UNIVERSIDAD INDUSTRIAL DE SANTANDER ESCUELA DE INGENIERA MECNICA BUCARAMANGA

PLAN DE PROYECTO DE GRADO

CDIGO 2 0 8 3 1 8 8

CDIGO 2 0 8 3 1 9 3

SISTEMA NEURO-FUZZY: PROSPECTIVA DE APLICACION EN LA DETECCION FALLAS EN EQUIPOS DE SUBSUELO DE UNIDADES DE LEVANTAMIENTO MECNICO

UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE INGENIERAS FSICOMECNICAS ESCUELA DE INGENIERA MECNICA BUCARAMANGA 2013

PLAN DE TRABAJO DE GRADO

TTULO:

SISTEMA

NEURO-FUZZY:

PROSPECTIVA

DE

APLICACION EN LA DETECCION DE FALLAS EN EQUIPOS DE SUBSUELO DE UNIDADES DE

LEVANTAMIENTO MECNICO

PRESENTADO A:

COMIT DE TRABAJOS DE GRADO

ESCUELA:

INGENIERA MECNICA

FACULTAD:

INGENIERAS FSICO MECNICAS

ELABORADO POR:

FREDY ALEXANDER GARAVITO ARENAS EDXON STIVEN MENESES CHACN

Bucaramanga, Diciembre de 2013

DATOS DEL TRABAJO DE GRADO TTULO SISTEMA NEURO-FUZZY: PROSPECTIVA DE APLICACION EN LA

DETECCION DE FALLAS EN EQUIPOS DE SUBSUELO DE UNIDADES DE LEVANTAMIENTO MECNICO DIRECTOR Ing. JORGE ENRIQUE MENESES FLOREZ Facultad: Escuela: Ingenieras Fsico - Mecnicas Ingeniera Mecnica

AUTORES NOMBRE Fredy Alexander Garavito Arenas Edxon Stiven Meneses Chacn CDIGO 2083188 2083193 CARRERA Ing. Mecnica Ing. Mecnica

ENTIDADES INTERESADAS EN EL TRABAJO Escuela de Ingeniera Mecnica, Universidad Industrial de Santander. COSTO DEL TRABAJO DE GRADO $ 6.600.000 (Ver Presupuesto).

Contenido DATOS DEL TRABAJO DE GRADO ................................................................... 3 1. FORMULACIN DEL PROBLEMA .................................................................. 5 1.1 1.2 1.3 IDENTIFICACIN DEL PROBLEMA ........................................................ 5 JUSTIFICACIN ......................................................................................... 7 OBJETIVOS DEL TRABAJO DE GRADO .................................................. 8 Objetivo General .................................................................................. 8 Objetivos especficos ........................................................................... 8

1.3.1 1.3.2 2.

JUSTIFICACIN DE LA SOLUCIN ................................................................ 9 2.1. NEFCLASS-Q ........................................................................................... 10 2.2. DINAGRAMAS .......................................................................................... 14

3. 4.

ANLISIS DE LA INFORMACIN RECOPILADA ...................................... 15 GESTIN DEL TRABAJO DE GRADO ...................................................... 19 4.1. IDENTIFICACIN DE TAREAS Y SUBTAREAS .................................. 19 4.1.1. Fase de Definicin............................................................................ 19 4.1.2. Fase de Estudio ............................................................................... 19 4.1.3. Fase de Diseo ................................................................................. 20 4.1.4. Fase de Operacin y Realizacin de Pruebas ................................... 20 4.1.5. Fase de Elaboracin de Memorias ..................................................... 20 4.2. CRONOGRAMA DE TAREAS .................................................................. 21 4.3. IDENTIFICACIN DE LOS RECURSOS NECESARIOS ...................... 22 4.4. PRESUPUESTO ....................................................................................... 22 4.5. FUENTES DE FINANCIACIN ................................................................ 22

1. FORMULACIN DEL PROBLEMA

1.1 IDENTIFICACIN DEL PROBLEMA

Cada ao cientos de libros y tesis doctorales amplan nuestro conocimiento en computacin e inteligencia artificial. Sistemas expertos, redes neuronales artificiales, sistemas Fuzzy, robtica, aprendizaje de las maquinas, procesamiento del lenguaje y reconocimiento de modelos son las tecnologas mayormente usadas en estos sistemas inteligentes. Todos con el objetivo de crear sistemas basados en agentes expertos, compuestos por un software, hardware de cmputo, sensores y actuadores. El constante desarrollo y las exigencias de la industria exigen un mayor uso de estos agentes inteligentes, capaces de suplir la necesidad de un operario en tareas donde se es necesaria la intervencin de personal experto. Actualmente la escuela de ingeniera mecnica ha venido incursionando en la aplicacin de estos sistemas en reas de la ingeniera, sobresaliendo la rama del mantenimiento predictivo, especialmente para anlisis de vibraciones, donde se han obtenido buenos resultados. Como cualquier industria, el campo petrolero se encuentra en la tarea de aplicar nuevos mtodos de diagnstico, especialmente aquellos sistemas de diagnstico automtico, en su proceso de produccin. El bombeo mecnico es la tcnica ms frecuentemente usada en el levantamiento artificial para la produccin de aceite en yacimientos de baja presin. Las cartas de la bomba de fondo son usadas para evaluar el comportamiento de la unidad de bombeo las cuales contienen informacin significativa que describe el

comportamiento del equipo. La necesidad principal parte en la rapidez y precisin de clasificacin de estas cartas para generar un correcto diagnstico del equipo en estudio. Hasta el momento se han aplicado sistemas de diagnstico automtico basados en redes

neuronales, lo cual ha generado resultados aceptables pero con ciertas desventajas en el uso posterior del conocimiento. Es de aqu donde parte la idea de aplicar un software basado en una arquitectura Neuro-Fuzzy, para la clasificacin de estas cartas de fondo conocidas como dinagramas de fondo, usando un software elaborado por la escuela de ingeniera mecnica, dando continuidad al desarrollo e implementacin de estas tcnicas en el mantenimiento automtico. Como se explicara ms adelante (Ver numeral 2), existe un inconveniente en el uso de este software, debido al modo en el que se debe ingresar la informacin contenida en las cartas de fondo.

1.2 JUSTIFICACIN

Desafortunadamente el campo de la inteligencia artificial, incluyendo ramas como la mecatrnica y el control, en la escuela de ingeniera mecnica no poseen la importancia que debera, se ignora la aplicabilidad que tienen en nuestro campo. La investigacin, el desarrollo y el uso de nuevos mtodos y tecnologas aplicadas en reas como el mantenimiento generan un progreso ingenieril notorio en la regin.

A nivel de investigacin tecnolgica, teniendo en cuenta los trabajos realizados en el campo, y la importancia que representa, se busca dar una alternativa de clasificacin para el correcto diagnstico basado en la informacin que generan estas cartas de fondo, aplicando una tcnica desarrollada desde hace mucho tiempo, pero con unas ventajas notorias a las ya implantadas hasta el da de hoy.

A nivel de productividad, busca mayor agilidad en el diagnostico predictivo de equipos usados para la extraccin de petrleo.

A nivel acadmico, permite mostrar la versatilidad que posee un ingeniero mecnico para abordar cualquier tipo de investigacin, generando inters para aquellos a los que les es indiferente este campo en el desarrollo de proyectos ingenieriles.

1.3 OBJETIVOS DEL TRABAJO DE GRADO

1.3.1 Objetivo General Contribuir con la misin de la Universidad Industrial de Santander de formar profesionales con capacidad de investigacin e innovacin, proporcionando una visin acerca de las posibilidades de aplicacin de las tcnicas de inteligencia artificial, en la ingeniera del mantenimiento, generando alternativas de solucin viables, con la intensin de aportar crecimiento en el desarrollo tecnolgico de la regin y el pas.

1.3.2 Objetivos especficos Mostrar las ventajas que presenta un software basado en una arquitectura Neuro-Fuzzy a uno basado en redes neuronales. Identificar diferentes tipos de arquitecturas Neuro-Fuzzy aplicadas al diagnstico y clasificacin de patrones. Buscar un mtodo ptimo para discretizar las cartas de la bomba de fondo, con la intencin de que el software asimile su informacin. Aplicar la plataforma Nefclass-Q con el propsito de identificar las fallas ms generales y frecuentes en unidades de levantamiento mecnico. Concluir si el uso de un software con esta arquitectura presenta resultados ptimos para su aplicacin en el campo de mantenimiento mecnico de estos equipos.

2. JUSTIFICACIN DE LA SOLUCIN

Con la elaboracin del presente proyecto se pretende evaluar la posibilidad de utilizar una arquitectura Neuro-Fuzzy en el diagnstico de fallas presentes en unidades de levantamiento mecnico, utilizando para ello un software (NEFCLASS-Q) desarrollado en un proyecto de grado anterior llamado Herramienta de Aplicacin Software para Clasificacin de Patrones de Datos Implementando una Arquitectura Neuro-Fuzzy elaborado por los estudiantes Fabio Andrs Caballero Esteban y Julin Sebastin Salamanca Espinosa bajo la direccin del profesor Jorge Enrique Meneses, en la escuela de ingeniera mecnica, especializado en la clasificacin de patrones. El uso de este tipo de arquitectura proporciona ventajas notorias comparadas con las mostradas hasta hoy por otros mtodos, lo que conlleva a la exploracin de un nuevo campo de aplicacin. Existen dos modelos Neuro-Fuzzy usados para la clasificacin de patrones de datos: Modelos cooperativos Neuro-Fuzzy: Combina redes neuronales artificiales junto con sistemas Fuzzy de forma independiente. Modelos hbridos Neuro-Fuzzy: La idea de este modelo es la interpretacin de la base de reglas Fuzzy en trminos de una red neuronal. En la etapa de bsqueda bibliogrfica no se encontraron artculos o proyectos relacionados con la aplicacin de modelos hbridos Neuro-Fuzzy para la clasificacin de Dinagramas. La idea de usar este modelo Neuro-Fuzzy, es soportada por diferentes razones:

Nos

ofrece

la

interpretabilidad

de

las

reglas

generadas en

el

entrenamiento de la red. Posibilidad de agregar un conocimiento previo para acortar los tiempos de entrenamiento. Una sintonizacin automtica de los conjuntos Fuzzy.

2.1.

NEFCLASS-Q

NEFCLASS-Q es un software desarrollado bajo el modelo hibrido Neuro-Fuzzy y est basado en el modelo NEFCLASS (Ver figura 1), es usado para determinar la categora correcta de un patrn. Es una propuesta que construye un sistema Fuzzy propagando patrones de datos a travs de la red.

Figura 1. Sistema Neuro-Fuzzy

Fuente: Los autores NEFCLASS-Q tiene como objetivo principal la creacin, entrenamiento y validacin de una red Neuro-Fuzzy. Esta herramienta est compuesta por cinco libreras las cuales engloban y sintetizan la arquitectura de Perceptron Fuzzy y una

interfaz grfica que facilita la creacin, aprendizaje y entrenamiento de la red por medio de un archivo de texto donde se encuentran almacenados los datos de entrenamiento.

Los principales procesos que realiza NEFCLASS-Q son mostrados en la siguiente figura: Figura 2. Proceso Nefclass-Q

Fuente: Los autores Observando el grafico, el paso 1 habla de la entrada de datos, punto que se desea explicar ms en detalle debido a los cambios que se deben tener en cuenta si se

desea usar NEFCLASS-Q al problema del presente trabajo y adems compararlo con aplicaciones anteriores. Para la prueba del programa NEFCLASS-Q se utiliz una base de datos conocida como Iris.dat, esta es la ms utilizada en el campo del reconocimiento de patrones de datos, contiene informacin de tres tipos de flores: Iris Setosa Iris Versicolour Iris Virginica

A dems se hicieron pruebas donde se clasificaron espectros de vibracin, usando 40 espectros de las fallas ms representativas como lo son: Desalineamiento Desbalanceo Soltura Mecnica Resonancia Sin falla

Los datos de entrada (Entrenamiento, clasificacin y validacin) poseen una estructura similar, sus cambios radican en las especificaciones de nmero de patrones de datos, numero de variables de entrada, numero de clases y la definicin de la clase de cada patrn. A continuacin se muestra un archivo de entrenamiento de la base de datos Iris.dat, con el fin de mostrar su configuracin en el archivo de texto:

Figura 3. Archivo de Entrenamiento

Fuente: Herramienta de aplicacin software para clasificacin de patrones de datos implementando una arquitectura neuro-fuzzy. El archivo de entrenamiento para IRIS.DAT, en la lnea 1, se encuentran el nmero de patrones que contiene el archivo (75), el nmero de variables (4) y el nmero de clases (3) respectivamente, de la lnea 2 a la 5 se encuentran los dominios para cada una de las variables que en este caso son 4, donde la variable 1 representa la longitud del spalo, la variable 2 representa el ancho del spalo, la variable 3 representa la longitud del ptalo y la variable 4 representa el ancho del ptalo, de la lnea 6 en adelante se encuentran los patrones de datos, que en este caso contiene 4 columnas, en cada columna estn digitados los datos para cada variable y la columna 5 contiene un vector que define la clase a la que pertenece, por ejemplo para el patrn nmero 1 el vector que tiene es 1 0 0 que nos indica que el patrn pertenece a la clase 1 que indica Iris Setosa, la clase 2 indica Iris Versicolour y la clase 3 indica Iris Virginica.

Analizando la organizacin de la informacin de los archivos de texto (entrenamiento, validacin y clasificacin) al software NEFCLASS-Q, es necesario analizar los datos que conciernen a este proyecto, es decir, los Dinagramas.

2.2.

DINAGRAMAS

Estos registran y miden en forma continua las cargas y las deformaciones que soporta el vstago pulido y como resultado muestra las cartas dinamomtricas correspondientes que deben ser interpretadas para determinar los problemas que existen en el fondo del pozo y dar las soluciones pertinentes. El grafico final representa la Carga vs. Posicin (Figura 4) y se obtiene conociendo la carrera correspondiente del vstago del balancn.

Figura 4. Ejemplo Dinagrama

Fuente: Anlisis y Diagnostico de Problemas en el Equipo de subsuelo de Unidades de Bombeo Mecnico Utilizando Redes Neuronales. Observando en detalle la forma de un dinagrama, se aprecian cuatro zonas importantes, donde se presenta la informacin pertinente al estado del equipo.

Dependiendo de la forma de una de ellas en contraste con las dems, representa diferentes estados y fallas del equipo de subsuelo.

En relacin con el modo de ingresar esta informacin proporcionada por el dinagrama, se debe buscar el modo de discretizar su forma, teniendo como gua la estructura mostrada en la figura 3, y sabiendo que se deben tener en cuenta las cuatro zonas. En resumen, es necesario explorar un mtodo con el cual se pueda representar la informacin de las cuatro zonas en un archivo semejante al de la base de datos Iris.dat para hacer posible la lectura de esta informacin al NEFCLASS-Q.

3. ANLISIS DE LA INFORMACIN RECOPILADA PONCE CRUZ, Pedro. Inteligencia Artificial con Aplicaciones a la Ingeniera: Alfaomega, 2010. 348 p.

Libro que relaciona los temas ms importantes de la inteligencia artificial empleados en la ingeniera, presenta ejemplos desarrollados en MATLAB . Explica la aplicacin de la inteligencia artificial para el desarrollo de sistemas expertos, procesamiento de lenguaje natural, reconocimiento de modelos aprendizaje de mquinas, incertidumbre y lgica difusa, robtica,

automatizacin y control. DEL BRO Martn, Bonifacio; SANZ Molina, Alfredo. Redes Neuronales y Sistemas Borrosos. 3 ed. Alfaomega Ra-Ma, 2007. 404 p.

Aborda temas relacionados con la inteligencia computacional o soft computing, aplicadas ya a problemas muy diversos como reconocimiento de caracteres,

electrodomsticos burstil, etc.

inteligentes,

procesamiento

de

imgenes,

prediccin

CABALLERO ESTEBAN, Fabio Andrs; SALAMANCA ESPINOSA, Julin Sebastin. Herramienta de aplicacin software para clasificacin de patrones de datos implementando una arquitectura Neuro-Fuzzy.

Bucaramanga, 2011, 222 p. Trabajo de grado (Ingeniero Mecnico). Universidad Industrial de Santander.

Esta tesis proporciona informacin sobre el uso de una arquitectura NeuroFuzzy para clasificacin de patrones, como tambin el desarrollo del software NEFCLASS-Q, y las consideraciones necesarias para crear los archivos de entrenamiento, validacin y clasificacin. En su parte final se muestran los resultados obtenidos en sus pruebas con la base de datos Iris.dat, y con espectros de vibracin. MATEUS MARIN, Cristian Fernando; ROJAS CRDENAS, Daniel Mauricio. Anlisis y diagnstico de problemas en el equipo de subsuelo de unidades de bombeo mecnico utilizando redes neuronales. Bucaramanga, 2007, 237 p. Trabajo de grado (Ingeniero de Petrleos). Universidad Industrial de Santander.

Tesis que proporciona informacin acerca del diagnstico de problemas en equipo de subsuelo en unidades de levantamiento artificial, como tambin informacin acerca de bombeo mecnico, dinagramas, generalidades sobre redes neuronales y sus aplicaciones en la ingeniera. GUERRERO TORRES, Joaqun Enrique; RODRIGUEZ MARTINEZ, Carlos Eduardo. Sistema Neuro-Fuzzy: prospectivas de aplicacin en la deteccin de fallas en equipos industriales rotativos. Bucaramanga, 1998, 160 p.

Trabajo de grado (Ingeniero Mecnico). Universidad Industrial de Santander.

Proyecto de grado donde se trabaj el software NEFCLASS, elaborado con base en un modelo hbrido Neuro-Fuzzy por Detleft Nauck (Technical University of Braunschweig, 1997). El modelo NEFCLASS est basado en el modelo del perceptrn Fuzzy de Detleft Nauck y Rudolt Kruse. Este software se us para la clasificacin de espectros de vibracin para el diagnstico de fallas de equipos rotativos. La tesis presenta informacin de diferentes programas basados en esta arquitectura pero por criterios de optimizacin selecciona Nefclass, muestra los resultados obtenidos, siendo estos muy satisfactorios. KONAR, Amit. Artificial Intelligence and Soft Computing: Behavioral and Cognitive Modeling of the Human Brain. CRC Press. London. 2000.

Este libro presenta una perspectiva diferente en los detalles de las herramientas y tcnicas requeridas para la aplicacin de la inteligencia artificial en procesos ingenieriles, provee al lector una visin del modelo psicolgico cognitivo el cual se puede se puede visualizar en 5 ciclos: censado, adquisicin, percepcin, plan y accin. Este libro incluye un gran nmero de simulaciones hechas en computador donde se ilustran los conceptos que presenta la lgica de programacin, usando los lenguajes C y Pascal. Adems fortalece los conceptos de los diferentes mtodos de inteligencia artificial. ALEGRE, Lideniro; DA ROCHA, A.F. y MOROOKA, C.K. Intelligent Approach of Rod Pumping Problems. Paper 26253. Presentando en Computer Conference, 11-14 Julio, New Orleans, Louisiana 1993.

En este artculo se trabaja un software llamado SICAD, el cual usa un tipo de neurona, construida a partir de redes, obteniendo gran habilidad de procesamiento en sus etapas de desarrollo. A dems permite al conocimiento ser codificado no solo en las conexiones de la red, sino tambin en la seleccin de los tipos de neuronas y en la sinapsis de la red. KOLMAN, Eyal; MARGALIOT, Michael. Knowledge-Based Neurocomputing: A Fuzzy Logic Approach. Springer. Poland. p. 1-28. 2008.

Muestra ejemplos de aplicacin de la lgica Fuzzy y redes neuronales artificiales, proyectando sus debilidades y fortalezas, y la viabilidad que se tendra si se complementa la una con la otra

4. GESTIN DEL TRABAJO DE GRADO

4.1.

IDENTIFICACIN DE TAREAS Y SUBTAREAS

Este plan ha sido diseado teniendo en cuenta las principales actividades que se desarrollarn en el transcurso del trabajo. A continuacin se plantean las actividades a realizar. 4.1.1. Fase de Definicin Identificacin de la necesidad. Determinacin de los recursos necesarios. Recopilacin de bibliografa y conceptualizacin. Planteamiento de objetivos. Justificacin del trabajo de grado. Estructuracin del cronograma de actividades. Borrador del plan de trabajo. 5 Semanas.

TIEMPO REQUERIDO:

4.1.2. Fase de Estudio Anlisis de la literatura recopilada. Lectura y clasificacin de artculos relacionados con clasificacin de patrones. Estudio de componentes del sistema de bombeo mecnico. Estudio de cartas de bomba de fondo. Estudio y entendimiento de aplicaciones de inteligencia artificial a la ingeniera. Reconocimiento del software NEFCLASS-Q y sus herramientas. Presentacin del trabajo de grado. 6 Semanas.

TIEMPO REQUERIDO:

4.1.3. Fase de Diseo Identificacin de fallas ms representativas en el proceso de bombeo mecnico. Creacin de cartas dinagrficas de fallas ms representativas. Reproducir cantidades suficientes de fallas (Dinagramas) para crear los archivos de entrenamiento, validacin y clasificacin. Normalizacin de las cartas dinagrficas. Estudio de mtodos de discretizacin de dinagramas. Seleccin del mtodo ptimo de discretizacin. 6 Semanas.

TIEMPO REQUERIDO:

4.1.4. Fase de Operacin y Realizacin de Pruebas Toma de datos de dinagramas discretizados. Creacin de archivos de entrenamiento, validacin y clasificacin. Realizacin de pruebas de reconocimiento por parte del software de la informacin impuesta en los archivos de entrenamiento, validacin y clasificacin. Entrenamiento y validacin de la red creada. Anlisis de resultados. Formulacin de conclusiones y observaciones. 5 Semanas.

TIEMPO REQUERIDO:

4.1.5. Fase de Elaboracin de Memorias Redaccin preliminar. Elaboracin de memorias. Correccin de memorias. Elaboracin Audiovisual de la sustentacin. Sustentacin del proyecto. 10 Semanas.

TIEMPO REQUERIDO:

4.2.

CRONOGRAMA DE TAREAS

4.3.

IDENTIFICACIN DE LOS RECURSOS NECESARIOS

Es necesario para la realizacin de este trabajo de grado el siguiente equipo: Ordenador personal. Libros de consulta. Artculos de posgrado. Base de datos. Software de programacin. Software ofimticos para la recopilacin de la informacin. Impresora. Escner. Papelera (carpetas, archivadores, etc.).

4.4.

PRESUPUESTO ITEM Precio(COP) 600,000 500,000 400,000 3,500,000 1,000,000 6,000,000 600000 6,600,000

Papelera (Memorias, cartas, fotocopias, carpetas, impresiones, empastes, CDs) Bibliografa (Libros tcnicos, manuales) Transporte Produccin Intelectual Asesora Ing. Jorge Meneses (Asumido por la U.I.S.) Subtotal Imprevistos (10%) TOTAL

4.5.

FUENTES DE FINANCIACIN

El proyecto de grado ser financiado en su totalidad por los estudiantes que lo realizan, excepto para los tems en que se seala otra fuente.

ANEXOS

Lgica Fuzzy Redes Neuronales Dinagramas