Diseño de un sistema de detección y diagnóstico de fallos. para un sistema de dos tanques

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Diseño de un sistema de detección y diagnóstico de fallos. para un sistema de dos tanques"

Transcripción

1 Universidad Simón Bolívar Decanato de Estudios Profesionales Departamento de Electrónica y Circuitos Diseño de un sistema de detección y diagnóstico de fallos para un sistema de dos tanques Alexander Silverio Sánchez Ardila Sartenejas, Julio 2008

2 Universidad Simón Bolívar Decanato de Estudios Profesionales Departamento de Electrónica y Circuitos Diseño de un sistema de detección y diagnóstico de fallos para un sistema de dos tanques Por Alexander Silverio Sánchez Ardila Realizado con la Asesoría Académica de Ing. Thamara Villegas PROYECTO DE GRADO Presentado ante la Ilustre Universidad Simón Bolívar como requisito parcial para optar al título de Ingeniero Electrónico Sartenejas, Julio 2008

3 I Universidad Simón Bolívar Decanato de Estudios Profesionales Departamento de Electrónica y Circuitos Diseño de un sistema de detección y diagnóstico de fallos para un sistema de dos tanques Proyecto de Grado presentado por Alexander Silverio Sánchez Ardila Realizado con la Asesoría Académica de Ing. Thamara Villegas En este proyecto se presenta el diseño y desarrollo de un esquema de Detección y Diagnostico de Fallos (DDF) para dos tanques acoplados (tanques Quanser). El método implementado está basado en Redes Neuronales Artificiales (RNA). Se implementaron RNA para tres tipos de comportamiento en la planta de estudio. El esquema implementado utiliza básicamente tres módulos para implementar el esquema DDF: un módulo de detección, un generador de residuos y un módulo de diagnóstico. Las RNA se encuentran dentro del módulo de detección. Todo el esquema fue realizado utilizando Mathlab y Simulink. PALABRAS CLAVE: DDF, RNA, Tanques Quanser, Generador de residuos, Mathlab. Aprobado con mención: Postulado para el premio: Sartenejas, julio 2008

4 II Dedicatoria Por Dios! Por el Amor! Por la Victoria! Todo tiene su tiempo, y todo lo que se quiere debajo del Cielo tiene su hora. Tiempo de nacer y tiempo de morir, tiempo de plantar y tiempo de arrancar lo plantado, Tiempo de matar y tiempo de curar, tiempo de destruir y tiempo de edificar, Tiempo de llorar y tiempo de reír, tiempo de endechar y tiempo de bailar, Tiempo de esparcir piedras, y tiempo de juntar piedras, Tiempo de abrazar y tiempo de abstenerse de abrazar, tiempo de buscar y tiempo de perder, Tiempo de guardar y tiempo de desechar, tiempo de romper y tiempo de coser, Tiempo de callar y tiempo de hablar, tiempo de amar y tiempo de aborrecer, Tiempo de guerra y tiempo de paz Es tiempo de comenzar a vivir libremente, tiempo de vivir responsablemente Por sobre todas las cosas, dedico este trabajo a Dios Lo dedico también al Espíritu Humano, capaz de lograr las proezas más inverosímiles. A Ghauliam A Ghtriel

5 III Agradecimientos A todas las personas que han tenido la paciencia para aguantarme todos estos años en la Universidad, de verdad no sé como hicieron, a mí me cuesta aguantarme yo mismo. A mis padres, que aunque llegaron a perder la paciencia conmigo y perdieron la fe en mí, aún así no me abandonaron y me ayudaron. A mis hermanos y a sus hijos y a sus parejas, por estar allí, y muy especialmente a Javier, que no me juzgo nunca. A los profesores de la USB Marisabel Giménez de Guzmán, Orlando Sucre, Biaggio Alloca y Trina Adrián de Pérez, quienes sin saberlo, en los últimos años, a nivel personal, fueron mis mentores. Al profesor Guillermo Villegas y a su combo de técnicos, destacándose Mauricio Marín; sin su oportuna colaboración técnica no habría terminado este trabajo. A los profesores con quienes compartí en el laboratorio, Ernesto Granado, William Colmenares y Omar Pérez, que me aclararon todas mis dudas cuando estaba perdido y no estaba mi tutora, o cuando no quería preguntarle a ella por pena. Especial agradecimiento al profesor William por haberme prestado su computadora, o no habría terminado. A Ana Rocío, Amalia Gabriela, Ruth Alejandra y Giulianna Estefanía, por ser mis amigas incondicionales. A todos las decenas de amigos del CITE, por los ratos de ocio tan necesarios cuando ya no daba más, especialmente a Hildebrand Vera.

6 IV A todos los cientos de amigos que hice en esta casa de estudios por los momentos felices. A la señora Carmen de mantenimiento, por hacer mi ambiente de trabajo más grato. Al personal de la Coordinación de Ingeniería Electrónica, especialmente al Coordinador Juan Carlos Grieco y a Neisa Martínez, por ayudarme con todos los trámites tan fastidiosos. Y por último, pero no menos importante, a mi tutora, Thamara Villegas, quien en un momento en que yo dudaba que alguien confiará otra vez en mí, y yo mismo empezaba a perder la fe en mí, me tendió la mano y confió en mí. No sé si fue por valentía, por ignorancia de quien era yo, por un toque de locura, o más bien por una mezcla de todo eso, pero el hecho cierto y que prevalece, es que confió en mí y siempre se lo agradeceré. Igualmente debo agradecerle a ella el hecho de ser siempre un ser humano a carta cabal, por sobre cualquier cosa. Nunca cambie y que Dios la bendiga. una buena vez. Ah! Se me olvidaba, a mí mismo, por dejar de ser tonto y terminar mis estudios de

7 V ÍNDICE GENERAL RESUMEN.. I DEDICATORIA. II AGRADECIMIENTOS..... III ÍNDICE GENERAL.. V ÍNDICE DE FIGURAS Y TABLAS VIII Índice de Figuras VIII Índice de Tablas XI NOMENCLATURA XII CAPÍTULO 1. INTRODUCCIÓN.. 1 CAPÍTULO 2. REDES NEURONALES ARTIFICIALES (RNA) El perceptrón La red neuronal artificial (RNA) Ventajas Limitantes Clasificación Fases de Operación Entrenamiento Diseño y programación de una RNA Validación de una RNA

8 VI CAPÍTULO 3. SISTEMA EN ESTUDIO Descripción del sistema Variables a ser consideradas y como afectan el comportamiento del sistema CAPÍTULO 4. MÉTODOS Y PROCEDIMIENTOS Modelos empleados para la obtención de los datos de entrenamiento Ventajas de tomar los datos con el modelo a lazo cerrado La etapa de arranque Forma de la señal para el entrenamiento Normalización de los datos Definición y entrenamiento de la red Verificación de aprendizaje en las RNA Montaje para la planta real de las RNA Recursos computacionales empleados CAPÍTULO 5. RESULTADOS Datos resultantes de la verificación de las RNA Análisis de los datos resultantes de la verificación de las RNA Datos para la validación de las RNA CAPÍTULO 6. CONCLUSIONES Y RECOMENDACIONES Conclusiones Recomendaciones BIBLIOGRAFÍA

9 VII ANEXOS Anexo A: Programa para entrenamiento de las RNA Anexo B: Programa de la S-function para detección mediante las RNA Anexo C: Programa de la S-function para la detección de falsas fallas

10 VIII ÍNDICE DE FIGURAS Y TABLAS ÍNDICE DE FIGURAS Figura 1: Esquema de Detección y Diagnostico de Fallos (DDF)... 1 Figura 2: Representación de un perceptrón. 4 Figura 3: Red perceptrón MLP Figura 4: Fotografía de planta real Figura 5: Modelo del sistema de tanques con controlador a lazo cerrado Figura 6: Configuración de los tanques en comportamiento normal Figura 7: Configuración de los tanques en comportamiento con fuga en el tanque Figura 8: Configuración de los tanques en comportamiento con falla en el sensor del tanque Figura 9: L1 a lazo abierto para falla de 10% en el sensor del tanque Figura 10: L1 a lazo cerrado para falla de 10% en el sensor del tanque Figura 11: L2 a lazo abierto para falla de 10% en el sensor del tanque Figura 12: L2 a lazo cerrado para falla de 10% en el sensor del tanque Figura 13: Vp a lazo abierto para falla de 10% en el sensor del tanque Figura 14: Vp a lazo cerrado para falla de 10% en el sensor del tanque Figura 15: Vp a lazo abierto para el caso normal Figura 16: Vp a lazo cerrado para el caso normal Figura 17: L1 a lazo abierto para el caso normal.. 30 Figura 18: L1 a lazo cerrado para el caso normal. 30 Figura 19: L2 a lazo abierto para el caso normal.. 31

11 IX Figura 20: L2 a lazo cerrado para el caso normal Figura 21: Vp a lazo abierto para el caso con fuga de 5% en el tanque Figura 22: Vp a lazo cerrado para el caso con fuga de 5% en el tanque Figura 23: L1 a lazo abierto para el caso con fuga de 5% en el tanque Figura 24: L1 a lazo cerrado para el caso con fuga de 5% en el tanque Figura 25: L2 a lazo abierto para el caso con fuga de 5% en el tanque Figura 26: L1 a lazo cerrado para el caso con fuga de 5% en el tanque Figura 27: Ejemplo de datos con la etapa de arranque Figura 28: Ejemplo de datos sin la etapa de arranque Figura 29: Señal de referencia sin ruido Figura 30: Señal de referencia con ruido Figura 31: Modelo en Mathlab para verificación de las RNA.. 45 Figura 32: Modelo en Mathlab de tanque usado dentro del modelo para verificar las RNA Figura 33: Parámetros del controlador del sistema Figura 34: Modelo de retardos usado dentro del modelo para verificar las RNA y detalle de uno de los subsistemas empleados Figura 35: Submodelo del detector de falsos errores usado dentro del modelo para verificar las RNA Figura 36: Modelo para funcionamiento de las RNA con la planta real Figura 37: Modelo de los tanques de la planta real Figura 38: Señales de la simulación de las RNA en estado normal, ubicando la referencia en 12, 15 y 18 cms Figura 39: Errores de las RNA en estado normal,

12 X ubicando la referencia en 12, 15 y 18 cms Figura 40: Señales amplificadas de la simulación de las RNA en estado normal.. 60 Figura 41: Señales amplificadas de las los errores de las RNA en estado normal.. 61 Figura 42: Señales de la simulación de las RNA para una fuga de 5% Figura 43: Señales de los errores de la simulación de las RNA para una fuga de 5% Figura 44: Señales de la simulación de las RNA para una falla en el sensor 20% Figura 45: Señales de los errores de la simulación de las RNA para una falla en el sensor de 20%.. 63 Figura 46: Señales de la simulación de las RNA en estado normal Figura 47: Señales de la simulación de las RNA para una fuga de 1% Figura 48: Señales de la simulación de las RNA para una fuga de 10% Figura 49: Señales de la simulación de las RNA para una falla del sensor de 8%. 67 Figura 50: Señales de la simulación de las RNA para una falla del sensor de 40% Figura 51: Diagnostico en estado normal 71 Figura 52: Diagnostico para una fuga de 1% Figura 53: Diagnostico para una fuga de 10% Figura 54: Diagnostico para una de falla de sensor de 8% Figura 55: Diagnostico para una de falla de sensor de 40% Figura 56: L1 de la planta real para el caso normal Figura 57: L2 de la planta real para el caso normal Figura 58: Vp de la planta real para el caso normal Figura 59: L1 de la planta real para el caso de fuga Figura 60: L2 de la planta real para el caso de fuga Figura 61: Vp de la planta real para el caso de fuga

13 XI Figura 62: L1 de la planta real para el caso de falla del sensor Figura 63: L2 de la planta real para el caso de falla del sensor Figura 64: Vp de la planta real para el caso de falla del sensor ÍNDICE DE TABLAS Tabla 1: Valores de salida máximo y mínimo de las RNA para diferentes casos.. 65 Tabla 2: Bandas de operación de las RNA para los distintos casos

14 XII NOMENCLATURA Backpropagation: Cms: centímetros. Método de ajuste de los pesos en las RNA, que ajuste de la salida hacia la entrada. DDF: Detección y Diagnóstico de Fallos. Feedforward: Alimentación hacia delante. Modo de entrenamiento de la RNA. GB: GHz: Giga Byte. Se refiere a la capacidad de almacenamiento de datos de un dispositivo. Giga Hertzios. Se refiere a la frecuencia de operación de un sistema. L1: Nivel del tanque 1 del sistema de Tanques Quanser. L2: Nivel del tanque 2 del sistema de Tanques Quanser. Mapstd: Función de Mathlab que retorna la media y la desviación estándar. Mathlab: Marca registrada. Paquete de simulación de sistemas basado en un lenguaje. gráfico de programación (Simulink) y en texto basado en lenguaje C. MLP: Multilayer perceptrón en inglés, en español perceptrón multicapas. Pentium: Quanser: Marca registrada. Serie de procesadores de computadora de la empresa Intel. Marca registrada. Fabricante de los tanques que se usaron en este estudio. RAM: RNA: Read Access Memory en inglés, en español Memoria para acceso de lectura. Redes Neuronales Artificiales. Setpoint: Simulink: valor de referencia para una variable en un proceso. Marca registrada. Lenguaje gráfico de programación. Es parte de Mathlab. Tapped delay: Función de Mathlab que conserva los últimos valores de una variable. Vp: Voltaje of Pump en inglés, Voltaje de la Bomba en español, es el voltaje que se aplica a la bomba del sistema de Tanques Quanser para que opere. Windows XP: Marca registrada. Sistema operativo gráfico creado por la empresa Microsoft

15 1 Capítulo 1. Introducción Los sistemas automatizados son cada vez más complejos y sofisticados. Son capaces de manejar una gran cantidad de información del sistema a través de las variables que se supervisan y controlan, sin embargo, los diseños estándares de sus controladores permiten mantener los procesos operando satisfactoriamente, compensando los efectos de las perturbaciones y los cambios que ocurren en el proceso, pero cuando hay fallos estos no pueden manejarse adecuadamente. Por lo que una medida complementaria para los sistemas puede lograrse utilizando un esquema DDF. Este proyecto consiste en el diseño y desarrollo de un esquema de detección y diagnóstico de fallas (DDF) para un sistema de dos tanques acoplados. De forma general, un esquema de DDF se divide en dos módulos, uno de detección y otro de diagnóstico. Sin embargo, de acuerdo a la metodología a implementar algunos esquemas utilizan un tercer modulo para generación de residuos, como se muestra en la figura 1. Fallas Referencia Controlador u Planta y Esquema de FDD Modulo de Detección y Modulo de Diagnóstico Generador de residuos Falla diagnosticada Figura 1: Esquema de Detección y Diagnostico de Fallas (DDF).

16 2 El modulo de detección tiene como función, estudiando las señales de entrada, detectar los diferentes comportamientos del sistema; el módulo generador de residuos, como su nombre lo indica, permite generar residuos diferentes para cada uno de los comportamientos del sistema y el módulo de diagnóstico estudiando los residuos permite determinar en que tipo de comportamiento se encuentra el sistema y diagnóstica su estado, donde se puede considerar el comportamiento normal, que es en ausencia de falla, y el comportamiento anómalo, que es en presencia de una falla. Existen diferentes métodos para implementar un esquema de DDF. El método que se utilizará en el presente proyecto está basado en redes neuronales, y lo que se pretende es crear una clase por cada tipo de comportamiento que tenga el sistema. Una vez que se identifican las diversas clases, la generación de residuos y el diagnóstico puede realizarse utilizando otra red neuronal o cualquier otra metodología mas sencilla que permita clasificar, la cuál se define de acuerdo al nivel de diferenciación entre las clases obtenidas. Dado el objetivo, se realiza una revisión teórica necesaria para cumplir el presente trabajo, por lo que el mismo se ha dividido en 7 capítulos. El capitulo 2 considera la teoría necesaria para aplicar redes neuronales como método para detección y diagnóstico de fallas; mientras que en el capítulo 3 se describe el sistema al que se le aplicara la metodología. El capítulo 4 aborda la metodología empleada en este trabajo, en el capítulo 5 se presentan los resultados obtenidos y el capitulo 6 las conclusiones. Finalmente se encuentra la bibliografía y los anexos considerados.

17 3 Capítulo 2. Redes Neuronales Artificiales (RNA) Desde hace algunos años, varios investigadores han estado creando modelos, tanto en hardware como en software, que interpretan la actividad cerebral en un esfuerzo por producir una forma de inteligencia artificial. Muchos modelos teóricos o paradigmas, datan desde los años 50's. Unos cuantos de ellos tenían aplicaciones limitadas en el mundo real, teniendo como consecuencia que las Redes Neuronales Artificiales (RNA) permanecieran en la oscuridad por décadas. Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados (Neuronas) trabajando al mismo tiempo para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia. Se trata de una nueva forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc.), ofreciendo soluciones robustas y de fácil implementación. Las RNA están compuestas de muchos elementos sencillos que operan en paralelo, llamados cada uno perceptrón. El diseño de la red está determinado mayormente por las conexiones entre sus elementos. Al igual que las conexiones de las neuronas cerebrales. Las RNA han sido entrenadas para la realización de funciones complejas en variados campos de aplicación. Hoy en día pueden ser entrenadas para la solución de problemas que son difíciles para sistemas computacionales comunes o para el ser humano.

18 4 La idea de las redes neuronales fue concebida originalmente como un intento de modelar la biofisiología del cerebro humano, esto es, entender y explicar como funciona y opera el cerebro. La meta era crear un modelo capaz en emular el proceso humano de razonamiento. La mayor parte de los trabajos iniciales en redes neuronales fue realizada por fisiólogos y no por ingenieros, inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. 2.1 El perceptrón En la figura 2 se representa una neurona "artificial", que intenta modelar el comportamiento de la neurona biológica, o perceptrón. Aquí el cuerpo de la neurona se representa como un sumador lineal de los estímulos externos zj, seguida de una función no lineal yj = f(zj). La función f(zj) es llamada la función de activación, y es la función que utiliza la suma de estímulos para determinar la actividad de salida de la neurona. Figura 2: Representación de un perceptrón.

19 5 Este modelo, el de la figura 2, se conoce como perceptrón de McCulloch-Pitts, y es la base de la mayor parte de las arquitecturas de las RNA que se interconectan entre sí. 2.2 La red neuronal artificial (RNA) Una red neuronal se compone de al menos 2 neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones: Una función de propagación (también conocida como función de excitación), que por lo general consiste en la sumatoria de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria. Normalmente las funciones no se modifican de tal forma que el estado de la red neuronal depende del valor de los factores de peso (sinapsis) que se aplica a los estímulos de la neurona Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación. Las neuronas emplean funciones de activación diferentes según la aplicación, algunas veces son funciones lineales, como una simple sumatoria, otras funciones sigmoidales (p.ej. la tanh), y otras funciones de umbral de disparo. La eficiencia sináptica se representa por factores de peso de interconexión wij, desde la neurona i, hasta la neurona j. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la

20 6 interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la función sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]). Figura 3: Red perceptrón MLP. Una red neuronal artificial perceptrón multicapas (MLP - Multilayer perceptrón) tiene n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida. En un perceptrón, cada entrada es multiplicada por el peso W correspondiente, y los resultados son sumados, siendo evaluados contra el valor de umbral, si el resultado es mayor al mismo, el perceptrón se activa. Una de las misiones en una red neuronal consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado o un ordenador). El objetivo es

21 7 conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalización y su robustez. 2.3 Ventajas Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro y tratan de emular sus características. Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje, en ella se sigue alguna regla de aprendizaje que trata de optimizar su respuesta. Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto. Tolerancia a fallas: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente. Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada. Tiempo real: La estructura de una RNA es paralela, por lo cuál si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.

22 8 2.4 Limitantes Las RNA deben ser diseñadas cuidadosamente pues para cada problema específico existe sólo un conjunto de RNA que pueden resolver ese problema, es decir, una RNA puede tener muy buen desempeño para resolver un tipo de problema, pero eso no garantiza que esa misma configuración de RNA resolverá un problema diferente. De acá puede desprenderse que las redes neuronales tienen limitaciones en cuanto al tipo de problemas que pueden o no resolver. Las redes neuronales también son bastante malas para resolver problemas en los que se requiere precisión matemática. 2.5 Clasificación Una primera clasificación de las redes de neuronas artificiales que se suele hacer es en función del patrón de conexiones que presenta. Así se definen tres tipos básicos de redes: Dos tipos de redes de propagación hacia delante o acíclicas en las que todas las señales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa. Monocapa. Ejemplo: perceptrón. Multicapas. Ejemplo: perceptrón multicapas (MLP). Las redes recurrentes que presentan al menos un ciclo cerrado de activación neuronal (son redes con retardos internos). Ejemplo: Elman.

23 9 2.6 Fases de Operación Las RNA adaptables tienen dos fases en su operación: 1. Entrenamiento de la red. El usuario proporciona a la red un número "adecuado" de estímulos de entrada, y de salida, la red entonces ajusta su pesos de interconexión o sinapsis hasta que la salida de la red esta "lo suficientemente cerca" de la salida correcta. 2. Recuperación de lo aprendido. A la red se le presenta un conjunto de estímulos de entrada y esta simplemente calcula su salida. Cuando la red emplea entrenamiento no supervisado, algunas veces será necesario que reajuste su sinapsis durante la fase de recuperación. 2.7 Entrenamiento Existen diferentes modos de entrenamiento de una RNA. Para cada tipo de aprendizaje se pueden encontrar varios modelos propuestos por diferentes autores, pero en general la mayoría coincide en mencionar los siguientes modos: Aprendizaje supervisado: necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta objetivo se conoce. Ejemplos de este tipo de redes son: el perceptrón simple, la red Adaline, el perceptrón multicapas y la memoria asociativa bidireccional. Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo. Ejemplos de este tipo de redes son: las memorias asociativas, las redes de Hopfield, la

24 10 máquina de Bolzman y la máquina de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o mapas autoorganizados y las redes de resonancia adaptativa (ART) Redes híbridas: son un enfoque mixto en el que se utiliza una función de mejora para facilitar la convergencia. Un ejemplo de este último tipo son las redes de base radial. Aprendizaje reforzado: es similar al aprendizaje supervisado, sólo que aquí la información dada por el maestro es mínima, se limita a indicar si la respuesta de la red es correcta o incorrecta. Se sitúa a medio camino entre el supervisado y el autoorganizado. Cualquiera que sea el tipo de aprendizaje usado, una característica esencial de la red es la regla de aprendizaje usada, que indica como se modifican los pesos de las conexiones en función de los datos usados en la entrada. Por ejemplo, entre los algoritmos de aprendizaje supervisado, la regla delta generalizada, modifica los pesos realizando en cada ciclo de aprendizaje un incremento los pesos proporcional a la tasa de variación del error respecto al peso, en sentido negativo. Entonces, el entrenamiento de una RNA con esta regla puede expresarse para cada peso W como un ajuste dw según la regla: dw = LR ( T - Y ) X donde LR es la razón de aprendizaje, T el valor deseado, Y el valor obtenido, y X la entrada aplicada a la RNA. El algoritmo de aprendizaje proporciona una forma de entrenar una red multicapa con alimentación hacia delante (feedforward). Comienza alimentando los valores de la entrada de acuerdo a las siguientes ecuaciones:

25 11 donde A es el grupo de neuronas en una capa, y B e la otra. Oj es la activación para la neurona J, y Wji son los pesos asignados a la conexión entre las neuronas j e i. En la ecuación anterior, se toman los valores de salida y se alimentan a la siguiente capa a través de los pesos. Esta operación se realiza para cada neurona en la siguiente capa, produciendo un valor de red para él. Este valor es la suma de todos los valores de activación en las neuronas de la capa anterior, y cada valor de red es aplicado ahora a la siguiente ecuación, conocida como función de activación, para producir la activación de esa neurona. Después de que todas las neuronas tienen un valor de activación asociado a un patrón de valores de entrada, el algoritmo sigue buscando errores en cada neurona que no es entrada. Los errores encontrados para las neuronas de salidas, son propagados hacia atrás (backpropagation), a la capa anterior para que puedan ser asignados a neuronas de las capas escondidas, esto se calcula por: donde D es el grupo de neuronas en una capa que no es de entrada y E es el grupo de neuronas de la siguiente capa. Este cálculo se repite para cada capa escondida en la red.

26 12 Después de que se ha encontrado la activación y el error asociado a cada grupo de neuronas, los pesos se actualizan, primero encontrando el valor que cada peso debe modificarse, esto se logra calculando: donde C, conocida como la razón de aprendizaje, es una constante que controla el valor del cambio de esos pesos y Wij es el cambio de los pesos entre la neurona i y j. El peso es cambiado evaluando: En general el proceso de aprendizaje requiere la presentación repetida de un número relativamente amplio de ejemplos de entrenamiento hasta lograr una respuesta satisfactoria del sistema (según la medida de error o función de energía utilizada). 2.8 Diseño y programación de una RNA El objetivo del diseñador de la RNA es modelar matemáticamente (con distintos grados de formalismo) el problema en cuestión y posteriormente formular una solución (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposición, la aproximación basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automáticamente las propiedades deseadas. En este sentido, el diseño de la red tiene menos que ver con cuestiones como los flujos de datos y la detección de condiciones, y más

27 13 que ver con cuestiones tales como la selección del modelo de red, la de las variables a incorporar y el preprocesamiento de la información que formará el conjunto de entrenamiento. Asimismo, el proceso por el que los parámetros de la red se adecuan a la resolución de cada problema no se denomina genéricamente programación sino que se suele denominar entrenamiento. 2.9 Validación de una RNA Una vez que las RNA han sido entrenadas es necesario verificar su correcto funcionamiento mediante pruebas de validación. Es usual disponer de un conjunto de datos distintos a los usados para el entrenamiento, para los cuales se conoce la respuesta correcta, evaluando con ello si la red responde adecuadamente frente a datos distintos a los usados durante el aprendizaje (generalización), si es así se considera que la red funciona bien. Este conjunto de datos pueden ser datos simulados con un modelo de la planta y/o datos tomados directamente de la planta. Para que la validación sea correcta deben presentarse a las RNA datos de la planta que contengan los distintos tipos de comportamiento que deben reconocer y si las RNA están bien entrenadas deben ser capaces de reconocer los distintos comportamientos de la planta.

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

Más detalles

El monitoreo de una variable física requiere supervisión permanente de señales que

El monitoreo de una variable física requiere supervisión permanente de señales que Capítulo 1 Marco Contextual 1.1. Formulación del problema 1.1.1. Definición del problema El monitoreo de una variable física requiere supervisión permanente de señales que varían con el tiempo. Tal información,

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Motivación: Control Distribuido:

Motivación: Control Distribuido: Motivación: La clase pasada examinamos brevemente los conceptos de Diseño de sistemas de instrumentación inteligente e Instrumentación Virtual. Durante la discusión del diseño de sistemas de instrumentación,

Más detalles

I SEMANA ELECTRONICA REDES NEURONALES

I SEMANA ELECTRONICA REDES NEURONALES UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

Más detalles

Señal de Referencia: Es el valor que se desea que alcance la señal de salida. SET POINT.

Señal de Referencia: Es el valor que se desea que alcance la señal de salida. SET POINT. EL ABC DE LA AUTOMATIZACION ALGORITMO DE CONTROL PID; por Aldo Amadori Introducción El Control automático desempeña un papel importante en los procesos de manufactura, industriales, navales, aeroespaciales,

Más detalles

REDES AUTOORGANIZATIVAS II

REDES AUTOORGANIZATIVAS II Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría

Más detalles

CAPÍTULO 3 Programación en LabVIEW

CAPÍTULO 3 Programación en LabVIEW CAPÍTULO 3 Programación en LabVIEW 3.1 Conexión física de los elementos Para capturar todas las señales provenientes de los sensores se utilizó una tarjeta de adquisición de datos de National Instruments,

Más detalles

El problema de la mayoría de las personas e instituciones, es la conservación de sus

El problema de la mayoría de las personas e instituciones, es la conservación de sus 2 1.1 Introducción. El problema de la mayoría de las personas e instituciones, es la conservación de sus documentos escritos, especialmente cuando éstos tienen un siglo de antigüedad. Es por esto que se

Más detalles

Inteligencia Artificial

Inteligencia Artificial Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas

Más detalles

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO

Más detalles

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt Controladores PID Virginia Mazzone Regulador centrífugo de Watt Control Automático 1 http://iaci.unq.edu.ar/caut1 Automatización y Control Industrial Universidad Nacional de Quilmes Marzo 2002 Controladores

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Redes Neuronales Artificiales y sus Aplicaciones

Redes Neuronales Artificiales y sus Aplicaciones Redes Neuronales Artificiales y sus Aplicaciones Profesorado Departamento Programa de Doctorado Créditos 3 Nº de Plazas 2. La asignatura 2. Objetivos de la asignatura 3. Contenidos 4. Metodología de trabajo

Más detalles

Análisis de desempeño y modelo de escalabilidad para SGP

Análisis de desempeño y modelo de escalabilidad para SGP Análisis de desempeño y modelo de escalabilidad para SGP Este documento es producto de la experiencia de Analítica en pruebas de stress sobre el software SGP. Estas pruebas se realizaron sobre un proceso

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

MODELADO Y CONTROL MULTIVARIABLE DE TEMPERATURA Y HUMEDAD EN UN INVERNADERO

MODELADO Y CONTROL MULTIVARIABLE DE TEMPERATURA Y HUMEDAD EN UN INVERNADERO MODELADO Y CONTROL MULTIVARIABLE DE TEMPERATURA Y HUMEDAD EN UN INVERNADERO Autor: Cristina Sánchez Pérez Directores: José Luis Guzmán Sánchez y Jorge Antonio Sánchez Molina 19 de septiembre de 2014 2

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

Más detalles

CONTROL INTELIGENTE NRC: 2033

CONTROL INTELIGENTE NRC: 2033 CARRERA DE INGENIERÍA EN ELECTRÓNICA EN AUTOMATIZACIÓN Y CONTROL CONTROL INTELIGENTE NRC: 2033 DISEÑO DE CONTROLADOR NEURONAL PARA LA UNIDAD AIR FLOW TEMPERATURE CONTROL SYSTEM Profesor: Ing. Víctor Proaño

Más detalles

Página 1 de 16. Utilización del Osciloscopio para electromecanicos

Página 1 de 16. Utilización del Osciloscopio para electromecanicos Página 1 de 16 Utilización del Osciloscopio para electromecanicos Los multímetros digitales son un instrumento totalmente eficaz para la comprobación estática de circuitos y para casos en que los cambios

Más detalles

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

PLCs de Seguridad frente a PLCs de Propósito General

PLCs de Seguridad frente a PLCs de Propósito General PLCs de Seguridad frente a PLCs de Propósito General MANUEL LÁZARO GALLARDO SIEMENS RESUMEN Mediante el presente trabajo se pretenden analizar las aplicaciones de automatización en general, particularizando

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Introducción a Las redes Neuronales (Neurales) CO-6612

Introducción a Las redes Neuronales (Neurales) CO-6612 Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:

Más detalles

Denominación de la materia. créditos ECTS = 36 carácter = OBLIGATORIA SISTEMAS OPERATIVOS, SISTEMAS DISTRIBUIDOS Y REDES

Denominación de la materia. créditos ECTS = 36 carácter = OBLIGATORIA SISTEMAS OPERATIVOS, SISTEMAS DISTRIBUIDOS Y REDES Denominación de la materia SISTEMAS OPERATIVOS, SISTEMAS DISTRIBUIDOS Y REDES créditos ECTS = 36 carácter = OBLIGATORIA Ubicación dentro del plan de estudios y duración La materia está formada por 6 asignaturas

Más detalles

PROCEDIMIENTO PARA PRUEBAS DE VALIDACION DE MODELOS MATEMATICOS DE UNIDADES GENERADORAS

PROCEDIMIENTO PARA PRUEBAS DE VALIDACION DE MODELOS MATEMATICOS DE UNIDADES GENERADORAS PROCEDIMIENTO PARA PRUEBAS DE VALIDACION DE MODELOS MATEMATICOS DE UNIDADES GENERADORAS 1. OBJETIVO Verificar la validez del modelo matemático de los sistema de control de las unidades generadoras del

Más detalles

MINISTERIO DE EDUCACIÓN NACIONAL COLOMBIA APRENDE. HíBRIDO ENTRE UNA RED NEURONAL Y UN MODELO ARIMA

MINISTERIO DE EDUCACIÓN NACIONAL COLOMBIA APRENDE. HíBRIDO ENTRE UNA RED NEURONAL Y UN MODELO ARIMA MINISTERIO DE EDUCACIÓN NACIONAL COLOMBIA APRENDE HíBRIDO ENTRE UNA RED NEURONAL Y UN MODELO ARIMA PARA LA ESTIMACIÓN DE PRECIOS DE LOS VEHíCULOS EN COLOMBIA DICIEMBRE 2006 AGRADECIMIENTOS FUNDACIÓN UNIVERSITARIA

Más detalles

Introducción. Culminación de todos los anteriores capítulos. Tipos de compensación. Acción de control. Tipos de acción:

Introducción. Culminación de todos los anteriores capítulos. Tipos de compensación. Acción de control. Tipos de acción: DISEÑO DE SISTEMAS DE CONTROL 1.-Introducción. 2.-El problema del diseño. 3.-Tipos de compensación. 4.-Reguladores. 4.1.-Acción Proporcional. Reguladores P. 4.2.-Acción Derivativa. Reguladores PD. 4.3.-Acción

Más detalles

INGENIERÍA METAL MECÁNICA

INGENIERÍA METAL MECÁNICA INGENIERÍA METAL MECÁNICA HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Instrumentación y control. 2. Competencias Innovar proyectos Metal Mecánicos aplicando la reingeniería

Más detalles

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)

Más detalles

SIS 301 Operación y mantenimiento 15 minutos

SIS 301 Operación y mantenimiento 15 minutos SIS 301 Operación y mantenimiento 15 minutos O Generalidades 1 Planificación 2 Procedimientos 3 Responsabilidades del personal de operación 4 Responsabilidades del personal de mantenimiento 5 Mantenimiento

Más detalles

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3. GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que

Más detalles

PROGRAMA DE CURSO Modelo 2009

PROGRAMA DE CURSO Modelo 2009 REQUISITOS: HORAS: 3 Horas a la semana CRÉDITOS: PROGRAMA(S) EDUCATIVO(S) QUE LA RECIBE(N): IETRO PLAN: 2009 FECHA DE REVISIÓN: Mayo de 2011 Competencia a la que contribuye el curso. DEPARTAMENTO: Departamento

Más detalles

6º Tema.- Accionamientos y actuadores eléctricos.

6º Tema.- Accionamientos y actuadores eléctricos. Asignatura: Ingeniería de Máquinas [570004027] 5º curso de Ingenieros Industriales 6º Tema.- Accionamientos y actuadores eléctricos. Huelva, Noviembre 2008 Profesor: Rafael Sánchez Sánchez Página 1 de

Más detalles

CAPÍTULO 6 INSTRUMENTO VIRTUAL

CAPÍTULO 6 INSTRUMENTO VIRTUAL Diseño y implementación de un medidor de frecencia para frecuencias bajas CAPÍTULO 6 INSTRUMENTO VIRTUAL Como se ha ido señalando a lo largo de esta memoria, el objetivo del proyecto no es otro que el

Más detalles

Escogiendo un sistema host

Escogiendo un sistema host 2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 402 Escogiendo un sistema host Generalidades Experiencia del proveedor

Más detalles

Denominación de la materia. N créditos ECTS = 36 carácter = MIXTA INGENIERIA DE COMPUTADORAS

Denominación de la materia. N créditos ECTS = 36 carácter = MIXTA INGENIERIA DE COMPUTADORAS Denominación de la materia INGENIERIA DE COMPUTADORAS N créditos ECTS = 36 carácter = MIXTA Ubicación dentro del plan de estudios y duración La materia Ingeniería de Computadoras está formada por 6 asignaturas

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA CONTENIDO Términos en manufactura Clasificación de sistemas de manufactura Beneficios y ejemplos de sistemas de manufactura Los componentes de un sistema de manufactura

Más detalles

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com

Más detalles

Esta investigación esta basada y evolucionada de las redes neuronales pero con visión de crear software.

Esta investigación esta basada y evolucionada de las redes neuronales pero con visión de crear software. Introducción Esta es un nuevo planteamiento al paradigma de la computación y la ingeniería del software, Necesitamos planteamientos nuevos en el area de la Inteligencia artificial que ayuden a el trabajo

Más detalles

Memoria Virtual. Figura 1: Memoria Virtual

Memoria Virtual. Figura 1: Memoria Virtual 1 Memoria Virtual. Qué podemos hacer si un programa es demasiado grande para caber en la memoria disponible? Una posibilidad es usar superposiciones (overlays), como en MS-DOS: dividimos el programa en

Más detalles

CAPÍTULO II. Gráficos Dinámicos.

CAPÍTULO II. Gráficos Dinámicos. 2.1 Definición. Los gráficos dinámicos son representaciones a escala del proceso, en donde se muestra la información de las variables del proceso a través de datos numéricos y de animación gráfica. Éstos

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

UNIVERSIDAD DE GUAYAQUIL

UNIVERSIDAD DE GUAYAQUIL II UNIVERSIDAD DE GUAYAQUIL Facultad de Ciencias Matemáticas y Físicas Carrera de Ingeniería en Sistemas Computacionales Desarrollo de una VPN / Firewall de Software con Administración Vía Web TESIS DE

Más detalles

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información

Más detalles

http://instrumentacionunexpo.blogspot.com/2007/05/laboratorio-1-calibracin-del-transmisor.html

http://instrumentacionunexpo.blogspot.com/2007/05/laboratorio-1-calibracin-del-transmisor.html PRACTICA NO. 1 CALIBRACION DE TRASNMISORES http://instrumentacionunexpo.blogspot.com/2007/05/laboratorio-1-calibracin-del-transmisor.html Transductor de presión de silicio difundido Cuando no hay presión,

Más detalles

SISTEMA DE CONTROL DE TEMPERATURA

SISTEMA DE CONTROL DE TEMPERATURA Práctica 5 SISTEMA DE CONTROL DE TEMPERATURA 5.1 Introducción Esta práctica tiene como principal finalidad el trabajar con un sistema realimentado con un retraso importante entre el instante en que se

Más detalles

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES CONTENIDO: Glosario de Términos Introducción Objetivos

Más detalles

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido Contenido Introducción al Diseño de Experimentos para el Reconocimiento de Patrones Capítulo 3: Redes Neuronales Artificiales Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón

Más detalles

SECCIÓN DE AYUDA AL USUARIO

SECCIÓN DE AYUDA AL USUARIO SECCIÓN DE AYUDA AL USUARIO PON DESIGN SOFTWARE IVÁN ALEXIS SANTOS QUICENO FREDY ANDRES SANABRIA UNIVERSIDAD DISTRITAL FEBERO DE 2009 Diseño de redes ópticas pasivas En general los niveles de potencia

Más detalles

INGENIERÍA EN AUTOMATIZACIÓN Y ROBÓTICA

INGENIERÍA EN AUTOMATIZACIÓN Y ROBÓTICA INGENIERÍA EN AUTOMATIZACIÓN Y ROBÓTICA ( D.U.Nº 7 8 5 2 0 0 4 ) Facultad de Ingeniería Sede Santiago, Campus República Sazié 2315, Santiago Tel: (56-2) 661 82 55 www.unab.cl DECANO Cristian Millán Fuentes

Más detalles

ACTIVIDADES TEMA 1. EL LENGUAJE DE LOS ORDENADORES. 4º E.S.O- SOLUCIONES.

ACTIVIDADES TEMA 1. EL LENGUAJE DE LOS ORDENADORES. 4º E.S.O- SOLUCIONES. 1.- a) Explica qué es un bit de información. Qué es el lenguaje binario? Bit es la abreviatura de Binary digit. (Dígito binario). Un bit es un dígito del lenguaje binario que es el lenguaje universal usado

Más detalles

INGENIERÍA EN MANTENIMIENTO INDUSTRIAL

INGENIERÍA EN MANTENIMIENTO INDUSTRIAL HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Sistemas automatizados y redes industriales 2. Competencias Validar estudios de ingeniería y proyectos técnicoeconómicos

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Primer Curso Primer semestre ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS Cálculo

Más detalles

INGENIERÍA EN INFORMÁTICA. Ingeniero en Informática

INGENIERÍA EN INFORMÁTICA. Ingeniero en Informática Facultad de Ingeniería Av. Paseo Colón 850 (C1063ACV) Ciudad de Buenos Aires Tel.: (011) 4343-0893 Fax: (011) 4345-7262 Página web: www.ingenieria.uba.ar Correo electrónico: academica@fi.uba.ar INGENIERÍA

Más detalles

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica C1. Capacidad para la resolución de los problemas matemáticos que puedan plantearse en la ingeniería. Aptitud para aplicar

Más detalles

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas 1. DEFINICIONES, UBICACIÓN CONCEPTUAL E HISTORIA DE LA I.A. 2. COMPLEJIDAD COMPUTACIONAL, EXPLOSIÓN COMBINATORIA, DOMINIOS NO

Más detalles

PROGRAMA ANALÍTICO DE LA UNIDAD DE APRENDIZAJE

PROGRAMA ANALÍTICO DE LA UNIDAD DE APRENDIZAJE PROGRAMA ANALÍTICO DE LA UNIDAD DE APRENDIZAJE I. IDENTIFICACIÓN DE LA UNIDAD DE APRENDIZAJE Programa Educativo: Fecha de elaboración Fecha última revisión Julio 2012 Julio 2013 Unidad de Aprendizaje:

Más detalles

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN Sistemas de Telecomunicación Alumnos: Pablo Núñez López Alberto Garzón Leo INDICE 1. Índice 2. Introducción y objetivos Definiciones Mecanismos de protección y restauración

Más detalles

Inteligencia Artificial. Redes Neurales Artificiales

Inteligencia Artificial. Redes Neurales Artificiales Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:

Más detalles

SISTEMA DE ADQUISICION DE DATOS Y SUPERVISION EQUIPOS (NI): PLANTA CONTROL DE NIVEL

SISTEMA DE ADQUISICION DE DATOS Y SUPERVISION EQUIPOS (NI): PLANTA CONTROL DE NIVEL SISTEMA DE ADQUISICION DE DATOS Y SUPERVISION EQUIPOS (NI): PLANTA CONTROL DE NIVEL Ana Albán De la Torre¹, Giosmara Cañarte Abad², Gonzalo Espinoza Vargas³, Raphael Alarcón Cottallat 4 ¹Ingeniera Eléctrica

Más detalles

Generalidades. 1.1 Introducción

Generalidades. 1.1 Introducción 1 Generalidades 1.1 Introducción En esta parte introductoria al tema de la calibración se describirá de manera resumida cada uno de los conceptos importantes relacionados con la calibración de los instrumentos.

Más detalles

3.1 JUSTIFICACION E IMPORTANCIA DEL PRESENTE TRABAJO DE

3.1 JUSTIFICACION E IMPORTANCIA DEL PRESENTE TRABAJO DE III INTRODUCCION 3.1 JUSTIFICACION E IMPORTANCIA DEL PRESENTE TRABAJO DE INVESTIGACION Hoy en día la computadora es tan importante para el ingeniero Como lo fue en su momento la regla de cálculo. Mediante

Más detalles

CAPÍTULO I 1. SISTEMAS DE NUMERACIÓN

CAPÍTULO I 1. SISTEMAS DE NUMERACIÓN CAPÍTULO I 1. SISTEMAS DE NUMERACIÓN Un sistema de numeración es el conjunto de símbolos y reglas que se utilizan para la representación de datos numéricos o cantidades. Un sistema de numeración se caracteriza

Más detalles

Análisis de Requisitos

Análisis de Requisitos Análisis de Requisitos Los requisitos determinan lo que hará el sistema y definen restricciones sobre su operación e implementación. El análisis de requisitos es el proceso del estudio de las necesidades

Más detalles

Mejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos

Mejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos ANEXO VI. Mejores prácticas para el éxito de un sistema de información Uno de los problemas de información dentro de las empresas es contar con datos importantes del negocio y que éstos estén aislados

Más detalles

Capítulo 3. dependen de él son, por ejemplo, la voz, una onda de radio, un electrocardiograma, etc. El

Capítulo 3. dependen de él son, por ejemplo, la voz, una onda de radio, un electrocardiograma, etc. El Capítulo 3 Procesamiento digital de señales mioeléctricas Las señales se representan matemáticamente como funciones de una o más variables independientes. La variable independiente más común es el tiempo,

Más detalles

Equipo Docente de Fundamentos Físicos de la Informática. Dpto.I.I.E.C.-U.N.E.D. Curso 2001/2002.

Equipo Docente de Fundamentos Físicos de la Informática. Dpto.I.I.E.C.-U.N.E.D. Curso 2001/2002. TEMA 11. FENÓMENOS TRANSITORIOS. 11 Fenómenos transitorios. Introducción. 11.1. Evolución temporal del estado de un circuito. 11.2. Circuitos de primer y segundo orden. 11.3. Circuitos RL y RC en régimen

Más detalles

CONTROLADORES SISTEMAS DE CONTROL. Introducción. Acciones básicas de control

CONTROLADORES SISTEMAS DE CONTROL. Introducción. Acciones básicas de control SISTEMAS DE CONTROL CONTROLADORES Introducción Un controlador es un dispositivo capaz de corregir desviaciones producidas en la variable de salida de un sistema, como consecuencia de perturbaciones internas

Más detalles

SISTEMAS AUTOMÁTICOS DE CONTROL

SISTEMAS AUTOMÁTICOS DE CONTROL SISTEMAS AUTOMÁTICOS DE CONTROL Son aquellos sistemas formados por componentes físicos, conectados de tal manera que puedan comandar, dirigir o regular a si mismo o a otro sistema CONCEPTOS REALACIONADOS

Más detalles

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL]

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] 2012 CEA ISA [RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] En este documento se incluyen una serie de recomendaciones básicas para impartir

Más detalles

CAPÍTULO I. INTRODUCCIÓN

CAPÍTULO I. INTRODUCCIÓN CAPÍTULO I. INTRODUCCIÓN 1.1 Estado del arte del monitoreo de redes de computadoras. La palabra monitoreo no tiene una definición exacta, pero en el contexto computacional ha adquirido un auge muy grande,

Más detalles

INGENIERÍA EN SISTEMAS COMPUTACIONALES

INGENIERÍA EN SISTEMAS COMPUTACIONALES TECNOLÓGICO DE ESTUDIOS SUPERIORES DEL ORIENTE DEL ESTADO DE MÉXICO MANUAL DE PRÁCTICAS EN LABORATORIO INGENIERÍA EN SISTEMAS COMPUTACIONALES PARA LA ASIGNATURA SISTEMAS TELEMATICOS PLAN DE ESTUDIO ISIC

Más detalles

Sistemas de gestión de video. Indice

Sistemas de gestión de video. Indice 168 Sistemas de gestión de video Un aspecto importante del sistema de videovigilancia es la gestión de video para la visualización, grabación, reproducción y almacenamiento en directo. Si el sistema está

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

B. Explicación del funcionamiento

B. Explicación del funcionamiento Domótica. Desarrollo del sistema de control para un edificio inteligente Fontana, Sebastián Alejandro (1) sebastianfontana@outlook.com; Penillas, Juan Manuel (1) juan.penillas@gmail.com Héctor Hugo Mazzeo

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

Estudio y simulación de la influencia de la estructura Transformador-Bobina Paralelo en convertidores CC-CC clásicos

Estudio y simulación de la influencia de la estructura Transformador-Bobina Paralelo en convertidores CC-CC clásicos ESCUELA POLITÉCNICA SUPERIOR Grupo de Sistemas Electrónicos de Potencia PROYECTO FIN DE CARRERA INGENIERÍA INDUSTRIAL Estudio y simulación de la influencia de la estructura Transformador-Bobina Paralelo

Más detalles

Introducción a FOUNDATION fieldbus

Introducción a FOUNDATION fieldbus 2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 101 Introducción a FOUNDATION fieldbus Generalidades Qué es FOUNDATION

Más detalles

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS 1 INTRODUCCIÓN 1.1 Justificación Esta investigación está motivada por el interés en lograr una mejor comprensión del papel que desempeña la creatividad dentro

Más detalles

Diseño del Sistema de Información

Diseño del Sistema de Información Diseño del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 2 ACTIVIDAD DSI 1: DEFINICIÓN DE LA ARQUITECTURA DEL SISTEMA... 7 Tarea DSI 1.1: Definición de Niveles de Arquitectura... 9 Tarea DSI

Más detalles

Diagrama y Nomenclatura del sistema de lazo cerrado

Diagrama y Nomenclatura del sistema de lazo cerrado Diagrama y Nomenclatura del sistema de lazo cerrado En la figura 1 se muestra un diagrama de bloques general más detallado, el cual describe de forma adecuada a la mayoría de los sistemas de lazo cerrado.

Más detalles

DEFINICIONES EN CONTROL AUTOMÁTICO

DEFINICIONES EN CONTROL AUTOMÁTICO Universidad de Santiago de Chile Facultad de Ingeniería Departamento de Ingeniería Eléctrica DEFINICIONES EN CONTROL AUTOMÁTICO Oscar Páez Rivera Profesor DEFINICIONES BÁSICAS: Las definiciones que siguen

Más detalles

Aplicación Java para distribución de código en R

Aplicación Java para distribución de código en R rolgalan@gmail.com Huesca - 24 de noviembre de 2009 Implementación Descripción problema Existen muchos problemas, cuya resolución informática requiere de un enorme tiempo de cómputo. En la actualidad,

Más detalles

DISEÑO DE UNA RED DE SENSORES IMPLEMENTADA EN UN PROTOTIPO MONITOREADO VÍA WEB

DISEÑO DE UNA RED DE SENSORES IMPLEMENTADA EN UN PROTOTIPO MONITOREADO VÍA WEB DISEÑO DE UNA RED DE SENSORES IMPLEMENTADA EN UN PROTOTIPO MONITOREADO VÍA WEB Autor: Diego Mauricio Rativa Arias diegomauricior@gmail.com CÓD.: 20071283024 Director: Ing. José David Cely Callejas Universidad

Más detalles

SILABO I. DATOS GENERALES

SILABO I. DATOS GENERALES SILABO I. DATOS GENERALES 1. Nombre de la Asignatura : Automatización Industrial 2. Carácter : Obligatorio 3. Carrera Profesional : Ingeniería Mecánica Eléctrica 4. Código : IM0801 5. Semestre Académico

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

MAKING MODERN LIVING POSSIBLE. Controlador de cascada multifunción VLT

MAKING MODERN LIVING POSSIBLE. Controlador de cascada multifunción VLT MAKING MODERN LIVING POSSIBLE Controlador de cascada multifunción VLT Controlador de cascada multifunción para el convertidor de frecuencia VLT AQUA El convertidor de frecuencia VLT AQUA cubre todo el

Más detalles

UNIVERSIDAD FRANCISCO GAVIDIA

UNIVERSIDAD FRANCISCO GAVIDIA UNIVERSIDAD FRANCISCO GAVIDIA FACULTAD DE INGENIERIA Y ARQUITECTURA TRABAJO DE GRADUACION: DISEÑO DE UN SISTEMA DE INFORMACIÓN MECANIZADO PARA LA PLANIFICACIÓN DEL TRABAJO DOCENTE DE LOS DECANATOS DE LA

Más detalles