background image

> REVISTA RIEMAT JULIO – DICIEMBRE 2017. VOLUMEN 2. NÚMERO 2. ART. 5< 

 

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