> REVISTA RIEMAT JULIO – DICIEMBRE 2017. VOLUMEN 2. NÚMERO 2. ART. 5<
2
El vector x[k] agrupa a las variables independientes que son las
entradas al Modelo de Funcionamiento Normal.
El modelo de funcionamiento normal, en principio, puede ser
de cualquier tipo, incluyendo los modelos en base a redes
neuronales artificiales y es el encargado de procesar el vector
de variables independientes para obtener el de las variables
dependientes esperadas ŷ[k], que solo contienen valores de
funcionamiento normal, que serán comparados con el vector de
salida y[k], proveniente del sistema de adquisición de datos.
Este proceso recibe el nombre de Generación de Residuos,
representado por el vector e[k] denominado Residuo.
Por lo general esta red suele ser de tipo Perceptrón
Multicapas, que se utiliza cuando se dispone de suficiente
cantidad de datos del sistema, que reflejan el comportamiento
tanto de las entradas como de las salidas, para enfrentar el
proceso de entrenamiento en una forma confiable, mediante el
método de retropropagación de errores.
La mayor ventaja de la utilización del Perceptrón Multicapas
para generar el modelo de funcionamiento normal, utilizando el
método de retropropagación de errores, es su capacidad para
aproximar cualquier función. El éxito de la tarea se garantiza
con escoger una configuración adecuada para la red. En el caso
de la red con una sola capa oculta solo es necesario escoger el
número adecuado de neuronas en la capa oculta, lo que
engendra dificultad, debido a que no existe un método racional
para ello [11], siendo necesario apegarse al método de prueba y
error. La determinación de una estructura de la red adaptada al
sistema que se modela depende, entonces, de la experiencia del
desarrollador. La red Perceptrón Multicapas es un excelente
aproximador de funciones, aunque es imposible determinar una
configuración óptima para cada aplicación.
Después de generar el vector de residuos, se utiliza un
mecanismo de decisión para determinar la ocurrencia y
localización del fallo. La determinación de la ocurrencia del
fallo puede ser implementada, mediante lógica de umbrales,
utilizando umbrales fijos o adaptativos. También se puede
implementar mediante pruebas estadísticas, como en [12].
La tarea principal del módulo de decisión es el aislamiento
del fallo, que consiste en clasificar los residuos en un número
de patrones distinguibles, correspondientes a diferentes
situaciones o a la localización del componente fallado. Así, el
módulo de decisión puede basarse en el principio de
reconocimiento de patrones. El reconocimiento de patrones
implica ciertas acciones iniciales basadas en la observación de
los datos de entrada. A la entrada que representa un patrón se le
conoce como vector de medida o vector característico. La
función obtenida mediante un sistema de reconocimiento de
patrones es el encuadre del vector característico de entrada en
una de las varias clases de decisión. En el diagnóstico de fallos,
estas clases de decisión son los diferentes tipos y localizaciones
de fallos que ocurren en el sistema.
En calidad de mecanismo de reconocimiento de patrones se
pueden emplear varias técnicas entre las que se encuentran,
también, las redes neuronales artificiales. Una de las ventajas
de las redes neuronales tipo mapas autoorganizados y tipo redes
de base radial es su capacidad de particionar el espacio de
entrada para resolver problemas de clasificación. Así, se puede
utilizar una red neuronal como clasificador o reconocedor de
patrones, para particionar el espacio de patrones de residuos y
activar señales de alarma.
Este enfoque presenta un número de pasos que conforman el
procedimiento a seguir para su utilización:
Paso 1: Diseño de la representación E/S.
Selección de las variables de salida que han de ser
estimadas.
Selección de las variables de entrada: Identificación.
Paso 2: Generación de los conjuntos de entrenamiento y prueba.
Solo
han
de
considerarse
situaciones
de
funcionamiento normal.
Este enfoque no requiere tener conocimiento del
comportamiento de los componentes en estado de
anomalías.
Paso 3: Aprendizaje.
Ajuste de los modelos de funcionamiento normal:
Estructura y parámetros.
Descripción estadística de los residuos en condiciones
de funcionamiento normal.
Paso 4: Validación.
El sistema se valida bajo condiciones de
funcionamiento normal y anómalo para evaluar su
sensibilidad.
A. La Red Neuronal Artificial con Función de Base Radial
La red neuronal artificial con función de base radial
constituye un clasificador universal. Este tipo de red se ha
asociado, tradicionalmente, con una arquitectura simple de tres
capas, como se muestra en la figura 2. Cada capa de la
arquitectura está completamente conectada con la capa que le
sigue. La capa oculta se compone de un conjunto de nodos, que
se caracterizan por tener asociadas funciones de activación de
tipo radial, denominadas Funciones de Base Radial. Cada
función recibe como entrada todos los patrones.
Las funciones de base radial se centran en un punto del
espacio de entrada. Las salidas de estas funciones se combinan,
linealmente, mediante ponderaciones para generar la salida de
la red neuronal. Otra característica importante de las funciones
de basa radial es que generan una respuesta local, en
contraposición a la respuesta global característica de la función
sigmoide, puesto que su salida solamente depende de la