UNIVERSIDAD DE LOS ANDES

FACULTAD DE INGENIERIA ESPECIALIZACION EN AUTOMATIZACION

Modelo del Horno 116A por Redes Neuronales en O-I Peldar, Planta Zipaquir.
Javier Leonardo Grimaldos Padilla, Universidad de los Andes e-mail: [email protected] Junio de 2006. operacin dados por el Defect Identification & Resumen
El presente trabajo esta motivado en el estudio de los principales problemas de control en un proceso de transformacin industrial y en particular en una planta de produccin de vidrio debido a la dificultad de implementar controles ptimos en muchas etapas del proceso, dada la gran complejidad de cada uno de los mecanismos y subsistemas que intervienen en l. Se realiza una investigacin acerca de las estrategias de identificacin que se pueden implementar en esta clase de procesos, de acuerdo a esto se estudio la identificacin de sistemas no lineales por medio de redes neuronales, y se desarrollo un modelo de un sistema SISO para el horno de Combustin a Gas Natural 116A, que se encuentra en la Planta O-I Peldar en Zipaquir. Para la obtencin del modelo se emple el toolbox de identificacin para redes neuronales desarrollado por Magnus Norgard, a partir de all se generaron diversas representaciones de la planta ajustando los parmetros de la red para finalmente obtener el modelo optimo y con el entrar a una etapa de validacin, como resultado de esta obtenemos la representacin del sistema que se modela en la herramienta Simulink de Matlab, que permitir posteriormente realizar un desarrollo en control para este horno e implementar este mtodo en cualquier sistema No Lineal de la planta. Palabras Clave: Redes Neuronales, Identificacin, Sistemas no Lineales, Horno, Vidrio. 1. Introduccin. Correction HandBook, el manual de procedimientos de PELDAR para el rea de Formacin y los parmetros de temporizado dados por la casa Matriz conjugados con la experiencia de los supervisores y tcnicos del proceso de formacin de vidrio; dado el origen emprico de estos parmetros que fueron desarrollados en otros entornos y debido a la gran cantidad de variables que se manejan en el proceso, y a las diferencias existentes en la configuracin y respuesta de todas las lneas de produccin se hace muy complicada la toma de decisiones para reaccionar a los problemas, por esto se requiere de un mtodo que permita la optima operacin de cada lnea de produccin en particular, a partir del reconocimiento de sus variaciones. Con este proyecto se busca iniciar este proceso, buscando controlar las variables de mayor impacto en la calidad del envase formado, diseando un modelo que se adapte a las variaciones del proceso con el fin de aumentar la productividad de la mquina; esta investigacin parte desde la raz del proceso en dejando abierta la posibilidad de acercarse en futuras investigaciones al reconocimiento de la etapa de formacin de la botella.

2. Contenido.
El proceso de produccin de envases de vidrio en O-I Peldar cuenta con gran cantidad de variables que presentan cambios debido a las variaciones propias del sistema y a los ajustes que los expertos ejecutan al proceso en busca de mejoras en la eficiencia de la planta, con este proyecto iniciamos una investigacin acerca del control en la fabricacin del vidrio. Para ello se estudio una tcnica no tradicional de control Difuso, el algoritmo Lamda, junto con la Herramienta Salsa; se presentaron dificultades con el anlisis multivariado en este estudio, el cual no entrega un buen ajuste del comportamiento real del proceso. Debido a esto se toma la decisin de

Actualmente O-I Peldar ajusta las variables del proceso de acuerdo a los estndares de

plantear como base de la investigacin un sistema SISO con redes Neuronales empleando el Toolbox NNSYSID para Identificacin en Matlab creado por Magnus Norgaard. La metodologa desarrollada en el proyecta fue la propuesta por el autor del Toolbox y que consiste en las siguientes etapas: Figura 1. Metodologa. En el desarrollo de este trabajo se buscaron los mtodos de entrenamiento y estructuras de RNA existentes que mejor se ajustaran al modelamiento del sistema, es decir uno que se aproxima en niveles aceptables (validacin del modelo) al comportamiento real de la planta. Las redes neuronales bsicas ms conocidas y ms ampliamente usadas son las redes de propagacin hacia adelante (tambin llamadas perceptrones multicapa o MLP). stas realizan solo una transformacin nolineal directa de los datos de entrada, para aproximar los datos de salida, lo cual resulta en una estructura de red esttica 1 . Existen tambin redes que presentan retroalimentaciones (lazos) en su estructura de conexin, que se llaman redes recurrentes, que s presentan un comportamiento dinmico y que son entonces directamente utilizables para identificacin 2 . 2.1 Experimento: El objetivo principal es obtener un conjunto de datos que describan la dinmica del sistema alrededor de diversos puntos de operacin; el conjunto de datos entrada/salida debe dar completa informacin de la operacin de estado estable y transiente; los pulsos de duracin corta proveen informacin de estado transiente, mientras que los pulsos de duracin larga proporcionan informacin de estado estable. Los elementos que hacen parte del experimento son: - Adecuada seleccin del tiempo de muestreo.
1 SUYKENS, J., Artificial neural networks for modelling and control of non-linear systems, Boston, MA: Kluwer Academic Publishers, c1996. 2 LAMANNA R, URIA M., Identificacin de un reactor de saponificacin con Redes Neuronales, Universidad Simn Bolvar. Dpto. de Procesos y Sistemas. Caracas, Venezuela.

- Preprocesamiento de los datos obtenidos. - Si el sistema es inestable, los datos deben ser tomados en malla cerrada.
Experimento

Seleccin del Modelo

Estimacin del Modelo No Aceptado

Validacin Aceptado

Para el caso de estudio se realiz una interfaz en RSView que nos entrega en Excell la seal de salida del termopar ubicado en el Fondo del horno y de la vlvula principal que regula el flujo de gas con un periodo de 10 segundos; con el monitoreo de la planta durante diez das se obtuvo la siguiente descripcin:
Comportamiento de la Planta (t=5min)
25 1330

24

1325

Flujo (1000*ft3/h)

Temperatuta (C)

23

1320

22

1315

Flujo Temperatura

21

1310

20

1305

19 00:00:04 06:26:00 12:51:56 19:17:53 01:43:35 08:09:32 14:35:33 21:01:37 03:28:05 09:54:08 16:20:09 22:46:26 05:12:32 11:39:46 18:07:08 00:34:27 07:00:21 13:26:21 19:52:20 02:18:13 08:44:22 15:10:45 21:36:46 04:02:35 10:28:32 16:55:32 23:21:31 05:47:07 12:13:23 18:39:18 01:04:57 07:30:58 13:57:00 20:23:38 02:50:35

1300

Periodo de Tiempo (5mn)

Figura 2. Descripcin de la Planta para la identificacin.

1325

1320 Temperatura (C)

1315

1310

01/04/2006 02/04/2004 03/04/2006 04/04/2006 05/04/2006 06/04/2006 07/04/2006 08/04/2006 09/04/2006 10/04/2006

1305

1300 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 Periodo de Tiempo (10seg)

Figura 3. Salida de la Planta. Analizando estas curvas encontramos un periodo mnimo de oscilacin de aproximadamente 35

minutos, y aplicando criterios de discretizacin llegamos a un periodo de muestreo sugerido de 5 minutos para lo cual se obtiene el comportamiento SISO que observamos en la figura 3; para obtener estas curvas fue necesario filtrar el ruido impuesto al sistema por ser un Horno regenerativo, lo que implica la conmutacin del flujo de gas a travs de una vlvula que direcciona el flujo con periodos de 20 minutos generando ruido en las lecturas obtenidas en excell. Este periodo de muestreo se valid al realizar la identificacin con diferentes intervalos, encontrando este como el de comportamiento ms cercano a la planta real.

funcin de activacin lineal y la funcin tangente hiperblica. Este proceso es lento y tedioso, pues no existe un mtodo para determinar esta estructura, bsicamente es una metodologa de ensayo y error. En la figura 5 observamos los resultados obtenidos para cada arquitectura. En la etapa de validacin se acepta o se descarta la escogencia de cada arquitectura interna de acuerdo a criterios de sobre-aproximacin o pobre estimacin, adems de criterios de visualizacin del comportamiento del modelo con respecto al sistema real.

2.2 Seleccin del Modelo: Para identificar la dinmica de un sistema no lineal se utilizan las MLP en conjunto con la arquitectura de los modelos lineales, tales como el FIR, ARX, ARMAX, OE, etc. La combinacin de estos elementos tiene como ventajas extender la estructura de los modelos lineales y permitir incrementar la complejidad del modelo al igual que la flexibilidad. Las Redes Neuronales con una capa escondida son consideradas aproximadores universales siempre que se cuente con una cantidad MUY grande de datos de entrenamiento y que el nmero de neuronas en la capa escondida pueda crecer infinitamente; sin embargo un gran de nmero de neuronas en la capa escondida, lleva a un sobre ajuste de datos, lo que en presencia de ruido llevara a ajustar ste al modelo. Las extensiones de los modelos lineales son: NNFIR NNARX NNARMAX NNOE Tras la escogencia de las estructuras modelo a utilizar, se buscaron tanto la arquitectura interna de cada red como las entradas que van a ser utilizadas en el modelo diseado. Para la arquitectura interna de cada estructura modelo se configuraron redes de 2 capas (1 capa escondida y 1 capa de salida). Para cada una se vari tanto el nmero de nodos en cada capa como las funciones de activacin, entre las cuales se encuentran la 3

Figura 5. Seleccin del modelo. Determinar las entradas de las redes es un proceso que se realiz haciendo uso de la funcin Lipschitz. Un nmero de entradas y salidas pasadas (tambin llamado espacio de retardo o numero de regresores) muy pequeo no modelar bien las dinmicas del sistema. Un nmero de regresores muy alto tambin es un problema en cuanto en la teora de sistemas no lineales representa factores comunes en la funcin de transferencia. Funcin Lipschitz :
qij
(z)

y (ti ) y (t j ) (u (ti ) u (t j )) 2 + ... + (u (t N ) u (t N )) 2

Segn Criterio de He and Asada(1993).

q n

p p = n q n (k ) k =1

decaimiento de los pesos o weight decay para hacerle frente a un tipo de error llamado generalizacin del error, el cual descompone el error en error de bias (porcin del error debido a una estructura insuficiente incapaz de predecir la salida) y error de varianza (la razn por la cual no se escoge una estructura gigante, por ejemplo 50 neuronas, para reducir el error de bias es que el error de varianza trabaja inversamente proporcional en este aspecto). La extensin del criterio o regularizacin reduce el error de varianza a expensas de un mayor error de bias y est dada por : Figura 6. Funcin Lipschitz. 2.3 Estimacin del Modelo: Despus de hacer la escogencia de la estructura de la red, a esta se le aplica el conjunto de datos sacados del sistema para escoger el modelo que mejor los representa. A este proceso se le llama tambin, entrenamiento. Existen mltiples mtodos para la realizacin de esta tarea que consiste en un algoritmo de optimizacin para determinar los pesos que regirn las conexiones entre nodos dentro de la estructura modelo previamente escogida. En trminos matemticos, tras la obtencin de un conjunto de datos Tanto para las redes multicapa como para las redes recurrentes se utiliz el algoritmo de aprendizaje de segundo orden LevenbergMarquardt (mtodo estndar para minimizacin del criterio de error cuadrtico medio) 4 dado que proporciona una rpida convergencia y es un mtodo muy robusto, a pesar de ser uno de los ms complejos.

Z N = {[u (t ), y (t )], T = 1,..., N }

y un conjunto de modelos candidatos el entrenamiento consiste en determinar un mapeo desde el conjunto de datos a un conjunto de posibles pesos correspondientes al modelo candidato

Z N
para obtener 1 modelo que d predicciones con la menor inexactitud posible a las salidas reales del sistema 3 . Entrenamiento de la Red: El objetivo de entrenar la Red es minimizar el error entre la salida de sta y la salida deseada. El criterio puede ser extendido por un termino llamado regularizacin por
3 NORGAARD, M., Neural networks for modelling and control of dynamic systems: a practitioner's handbook, Springer, c2000

Figura 7. Entrenamiento de la Red. En la figura 8 podemos observar claramente que la capa interna presenta su mejor comportamiento con tres nodos.

4 NORGAARD, M., Neural networks for modelling and control of dynamic systems: a practitioner's handbook, Springer, c2000

Para este propsito, se evaluaron (con un intervalo de confianza del 95%), la funcin de auto correlacin de los errores de prediccin con un espacio de retraso de 0 a 25 regresores y la funcin de correlacin entre el error de prediccin y la entrada con un espacio de retraso de 25 regresores pasados y 25 regresores futuros. Como se sabe la generalizacin de error descompone el error en error de bias y error de varianza, con lo cual se puede establecer cuando el error est dado por ruido o si el error esta dado por una pobre estimacin del modelo. La generalizacin de error para RNA entrenadas con la extensin del criterio (regularizacin) puede ser estimada por el mtodo de error de prediccin final de Akaike (FPE) que esta dada por la siguiente expresin:

2p N V M = 1 + V N ( , Z ) N
Los errores y pruebas descritos miden la exactitud de la prediccin en trminos de una cantidad escalar. Sin embargo, las graficas pueden revelar de manera visual si estos criterios estn siendo llevados a la realidad del modelo. Haciendo una detallada inspeccin, se puede determinar una sobre-aproximacin o una pobre estimacin del modelo. Figura 8. Validacin Capa Interna. 2.4 Validacin: Idealmente, los errores de prediccin de la RNA entrenada deben ser impredecibles a partir de combinaciones de entradas y salidas pasas 5 . Para investigar esto se debe probar que los residuos no estn correlacionados con todas las combinaciones de entradas y salidas (lineales y no lineales) pasadas 6 . Examinando esto, se asegura que los residuos no contienen informacin acerca de residuos anteriores y que toda la informacin se ha extrado de los datos de entrenamiento, asegurando que el modelo aproxima bien el sistema.
5 SUYKENS, J., Artificial neural networks for modelling and control of non-linear systems, Boston, MA: Kluwer Academic Publishers, c1996. 6 NORGAARD, M., Neural networks for modelling and control of dynamic systems: a practitioner's handbook, Springer, c2000

La anterior metodologa se basa en la continua realimentacin del proceso, que permite llegar finalmente a la aceptacin de un modelo de acuerdo a los requerimientos del diseador. Para la validacin se emplearon el 24% de las mediciones realizadas las cuales no fueron aplicadas al proceso de entrenamiento. Para seleccionar el modelo fue necesario realizar iteraciones para validar el periodo de muestreo hallado de 5 minutos, los resultados correspondieron con la teora. El modelo Obtenido de este Proceso es una red NNARMAX2 de tres Capas con tres nodos en su Capa Interna, vector de regresin:

y predictor:

Se realizo el proceso de recorte al MLP, lo que nos entrega el mejor desempeo de la red con 17 pesos y la arquitectura que vemos en la figura 9. Finalmente vemos el buen comportamiento del modelo observado en las figuras 10 y 11 como resultado de la identificacin.

Adicionalmente se realiz el modelamiento en Simulink para fcilmente incluir el bloque de control y facilitar futuras investigaciones con este horno, este se observa en la figura 12.

Figura 12. Modelo en Simulink.

3. Conclusiones.
Figura 9. Red optimizada por recorte. La red perceptrn multicapa diseada con arquitectura NNARMAX2 es el mejor modelo del sistema que se obtuvo durante el desarrollo de este trabajo, aun cuando el desempeo de la red recurrente est muy cercano a las estimaciones del modelo MLP. A esta conclusin se llega despus de analizar las medidas de la magnitud del error de validacin, las pruebas de correlacin del modelo de la red multicapa y la estimacin del promedio del error de generalizacin, estos criterios junto con las pruebas escaln son en definitiva la base para seleccionar un buen modelo. Ya en este punto vemos que la complejidad inicial de desarrollar un estudio por redes neuronales para un sistema no Lineal, fcilmente se puede generalizar aplicando la arquitectura encontrada a cualquier planta con similares condiciones de operacin, muy seguramente tendremos un buen modelo y podemos iniciar la etapa de control. Usar Redes Neuronales a travs de un Toolbox como el desarrollado por Norgaard, nos muestra cmo estas estrategias, que hasta ahora se estn dando a conocer en nuestro medio, se pueden implementar y ayudar al desarrollo de la industria, saliendo de los mtodos tradicionales. Para continuar con esta investigacin se plantea la etapa de control, que se debe continuar junto con la implementacin de este modelo en el Horno

Figura 10. Validacin Modelo.

Figura 11. Respuesta de Estimacin.

116A, segn disposicin de la Compaa O-I Peldar Planta Zipaquir.

4. Referencias.
NORGAARD M.,Neural Networks for Modelling and Control of Dynamic Systems. Springer, 2003. NORGAARD, M., Neural networks for modelling and control of dynamic systems: Toolboxs tutorial 1 & 2. NORGAARD, M., Neural Network Based System Identification Toolbox, Tech. Report. 00-E-891, Department of Automation, Technical University of Denmark, 2000. SUYKENS, J., Artificial neural networks for modelling and control of non-linear systems, Boston, MA: Kluwer Academic Publishers, c1996. CYBENKO G. [1989]. "Continuous Value Neural Networks with Two Hidden Layers are Sufficient", Math Control Signal & Systems, vol.2. FREEMAN J., Neural networks: algorithms, applications, and programming techniques, Loral Space Information Systems and Adjunct Faculty, School of Natural and Applied Sciences University of Houston at Clear Lake.