Figura 3.

Evolución del error cuadrático durante entrenamiento red

Feed-Forward. 9. Se realiza la gráfica de predicción para
la bomba, que muestra el comportamiento
de la predicción, según los patrones de
entrada para la bomba de prueba.

Figura 5. Comportamiento de vida útil remanente para bomba

de prueba - Feedforward.

6. Se realiza la gráfica de salidas de la red

neuronal (predicción), junto con los targets.
Figura 4. Error de entrenamiento de la red neuronal Feed-Forward

10. Finalmente, se toma el último valor de

la predicción como la salida de vida útil
restante para el equipo, la cual se convierte
a formato de años para ser mostrada en
pantalla del Command Window

Figura 6. Respuesta Command Window para bomba de

prueba.
7. Se cargan los datos de validación y prueba MODELO NEURONAL PARA
de la red Feedforward del archivo de Excel
BOMBA FF.xlsx. Cada patrón de prueba con
PREDICCIÓN DE FALLAS
los 7 factores promediados trimestralmente EN PROCESOS
formando una columna.
DINÁMICOS
8. Se calcula la predicción de vida útil
remanente de la bomba de prueba (en años),
con base en las salidas de la red neuronal
Feedforward para cada patrón de entrada de 7
factores.
Willian Vargas Silva.
Magíster en Gerencia de mantenimiento
Universidad Industrial de Santander
 Gráfico 1. Metodología del modelo neuronal artificial para
predecir fallas en procesos dinámicos.
La vida proyectada de las maquinas se basa
en los parámetros que el fabricante tuvo en
cuenta durante su diseño como cargas,
velocidades, temperatura, medio ambiente y
materiales Utilizados. Las bombas centrifugas
están en contacto directo con el producto, esto
lo lleva estar sujeto a variedad de esfuerzos
que hacen que el equipo se deteriore
disminuyéndose su resistencia, aumentando la
probabilidad de falla asociada a la fatiga,
cavitación, corrosión y oxidación factores que
deben ser controlados mediante sistema de
supervisión automático y control de la
condición operativa, es confiable a tener una
vida útil de 6 años y se predice a 7 años según
el modelo de redes neuronales Feed-forward y
registros operacionales de las plantas de
Hidrotratamiento de combustible de HDT.
El uso de redes neuronales ha permitido la
creación de un sistema inteligente con
importantes aplicaciones para el diagnóstico
de fallas, reconocimiento de imágenes,
robótica y prediccción.
Se utilizó la librería de redes neuronales de
“Matlab” para crear 4 modelos de
mantenimiento predictivo: Feed-forward,
Nonlinear AutoRegressive model with
eXogenous input NARX, Red neuronal
recurrente y Red basada en retardos de
tiempo. Se evaluaron las 4 opciones y se
selecciona la red neuronal Feedforward como
la más precisa para el modelo.
METODOLOGÍA DE LA RED
1. Se cargan los datos de entrenamiento
Modelo neuronal artificial para
predecir fallas en procesos
dinámicos.
de la red neuronal del archivo de Excel
DATOS FF.xlsx.
Verificar las condiciones operacionales de las
bombas sean acordes a las del diseño.
2. Se dividen los datos cargados en una
matriz de patrones de entrenamiento y otra
de targets.
Validar ventanas operativas acorde a la hoja de
datos del equipo.
3. Se crea la red neuronal Feedforward
mediante el comando Feedforwardnet
([120,100]), con dos capas ocultas, la
Seleccionar variables de entradas del contexto
operacional de la bomba centrifuga.
primera de 120 neuronas y la segunda de
100 neuronas.
Depurar variables de entradas.
Figura 1. Arquitectura red neuronal de tipo Feedforward.
Revisión del estado del arte para definir
parámetros o punto de operación entre 1,2 a 0,2
de cada una de los factores que pueden afectar la
vida útil de los componentes del equipo.
4. Se entrena la red neuronal con los
Normalizar los datos entre (0 y 1) o (-1 y 1).
patrones y los targets.
Definir el tiempo promedio de la base de datos
5. Se evalúan las respuestas de salida de
de las variables de entradas
la red calculando el error de cada patrón.
Figura 2. Error de entrenamiento de la red neuronal Feed-
Desarrollo del modelo., se prueba con diferentes Forward.
arquitecturas de redes neuronales, variando el
número de neuronas y capas a prueba y eligiendo
la red más confiable al modelo.
Se valida el modelo con otro equipo que no fue
entrenado con la red. La diferencia de los
tiempos del real al modelo será el % de error
del modelo.
FIN