 16 intervalos noise Fase A
2 1236.4031 4 1243,3024 8 1257.032 8 1268.1755
12 1279.594 20 1391.6726 30 1819.3805
10 i275.9on
cdo Senoidal para 30 intervalos noise Fase A
2 1582.4433 4 1579,0136 6 15773951 8 1578.5794 10 1579.2519 12 1576.9676 20 1636.5855 30
85
181 3.0202 2012,9831
CAPITULO 5 . Resultados de los Experimentos del Preprocesadento, WAS y Prototipo.
1m - 3mt
I ,>=at
Y m l
""+Y> 1m
tom I
0 1
sail
2 1 6 8 10 12 20 30
+r.rr* - C l l U B +PiWC
Rmdo dmnzdo
-
i '-i
,
La sección anterior presentó los resultados que sirvieron de base para determinar los valores que se emplearían en las pruebas para la etapa de entrenamiento y reconocimiento de las RNAs. El patrón de entrada a la red, de acuerdo con el análisis anterior, se conforma con la discretización de intervalos vertical para conservar la información de la carga y con la discretización de intervalos senoidal para conservar la información del ángulo de fase.
Una vez que se han seleccionado los valores se realizan backpropagation, la PHAF Zi y la RBF, con los siguientes parámetros:
las pruebas con la
1) valores de 1: 8 y 16 2) valores de noise: 6,s y IO 3) los patrones tienen tanto la discretización de intervalos vertical como senoidal, 4) los archivos de la fase A conforman los patrones muestra (entrenamiento). 5 ) los archivos de la fase B y C conforman los patrones prueba (reconocimiento).
86
CAPITULO 5 . Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo.
La combinación de los valores de t y noise hacen un total de 6 reportes de preprocesamiento del PrelnDat. El PrelnDat se modificó para esta etapa de experimentación, el sistema se reprogramó para que se realizará la discretiznción de intentzalos vertical y senoidal a la vez y de esta manera el vector resultante se duplica del tamaño original.
Las RNAs se entrenaron y luego se probaron empleando las combinaciones de f y noise con el fin de determinar los mejores valores de desempeño en cada red, así como también evaluar, entre redes, dicho desempeño. En total, se realizaron 6 experimentos utilizando los patrones con fase positiva y negativa, se optó por hacer otros 6 experimentos sólo con la fase positiva, con el propósito de observar la relevancia de la parte negativa de un patrón PRPD.
El reporte del PrehDat genera una línea por cada archivo de entrada, esta línea se nombra como vector del patrón de entrenamiento o reconocimiento.
El vector resultante del PreínDul reprogramado con fase positiva y negativa se conforma como sigue:
preprocesamienta vertical y prepracemiento senaidal 4 I * *
1 . . . t . . . 21 21+1 . . . 3t . . . 4t
positivo negativo positivo negativo
4 _ - - - - b
5.2.1. EJEMPLOS Y PREPARACI~N DE ARCHIVOS DE PATRONES
El PreInDat modificado, conforma un vector del patrón sin clase. La clase es agregada en un editor de texto. La tabla 5.8 muestra un grupo de patrones preprocesados, listos para alimentar a las RNAs, por ejemplo, se observa que la clase es identificada por los 3 últimos elementos.
CAPITüLO 5 . Resultados de los E.\perimentos del Preprocesamiento, RNAs y Prototipo.
O
-519.21 -973.21 -63.125 -1854.5 -1 6473
-6777.5 -946.26
-9.65 O O O
-118.74
Tabla 5.8. Ejemplo de patrones en donde se agrega la claseen el elemento 9,lO y 11. Estos
O O 1 O 1 O 1 O O 1 O 0 O O 1 O O 1 1 O 0 1 O O 0 O 1 O O 1 O 1 O
O 1 O O 1 O
O O O O
64.89 131.28
O
517.91 O
O O
O O
O 137.99 446.52 278.83 917.43
3856.33 2589.83 11819.7
O 195.23 173.48
O O
-33.6
-2160.4 -3677.8
-2225 -6944.9 -1 3768 -38722 -90714 -95.24
-1 114.7 -1721.4 -782.17 -2961.8
6.78 -969.99
-1058.7 -4387.7 -1 0038 -27057
-80756 -19.57
-446.97 -510.42 478.28 -1017.5
-1~14.5
8.59
679.9 1687.09 823.78
2934.15 10417.5
19737
46659.6 5.17
378.66 7m.58 496.3
1216.63
283.35 2514.05 5351.75 3541.17
8729.8
17067.7 41763.6
1 w 2 74.89
1303.58 2786.4
1944 4231.8
-27.7 -2848.97 -4631.21 -3006.91 -7712.85 -1 4334.2 -39541.4
-94925 -172.72
-1481.85 -1530.96 -443.07
-2630.87
Las clases son determinadas dependiendo del número de tipos que se definan. Para los 12 experimentos mencionados se definieron 4 tipos o clases:
I ) la clase baja (1 O O O) 2) la clase media (O 1 O O) 3) la clase alta (O O 1 O) 4) la clase desconocida (O O O I )
estas clases son definidas por la densidad de carga que contiene el patrón discretizado. Se realiza una clasificación de patrones con cargas alta, baja, media y desconocida. Se cuenta con un conjunto de 27 .archivos de la fase A que conforman los patrones de entrada al entrenamiento de las tres redes, 32 patrones de la fase B y 29 de la fase C utilizados para probar la tres redes.
Los experimentos. Las valores de r y noise permiten definir las características de los experimentos para evaluar a la RNAs, entonces se preprocesa de la siguiente manera:
Experimento I : Experimento 2:
Experimento 3: Experimento 4:
Experimento 5: Experimento 6
noise= 8, f= 8 incluye parte positiva y negativa noise =8, f= 8 incluye parte positiva.
noise= 8, t= 16 incluye parte positiva y negativa noise =8, f= 16 incluye parte positiva.
noise =IO, I = 8 incluye parte positiva y negativa noise =IO, t= 8 incluye parte positiva.
88
CAPITLJLO 5. Resultados de los Exprimentos del Preprocesamiento, RNAs y Prototipo.
Experimeizio 7: Eiperimenio 8:
Experimento 9: Experimento IO: noise =12, t= 8 incluye parte positiva.
Experimento J I : noise =12, f = 16 incluye parte positiva y negativa Experimento 12: noise =12, f= 16 incluye parte positiva
noise =IO, t= 16 incluye parte positiva y negativa. noise =lo, f= 16 incluye parte positiva.
noise =12, t= 8 incluye parte positiva y negativa
Se decidió realizar los experimentos sin la fase negativa para ver si tiene o no impacto sobre el reconocimiento.
Cada experimento implica que la red aprenda los patrones de la fase A con los parámetros marcados anteriormente, luego se prueba la red con la fase B y C, en la etapa de reconocimiento. La tabla D 1. del apéndice D muestra los patrones ejemplo (aprendizaje), así como el nombre de cada uno de los archivos de los patrones originales. La tabla D.2. y D.3. del apéndice D muestra el grupo de patrones de la fase B y C que se emplearon para el reconocimiento, respectivamente. Estas tablas presentan la carga total positiva(+) y negativa (-) con el objeto de poder clasificar a los patrones y tener un punto de comparación en la calidad del reconocimiento.
A continuación se muestran los resultados de los experimentos de las redes
5.2.2. RESULTADOS CON LA RED BACKPROPAGATZON.
Para los experimentos con esta red se utilizo el programa BrainMaker Profesional v3.0 0 de California Scientific Software, este es un paquete de simulación de la red backpropagation.
La red backpropagation se fijo en una tolerancia de entrenamiento del 0.2, es decir, el error máximo en el aprendizaje es del 20%. La tabla 5.9 es la lista de resultados obtenidos en los entrenamientos.
89
CAPITULO 5. Resultados de los E.\penmentos del Preprocesamiento, RNAs y Prototipo.
Tabla 5.9. Resultados obtenidos para los experimentos
..............................
5.2.3 RESULTADOS CON LA RED PHAF II.
La tabla 5.10. lista los resultados con la red mencionada
Tabla 5.10. Resultados obtenidos para los experimentos
.....................
5.2.4 RESULTADOS CON LA RED RBF.
La tabla 5.11 lista los resultados con la red RBF
90
CAPITULO 5. Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo.
Tabla 5.11. Resultados obtenidos para los experimentos
............................
......................
........................
5.2.5. GRÁFICA COMPAI¡ATIVA DE LAS TRES REDES.
La figura 5.7 sintetiza los resultados anteriores, como se observa, la red buchpropugution presenta errores por encima de los 16%, la PHAF y RBF bajan este porcentaje. Como se observa el promedio general RMS, en las tablas anteriores, presenta un promedio menor en la PHAF 11.
~
u 3
o 25
0 2
2 B O I S
u 1
o os
O
I 2 3 4 1 8 9 10 1 1 12 68 cxpsr
t B a c k p - C P H A F U 4 R B F I
Figura 5.7. Resultados de las redes neurondes. Se grafica el promedio RMS (Prom. RMS) e las tablas 5.9 a la 5.11.
Para el sistema de diagnóstico, fue necesario definir qué red se integraría al prototipo, y cuál se probaría con los patrones de fallas reales, de esta manera se decide llevar al cabo el
91
CAPITULO 5 . Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo.
proceso de diagnóstico en SUS etapas de entrenamiento y reconocimiento, con las fallas que se definirán más adelante, con la red PHAF II.
La red RBF parecía ser la más adecuada y se esperaba fuera la mejor, Pero Presenta serios problemas debido a la no uniformidad de los datos de los patrones de pmeba.
Con respecto a la decisión de si tomar o no la fase negativa, definitivamente es importante incluirla, ya que al contrario de lo que se .pensaba, una medición de DP no es simétrica y el experto toma ambas partes para el diagnóstico.
La sección siguiente trata las pruebas que se hicieron en el prototipo DIFGERN para las fallas reales de DP y con la red PHAF 11.
5.2.6. PROTOTIPO: DIAGNOSTICO DE FALLAS CON EL DIFGERN.
Las secciones anteriores demuestran la capacidad de reconocimiento de patrones de DP en clases que se definieron por la densidad de carga, pero ahora, se clasificarán fallas en donde se involucra la experiencia del experto, es decir, él es quien nos define las fallas con las que se entrena el sistema de diagnóstico. Las fallas son complejas y unas vienen acompañadas por otras de manera implicita, de modo que el traslape de patrones en teoría lo manejaría adecuadamente la red RBF [Knvda 951, pero la PHAF I1 es un paradigma que fue desarrollado especialmente para tratar el tipo de datos con un alto grado de no Jinealidad como son las DP [Mejia 921. Después de una serie de experimentos la red RBF no demostró ser eficiente en el reconocimiento, mientras que la PHAF II demostro ser más eficiente, por lo que el prototipo final tiene a la red PHAF II integrada en su algoritmo de aprendizaje y reconocimiento (de acuerdo con el proceso propuesto para el DIFGERN en la figura 3.9, capitulo 3). Las secciones siguientes emplearon a esta red para llevar a cabo los experimentos.
5.2.6.1. LOS PATRONES DE ENTRENAMIENTO Y PRUEBA.
La tabla 5.12. detalla los archivos que 'se recolectaron de patrones de DP, es importante hacer notar que estos experimentos se realizaron con un total de 58 patrones de los cuales 33 se emplearon para aprendizaje y 25 para reconocimiento o prueba. Este grupo de patrones fue producto de una exhaustiva búsqueda de muestras con presencia de mecanismos de fallas, muestras .que se tomaron con diferentes niveles de voltaje y en' diferentes generadores,
El cnteno de selección, para los patrones de entrenamiento y prueba, se hizo tomando en cuenta la uniformidad de ellos, separando los patrones prueba como los menos uniformes con la idea de que nos clasifique en la falla correspondiente, aunque haya sido etiquetado con otra clase definida por el experto humano.
Para estas pruebas se utilizaron los siguientes paiámetros:
92
CAPITULO 5. Resultados de los E.\perimenios del Preprocesamiento. RNAs y Prototipo.
1.- Los archivos de datos tienen escala de magnitud, es decir, se normaliza la carga (q) entre el mínimo y máximo nivel. Esto tiene el propósito de combinar los patrones, independientemente del voltaje de medición.
2.- En el preprocesamiento se eliminaron las frecuencias<lO, esto es, noise=lO.
3.- Se preproceso para f = 8 intervalos tanto verticales como senoidales
4.- Para el diagnóstico se emplearon 5 clases diferentes de fallas:
RANURA PERDIDA DE RESISTIWDM EN LA P I N N R A AFLOlAMlENTO DE CmAS EN EL ESTATOR SUPERFICIALES, lxlLQNAs.
Estas 5 clases forman parte de los casos que se han encontrado hasta el momento en el IIE y estas clases representan un mecanismo de deterioro ó un tipo de DP, como se definió en la sección 2.1.2.4. Un mecanismo de deterioro se refiere a la causa que esta provocando DP internas, superficiales yIo por corona con un comportamiento definido.
La decisión de emplear en el PrelnDat los valores de entrada para f=8 y noise=lO se baso en el criterio de tomar el experimento que: 1) tuviera ambas fases del patrón, positiva y negativa; 2) tuviera menor promedio de Rh4S y 3) fuera de la red con menor promedio general.
Con el fin de observar los patrones preprocesados, las gráficas de las figuras 5.8 a la 5.11 dan el panorama de forma y magnitud de los patrones que entran tanto al entrenamiento como a la pnieba del diagnóstico. Estas gráficas tienen una serie de etiquetas que pertenecen al identificador(#id) del patrón para referenciarlo, en la tabla 5.12 se muestran los nombres del total de archivos empleados como patrones y su #id. Estos nombres son asignados por el experto en las mediciones, su nomenclatura esta dada de acuerdo al nivel de voltaje, la fase del generador, entre otras identificaciones. Por ejemplo, el # i d 4 6 con nombre FA9U3.DAT significa medición en la fase A, a 9 volts en el generador identificado como la unidad 3 .
93
CAPITULO 5 . Resultados de los Experimentos del Preprocesamiento, RNAs y Prototipo.
50 51
T
MOT3KVDAT MOT3KV3.DAT
la 5.12. Relac
36 ON1-3-C.DAT 37 ON1-3-D.DAT 38 ONl-2-82.DAT
L 41 FC9-7KVi .OAT 42 FC6-8KV1 .OAT 43 FCSWDAT 44 FB9UZ.DAT 45 FC7U2.DAT 46 FA9U3.DAT
63 AEC6Ul.DAT 64 FESU2.DAT -- I
5.2.6.2. ANÁLISIS DE LA ETAPA DE ENTRENAMIENTO Y RECONOCIMIENTO DEL DIFGEhW.
Esta sección presenta los resultados obtenidos con la red PHAF I1 y el análisis respectivo.
(4 o>) I I I I
Patrones de prueba& la dase RArwfA
Figura 5.8. Patrones preprocesados para la clase RANURA.
En la grafica 5.8(a) se observan los patrones de aprendizaje o entrenamiento uniformes, y los patrones de prueba de la gráfica 5.8(b). Ambas representan fallas a la RANURA, se observan muy diferentes. En la tabla 5.13, el Único patrón que se identifica como ranura es el #id 6 . Esta respuesta se esperaba, ya que, la red no se entrenó con estos patrones para que pueda identificarlos cuando se presenten en el reconocimiento.
94
CAPITULO 5 . Resultados de los Experimentos del Preproceiimiento7 RNAs y Prototipo.
pabones de pniebade la dase
elemento
I I , L I
Figura 5.9. Patrones preprocesados para la clase PERDIDA DE RESISTIVIDAD EN LA PINTURA CONDUCTORA.
La figura 5.9(a) y (b) muestran un comportamiento uniforme, en el reconocimiento se identifica como pérdida de resistividad a todos los patrones de prueba. Puede observarse la gran similitud de los patrones, sin grandes variaciones, de ahí que la calidad de reconocimiento para esta clase fue del 100%.
Patraiesdeenbwiamnt ' odela daceARoJAMIENTD
Figura 5.10. Patrones preprocesados para la clase AFLOJAMIENTO.
La figura S.lO(a) y (b) muestra la clase aflojamiento, se observa que los patrones de prueba tienen diferente forma, por lo que el patrón con #id 36 es el único que se identifica como aflojamiento. Este grupo de patrones requiere, al igual que FUNURA, tener mas patrones de entrenamiento para que se puedan identificar patrones no muy uniformes de AFLOJAMIENTO.
95
CAPiTLLO 5. Resultados de los Experimentos del Preproceeento, RNAs y Prototipo.
Figura 5.11. Patrones preprocesados para la clase SUPERFICIALES.
Las figuras 5.11 y 5.12 muestran patrones de entrenamiento uniformes, mientras que se probaron con patrones que no son tan uniformes. En la tabla 5 . 1 3 se observa, que efectivamente por las similitudes de forma y magnitud se reconoce en una clase diferente y no precisamente en la deseada. Esta clasificación equivocada es congruente, ya que los patrones no vienen con un sólo mecanismo de falla sino que se combinan con otros, por lo que red puede clasificar con el que presente una distancia euclidiana menor
@)
patrones de prueba de la clase "4s
I
Figura 5.12. Patrones preprocesados para la clase INTERNAS.
La tabla 5.13 resume los resultados obtenidos de'la prueba hecha con los patrones que se explican en la sección anterior. La red PHAF IZ maneja factores de certeza o de certidumbre en su respuesta, esto es, si un patrón reconocido presenta un factor de certeza del 50% o menos, entonces, se dice que el patrón no ha sido reconocido adecuadamente, O bien, no tiene una relación con los patrones ejemplo. Como se mencionó, esta red se
reconocimiento. conforma en el prototipo final del en los sistemas de aprendizaje y
96
CAPITULO 5. Resultados de los Esprimentos del Preprocesamienio, RNAs y Prototipo.
Este prototipo también se hizo funcionar con la red RBF, pero no demostró ser un buen aproximador para este problema (el apéndice E hace un análisis de los resultados obtenidos con esta red).
Tabla 5.13. Resumen de la prueba del los 25 patrones que se emplearon en el reconocimiento
4KVFA.OAT 1
6KVFB.DAT 2 4KVFC.DAT 3 üKVFA.0AT 6 6KFlU4.DAT 15 7KFZU4.OAT 18 8KF2U4.DAT 19
6KF3U4.DAT U 9KF3U4.OAT 25 G4-0.DAT 30 OFF4-3-A.DAT 31 OFF4-3-B.DAT 32 OFF4-2-B.DAT 33 ONt-3-C.DAT 36 FC9-7KVl .OAT 41 FC7UZ.OAT 45 FA9U3.DAT 46 MOT4W.DAT 49
MOT3KV.DAT 50 MOT3KV3.DAT 51 B6KVS.DAT 52
8KVFB.DAT 54
3-KF3U4.DAT 57 SWF1 U4.DAT 60 FB5U2.DAT 64
0 o 0 0 1 78.7 Descargas a la ranura O O O O 1 64.6 " " " "
o o o 1 o 92.5 " ''
1 o o o o 81.3 .* " ''
O 1 O O O 78.6 Perd. de resist. en pint. o I o o o 85.2 " 'I .'
o 1 o o o 88.4 '1 " "
o 1 o o o 85.1 " '' "
o 1 o o o 84 'I **
0 0 1 0 0 90.7 Aflojamiento de cunas o o o 1 o 94.5 " " '.
o o o 1 o 92.2 .' .. o o o 1 o 93 1, '8 "
O O 1 O O 85.6 " 'I ''
0 0 0 1 0 92.1 Oescargassuperfic. o o o 1 o 96.2 .'
o o o 1 o 97.7 "
0 0 0 1 0 % "
o o t o o 75.3 "
1 o a o o 73.5 "
0 0 0 1 0 83.3 Descargas internas
0 0 0 1 0 92 '< '8
o o o o 1 95.1 " .'
o 1 o o o 79.1 " "
o o o t o 87.8 .. "
Presenta descargas internas con una certeza del 78.7%. Presenta descargas internas con una certeza del 64.6% Presenta descargas superficiales con un atta cerieza (92.5Y Presenta descargas a la ranura con un 81.3% de certeza. Presenta p-=rd.de resist. con un 78.6% de Certeza
*, .. 85,2sb I. ,I
" " 88.4%"
" " 5.1% '' "
,. .. I. 84,0% .. I ,
Presenta aflojamiento de cunas con una certeza del 90.7% Presenta desc. superficiales en un 94.5%
92.2% " " 93.0%
,* I,
Presenta aflojamiento de cunas en un 85.6% Presenta desc. supeficiales en un 92.1 %
" " 96.2% .' " 97.7% " " 96.0%
Presenta aflojamiento de cunas con un 75.3% de certeza Presenta desc. a la ranura con un 73.5% de certera Presenta predominantemente desc. Superficiales en 1 83.3% Presenta 92.0% Presenta descargas internas en un 95.1%
" perdida de resistindad en un 79.1%
*' ' predominantemente descargas superfic. en i
97
CAPÍTULO 6 CONCLUSIONES.
Las conclusiones sobre el reconocimiento de fallas en GE empleando RNAs se presentan en este capitulo de la siguiente manera: análisis de resultados para el proceso de diagnóstico con el DIFGERN, desde el entendimiento de las DP hasta los resultados obtenidos con las RNA’s; comprobación de las hipótesis planteadas; aportaciones y trabajo futuro.
6.1. ANÁLISIS DE RESULTADOS.
Esta sección aporta, de manera resumida, los resultados obtenidos en el proceso de reconocimiento de fallas en generadores eléctricos empleando las RNAs. El análisis de resultados es un punto medular de discusión en las conclusiones, ya que se explica el porque de los resultados de las técnicas de preprocesamiento y de las RNAs.
6.1.1. ENTENDIMIENTO DE LAS DP.
El conocimiento de las DP h e el primer paso para entender cómo se adquirían a través del sistema en tiempo real los datos de las mediciones. Se comprobó que la interacción constante con el experto humano enriquece cada vez más la labor del Ingeniero del conocimiento, haciendo más comprensible el problema.
Una vez entendida la conformación de los archivos de datos de DP, dados por el ICM, se emprende la labor de decodificarlos. ya que los datos vienen en formato especial.
De esta comprensión dependía la siguiente fase, el preprocesamiento. Como se mencionó, esta etapa permitió reforzar la gran importancia de tener una relación cercana con el experto en todo el desarrollo de cualquier sistema de diagnóstico, se tuvo una buena cercanía con el experto a lo largo del desarrollo, pero pudo la cantidad del tiempo que se pasó con el experto. De él se dependió para la comprensión de los datos y de la información, sobre todo de la manera como diagnostican en la unidad de equipos eléctricos del IiE.
Por otro lado, sin conocer el funcionamiento del sistema en tiempo real (EM++) fue mas dificil entender los mecanismos que provocan las DP, así que de aquí se puede concluir que los Ingenieros del conocimiento deben tener más apoyo de las instituciones que deseen tener sistemas automáticos inteligentes, ya que de la medida de comprensión del computologo podrá obtenerse una mejor calidad en dichos sistemas.
98
CAPITULO 6 . Concluriona.
6.1.2. PREPROCESAMIENTO.
En la literatura se proponen varios métodos de preprocesamiento [Krivda 951 [Cachin 951 [Hoof et al 971; sin embargo el tipo de medición basado en el I C M t t se consideró desde el principio del desarrollo, con el fin de obtener una reducción de datos adecuada y completa. Se encontró en [Cachin 951 el preprocesamiento que se acopla a los patrones de DP resueltos en fase (PRPD). La investigación de [Cachin 951 abrió la posibilidad de llevar al cabo las discretizaciones mencionadas en la sección 4.2.1, del capítulo 4. El patrón PRPD que emplea [Cachin 95 ] es el mismo que se analizó para esta tesis, por lo que se implementó la misma metodología de discrefización depirnfos y de intervalos para realizar la reducción de información, sin embargo, no se implementó de [Cachin 951 el método de contornos para separar patrones empalmados, debido a que los datos de [Cachin 951 son resultado de simulaciones a diferencia de los que se obtienen del ICM++, que son patrones con comportamientos muy variados y el experto humano aún no proporciona criterios heuristicos para separar patrones empalmados.
El desarrollo computacional del PreliiDaf involucró variables (como nivel de pC, tipo de slope, onda senoidal, el mapa de datos) de los archivos de datos obtenidos de las mediciones, volviéndose complejas de manejar por la codificación que presentan, esta complejidad se fue controlando en la medida que se entendió que significaba cada campo de dicho archivo.
Una vez desarrollado el PreZnDaf, se analizaron gráficamente los patrones preprocesados de las fases A,B y C con el fin de observar qué forma tenía cada uno de estos patrones. Los patrones de los experimentos de las fases, es decir, los archivos que se emplearon para evaluar las RNAs tuvieron formas similares, esto permitió entrenar y probar las RNAs con uniformidad de datos.
' El preprocesamiento es la parte mas importante del DIFGERN porque de él depende que la red aprenda lo correcto, y también es la parte más delicada, ya que si el experto no proporciona toda la información adecuada del conocimiento de las DP, podemos perder una correcta reducción de información. En este punto, es importante validar acerca de la suposición de que la DP son casi simétricas en su comportamiento. La simetría se encuentra en mediciones de laboratorio pero las mediciones en sitio no son, en la mayona de los casos, simétricas.
Cabe mencionar, que durante el proceso de evaluación de las RNAs, los patrones no presentaron cambios en la forma del patrón cuando se emplearon los patrones de las fases A,B y C, mientras que los patrones con mecanismos de falla que se emplearon en el DIFGERN son menos uniformes. En la figura 6.1 se ve la uniformidad de los patrones preprocesados en modo vertical con 8 intervalos y sin eliminación de ruido, mientras que la figura 6.2(b) presenta variabilidad en la forma de los patrones de fallas etiquetadas como AFLOJAMIENTO y preprocesados con los mismos valores anteriores. Los patrones etiquetados como PERDIDA DE RESISTIVIDAD son uniformes ( figura 6.2(a)) esto
99
permitió un reconocimiento del 100% correcto en. la etapa de prueba contra un 60% correcto para patrones con AFLOJAMIENTO.
I - 1 m
E l m t o
Figura 6.1. Patrones preprocesados que se utilizaron para la etapa de evaluacion de la RNAs.
A I
Figura 6.2. Patrones de fallas que se emplearon en el prototipo final DIFGEW. (a) Patrones de fallas etiquetas como PERDIDA DE RESISTIVIDAD. (b) Patrones de fallas etiquetadas como
AFLOJAMIENTO.
Los experimentos que se llevaron a cabo con las combinaciones de parámetros ( t , . noise y modo de discretizacion de intervalos) sirvieron para:
1. - Determinar el número de elementos del vector de entrada adecuado a las
2.- Encontrar que los patrones no son simétricos entre la fase positiva y negativa
. 3.- Determinar que no se puede suprimir la fase negativa en la etapa de
RNAs.
de un patrón.
aprendizaje de la red.
100
CAPITULO 6. Canclurionss.
4,- Deteminar el nivel de ruido máximo (noise=lO) que puede ser eliminado,
5,- Detectar que ]a discretización de infeivulos senoidal tiene menor error que sin quitar información del patrón.
la horizontal.
La simetría no se presenta en la mayoría de los patrones PRPD. En 10s patrones de las tres fases sí se emplearon patrones muy simétricos que permitieron saber 10s parametros adecuados, pero no son totalmente simétricos.
En la sección 5. 1.1 del capítulo 5 se observa en las graficas de la Dif Nc (diferencia nC) que los valores de intervalos de discretización mayores a 30 intervalos presentan las más bajas Dif Nc. Sin embargo, si el objetivo es reducción del tamaño del vector de entrada, estos valores no solucionaban esta problemática. Por eso, se optó seleccionar los valores de intervalos más pequeños y con una baja Dif Nc.
Para conformar el vector de entrada a la red neuronal, se requiere que este vector tenga la información de la carga (4) y del ángulo de fase (6). Para lograrlo se conservó como primera parte del vector, la discrerizución de intervufos vertical conservándose la carga (4) y para el ángulo de fase (4) se evalúo la discretización de Nitersalos horizontal y senoidal. La senoidal resultó ser mejor ai conservar el comportamiento senoidal de las DP, aprovechando esta característica se logra un discretización más completa.
6.1.3. LAS REDES NEURONALES ARTIFICIALES.
El análisis de resultados de las RNAs fueron satisfactorios en la etapa de evaluación del desempeño de las redes buckpropugation, PHAF II y RBF, ya que los experimentos se realizaron basándose en la densidad de carga total, es decir, a la presencia del total de energia trasferida de las DP en cada patrón. No fue necesario saber si se trataba de una falla o no, debido al empleo de un aprendizaje supervisado basado en clases etiquetadas por la densidad de carga total (carga alta, media, baja y desconocida). Podemos decir, que dos redes fueron muy similares en los resultados (la red .buc@ropagaafion presentó un promedio general RMS de 0.2050, la red PHAF 11 un promedio de 0.1061 y la red RBF un promedio de 0.1 125, ver las tablas de la 5.9. a la 5 . 1 1. del capítulo 5)). La red buckpropugatión se desempeñó con menor eficiencia mientras que la PHAF 11 tiene un 0.0065 de promedio más bajo que la RBF. La red buckprogation presentó un tiempo de entrenamiento de 1 min 23 segs. en promedio. Tanto la red FHAF II como la RBF el aprendizaje fue inmediato, aunque el tiempo de entrenamiento no es relevante para el prototipo final, si es conveniente mencionarlo como una desventaja de la backpropugufion.
6.1.4. EL PROTOTIPO DIFGERN.
Se realizaron experimentos con estas dos últimas redes con el objetivo de demostrar que la RBF funciona adecuadamente con fallas reales, pero la PHAF 11 (ver sección 5.2.6.2. del capitulo 5) demostró ser más eficiente en comparación con la red RBF, eso determinó
101
CAPITULO 6. Conclusiones.
seleccionar la red PHAF 11 para el reconocimiento en el prototipo DZFGERN y con fallas reales. La red PHAF IZ comprobó que se adapta bien a los problemas del campo eléctrico como menciona [Mejia 921.
El mayor problema se presentó cuando la red ‘PHAF 11 hizo el trabajo de aprendizaje y reconocimiento, ya que, lo hace excelente basándose en la forma del patrón, pero no por la clase de falla o problema del generador que’ le asignó el experto humano, por citar un ejemplo: la tabla 5.13 del capítulo 5 muestra los resultados de la clasificación, el patrón con el # id (identificador de patrón) 1 se etiqueta para la prueba como descargas a la la red dice que hay presencia de descargas INTERNAS en un 78% en congruencia con el patrón 55 etiquetado con la clase INTERNAS. Cuando el experto observa este patrón dice: “es de descargas a la ranura y se puede confundir con descargas internas”. Esto comprueba, en parte, la complejidad del diagnóstico, ya que las DP son combinadas y en ocasiones se confunden.
En el caso de las descargas superficiales, este tipo de mecanismo de falla siempre va acompañada por descargas internas, por lo que es dificil un punto de separación entre ellos, ya que si hay descargas superficiales se presentan descargas esporádicas.
Se analizaron todas las muestras de los patrones de falla reales, proporcionados por el experto humano, tanto de entrenamiento como de prueba, resultando congruente la red PHAF 11 con los patrones. Aunque los patrones se etiqueten con la falla deseada, el análisis se basó en observar la forma que tiene cada patrón preprocesado. A este respecto se concluyó que los diagnósticos llevan implícito un amplio conocimiento del experto, no sólo depende del análisis de un sólo patrón sino de un conjunto de ellos. En la medida que se comprenda más el fenómeno de las DP, el sistema. prototipo DIFGERN aprenderá esta nueva experiencia.
La red PHAF I1 mejorará su eficiencia cuando se tengan un número mayor de patrones de fallas para las clases de’AFLOJAMlENT0, RANLIRA, SUPERFICIALES e INTERNAS. Por citar un ejemplo, tener 10 patrones mínimo para cada falla, esta cantidad se establece por el buen desempeño que tuvo la red PHAF II en las clasificación de fallas de PÉRDIDA DE RESISTIVIDAD Esto haría que la calidad de reconocimiento aumente.
Por otro lado, la red RBF prometia ser excelente aproximador lineal, es decir, ser capaz de tener una normalización de los datos de los patrones, ya que al llegar un patrón desconocido, ella calcularía el grupo normalizado donde se clasifica el patrón de entrada y por lo general los grupos de pertenencia no se establecian. Esta red no funcionó para aproximar los patrones preprocesados de DP que no son lineales en su comportamiento.
102
CAPI?UII) 6 . conclusiones.
6.2. COMPROBACION DE LA HIPOTESIS INICIAL.
Se demostró la capacidad de las redes neuronales en problemas de clasificación de fallas en generadores eléctricos. No se demostró en su totalidad la eficiencia del preprocesamiento, debido a los siguientes factores:
1) El manejo de 65536 datos por patrón hace complejo la reducción de información.
2) Los expertos humanos en el diagnóstico de fallas en GE, cada día conocen nuevos mecanismos de failas que les amplia el panorama de los anteriores mecanismos.
3) Los expertos humanos no emplean criterios de eliminación de mido establecidos.
4) El ingeniero del conocimiento tiene la tarea enorme de comprender el mecanismo desde la óptica del experto humano, por lo que requiere de un tiempo mayor para conocer dichos mecanismos.
5) LOS patrones de DP reales presentan demasiado ruido. Debe ser eliminado dicho ruido de una manera más eficiente. Este punto se podrá mejorar cuando el experto determine los criterios de eliminación de ruido por interferencia, en las mediciones. Por el momento, este criterio, no lo puede establecer el experto humano porque no usa un proceso bien establecido de eliminación de ruido.
6.3. APORTACIONES.
Podemos citar 5 aportaciones básicas del DIFGERN
1.- Tener un sistema a nivel prototipo de diagnóstico de fallas en generadores que manejen tanto conocedores como no conocedores del área eléctrica. El grupo de equipos eléctricos del IIE evaluará y diagnosticará con una nueva tecnología que los seguirá teniendo como líderes en la evaluación de generadores, transformadores, cables, boquillas motores e interruptores. Este sistema se pretende utilizar en el LAPEM (Laboratorio de Pruebas a Equipos y Materiales de la CFE), TURALMEX y GENERMEX (empresas que efectúan diagnósticos de equipos en el país).
2.- Las RNAs empleadas con datos reales y en problemas reales por medio del DIFGERV.
3.- La Recomendacion de la red PHAF 11, paradigma de red neuronal que mejor se desempeñó en el reconocimiento de patrones de DP en generadores.
4.- Dejar el precedente para futuras investigaciones en este campo
103
5.- Contribuir a la integración de un proyecto llamado “Laboratorio Móvil de Diagnóstico en Planta”. El DIFGERN se integrará a otros sistemas de diagnóstico para evaluar equipos en las plantas eléctricas de nuestro pais y extranjero.
Se considera que la quinta aportación es la más relevante ya que se dará un paso en el desarrollo tecnológico de un paquete de I5 proyectos de diagnóstico, incluso algunos terminados a la fecha y otros que se tienen planeados en el IIE para su futura comercialización.
6.4. TRABAJO FUTURO.
La etapa de preprocesamiento deberá mejorarse intentando un método que permita quitar el traslapamiento asi como un mejor método para el manejo del ruido. Al afinar el método de preprocesamiento, se reflejará la calidad del reconocimiento de cualquier falla aprendida.
El trabajo futuro se sitúa en dos plazos: el mediano y el largo plazo.
En el mediano plazo:
1) Se deberá investigar sobre procesos de reducción de información (preprocesamiento de información) empleando otros parámetros que el experto considere son relevantes para el diagnóstico y no el de la simetría, empleado en este trabajo, ya que como se menciona en la sección 6.1.2., las DP de mediciones en sitio no son muy simétricas y si recordamos, la simetría fue el criterio empleado para la selección del mejor número de intervalos de discretizución.
2) Se deberá investigar procedimientos para separar patrones empalmados con el fin de evitar diagnósticos inadecuados, o bien, considerar la conveniencia de emplear patrones empalmados, mediante un adecuado manejo de la etapa de aprendizaje.
3) Incrementar los patrones muestra en el aprendizaje
A largo plazo:
I) Completar, de ser posible, los 50 mecanismos de fallas en generadores en e r sistema de diagnóstico.
2) Implementar el DIFGERN en máquinas de adquisición de datos para diagnóstico automático en tiempo real.
Esta aportación representaría un gran avance tecnológico en el área de análisis de DP al eliminar el tiempo de análisis y diagnóstico. Elevará el potencial de las computadoras, herramienta que ha revolucionado la vida del hombre en su que hacer diario. Entonces, este
104
Cc\pI1uLO 6. Conelusionn.
sistema será una nueva entidad creada por el hombre y para el hombre, con requerimientos cada vez más ambiciosos en la medida que vaya cubriendo sus actuales necesidades.
Comentario final: Se piensa que la Inteligencia Artificial (IA) vendrá a revolucionar no sólo la vida del hombre sino al hombre mismo. El hombre ambiciona más allá de su propia naturaleza, sin embargo, la IA debe ser el medio para auxiliarse de herramientas que le hagan más eficiente y eficaz casi cualquier trabajo. El término red neuronal artificial nos hace pensar que pronto habrá seres cibeméticos capaces de reproducirse e incluso de poblar la tierra sin control. En realidad no se sabe si se pueda llegar hasta esos limites. Lo que sí puede suceder, por lógica, es que los sistemas inteligentes ayudarán al hombre a evolucionarse a si mismo, es decir, en la medida que el hombre invente mejores formas de vida, el será más capaz de hacer nuevas cosas, entonces esperemos seres humanos con más cavidad cerebral, mientras que las máquinas o robots aunque cibeméticos serán inferiores al hombre, creador de estas entidades.
105
REFERENCIAS Y BIBLIOGRAF~A.
[Baumeister 891 Baumeister Theodore, Avallone Eugene A. y Baumeister Theodore DI; MARKS MANUAL DEL INGENIERO MECANICO; Octava Edición (segunda edición en español); Volumen 111; McGraw-Hill; México 1989; pag. 15-37 a la IS-40.
p l u m 921
[Cachin 9-51
[Corsten 961
Blum Adam, NEURAL NETWORKS IN C++, An Object- Oriented Framework for Building Connectionist Systems; editotial John Wiley & Sons, Inc.; 1992; pag. 37.
Cachin, Christian and Wiesmann, Hans Jurg; “PD Recognition with Knowledge-based Preprocessing and Neural Networks”; IEEE Transac/ions on Dielecbics and Electrical Insulation; vol. 2; No.4; August 1995; pp. 578- 588;
Corsten Hans and May Constantin; “Artificial neural networksfor supporting production planning and con/rol“; Technovation; The International Journal of technological Innovation, entrepreneurs and Technology Management; Vol 16; No.2; february 1996; pp. 67-76.
[Costa et al 971 Costa M., Cristino P., Hanomolo Andreia y Pasero E.; ‘ ‘ n e Trajectory Determination and the Kinematic Problem Solving for a Human Arm Movement: A Neural Network Approach”; Proceedings of the Tenth International Conference; Atlanta, Georgia, USA; June 10-13, 1997; pp. 319-323.
[Chan 971 Chan S.P., “A Neural Network Iíelocity Estimator for Discrefe Position Dafa”; Proceedings of the Tenth International Conference Atlanta, Georgia, USA; June 10- 13, 1997; pp. 325-331.
[Chin-Teng 961 Chin-Teng Lin and Lee C.S. George; NEURAL FUZZY SYSTEMS, a Neuro-fuzry synergism to intelligent Jystems; Editorial Prentice Hall; New Jersey 1996; 783 pags.
106
Referencias y Bibliografia.
[Fu 941
[Esparza 981 Esparza Saucedo Marcos y Garcia Treviño muro; “Mecanismos de Deterioro de Generadores Electrices"; Boletín IiE; noviembre-diciembre 1998; núm. 6; vol. 22; pp. 284-292.
Fu Limin; NEURAL NETWORKS íN COMPUTER INTELLIGENCE; Ed. McGrawHill; 1994; University of Florida, Gainesviile; 458 pags.
[Hartman et al 901 Hartman E. J., Keeler J. D. and KowalSki J. M.; “Layered neural networks with Gaussian hidden irnii as universal approximations.”; Neural Cornput.; v01.2; 1990; pp. 210-215.
[Hilera 951
[Hoof et al 971
[Hozumi 921
[ICM systems]
[Krivda 951
[Lawrence 931
Hilera José R. y Martinez Victor J.; REDES NEURQNALES ARTIFICALES Fundamentos, modelos y aplicaciones; Editorial Addison Wesley Iberoamericana, 1995; 390 pags.
Hoof Martin, Freisleben Bernand and Patsch Rainer; “PD Sourceldenfification with Novel Discharge Parameters using Counterpropagafion Neural Networks”; IEEE Transacctions on Dielectrics and Electrical Insulation; Vol. 4; No. I ; February 1997; pp. 17-32.
Hozumi, N.; Okamoto, T.; Discrimination of Partial Discharge Patterns Using Neural Network; report No. EW91009; Yokosuka Research Laboratory; Japan; 1992.
ICM Systems Digital Partial Discharge Recording; User Manual; Power Diagnostix Systems GmbH-Wiesernstr and DP Systems Digital PD Adquisition ICM++ software; ver. 2.0. Manual y software localizado en el Departamento de Equipos Eléctricos del IiE.
Krivda, A.; “Automared Recognition of Partial Discharges”; IEEE Transactions on Dielectrics and Electrical Insulation; vol. 2; No.5; October 1995; pp. 596- 813.
Lawrence Mark and Petterson Al; BrainMaker Professional User’s Guide and Reference Manual; sof iare BrainMaker Professional ver 2.501993; California Scientific Software; 10024 Newton Road; Nevada City; CA 95959; pp. 9-1 a la 10-3.
107
Referencias y Bibliografia.
[Maraval1941 Maravall Gómez-Allende Darío; RECONOCIlMENTO DE FORMAS Y VISION ARTIFICIAL; Ed. Adison Wesley Iberoamericana; Madrid, España; 1994; pp. 1-13.
[Mejia 921 Mejía, M.; Rodriguez, G.; “A New Neural Network Paradigm for Power Sysiems Applications”; Proceedings of the IASTED international Conference on Power Systems and Engineering; Vancouver, Canada; 1992.
[Mejía 92B]
[Méndez 901
[Mulgrew 961
[Ontiveros 951
[Park 911
[Poggio 901
[Press et al 88 J
Mejía M., Rodriguez G., “Sintésis de la Función del Programa: Red Neuronal PHAF, Instituto de Investigaciones Eléctricas, División de Informática y Desarrollo Profesional, Departamenteo de Sistemas de Información, Proyecto 5422:Redes Neuronales para el Sector Eléctrico, 1992.
Mendez-Albores, Raúl; Técnicas de Medición y Localización de Descargas Parciales en Transformadores; editor Compañia de Luz del Centro, S.A.; Julio 1990; pp. 17-21:
Mulgrew Bernard; “Aplying Radial Basis Functions”; IEEE Signal Processing Magazine; march 1996; pp. 50-65.
Ontiveros Hemández Norma J.; TESIS: “Desarrollo de un Sistema Diagnosticador General de Sefiales Gráficas basado en la Tecnología de Redes Neuronales”; Centro Nacional de Investigación y Desarrollo Tecnológico; Marzo 1995, Cuemavaca, Mor.; pag. 24-26.
J. Park and J. W. Sandberg; “Universal approximation using radial basis functions networt’; Neural Computation; vol. 3; 1990; pp.210-215.
Poggio T. and Girosi F.; “Nefworks for aproximation. and learning“; Proc. EEE; Vol. 78; no. 9; Sept. 1990; pp. I48 1-1497.
Press William H., Flannery Brian P, Teukolsky Saul A, and Vertterling William T.; NUMERICAL RECIPES The Art of Scientific Computing, Cambridge University Press; Third Edition; New York, 1988; pp. 53-64.
108
Referencias y Bibliografía.
[Reyes 981 Reyes Oscar,Garcia M u r o y Robles Edgar; Apuntes: ”Experieiicias en el Desarrollo e Implantacioii de Técnicas
para el Monitoreo en Línea de Generadores Eléciricos”; realizado en la Unidad de Equipos Eléctricos del Instituto de Investigaciones Eléctricas; Cuernavaca, Mor.; Nov. 1998.
[Robles 971 Robles Pimentel Edgar, “Reabiliiación de Generudores Eléciricos”; Boletín IiE; septiembre/octubre 1997; Vol. 21; Núm. 5; ISSN 0185-0059;pp. 207-21 1.
[Rodriguez et al 961 Rodriguez Clemente, Rentena Santiago, Martín José Ignacio, Lafuente Alberto, Muguerza Javier, and Pérez Juan; “A Modular Neural Network Approach to Fault Diagnosis I ‘ ; IEEE Transactions on Neural Networks; Vo1.7; No.2,; March 1996.
Salgado Dorantes Marco A; Tesis: “Voltajes inducidos en la flecha de generadores de alta tension”; Instituto Tecnológico de Zacatepec; Morelos; 1997; pp. 6-7.
Wasserman Philip D., NEURAL COMPUTING Theovy and Practice, Editorial Van Nostrand Reinhold, 1989.
[Salgado 971
[Wasserman 891
109
APÉNDICE A.
Lista de códigos, rangos y significado de los campos de los archivos de las mediciones de descargas parciales que el ICM++ genera.
AMP significa amplitud, NDX (valor numérico decimal-hexadecimal), E2 y E4 (Representación científica con 2 y 4 decimales, respectivamente), NDB (valor numérico decimal-binario).
A. Mapa de datos Tamaño: 131072 byte Ejemplo(ASCI1) [ EM]
(HEX) [000100A30714FFFF] (CONTEO) 1;163;1812;65536
El ejemplo muestra los valores para cuatro pixeles. El signo ASCII ' ' (blanco, hex00) indica que el byte alto es igual a O cero para el pixel 1 y 2 . El pixel 4 lee el máximo valor.
B. Resultados finales y de configuración.
B.l. Ganancia principal de AMP (amplitud) (NDX) offset : tamZl0: 10 byte tipo numérico rango 0-1 1 significado ejemplo 4 (V=lO)
B.2. Preganancia de AMP (NDX) offset : 10 byte tamaño: 10 byte tipo numérico rango 0-3 significado 0:oR [:I; 2:lO; 3:lOO ejemplo 3 ( v = i O O )
O bi7e ( offset despues del mapa de datos)
0:l; 1:2; 2:4; 3:s; 4:IO; 5:20; ...I 11:SOO
B.3. Límite alto de AMP (NDX) offset : 20 byte tamaño: 10 byte tipo numérico rango 0-2
A. 1
Apéndice A.
significado 0:250kHz; I:600kH~; 2:8001<HZ Ejemplo 1 (f-600kHz)
B.4. Limite bajo de AMP (NDX) offset : 30 byie tamaño: 10 byte tipo numérico
significado 0:40kHz; I:8Ok&; 2:100k&, rango 0-2
Ejemplo 2 ( f = I O O r n )
B.S. Ganancia principal de la Válvula (NDX) offset : tamaño, etc: ver B. 1
B.6. Preganancia de la Valvula (NDX) offset : 50 byte tamaño, etc: ver B.2
B.7. Limite alto de la Válvula (NDX) offset : 60 byte tamaño, etc: ver B.3
B.8. Limite bajo de la Válvula (NDX) offset : 30 byte tamaño, etc: ver B.4
40 byte ( offset despues del mapa de datos)
B.9. Gating (NDX) offset : 80 byte tamaño: 10 byte tipo numérico rango 0-3 significado ejemplo 1 (Gating en AMP)
0:OFF ; 1:AMP; 2:ADC; 3:AMP&ADC
B. 10 Nivel de la Valvula ( E 2 ) offset : 90 byte tamaño: 10 byte tipo E -Format Precisión 2 rango 0-100 significado ejemplo i . 7 0 E + i ( L = i 7 % )
Nivel de la Valvula en [ % ]
B. 1 1 Modo de disparo de ADC ( NDX) offset 100 byte tamali0: IO byte tipo numérico rango 0-1 significado 0:Ventana de tiempo ; 1:Primer Pico
A. 2
Apéndice A.
Ejemplo 1 ( disparo en el Primer Pico)
B. 12 Modo de redisparo de ADC (NDX) offset : 110 b!re tamaño: 10 byte tipo numerico
significado 0:no redisparable: 1:redisparable ejemplo 1 ( redisparable )
rango o- I
B.13 Tiempo Muerto (E2) offset : 120 b-e tamaño: 10 bite tipo Formato E precisión 2
significado tiempo muerto en segundos ejemplo 1.50E+I (t=15 seg)
rango 5-6000
B. 14 Bajo Nivel de Discriminación (E2) offset : 130 b!ie tamaño: 10 byte tipo Formato E Precisión 2
significado LLD en [slo] ejemplo
rango 0-100
1.00 E+l (LLD = 10%)
B.15 Caractensticas ADC (NDX) offset : 140 byte tamaño: 10 byte tipo: numérico rango: 0-5 significado ejemplo: 2 ( codificación de Y : log bipolar )
0:lin bip; 1:lin un¡; 2:log bip; 3:iog un]; 4: sin; 5: sqtr(sin)
B.16 Fuente de sonido (NDX) offset : 150 byte tamaño: 10 byte tipo numérico rango 0-2 significado ejemplo O (OFF)
(NDX ) offset : 160 byte tamaí0: 10 byte tipo numérico rango 0-1
0:OFF ; 1:Tiempo Muerto AMP; 2:Tiempo de Valvula
B.17 Contador del Nivel
.
A.3
Apéndice A.
significado O-OFF; l:ON ejemplo 1 (ON)
offset 170 byie tamaii0: 10 byte tipo Formato E precisión 2
B. 18 Nivel del contador (El)
rango 0-100000 significado Ejemplo 1.25E+2 (n¡uel=l25 pc)
nivel del contador en (pC)
B.19 Origen de sincronia (NDX) offset : 180 byte tamaño: 10 byte tipo numérico
significado 0:Linea; 1:Extema. ejemplo
rango o- 1
1 ( Línea Externa )
B.20 Curva sincrónica (NDX) offset : 190 byte famañ0: 10 byte tipo numérico rango o- 1 significado 0:Negativa; 1 :Positiva ejemplo 1 ( Positiva )
B.21 Radio Divisor (NDX) offset : 200 byte tamaño: 10 byte tipo numérico rango 0-1000000 significado ejemplo
Radio del divisor de HV. 8000 ( lOOkV aparece como 12.5 Va la entrada HST )
B.22 Periodo de Adquisición (E2) offset : 210 byte tamaño: 10 byte tipo Formato E Precisión 2 rango 0-100000 significado Tiempo fijado en segundos ejemplo 3.00+1 (Tiempo = 30s )
B.23 Borrado de Memoria (NDX) offset : 220 byte tUllañ0: 10 byte tipo numérico rango O- 1 significado 0:OFF; 1:AUTOMATICA
A. 4
Apéndice A.
ejemplo
offset : 230 byte tamaño: 10 byte tipo numeric0
significado 0:Manual; 1:Dialogo. ejemplo
I ( Auto bornado con el inicio )
B.24 Modo de Salvar (NDX)
rango 0-1
1 ( Salvar la caja de dialogo cuando finalice la medición )
8.2.5 Paleta de colores (NDX) offset : 240 byte tamaño: 10 byte tipo numérico rango 0-3 sienificado 0:Normalizado: l:Loe.;2:Directa: 3:Grises normalizados " ejemplo
B.26 Seno (NDX)
I ( Logantmico en el eje de la Z )
offset : 250 byte tamario: IO byte tipo numérico
significado ejemplo
rango 0-2 0:OFF; I:Seno generado; 2:forma de onda adquirida. 1 ( Sen. gen. )
B.27 Q PruebaíMax (E2) offset : 260 byte tamaño: 10 byte tipo Formato E precision 2 rango 0-1000000 significado ejemplo
calibración o valor de la escala en pC 1.00+3 (calibración con 1 nC )
B.28 Calibración del contador (E2) offset : 270 byte tamaíi0: 10 byte tipo Formato E precisión 2 rango 0-100 significado
ejemplo
Utilización de la medición de carga durante la calibración en % (leer 100 para escalado) 8.70+1 (contador lee 87% pam la carga de calibración )
B.29 Calibración del mapa (E2) offset : 290 byte tamaño: 10 byte tipo Formato E precisión 2 rango 0-128
A S
Apéndice A.
significado
ejemplo
Número de le pisel marcado durante la calibración (lee 128 para el escalado) 1.12+2 (e1 pixel 112 muestra la señal de calibración )
B.30 Obtener la Calibración (NDX) offset : 290 byte tamaño: 10 b?e tipo numérico.
significado ejemplo
rango 0-80000 Sobre toda la amplificación durante la calibración 400 (ICM se calibró con V='lOx40 )
B.3 IModo de Adquisición gVDX) offset : 300 byte tamaño: 10 byie tipo numérico rango 0-1 significado ejemplo O (VS.FASE)
O: VS FASE; I : VS TIEMPO
B.32 Tiempo Muerto Acumulado (E4) offset : 3 10 byte tamaño: 10 byte tipo Formato E precisión 4 rango 0- significado ejemplo
Tiempo muerto acumulado durante la adquisición en seg. 3.2372+0 (tiempo muerto: 3.2372 s de el tiempo de adq.)
B.33 Tiempo de Válvula Acumulado (E4) offset : 320 byte tamaño: 10 byte tipo Formato E precision 4 rango 0- significado ejemplo
Tiempo de válwla acumulado durante la adquisición en seg 3.2372+0(tiempo de válvula 3.2372s de el tiempo de adq.)
B.34 Periodo de Adquisición real (E4) offset : 330 byte tamaño: 10 byte tipo Formato E precisión 4 rango 0- significado
ejemplo
El periodo de adq. Real es parado manualmente. de otro modo el tiempo es en seg. I .2000+2 (tiempo de adq. 120.0s)
B.35 Nombre del Archivo (STRING) offset : 340 byte tamaño: 20 byte tipo ASCII-string
A.6
Apéndice A.
rango significado ejemplo pruebal.dat
B.36 Encabezado del Reporte (NDX) offset : 360 b!te tamaño: 10 byte tipo numérico
significado O: OFF; 1: ON ejemplo
- Nombre del archivo almacenado por el ICM
rango 0-1
1 (Reportar dialogo durante salvar)
B.37 TiempolFecha (NDB) offset : 3 70 byte tamaño: 10 byte tipo numérico rango 04294967295 significado ejemplo 28623441 I O (9/13/94 19:35)
segundos a partir de 12/31/1903 19:OO:OO
B.38 Voltaje final (E4) offset : 380 byte tamaño: 10 byte tipo Formato E precisión 4 rango 0- significado ejemplo 2.6350+2 (iJ=263,50kV)
Última medición de HV cuando la adquisición se para.
B.39 Frecuencia final (E4) offset : 390 byte tamaño: 10 byte tipo Formato E precision 4 rango 0- significado
ejemplo 6.0020+1 (f=60.02Hz)
Última medición de frecuencia de HV cuando la adquisición se para.
B.40 Modo de Calibración (NDX) offset : 400 byte tamdo: 10 byte tipo numérico rango o- 1 significado 0:escalado; 1:calibrado ejemplo 1 (la medición se calibro)
B.41 Cambio de Fase (NDX) o f i e t : 410 byte tamaño: 10 byte tipo numérico
.
A.7
Apéndice A.
rango -360-+360 significado ejemplo
Cambio de fase de la pantalla del mapa no de los datos 60 (la Vi cambiara el mapa 60.5)
C. Forma de la Onda offset : 420 byte tamZli0: 256 byte tipo ASCII
0-255 significado Un periodo de muestra del HV con un offset de 128
normalizado al 80% de la escala completa.
D. Encabezado del Reporte. offset : 616 byte LWlaii0: 500 byte tipo ASCII rango significado Entradas a partir del encabezado del reporte, pero sin titulos
A. 8
APÉNDICE B.
Detalles de uso de las utilerías del BrainMaker de California Scientific So f í a r e
I ) El NetMukerProfessiona/ versión 2.51. Esta utilería prepara los archivos de patrones de datos, confígurándolos para que BruinMaker los emplee en el entrenamiento, en general, prepara el ambiente para la simulación de la red en BruinMuker El NerMaker genera los siguientes archivos: *.DEF, *.FCT y *.TST.
El archivo *.DEF almacena parámetros como: total de patrones de entrada, número de neuronas en la capa de entrada, en la capa de salida, el valor máximo y minimo, total de patrones de entrenamiento y prueba. Este archivo es utilizado para fijar las variables de ambiente que requiere la red buckpropagution en e l BruiiuMaker.
El archivo *.FCT almacena los patrones que se emplearan en el aprendizaje de la red.
El archivo *.TST almacena los patrones que se emplearán en la prueba de la red.
2) El BruinMaker Professional versión 2 .5 . Esta utilería ejecuta la simulación de la red con manipulación de parámetros de entrenamiento (P.e. cambios en tolerancia de entrenamiento yío tolerancia de prueba), los archivos que crea el NetMaker se emplean por BrainMaker para establecer el ambiente de la red neuronal. De esta manera, la red se entrena y se prueba. Esta utilería genera los archivos siguientes: *.NET, *.OUT y *.STA.
El archivo *.NET almacena los pesos de las conexiones entre capas de neuronas y los parámetros de tolerancia tanto de aprendizaje como de prueba.
E1 archivo *.OUT almacena las neuronas de salida deseada y las reales, con el fin de analizar y evaluar el reconocimiento.
El archivo *.STA almacena los valores estadísticos como: total de reconocidos correcta e incorrectamente, el error promedio y el RMS.
B.1
APÉNDICE c.
EJemplos de reportes del PreIDat.
A) Resultados de los experimentos con 8 intervalos, Fase A en los modos Vertical (v), Horizontal (H) y Senoidal (S), sin eliminación de ruido (no iseo) :
El reporte de la tabla C. 1. en la página siguiente muestra el primer ejemplo de un reporte obtenido con el PrelnDaf.
Para los demás reportes presentamos el nombre de los archivos y la Última columna con los resultados de la simiiifiid o Diflvc (ecuación 5 . 1 ) . Véase las tablas C.2. y C.3.
B) Resultados de los experimentos con 4 intervalos, Fase B en los modos Vertical (V), Horizontal (a) y Senoidal (S), sin eliminación de ruido :
Las tablas C.4. a la C.6 . muestran los resultados de estos experimentos
C) Resultados de los experimentos con 4 intervalos, Fase C en los modos Vertical (V), Horizontal (H) y Senoidal (S), sin eliminación de ruido :
Las tablas C.7. a la C.9. muestran los resultados de estos experimentos.
D) Resultados de los experimentos con 10 intervalos, Fase C, en el modo senoidal (S), con eliminación de ruido para frecuencias de 8:
La tabla C. 10 muestra los resultados de este experimento
c. 1
Apéndice C
Tabla C.I. Reporte completo de una corrida del Reinbut. "EPoRl1 nnros.E-wo H r * d . R l l d > o vlon *oosz, V I IIW" , - v e r M hW.7 ll- m'. a<*
Mur*o*
c.2
Apéndice C.
Tabla C.Z. ReDorte del PreInDat descrito en et inciso (A).
R E P O l l E PREPROCEIAMWTO 1 Tabla C.3. Reporte del PreInDat descrito
e i el inciso (A). REPORTEPREPROCESUIIENTO I
c.3
Apéndice C .
Tabla C.4. Reporte del PrcInDar descrito Tabla C.5. Reporte del PreInDat descrito en el inciso (B).
RLIORTE PREIIOCESU*ENlO 1
Apéndice C.
Tabla C.6. Reporte del PreZnDat descrito
c.5
Apéndice C.
Tabla C.7. Reoorte delfieInDot descrito Tabla C.8. Reporte del PrelnDat descrito
ph01mRud0 O lm b arr nxhY 1 Mdo U
::___/
I 1
.
C.6
Apéndice C.
Tabla C.9. Reporte del ReZnDai descrito en el inciso (C).
Nn(B * d o o m a doow w<xh~ I Mom S
c. 7
Apéndice C.
Tabla C.10. Reporte del PTefnDat descrito en el inciso (D).
Rl.011LmWIOCI.bmIMIo
C.8
APÉNDICE D.
Tablas que muestran los grupos de archivos que se emplearon en las RNAs.
Los patrones ejemplo. Para entrenar a las RNAs con el método supervisado se separó un g m ~ ~ de archivos llamados ejemplos y se categorizaron como se observa en la tabla D.1.
................................
............................ .......................
D. 1
Apéndice D.
LOS patrones prueba. Para probar, en el reconocimiento, a las RNA con el método supervisado se separaron dos grupos de archivos llamados de prueba Y se categorizaron para medir el error cuadrático medio, como se muestra en las tablas D.2. y D.3 '
<..................
D.2
Apéndice D.
..................... .....................
........................... L .....
.......................
....................
D.3
APÉNDICE E.
Avg Err 2.50348
1.82789
0.60518
0.95635
1,63003
0,35361
3.22369
0.02622
3.76906
1.37393
0.55636
0.98032
1.60481
0.06531
0.46466
0.19347
0.94823
0.41083 0.35178
0.97109
2.18154
0.28285
0.60802
5.14146
1.46558
4.00468
Análisis de resultados de la pruebas con la red RBF en el DIFGERN.
La tabla E. 1. presenta los valores del reconocimiento con la red RBF para los mismos patrones de la tabla 5.12. del capitulo 5 . Mientras que los resultados obtenidos cuando se reconocen los patrones ejemplo son congruentes con un RMS muy pequeño (RMS=0.00017) para los patrones prueba el RMS (RMS=4.00468) es demasiado alto. Además, interpretar cada salida resulta confuso, por ejemplo el patrón con ## id 1 en la tabla E.l . se esperaría un resultado de 1,0,0,0; sin embargo, vemos un resultado 1.68, -0.77, -4 66, 10.37, -5.14.
Tabla E.1. Resultados obtenidos con patrones de prueba empleando la red RBF. Sdes equivale a salida deseada'y Sreal a salida real.
I Total perones prueba: 25 1 .#Id SDeS SOeS SOeS SDes SDeS
1 1 O O O O
2 1 O O O O
3 1 O O o o 6 1 O o O O
15 o 1 O O O 18 O 1 O O O 19 O 1 O O O
22 o 1 o o O 25 O 1 O O O
30 O O 1 O o 31 O O 1 O O
32 O o 1 O o 33 O O 1 O O 36 O O 1 O O
41 O O O 1 o 45 O O O 1 O 46 O O O 1 O
49 O o O 1 o 50 O o O 1 O
51 O o O 1 O 52 O O O O 1
54 O O O O 1
57 O O O o 1 60 O O O O 1
64 O O O O 1
SReal 1.68216
2.63836
-0.71406
0.00325
0.75402
-0.47829
-1.45086
0.05385
1.71759
0.3075
0.24622
-0.264%
0.59759
0.24123
0.79233
-0.03809
0.37045
0.25774
1.03683
0.5853
2.07615
4.CW.31
-0.11 163
2.58313
4.23367
SReal -0.77262
-1.23234
0.4159
0.28447
0.04578
1.11716
2.6889
1.05759
-0.92118
-0.1071
-0.10034
0.10533
.0.35798
0.05662
.0.24591
0 . W 5
-0.14714
0.01047
0.07426
0.29284
-1.12826
-0.wM)l
0.0102
-0.96892 0.25218
SReal 4.65737
-3,70373
0.50176
1.76012
-2.55987
0.5621
5.1042
4.01572
-5.99753
-2.44074
-0.46349
2.3C88
-2.33692
0.99341
-0.60621
0.34117
.1.75222
0.20388 -0.02684
-2.27775
-3.33487
4.CW.31
-1.10309
-8.43546
2.85564
SReal SReal 10.36987 -5.13782
7.21% -3.67241
-1.29738 2.02733
-3.61344 2.37401
6.67036 -3.7282
-1.24196 1.01245
-13.21914 7.35174
-0.10256 -0.01426
15.44126 -8.6082
5.5516 -2.104
2.19341 4.84554
-3.93838 2.59244
6.51446 -3.21353
0.04831 -0.20699
2.53664 -1.40735
0.21806 0.45433
4.82342 -2.15191
.0.66895 1.15157
-0.39761 0.2431
4.64506 -2.16163
6.41838 -4.60391
1.woo3 -0.MMo1
2.54118 -0.24709
20.45283 -1 1.7976
-6.05352 3.93398
RMS I 1
E.l
Apéndice E.
salida deseada y Sreal a salida real. Tolal patrones prueba: 33
SReal S e a l CReaI SReal Avg E n #id Sdes C h i s SD8a SDes SDss C h a l 4 1 o o o o 1.0w02 -0.oooo2 4.owo6 0.m2 -0.0001 0.00005
7 1 o o o o 0.99996 0 . m 2 o -0.OOW1 o.ww5 0.00001
9 1 o o O O 1 -0.woo2 - 0 . m z o . w w 7 -0.WOo1 0 . m 2 10 o 1 o O o 0.00004 0,99999 -0.ow07 O.WO14 -0.00008 0.00004
5 1 o o o O 1 . W - 0 . W 4.0W27 0.00067 -0,00038 0.00016
8 1 o o o O 1.- 4 . W -0.00016 0.00038 -0.OWZl 0.00009
11 o 1 o o O 0.00003 0.99999 4.00007 0.00016 4.00011 0.00004
12 o 1 o O O -0.WWS 1.woO2 0.00013 -0.00036 0.WOZZ 0.00009
13 o 1 o o o O 1.WW3 -0.wM)l .O.OWO6 0,00002 0.00001 14 O 1 o o o -0.wwl 0.99999 0.MKXH -0.WOO6 0 . m 5 0.00002
16 O 1 o O O -0.WW7 1.00004 O.OW18 -0.OW41 0.00025 0.0001
17 o 1 o o O 0.00007 0.99995 -0.00023 0,00055 -0.00033 0.00014
20 O 1 o o O O.wOo3 0.99998 - 0 . W O.OWl6 -0.00011 O.WW4
O -0.wW3 O.W(KI2 0.00001 21 o 1 o o o 4.mz 1.ww2 23 o 1 o o o 4.00002 1 0 . W 3 -0.WW9 0.WoDB 0.00003 24 o 1 o o o O.WOO1 0.99999 -0 .om7 0.00012 -0.00007 0.00003 26 o 1 o o O 0.00005 0.99998 4.WO11 0.00027 -0.00017 0.00007
24 o o 1 o o o.woo4 O 0.99988 O.WO28 -0.W013 0.00007
35 o o 1 o O O.OW07 4.WOO5 0.99984 O.wo41 -0.MH123 0.0001 37 o O 1 o O O.WW1 4 . m 0,99987 O.OW31 -0.00014 0.00007
39 o o o 1 O 0.00004 4.woo3 4.00013 1,00034 -0.0002 0.00008 40 o o o 1 O 4.wM)l -0.wWl -0.OOW1 1.0W03 4.00001 0.00001 42 o o o 1 O O.wOo2 -0.woO3 4.WO11 1.WO28 -0.WO15 0.00007
43 o o o 1 O O.OOW8 0.00004 .0.00022 0.99949 0.00035 0.00013 44 o O O 1 O O.OOW5 -0.00003 -0.W013 1.00036 -0.00021 0.00009 47 O o O 1 O 0.oWoB -O.wM)6 -0.WO25 1.0W63 -0.W035 0,00015
o 0.00002 48 o o O 1 o 0 . w w l -0.WW1 .o.W003 1.0001
56 o O o o 1 4.00w2 0.WWl O.OOW1 o.WO04 1.00002 o.woo1 55 o o O o 1 0.- O.ow(u O.WO17 0 . W 0.89978 O.WO1
58 o o o o 1 4.00004 O.OWO1 0.00006 -0.00015 1.00012 0.00004 59 o o o O 1 0.00001 0.WM)l 0 . W 3 -0.wWS 1.00003 0.00W1 62 o o o o 1 O .O.OWOl O . O o w 4 4.0001 1.WOO7 0.00003 63 O o O O 1 o.Ww2 . a m 1 4.oMK)3 o.WO1 0.99998 0,00002
RMS: 0.00017
La demostración del porque la red RBF no funciona adecuadamente con patrones desconocidos se muestran en la tabla E.1. y E.2. La decisión de emplear red PHAF II en el prototipo final queda establecida al eliminar la posibilidad de usar la red RBF por los resultados insatisfactorios que se obtuvieron.
E.2