1

Anlisis Comparativo de la Implementacin de

Redes Neuronales en el Campo de la Ingeniera.
ResumenEn el siguiente documento se da a conocer la
implementacin de 4 Redes Neuronales, cada una de ellas
atendiendo a una problemtica determinada enfocada al campo
de la Ingeniera, se analiza particularmente el tipo de red usada
en cada caso, as como tambin varios parmetros que nos dan
una visin global del funcionamiento y la misin de la red en la
aplicacin requerida. El uso de redes neuronales artificiales se ha
vuelto una solucin prctica y flexible en la actualidad, la cual
puede ser implementada en diferentes circunstancias presentando
resultados muy eficientes.
Index TermsRedes Neuronales Artificiales, Algoritmo de
aprendizaje.

I.

I NTRODUCCIN

El paper est organizado en 4 secciones, cada una de ellas

est estructurada de tal forma que se pueda dar a conocer
primeramente el problema que se desea resolver, se expone las
tambin las caractersticas ms relevantes de la red neuronal
artificial usada, adems se explica ventajas y desventajas que
presenta la implementacin de las mismas en cada aplicacin,
teniendo en cuenta dicha estructura el documento comienza
analizando una RNA utilizada para la deteccin de fallas
de excentricidad de motores de induccin, en la segunda
seccin se presenta un sistema de localizacin de sensores
inalmbricos basados en una RNA, la seccin nmero tres
presenta un mtodo basado en RNA para el autoenfoque
de una imagen, y para terminar se presenta una aplicacin
de un reconocimiento de caracteres pticos por dispositivo
mvil a travs de una RNA con algoritmo de aprendizaje de
correlacin negativa. Al final del documento se presenta un
anlisis comparativo de las RNA implementadas en cada una
de las problemticas.
II.

D ESARROLLO

A continuacion se analiza de manera individual cada una de

las aplicaciones para posteriormente realizar una comparacion
entre las mismas.
II-A. Aplicacin de una Red Neuronal Artificial para la Deteccin de Fallas de Excentricidad de un Motor de Induccin.
Este sistema busca detectar y clasificar a un motor de
induccin que presente fallas de excentricidad en su eje, se
define excentricidad como el cabeceo o golpeteo que presenta
este al momento de girar, conocer este problema en los
motores en muy importante ya que esta avera puede conducir
a problemas mucho mayores como fallas en los bobinados del
estator o incluso daar la jaula de rotor, lo que conllevara
a que se tenga que realizar una reparacin que lleva mucho
tiempo y por ende es muy costosa[1].

Para la solucin de este problema se ha implementado

una Red Neuronal FFBP (Feed Forward Back Propagation)
utilizando el software de MATLAB, la red diseada posee
cinco entradas, tres neuronas en la capa oculta y dos salidas
que sirven para indicar la condicin del motor, la primera
indica que el motor est en buen estado y la segunda indica
una condicin de falla en el motor. De esta manera se puede
obtener un sistema de clasificacin de la condicin de los
motores, se puede determinar si un sistema posee una falla
de excentricidad por diferentes mtodos tanto elctricos como
mecnicos e incluso a simple vista o por su sonido, pero todo
esto cuando ya el problema est avanzado y ya existen daos
perjudiciales, por lo que la misin de la Red es determinar con
anterioridad y estimar de una manera muy precisa si el motor
presenta caractersticas que puedan determinar si posee tal
problema, para comprender de mejor manera la estructura del
sistema completo se presenta a continuacin la diagramacin
en bloques[1]:

Figura 1. Estructura del sistema

Para el entrenamiento de la red se recopil un conjunto

de 24 muestras que representan la amplitud de los armnicos
de corriente, para ellos se seleccion motores de induccin
de 4, 7 y 15 Kw, cada motor aporta con una muestra de 8
elementos desglosados de la siguiente manera: los primeros
4 elementos presentan caractersticas de un motor en buen
estado a 50 % de la carga y a carga nominal, y los ltimos 4
elementos restantes presentan caractersticas de un motor con
excentricidad de igual manera a 50 % de la carga y a carga
nominal, para obtener estos conjuntos de parmetros se utiliz
un sensor de efecto Hall. Los resultados que se obtivieron en
el proceso de formacin de la red se presentan mediante el
MSE (error cuadrtico medio) y estos estan por debajo de
0.05 %[1].
II-A1. Ventajas y desventajas: Las ventajas que presenta
la red neuronal en la solucin de este problema bsicamente
se centra en que no hay necesidad de realizar modelos matemticos tediosos para poder solucionar este inconveniente
adems de que este sistema es muy flexible y de una simple
aplicacin, por otra parte existe desventajas en cuanto a la
ampliacin del espacio de caractersticas, ya que se necesitara

un conjunto muy grande de datos para que la red pueda

formase completamente y no solo con parmetros ubicados
entre la carga nominal y a mitad de esta como se lo realiz
en este sistema.

II-B. Una Aproximacin al Esquema de Localizacin de

Redes de Sensores inalmbricos Basados en Redes Neuronales
Artificiales y Algoritmos Genticos
En la actualidad las redes de sensores inalmbricos WSN
han tenido un desarrollo importante en aplicaciones tales como
la vigilancia militar, agricultura, monitoreo ambiental, etc.
debido a sus caractersticas de bajo costo, tamao, portabilidad
y eficiencia energtica que presentan, dichos sensores pueden
trabajar con un voltaje continuo de 3v provenientes de una
batera y puede durar aos en funcin de la frecuencia de
muestreo[2].
Uno de los problemas que presentan estas redes de sensores
es la localizacin de los nodos de red sin tener la necesidad
de utilizar el Posicionamiento Global de Dispositivos GPS,
ya que estos dispositivos no tienen un identificador global
como supone una direccin IP debido a la sobrecarga de
memoria que esto conllevara en estos dispositivos, adems de
que una red de sensores inalmbricos puede estar constituido
por cientos y miles de dispositivos, estimar las coordenadas de
estos sensores o nodos es primordial para el funcionamiento de
la red ya que estos sensores son ubicados de forma estratgica
y de esta forma obtener la informacin correcta[2].
Los nodos sensores son equipos pequeos y de bajo costo lo
que presenta limitaciones relacionadas a la potencia de la seal
que poseen por lo que se requiere utilizar mtodos o algoritmos
que calculan su posicin utilizando informacin indirecta como RSSI (Indicador de intensidad de seal recibida), para esto
se realiz la simulacin de una red inalmbrica probabilstica
en MATLAB basada en una red neuronal artificial Perceptron
de 4 capaz de tipo feedforward con algoritmos genticos,
los cuales actan sobre la red en un proceso de autoajuste
obteniendo de esta manera los mejores parmetros para la
red, y evitando as basarse en la experiencia del diseador
que limita la red neuronal a nuevas situaciones[2].
La red neuronal artificial tiene por objetivo estimar las
coordenadas de los sensores inalmbricos que estn ubicados
en algn lugar y con una disposicin determinada, que permite
obtener o captar informacin de una manera ptima, para ello
es necesario obtener la ubicacin exacta de estos sensores.
La simulacin de este escenario se realiz en Matlab y est
planteada sobre un rea cubierta de 26x26 metros donde se
encuentran un total de 81 sensores distribuidos en forma de
rejilla sobre el rea mencionada y 8 nodos de anclaje ubicados
en los bordes de la superficie, en la siguiente figura se puede
apreciar de mejor manera el escenario anteriormente descrito.
[2].

Figura 2. Escenario de Coordenadas de los Sensores.

Para el proceso de entrenamiento de la red se recopil

muestras de los 81 sensores distribuidos sobre la superficie
anteriormente descrita, cada muestra posee el RSSI (indicador
de intensidad de seal recibida) obtenidas de manera emprica,
en total se obtuvieron un conjunto de 810 muestras, los datos
de entrenamiento contienen informacin sobre la ubicacin
de los sensores en coordenadas x e y posicionadas desde los
nodos de anclaje, dichas coordenadas sirven para alimentar las
redes neuronales. El resultado que se obtuvo en el proceso de
formacin de la Red Neuronal Artificial se evala mediante
el clculo del error cuadrtico medio (RSME), en donde se
obtuvo un error mximo de 1.07 metros , un error cuadrtico
medio de 0.41 metros y un error mnimo de 0.014 metros,
parmetros que fueron obtenidos de las posiciones reales y
estimadas de los sensores, la estructura del sistema completo
se aprecia de mejor manera en el siguiente diagrama[2]:

Figura 3. Estructura del sistema

II-B1. Ventajas y desventajas: La ventaja de la implementacin de las redes neuronales se ven reflejadas principalmente
en la precisin y exactitud en la localizacin de los sensores
inalmbricos, en el uso mnimo de recursos en cuanto a
software re querible para su desarrollo, y adems a diferencia
de otros sistemas de localizacin que utilizan el mtodo de
triangulacin, la implementacin de redes neuronales evita que
el sistema se vea afectado por la irregularidad de la potencia
de las seales RSSI y por la lnea de visin.
II-C. Mtodo basado en RNA para el autoenfoque de una
imagen
Uno de los objetivos principales de los sistemas que trabajan
en el procesamiento de imgenes es saber la calidad de

las mismas, para basado en esto aplicar diferentes mtodos

de procesamiento, por tanto se ha planteado como solucin
el uso de una red neuronal, ya que el enfoque tanto de
las cmaras digitales como incluso del ojo humano es una
relacin no lineal entre la seal de ingreso y la posicin del
enfoque, por tanto se puede aprovechar las caractersticas no
lineales de una red neuronal para simular el procesamiento
de informacin y lograr clasificar imgenes arbitrarias segn
su calidad, ofreciendo as, una ventaja frente a otros mtodos
tradicionales[3].
Para la implementacin del sistema se usa un modelo de
una red neuronal de propagacin hacia adelante con retro
propagacin de error (Back Propagation) de 5 capas, basado en
el mtodo de gradiente descendente para ajustar los pesos con
la finalidad de que el error sea el menor posible, finalmente
la red neuronal es capaz de identificar la definicin de una
imagen, clasificndola en Buena, Media y Baja[3].
En cuanto a la implementacin se debe tener en cuenta
que la red neuronal se usa solamente como simulacin por
tanto el diagrama de implementacin simplemente consta
de: las imgenes de entrada, de la red neuronal encargada
de clasificarlas y la salida que representa la calidad de la
imagen[3].

Figura 5. Resultado del proceso de entrenamiento[3].

Figura 4. Estructura del sistema

Para el aprendizaje se parte de un anlisis estadstico de

las caractersticas de una imagen mediante la transformada de
wavelet, estos valores estadsticos se toman como patrones de
ingreso de la red neuronal y como salida se tiene un valor que
representa la calidad de la imagen, donde los rangos que salida
pueden ser: Buena corresponde a valores 5, Media para
valores <5 y 3 y para Baja valores <3. El entrenamiento
se lo realiza con 75 imgenes, divididas en 3 partes donde
constan 25 imgenes de alta calidad, 25 imgenes de media
calidad y 25 imgenes de calidad baja. La prueba de la red
se la realizo con 102 imgenes las cuales estn divididas de
manera equitativa entre buena, media, y mala calidad[3].
Los resultados de la clasificacin en la etapa de entrenamiento y en la etapa de prueba se muestra en la figura 5 y 6
respectivamente.
Basado en los resultados de la etapa de prueba se tiene que
la red neuronal ha clasificado de manera correcta 92 imgenes
de un conjunto de 102 imgenes, teniendo as un porcentaje
de reconocimiento de 90.2 %, lo que puede ser aceptable en
aplicaciones prcticas.
II-C1. Ventajas y desventajas: Una de las grandes ventajas
que se obtiene al usar redes neuronales para la clasificacin
de imgenes, frente a mtodos tradicionales, es su correspondencia no lineal con el modelo de enfoque de las cmaras
digitales, por otro lado la desventaja principal que presenta es

Figura 6. Resultado del proceso de prueba[3].

que, para ciertas aplicaciones un nivel de reconocimiento del

90.2 % puede ser bajo, por lo que su mejora puede requerir
una red de un mayor nmero de capas, lo que aumenta
directamente el tiempo necesario para el entrenamiento de la
red.
II-D. Reconocimiento ptico de caracteres para dispositivos
mviles a travs de redes neuronales artificiales con algoritmo
de aprendizaje de correlacin negativa
En este Sistema se utiliza una red neuronal para realizar
el reconocimiento ptico de caracteres con la ayuda de un
dispositivo mvil, con el fin de poder reconocer letras que se
encuentre en una imagen tomada con un dispositivo celular
y presentarlas de una manera ms entendible, con lo cual
tambin se podra dar la posibilidad de traducirlas a diferentes
idiomas. Se plantea utilizar un sistema de redes neuronales
artificiales, combinando ms de una red neuronal se puede
obtener un conjunto de redes neuronal, con la cual se pretende dar solucin a un mismo problema, este tipo de redes
se emplean con al menos tres Redes neuronales artificiales
combinadas[4].

El principal objetivo de la Red Neuronal es clasificar caracteres escalados de una imagen utilizando el entrenamiento
con el algoritmo NCL que se ha implementado en la red, se
cuenta con un archivo el cual contiene 400 datos de entrada
los cuales sirven para ensear a la red, de los cuales se obtiene
64 datos a la salida o como respuestas en cada una de las redes
individuales, en la figura 7 el proceso completo empieza con
la captura de la imagen en RGB para luego esa imagen sea
transformada en caracteres escalados los cuales son la entrada
de la red neuronal, la misma tiene la misin de reconocer los
diferentes caracteres[4].

Figura 7. Estructura del sistema

Para el proceso de entrenamiento de la red se utiliza una

tcnica de aprendizaje basada en un algoritmo NCL Regla
de limpieza en Barrio (Neighborhood Cleaning Rule), utiliza
tambin en el entrenamiento la funcin de error hacia atrs,
cada error es minimizado durante el entrenamiento, se utiliza
una penalizacin conjuntamente con la funcin de error para
entrenar a las redes de forma individual, los errores se correlacionan de forma negativa. El error cuadrtico medio que se
debe dar para que el entrenamiento de la red termine es igual
a 0,0001[4].
En la figura 8 se muestra algunos resultados obtenidos a
partir de la red entrenada[4].

Figura 8. Resultados Obtenidos

II-D1. Ventajas y desventajas: Una de las principales

desventajas obtenida es que los dispositivos celulares con las
que se toman las fotografas son de limitada memoria y tienen
una baja calidad por lo que se dificulta el trabajo de la red.
La velocidad de procesamiento de los dispositivos celulares
no se compara con la velocidad que tiene un ordenador lo cual
limita a la red.
Una de las principales ventajas es que la red tiene un alcance
de reconocimiento de hasta el 83 % con una imagen de baja
calidad. Si la cmara con la que se toma la fotografa es de

alta resolucin se podra tener un alcance de reconocimiento

mayor con una tasa de perdidas menores a los 17 % que se
tena cuando la imagen era de baja calidad[4].
III.

A NLISIS

Como se pudo diferenciar en cada caso se propone un

diferente reto para las redes neuronales logrando con la
culminacin de cada proyecto para obtener un resultado satisfactorio de cada una de las redes neuronales, el algoritmo
de aprendizaje puede variar dependiendo de la aplicacin que
se vaya a dar a cada red como en estos ejemplos tenemos
distintos mtodos de aprendizaje que garantizan que la red
cumpla con la finalidad deseada, se tiene una red FeedForward
con algoritmo de aprendizaje de retro propagacin de error,
con la que se consigui un buen resultado para la clasificacin
de una buena o mala condicin de eje de un motor, se tiene
una red neuronal combinada con un algoritmo de aprendizaje
por el mtodo NCL con la cual se obtiene a la salida un
reconocimiento de caracteres que se han conseguido por la
fotografa de una cmara, en ambos casos se utilizan las redes
neuronales pero como se puede ver se va empleando diferentes
algoritmos de aprendizaje referentes a lo que la red tiene que
hacer dependiendo del caso, se puede esperar un error en el
primer caso el error medio es de 0.05 % y el segundo caso
el error que se espera es de 0.001 % lo cual nos muestra la
precisin que puede llegar a tener cada sistema y cada mtodo
de aprendizaje.
IV.

C ONCLUSIONES

En este trabajo se presenta la Implementacin de Redes

Neuronales Artificiales para la resolucin de problemticas
presentes, haciendo hincapi en el mbito ingenieril donde
se presentan mltiples aplicaciones en las cuales las redes
neuronales presentan una solucin objetiva e ideal, ya que
su principio de aprendizaje y generalizacin de datos son
eficientes en la solucin de tareas donde se requieran dichas
caractersticas, o tal como presentamos en este trabajo, en la
seccin del sistema de clasificacin del estado del eje de un
motor, una red neuronal nos puede facilitar todo el proceso
complejo de solucin de un sistema evitando tangiblemente
todo un anlisis matemtico que se podra hacer para poder
establecer un camino de solucin de un problema, las redes
neuronales tiene la capacidad de tener un nivel de tolerancia
en los datos que maneja, se sabe que no siempre los datos
van a ser exactamente iguales que los datos que se tiene para
entrenar a la red, por esta razn las redes neuronales tiene un
nivel de tolerancia el cual les hace que tengas menos fallas
cuando ingresan datos un poco distorsionados en el caso de
las imgenes puede ser con brillo o sin brillo, o mejorar o
empeorara la calidad de la imagen. adems de sus mltiples
prestaciones en cuanto a flexibilidad y prestacin hacen que
las RNA sean una excelente opcin.
R EFERENCIAS
[1] D. MaticA, F. Kulic, M. Pineda-Sanchez, and J. Pons-Llinares, Artificial
Neural Networks Eccentricity Fault Detection of Induction Motor, in
Computing in the Global Information Technology (ICCGI), 2010 Fifth
International Multi-Conference on, Sept 2010, pp. 1 4.

[2] S. H. Chagas, J. B. Martins, and L. L. de Oliveira, An approach

to localization scheme of wireless sensor networks based on artificial
neural networks and Genetic Algorithms, in New Circuits and Systems
Conference (NEWCAS), 2012 IEEE 10th International, June 2012, pp.
137 140.
[3] C. Guojin, L. Yongning, Z. Miaofen, and W. Wanqiang, The image autofocusing method based on artificial neural networks, in Computational
Intelligence for Measurement Systems and Applications (CIMSA), 2010
IEEE International Conference on, Sept 2010, pp. 138 141.
[4] B. Kir, C. Oz, and A. Gulbag, The Application of optical character
recognition for mobile device via artificial neural networks with negative
correlation learning algorithm, in Electronics, Computer and Computation (ICECCO), 2013 International Conference on, November 2013,
pp. 220 223.