-
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Per,
DECANA DE AMRICA)
Facultad de Ingeniera Industrial Instituto de Investigacin de la
Facultad de Ingeniera Industrial
Presentacin del Informe Tcnico del Estudio de Investigacin, en
extenso
Cdigo
1 0 1 7 0 1 0 7 5
Ttulo del proyecto:
Comparacin De Optimizacin De Mtodos Multirespuesta Con Mtodos
Taguchi Y Sistemas Neuro Difusos Vs. Optimizacin Por Simulacin; Y
Desarrollo
De Una Metodologa De Optimizacin.
Responsable:
Dr. Ing. Juan Manuel Cevallos Ampuero
Miembros:
Ing. Roberto Eyzaguirre Tejada
Colaborador:
Alumno Jorge Arturo Rosario Pacahuala
Lima, Per
2010
-
Comparacin de Optimizacin de Mtodos Multirespuesta Con Mtodos
Taguchi Y Sistemas Neuro Difusos Vs. Optimizacin
Por Simulacin; Y Desarrollo de una Metodologa De
Optimizacin.
RESUMEN
El objetivo de la investigacin fue obtener una metodologa de
optimizacin que trabaje con varias variables de entrada y salida,
en relaciones no lineales; con base a las principales tcnicas que
se vienen utilizando en la actualidad a nivel de investigacin en
ingeniera. Se ha sistematizado una metodologa de Optimizacin de
mtodos multirespuesta con mtodos Taguchi y Redes Neuronales y Lgica
Difusa; que se comprueba con simulacin para utilizar en trabajos de
ingeniera. Las empresas y organizaciones requieren optimizar
procesos que tienen muchas variables o factores de entrada y de
salida; lo cual no se puede realizar con las tcnicas exactas
tradicionales; por ello se ha desarrollado una propuesta bsica
inicial para poder realizar optimizaciones adecuadas a las actuales
necesidades. Los Mtodos Taguchi, como diseos factoriales
fraccionales, son una adecuada simplificacin de los diseos de
experimentos; asimismo, los diseos obtenidos con Mtodos Taguchi se
desarrollan y los resultados se calculan con redes neuronales con
lgica difusa a fin de obtener resultados muy precisos a pesar de
tener muchas variables de entrada y salida y se llega a niveles de
optimizacin no lineal importantes. Por otra parte se aplic a
similares situaciones las tcnicas de simulacin, que permiten cada
vez ms llegar a niveles de error ms pequeos, con lo que se pudo
mejorar la optimizacin, en un primer nivel. Se compar la metodologa
con casos sobre calidad y operaciones; a fin de sacar conclusiones
sobre lo ms conveniente; con base al error menor que se obtenga.
Palabras clave: Optimizacin, Taguchi, Multirespuesta, Neurodifuso,
Redes Neuronales, Simulacin.
-
1. INTRODUCCIN
El presente trabajo tiene el objetivo de desarrollar una
propuesta para el estudio de procesos con diversas variables de
Entrada y Salida, con relaciones no lineales, que a su vez son
desconocidas, pero que se pueden calcular mediante Aproximadores
Universales como son las Redes Neuronales de Base Radial y a su vez
se pueden simular a fin de evitar excesivos gastos de Investigacin
y Ensayo. Dicha Metodologa sirve de base a futuras
aplicaciones.
Disear un experimento significa planear un experimento de modo
que rena la informacin pertinente al problema bajo investigacin. El
diseo de un experimento es la secuencia completa de pasos tomados
de antemano para asegurar que los datos apropiados se obtendrn de
modo de modo que permitan un anlisis objetivo que conduzca a
deducciones vlidas con respecto al problema establecido.
La necesidad de un diseo de experimento surge de la necesidad de
responder a preguntas como: Cmo se va a medir el efecto? Cules son
las caractersticas a analizar? Qu factores afectan las
caractersticas que se van a analizar? Cules son los factores que se
estudiaran en esta investigacin? Cuntas veces deber ejecutarse el
experimento? Cul ser la forma de anlisis? A partir de que valores
se considera importante el efecto? Son Objetivos de un diseo de
experimentos Proporcionar la mxima cantidad de informacin
pertinente al problema bajo investigacin. El diseo, plan o programa
debe ser tan simple como sea posible; y la investigacin debe
efectuarse lo ms eficientemente posible; ahorrar tiempo, dinero,
personal y material experimental. "Proporcionar la mxima cantidad
de informacin al mnimo costo" Introduccin a la Ingeniera de Calidad
La Ingeniera de la Calidad est diseada para generar procesos de
calidad. Basado en los fines de la Ingeniera de la calidad, TAGUCHI
desarroll una aproximacin al diseo de experimentos con el objetivo
de reducir los costos emanados de la experimentacin, esta
aproximacin es ms prctica que terica y se interesa ms por la
productividad y los costos de produccin que por las reglas
estadsticas. Los conceptos de estas tcnicas estn basados en las
relaciones de costos y ahorros. Existen algunos factores de ruido
que afectan los procesos, y son aquellos que causan que una
caracterstica funcional se desve de un valor objetivo, estos son
causantes de variabilidad y prdida de calidad. De acuerdo con
TAGUCHI esta prdida de calidad constituye a largo plazo, una prdida
de tiempo y dinero tanto para el consumidor como para el
fabricante. Dentro de las actividades del control de la calidad, la
Ingeniera de la calidad consta de las actividades dirigidas a la
reduccin de la variabilidad y de las prdidas. Experimento factorial
general Los resultados del ANOVA para dos factores pueden ser
extendidos a un caso general en donde a son los niveles del factor
A, b son los niveles del factor B, c son los factores del nivel C,
y as sucesivamente, los cuales pueden ser arreglados en un
experimento factorial, en el cual el nmero de rplicas es n.
-
Est diseada para generar procesos de calidad. TAGUCHI desarroll
una aproximacin al diseo de experimentos con el objetivo de reducir
los costos emanados de la experimentacin, esta aproximacin es ms
prctica que terica y se interesa mas por la productividad y los
costos de produccin que en las reglas estadsticas. Los conceptos de
estas tcnicas estn basados en las relaciones de costos y ahorros.
Disear un sistema de manufactura para elaborar un producto requiere
de conocimientos tcnicos adems de una gran experiencia en el rea a
la cual pertenece el producto. Los diseos factoriales son
ampliamente utilizados en experimentos en los que intervienen
varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseo factorial
general que resultan importantes porque se usan ampliamente en el
trabajo de investigacin, y porque constituyen la base para otros
diseos de gran valor prctico. En los ltimos aos se ha observado un
creciente inters por algunas de las ideas del profesor Genichi
Taguchi acerca del diseo experimental y su aplicacin al
mejoramiento de la calidad El diseo factorial fraccionario 2 k-p se
usa en experimentos de escrutinio para identificar con rapidez y de
manera eficiente el subconjunto de factores que son activos, y para
obtener alguna informacin sobre la interaccin. La propiedad de
proyeccin de estos diseos hace posible en muchos casos examinar los
factores activos con ms detalle. La combinacin secuencia de estos
diseos a travs del plegamiento es una forma muy eficaz de obtener
informacin extra acerca de las interacciones, la cual puede
identificarse en un experimento inicial como potencialmente
importante. Aproximacin mediante redes neuronales con funciones
base radiales La razn principal que motiva la aproximacin
conexionista propuesta en el presente trabajo es la enorme
dependencia que existe de la solucin del problema con respecto al
conocimiento del experto. No obstante, una de las decisiones clave
que influye decisivamente en la calidad de las soluciones que se
pueden obtener la constituye la manera en que se representan las
variables de entrada y de salida del problema de aprendizaje en una
implementacin mediante redes neuronales artificiales. Adems, esto
es especialmente importante cuando se dispone de informacin
cualitativa para realizar el entrenamiento La presente aplicacin
muestra la manera en que tcnicas propias de las redes neuronales
artificiales combinadas con tcnicas propias del razonamiento
cualitativo (en concreto, con el clculo de los ordenes de magnitud
pueden resultar tiles en el campo de las finanzas. En un primer
apartado se presenta una breve introduccin a la arquitectura
neuronal utilizada durante el desarrollo. Inmediatamente despus se
establece el proceso a seguir para preparar las escalas de
referencia de las distintas variables cualitativas que deben
operarse para aportar una solucin al problema. La aplicacin
efectiva de la red neuronal artificial para evaluar el riesgo
crediticio de una empresa se presenta en el apartado que precede a
la discusin de los resultados que se derivan del trabajo
desarrollado.
2. MARCO TERICO
El siguiente cuadro nos ubica en la temtica de los diversos
mtodos de diseo de experimentos que nos permiten la
optimizacin.
-
Comparacin de las fortalezas y debilidades de ambos mtodos.
Fuente: Adaptado de Sullivan
(1987) y Montgomery (1991).
DISEO FACTORIAL Permite el estudio simultneo de los efectos de
varios factores que pueden haber
en una respuesta. Cuando se mejora un experimento gua el nivel
de todos los factores simultneamente permitiendo uno a la vez para
el estudio o interaccin entre los factores.
Tambin se puede hacer una corrida de diseo de factores completos
(QUE SON
TODAS LAS COMBINACIONES DE LOS NIVELES DEL FACTOR EXPERIMENTAL)
una fraccin del diseo factorial (SON MEDIDAS DE RESPUESTA A UN
SUBGRUPO FRACCIN DE TODAS LAS COMBINACIONES DE LOS NIVELES DEL
FACTOR EXPERIMENTAL)
DISEO FACTORIAL DE 2 NIVELES Es donde cada factor solo tiene dos
niveles y no cuenta con un punto central. El diseo factorial de dos
niveles es usado para guiar futuros experimentos, por ejemplo,
cuando se necesita explorar una nueva regin donde se supone que un
grupo mejor puede existir. El diseo factorial de dos niveles puede
ser: Factorial completo que son corridas experimentales que
incluyen todas las combinaciones en los niveles de factor.
-
Factorial fraccional que experimenta corridas que incluyen solo
una fraccin de todas las posibles corridas. DISEO FACTORIAL
FRACCIONAL
Este diseo experimenta la mejora solo en una subseccin o fraccin
de la corrida en el diseo del factorial completo. Este diseo
fraccional, es un buen recurso cuando los recursos son limitados o
el nmero de factores en el diseo es largo ya que usa menos corridas
que un diseo factorial completo.
El nmero de corridas necesarias para un factorial completo de
dos (2)
niveles es 2k donde k es el nmero de factores. Si el nmero de
factores en un diseo 2k, el nmero de corridas necesaria para
mejorar un diseo de factorial completo se incrementa rpidamente.
Por ejemplo: un diseo factorial completo de 2 niveles con 6
factores, requerir de 64 corridas, un diseo con 9 factores requiere
de 512 corridas. Con una media fraccin, el diseo factorial completo
deber requerir solo la mitad de estas corridas.
En el diseo factorial fraccionado , algunos de los efectos son
confundidos y
no pueden ser separados de otros efectos. Usualmente no es
preocupacin cualquier trmino mayor de 2- way (dos vias) de
iteracin, ya que se pueden asumir los efectos que se tengan en los
ms grandes porque las diferencias realmente son mnimas y no es
necesario estimarlas. Un diseo factorial fraccionado usa un
subgrupo de un factorial completo para obtener informacin acerca de
los efectos principales de interacciones de bajo orden con menos
corridas. El diseo factorial completo tiene tantos puntos del diseo
como la mitad del diseo fraccionado. La respuesta es cuatro de los
posibles ocho esquinas del diseo o de la porcin factorial. Esta
prctica puede confundirse con una iteracin de 2 way ( dos
direcciones)
DISEO FACTORIAL COMPLETO
Disea en cuales factores puede tener X nmero de niveles. Por
ejemplo, los
ingenieros dirigen un experimento para investigar los efectos de
humedad, temperatura y contenido de cobre en la cantidad de
recubrimiento en una placa del mismo material.
El factor A humedad tiene dos niveles. El factor B temperatura
tiene tres niveles El factor C contenido de cobre tiene 5
niveles.
Las corridas experimentales incluyen las 30 combinaciones de
estos niveles de factor.
LA FUNCIN DE PRDIDA Y EL CONCEPTO DE CALIDAD
Genichi Taguchi realiz un gran esfuerzo para llevar a un terreno
prctico el diseo experimental. Introdujo, adems, conceptos
revolucionarios que afectaron la forma de medir la calidad y su
costo. Para Taguchi, la calidad, antes que por la satisfaccin de
especificaciones, debe medirse en trminos de la as llamada funcin
de prdida, que establece la prdida que la sociedad sufre como
consecuencia de la mala calidad. Un producto de calidad es para el
cliente aqul que cumple con las expectativas de performance o
rendimiento cada vez que lo utiliza, sin fallas y en cualquier
condicin o circunstancia. Los productos que no cumplen con
dichas
-
expectativas causan prdidas, tanto para los clientes y los
productores, como para, eventualmente, el resto de la sociedad. Por
esto, para Taguchi, la calidad debe medirse en funcin de la prdida
que causa: mientras mayor es la prdida que se produce, menor es la
calidad. IMPORTANCIA DEL DISEO ROBUSTO Para Taguchi, es posible
incorporar la calidad en los productos desde su diseo, sin aumentar
su costo; los problemas deben eliminarse en el laboratorio de
diseo, no en la fbrica o en el campo. Segn esta perspectiva, es
necesario disear productos robustos que toleren variaciones en el
proceso de produccin y durante el servicio de mantenimiento. Los
mtodos estadsticos deben seleccionar los factores importantes que
afectan el diseo. Taguchi establece su metodologa para: 1. Disear
productos y procesos robustos a las condiciones ambientales; 2.
Disear y desarrollar productos robustos a la variacin en sus
componentes; 3. Minimizar la variacin alrededor de un valor
objetivoxi. La ingeniera de la calidad de Taguchi combina mtodos
estadsticos y de ingeniera para optimizar los procesos de diseo y
fabricacin de modo que aumente la calidad y se reduzcan los costos
de los productos. El diseo de experimentos juega un papel esencial
en el enfoque de Taguchi, pues ayuda a identificar los factores que
ms intervienen en la generacin de problemas de calidad o,
alternativamente, los factores que ms contribuyen a lograr
resultados positivos. A lo largo de este proceso, se fortalece la
cooperacin entre diversos niveles y reas de la empresa. EL ENFOQUE
DE TAGUCHI Taguchi presenta tres etapas en el diseo de un producto
o de un proceso: 1. Diseo del sistema 2. Diseo de los parmetros y
3. Diseo de las tolerancias. En el diseo del sistema se determina
la configuracin bsica de los componentes. Por ejemplo, en una lnea
de acondicionamiento de comprimidos, el diseo del sistema incluye
la determinacin de los materiales y el diseo del sistema de lneas
que realizarn el empaque, con todos sus componentes. En el diseo de
los parmetros, se determinan los niveles o valores de los factores
controlables (parmetros de diseo, como la presin aplicada en las
blisteras) para minimizar el efecto de los factores incontrolables
en las caractersticas del producto terminado, es decir, en nuestro
ejemplo, los comprimidos envasados, con su prospecto y caja.
Finalmente, el diseo de las tolerancias apunta a reducir la
varianza en las caractersticas del producto terminado cuando la
reduccin lograda en el diseo de los parmetros no es suficiente. El
diseo experimental debera aplicarse fundamentalmente al diseo de
los parmetros y al diseo de las tolerancias. Fue un logro de
Taguchi el haber destacado la importancia de aplicar el diseo
experimental en las etapas upstream del proceso de creacin,
fabricacin y puesta en el mercado de un nuevo producto. Tambin es
clave en su enfoque (aunque no haya sido inventado por l) el
concepto de robustez; un producto es robusto cuando se comporta
bien an en condiciones no controlables.
-
DISEO DE EXPERIMENTOS TAGUCHI Son una nueva filosofa de calidad
basada en los valores de la tarea en vez de en las variables en el
proceso de las especificaciones. El cuadrante de Taguchi hace una
aproximacin de un trmino de prdidas por desviacin en el objetivo.
Donde las prdidas son resultado de una combinacin de desperdicio,
retrabajo, pobre desempeo, prdida de clientes , satisfaccin, etc.
La medida de prdida de un producto puede ser estimado usando L = k
(y-T)2 donde: y es el valor de la respuesta T es el valor deseado k
es una constante Para determinar k se estima la prdida de un valor
especfico de y. Por ejemplo si la prdida estimada para: y = 130 es
$ 100.00 k = 100 / (130 120) 2 = 1.0 La funcin de prdida es: L =
1.0 ( y T )2 Ahora ya se puede usar el estimado de prdida asociado
con otros y valores
Permite elegir un producto o proceso que permite la mejora
consistente en la operacin. Reconoce que no todos los factores que
causan variabilidad pueden ser controlados en la prctica. Estos
factores incontrolables. Estos factores son llamados factores de
ruido.
El diseo Taguchi identifica los factores controlables que
minimiza los factores de ruido. Durante la experimentacin se puede
manipular el factor de ruido o forzar a que ocurran las variables y
entonces encontrar el mximo control de los factores se realizan
para hacer un proceso robusto o resistente a la variacin de los
factores de ruido.
Un buen ejemplo del diseo de Taguchi es el de Ina Tile (Compaa
Japonesa en los 50s). Esta produjo mucho piso fuera de
especificacin en dimensiones. El equipo de calidad encontr que la
temperatura usada en los hornos para los diversos pisos causaba una
dimensin no uniforme. Ellos no pudieron eliminar las variaciones de
temperatura porque construir un nuevo horno era muy costoso, as que
se convirti en una variable de ruido. Usando los diseos de Taguchi,
el equipo encuentra que el incremento de arcilla puede ser un
factor de control, los pisos se vuelven ms resistentes o robustos
para que la temperatura vare en el horno y de ese modo propiciar
que los pisos sean ms uniformes.
DISEOS ESTTICOS Y DINMICOS DE TAGUCHI
Dos tipos de diseos Taguchi permite escoger un producto o
proceso que
mejora la operacin. Como sea en un sistema dinmico, la respuesta
variable
-
depende no solamente en los factores de ruido y de control sino
tambin de otros conceptos variables (input) es decir, el factor
seal. El objetivo del Taguchi de diseo dinmico es para colocar
factores de control que optimiza las caractersticas de la calidad
en el sistema sobre un rango de seales de entrada.
Por ejemplo la cantidad de la aceleracin es una medida de mejora
en los frenos. El factor seal es el grado de depresin en el pedal
del freno; cuando el conductor presiona el pedal del freno, la
desaceleracin incrementa.
El grado de presin en el pedal tiene un significante efecto en
la desaceleracin. Debido a que existe una presin en el pedal no
ptima, no hay razn para realizar una prueba como factor de control.
En lugar de eso, los ingenieros quieren disear un sistema de frenos
que haga eficiente a la menor variable de presin en el pedal
freno.
Para llevar a la prctica sus conceptos, Taguchi recomienda
mtodos que se apartan parcialmente de los usados en el diseo de
experimentos clsico; la terminologa que utiliza tambin es algo
distinta. En primer lugar, Taguchi divide los factores de un
experimento en factores controlables y factores incontrolables, o
ruido. Segn la metodologa de diseo de los parmetros, Taguchi
recomienda seleccionar dos diseos experimentales, uno para los
factores controlables y otro para el ruido. En general, estos
diseos son del tipo ortogonal, descripto anteriormente. Los diseos
se combinan en el layout del diseo de los parmetros, un esquema de
dos componentes:
el arreglo de los factores controlables (arreglo interior);
y el arreglo de los factores no controlables (arreglo
exterior).
Para el anlisis de datos, Taguchi recomienda evaluar en el
arreglo interior la respuesta promedio de cada corrida del
experimento y analizar la variacin de los resultados con un ratio
seal-ruido apropiado. Estos ratios se derivan de la funcin de
prdida cuadrtica presentada anteriormente. Se consideran ptimos los
niveles de los factores que maximicen un ratio seal-ruido adecuado.
Estos ratios difieren segn que el objetivo del experimento sea
reducir la variabilidad alrededor de un valor objetivo determinado,
o producir un efecto resultante lo mayor posible, o, inversamente,
producir el menor efecto posible. En definitiva, el objetivo
principal de la ingeniera en general es alcanzar mejoras de
rendimiento sostenibles ante cualquier condicin especial. Esto es
lo que se llama robustez. Quizs uno de los mayores desafos para
Taguchi consista en cmo medir la robustez ya que, slo si logramos
hacerlo, podremos desarrollar tecnologas a prueba de ruido".
Taguchi mide la robustez con el ratio seal-ruido. Mientras ms
robusta es una tecnologa, ms fuerte es la seal que emite contra
cualquier ruido externo que trate de inhibir la fuerza de la seal.
Para Taguchi, el uso de los ratios seal-ruido elimina en general la
necesidad de examinar las interacciones entre los factores
controlables y los factores de ruido, si bien el examen de estas
interacciones puede ocasionalmente mejorar la comprensin de los
procesos estudiados. Finalmente, dado que los arreglos no siempre
se corren completos, por razones de economa, es posible realizar
experimentos confirmatorios.
-
Redes neuronales con funciones base radiales Las redes
neuronales artificiales con funciones base radiales resultan
especialmente indicadas para la resolucin del problema planteado
dado que se caracterizan por ser clasificadores universales. Este
tipo de redes se han asociado tradicionalmente con una arquitectura
simple de tres capas (vase Figura 1), en que cada capa de la
arquitectura esta completamente conectada con la capa
inmediatamente consecutiva. La capa oculta se compone de un
conjunto de nodos que se caracterizan por tener asociadas unas
funciones de activacin de tipo radial, denominadas funciones base
radiales. Dichas funciones radiales reciben como entrada todos y
cada uno de los atributos de los patrones, y se caracterizan por
estar centradas en un punto del espacio de entrada. Las salidas de
estas funciones se combinan linealmente mediante unas ponderaciones
para generar la salida de la red neuronal. Una caracterstica
importante de este tipo de funciones radiales es que generan una
respuesta local (en oposicin a la respuesta global caracterstica de
la funcin sigmoideo) puesto que su salida solamente depende de la
distancia que existe entre la entrada y el centro de cada funcin
radial. Las funciones radiales de la capa oculta presentan una
estructura que se puede representar de la siguiente manera:
Figura 1: Arquitectura de las redes neuronales artificiales con
funciones base radiales.
i(x) = ((x ci)TR1(x ci)) , (1)
donde es la funcin radial utilizada, {ci | i = 1, 2, . . . , c}
es el conjunto de centros de funcin radial y R es una mtrica. El
trmino (x ci)TR1(x ci) representa la distancia desde la entrada x
al centro c en la mtrica definida por R. Existen diversos tipos de
funciones radiales que tradicionalmente suelen utilizarse, aunque
la funcin radial gausiana es la utilizada de manera habitual,
combinada con la mtrica eucldea. En este caso, la salida de la red
neuronal con funciones base radiales es:
donde c es el nmero de funciones base utilizadas, {ci | i = 1,
2, . . . , c} son los
pesos sinpticos, __ denota la norma eucldea y r es el radio de
la funcin radial.
El algoritmo de aprendizaje de las redes neuronales con
funciones base radiales es un proceso incremental y evolutivo. El
fundamento matemtico sobre el que se basa
-
dicho proceso es la denominada seleccin de subconjuntos y
consiste en comparar los distintos modelos que se obtienen de
escoger, de entre un mismo conjunto de elementos candidatos,
distintos subconjuntos de elementos. Habitualmente, la determinacin
del mejor subconjunto de elementos resulta computacionalmente
intratable por lo que debe recurrirse a la heurstica para intentar
determinar una pequea e interesante fraccin de entre el espacio de
todos los subconjuntos posibles. No obstante, debemos tener
presente que el uso de dicha heurstica no garantiza que las
soluciones obtenidas incluyan el menor numero de elementos que se
necesitan para reducir el error de aproximacin hasta un determinado
valor. El mtodo heurstico denominado seleccin progresiva es uno de
los mtodos disponibles y que con mayor frecuencia suele utilizarse
para entrenar las redes neuronales con funciones base radiales [4].
De acuerdo con este mtodo, el subconjunto que debe determinarse
durante el aprendizaje es el subconjunto de centros de funciones
radiales que permite localizar dichas funciones en el espacio de
entrada del problema. El mtodo parte de un subconjunto vaco de
centros al cul se le va aadiendo, a cada paso del algoritmo, un
nuevo centro. El centro de funcin radial se selecciona de entre el
conjunto de todos los patrones de entrada del problema y, en
concreto, es aquel que permite conseguir una mayor reduccin del
error de aproximacin. El proceso de aprendizaje contina hasta que
algn criterio de seleccin del modelo deja de decrecer (por ejemplo,
validacin cruzada generalizada o inferencia bayesiana).
LGICA DIFUSA Y REDES NEURONALESA ARTIFICIALES La Teora de Redes
neuronales artificiales, RNA, Lgica Difusa y, LD, s ha aplicado en
Varios problemtica de Reconocimiento de patrones aceptables,
TENIENDO RESULTADOS (Ritter et al. 1998; Bezdek et al, 1992)..
Conforme "s ha ido Avanzando En El rea de Reconocimiento de
patrones, s Han Propuesto Nuevas Tcnicas Que incorporan Aspectos de
las Redes neuronales, En El Sentido De Que los Sistemas Tengan la
CAPACIDAD de generalizar Aprender y, Aspectos y de Lgica difusa, en
la Cual El Sistema trata de imitar EL RAZONAMIENTO Humano y Tenga
la CAPACIDAD Incertidumbre de manejar. Por Esto los hace Modelos
Que computacionales diseados prrafo Reconocimiento de patrones sean
Ms Inteligentes y Poderosos (Chin y Lee, 1995). Un Este Tipo de
Sistemas s les Conoce Con El Nombre de Redes neuro difusas
(Casanova, 2002).
Se ha encontrado que la red FBR, es funcionalmente equivalente a
un sistema difuso simple bajo ciertas condiciones (Yaochu et al.,
2000). Esta equivalencia funcional, permite combinar las
caractersticas de modelos de RNA y LD, en uno solo tomando ciertas
consideraciones. En diversos trabajo se opt por fusificar las
entradas a la red FBR antes de que comience su entrenamiento
formando as una red neural difusa.
3. MTODOS Y RESULTADOS
El Problema de la Investigacin
-
Es posible desarrollar un mtodo de optimizacin con el uso de
Mtodos Taguchi, Redes Neuronales y Sistemas neurodifusos que es ms
eficiente que el de Optimizacin mediante Simulacin? Mtodos Se ha
realizado un estudio sobre automviles y su velocidad. Se han
considerado las siguientes variables: marca, modelo, nmero de
cilindros, cilindrada en cc, potencia en CV, velocidad mxima en
km/h. Se han analizado 66 casos de vehculos. Con base a lo anterior
se ha obtenido una base de datos, con 66 entradas. A continuacin
presentan 10 entradas: Marca Modelo Num.Cil. Cil.(cc) Pot.(CV)
Velo.max Alfa Romeo 145 1.4 Base 4 1351 90 178 Alfa Romeo 155
1.7Twin Spark 4 1749 115 191 Audi Coup 2.0 E 4 1984 115 196 Audi
Coupe 2.6 Quattro 6 2598 150 212 BMW 316 I 4 1596 102 195 BMW 318
IS 4 1796 140 213 BMW 320 I 6 1991 150 214 BMW 325 I Cabrio 6 2494
192 229 CITROEN AX 11 First 3p 4 1124 60 167 CITROEN AX First Top
3p 4 1124 60 167 Se ha determinado las relaciones con base a diseo
de experimentos regresin lineal mltiple (para 6 factores y nmero de
niveles mixto) y Mtodos Taguchi; con base a redes neuronales
artificiales de base radial, con redes neurodifusas y con
simulacin. Se ha comparado los resultados obtenidos.
Resultados I. Con diseo de experimentos y regresin lineal
mltiple. Primero se desarroll el grfico de dispersin de las
diversas variables entre s a fin de determinar su tipo de relacin.
Como se puede apreciar a continuacin, la relacin entre potencia y
velocidad mxima ya no es de tipo lineal, sino de tipo
cuadrtica.
-
300020001000 250200150
6
5
43000
2000
1000240
160
80
654
250
200
150
24016080
Num.Cil.
Cil.(cc)
Pot.(CV)
Velo.max
Matrix Plot of Num.Cil., Cil.(cc), Pot.(CV), Velo.max
Obtenindose los siguientes resultados: Ecuacin de Regresin:
Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV)
The regression equation is
Velo.max = 135 - 2.36 Num.Cil. - 0.00074 Cil.(cc) + 0.589
Pot.(CV)
64 cases used, 2 cases contain missing values
Los coeficientes de la ecuacin de regresin:
Predictor Coef SE Coef T P
Constant 134.518 4.496 29.92 0.000
Num.Cil. -2.356 1.300 -1.81 0.075
Cil.(cc) -0.000737 0.003000 -0.25 0.807
Pot.(CV) 0.58944 0.03106 18.98 0.000
Aqu se aprecia la variable Cil. No significativa:
p=0.807>0.05
Coeficiente de correlacin R2 de 95%: S = 5.29292 R-Sq = 95.7%
R-Sq(adj) = 95.5%
Anlisis de Varianza: con p=0.000; que validad los resultados de
la ecuacin de regresin.
Analysis of Variance
Source DF SS MS F P
Regression 3 37606 12535 447.45 0.000
Residual Error 60 1681 28
Total 63 39287
-
Source DF Seq SS
Num.Cil. 1 11242
Cil.(cc) 1 16275
Pot.(CV) 1 10088
Con base a los primeros resultados y aplicando el mtodo
tradicional de diseo de experimentos, se debe eliminar el factor no
significativo y volver a realizar los clculos, obtenindose:
Regression Analysis: Velo.max versus Num.Cil., Pot.(CV) The
regression equation is
Velo.max = 134 - 2.46 Num.Cil. + 0.583 Pot.(CV)
64 cases used, 2 cases contain missing values
Predictor Coef SE Coef T P
Constant 134.296 4.370 30.73 0.000
Num.Cil. -2.460 1.221 -2.02 0.048
Pot.(CV) 0.58341 0.01887 30.91 0.000
S = 5.25200 R-Sq = 95.7% R-Sq(adj) = 95.6%
Analysis of Variance
Source DF SS MS F P
Regression 2 37604 18802 681.64 0.000
Residual Error 61 1683 28
Total 63 39287
Source DF Seq SS
Num.Cil. 1 11242
Pot.(CV) 1 26362
Asimismo las grficas de relacin de los residuos son:
20100-10-20
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
Residual
Perc
ent
Normal Probability Plot(response is Velo.max)
-
1050-5-10
14
12
10
8
6
4
2
0
Residual
Fre
qu
en
cy
Histogram(response is Velo.max)
II. Con Mtodos Taguchi se obtiene: Debido a que la cilindrada es
no significativo y est correlacioando con la otra variable nos
epueden obtener resultados, el software arroja lo siguiente:
Factor Pot.(CV) is highly correlated with other terms. No
calculations were done.
Eliminando cilindrada se obtuvo:
Veloc.max = 130 - 2.4 N.Cil. + 0.5 Pot.(CV)
654
40
35
30
25
2990
2962
2792
2677
2598
2498
2494
2473
2435
2290
2283
2259
1998
1997
1995
1994
1991
1984
1905
1896
1799
1796
1781
1761
1750
1749
1700
1598
1597
1596
1590
1587
1581
1580
1391
1389
1372
1360
1351
1324
1296
1242
1124
1108
1043998
993
240
211
192
174
170
169
158
150
142
140
137
136
125
117
116
115
113
106
104
103
102
10190757371686460565545
40
35
30
25
Num.Cil.
Mea
n of
SN
ratios
Cil.(cc)
Pot.(CV)
Main Effects Plot for SN ratiosData Means
Signal-to-noise: Nominal is best (10*Log10(Ybar**2/s**2))
-
654
250
225
200
175
150
2990
2962
2792
2677
2598
2498
2494
2473
2435
2290
2283
2259
1998
1997
1995
1994
1991
1984
1905
1896
1799
1796
1781
1761
1750
1749
1700
1598
1597
1596
1590
1587
1581
1580
1391
1389
1372
1360
1351
1324
1296
1242
1124
1108
1043998
993
240
211
192
174
170
169
158
150
142
140
137
136
125
117
116
115
113
106
104
103
102
10190757371686460565545
250
225
200
175
150
Num.Cil.
Me
an
of
Me
an
s
Cil.(cc)
Pot.(CV)
Main Effects Plot for MeansData Means
654
42.5
40.0
37.5
35.0
32.5
30.0
27.5
25.0
240
211
192
174
170
169
158
150
142
140
137
136
125
117
116
115
113
106
104
103
102
10190757371686460565545
Num.Cil.
Me
an
of
SN
ra
tio
s
Pot.(CV)
Main Effects Plot for SN ratiosData Means
Signal-to-noise: Nominal is best (10*Log10(Ybar**2/s**2))
-
654
250
225
200
175
150
240
211
192
174
170
169
158
150
142
140
137
136
125
117
116
115
113
106
104
103
102
10190757371686460565545
Num.Cil.
Me
an
of
Me
an
s
Pot.(CV)
Main Effects Plot for MeansData Means
III. Con Redes Neuronales Simulacin y lgica difusa se obtuvo:
3.1. Con RNA de base radial: Datos de entrada: pinv' Columns 1
through 6 4 4 4 6 4 4 1351 1749 1984 2598 1596 1796 90 115 115 150
102 140 Columns 7 through 12 6 6 4 4 4 4 1991 2494 1124 1124 1124
1360 150 192 60 60 60 75 Columns 13 through 18 4 4 4 4 4 4 1905
1580 1761 1998 1108 1242 71 90 103 150 55 75 Columns 19 through 24
4 4 4 4 4 4 1372 1995 1995 1998 1590 1750 136 142 117 150 125 101
Columns 25 through 30 4 4 4 4 4 4 1581 1324 1998 1597 1997 998
-
90 73 136 113 137 55 Columns 31 through 36 4 4 4 4 4 4 1597 1598
1389 1799 1799 1700 102 106 60 115 115 68 Columns 37 through 42 4 4
6 4 4 4 1998 1998 2962 1360 1905 2990 136 136 211 75 71 240 Columns
43 through 48 4 4 4 6 4 6 1998 1994 2259 2677 2290 2498 115 104 158
169 150 170 Columns 49 through 54 4 4 4 4 4 4 1391 1896 1598 1896
1781 993 60 75 75 68 90 56 Columns 55 through 60 4 4 4 4 4 4 1587
1043 1296 1391 1896 1598 116 45 55 60 64 75 Columns 61 through 64 4
6 5 6 1781 2792 2435 2473 90 174 170 170 Nota: Son 64 datos porque
se eliminaron los 2 datos incompletos. >> tinv' Columns 1
through 12 178 191 196 212 195 213 214 229 167 167 151 172 Columns
13 through 24 167 175 187 213 150 170 200 208 190 208 195 185
Columns 25 through 36 180 164 198 190 205 150 184 192 160 200 200
164 Columns 37 through 48 210 210 240 165 162 252 200 180 217 214
210 225 Columns 49 through 60 157 165 170 161 182 145 195 145 156
157 156 168 Columns 61 through 64 180 224 215 210 La red neuronal
construida es de las siguientes caractersticas: >>
net=newrbe(pinv',tinv') net = Neural Network object: architecture:
numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1;
0]
-
layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1
(read-only) numInputDelays: 0 (read-only) numLayerDelays: 0
(read-only) subobject structures: inputs: {1x1 cell} of inputs
layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1
output biases: {2x1 cell} containing 2 biases inputWeights: {2x1
cell} containing 1 input weight layerWeights: {2x2 cell} containing
1 layer weight functions: adaptFcn: (none) divideFcn: (none)
gradientFcn: (none) initFcn: (none) performFcn: (none) plotFcns: {}
trainFcn: (none) parameters: adaptParam: (none) divideParam: (none)
gradientParam: (none) initParam: (none) performParam: (none)
trainParam: (none) weight and bias values: IW: {2x1 cell}
containing 1 input weight matrix LW: {2x2 cell} containing 1 layer
weight matrix b: {2x1 cell} containing 2 bias vectors other: name:
'' userdata: (user information) Con base a la RNA de base radial se
simul con la siguiente data: >> pinv1=[5;1797;100] Con el uso
del software Simulink se obtuvo; no se elimin ninguna variable:
>> vsim=sim(net,pinv1) vsim = 200.0012
-
3.2. Con la RNA Adaline y simulacin se obtuvo: Comandos:
>> net=newlind(pinv',tinv') RNA construida: net = Neural
Network object: architecture: numInputs: 1 numLayers: 1
biasConnect: [1] inputConnect: [1] layerConnect: [0] outputConnect:
[1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1
cell} of inputs layers: {1x1 cell} of layers outputs: {1x1 cell}
containing 1 output biases: {1x1 cell} containing 1 bias
inputWeights: {1x1 cell} containing 1 input weight layerWeights:
{1x1 cell} containing no layer weights functions: adaptFcn: (none)
divideFcn: (none) gradientFcn: (none) initFcn: (none) performFcn:
(none) plotFcns: {} trainFcn: (none) parameters: adaptParam: (none)
divideParam: (none) gradientParam: (none) initParam: (none)
performParam: (none) trainParam: (none) weight and bias values: IW:
{1x1 cell} containing 1 input weight matrix LW: {1x1 cell}
containing no layer weight matrices b: {1x1 cell} containing 1 bias
vector other: name: '' userdata: (user information)
-
Simulando con Simulink se obtuvo: >> y=sim(net,pinv1) y =
180.3578 3.3. Con la RNA Perceptrn Multicapa y algoritmo
Backpropagation; y simulacin se obtuvo: Construccin de la Red:
>> net=newff(pinv',tinv',3,{},'traingd') net = Neural Network
object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1]
inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1]
numOutputs: 1 (read-only) numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1
cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell}
containing 1 output biases: {2x1 cell} containing 2 biases
inputWeights: {2x1 cell} containing 1 input weight layerWeights:
{2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains'
divideFcn: 'dividerand' gradientFcn: 'calcgrad' initFcn: 'initlay'
performFcn: 'mse' plotFcns:
{'plotperform','plottrainstate','plotregression'} trainFcn:
'traingd' parameters: adaptParam: .passes divideParam: .trainRatio,
.valRatio, .testRatio gradientParam: (none) initParam: (none)
performParam: (none) trainParam: .show, .showWindow,
.showCommandLine, .epochs, .time, .goal, .max_fail, .lr,
.min_grad
-
weight and bias values: IW: {2x1 cell} containing 1 input weight
matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1
cell} containing 2 bias vectors other: name: '' userdata: (user
information) Entranamiento de la Red: >>
[net,tr]=train(net,pinv',tinv') net = Neural Network object:
architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1]
inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1]
numOutputs: 1 (read-only) numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1
cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell}
containing 1 output biases: {2x1 cell} containing 2 biases
inputWeights: {2x1 cell} containing 1 input weight layerWeights:
{2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains'
divideFcn: 'dividerand' gradientFcn: 'calcgrad' initFcn: 'initlay'
performFcn: 'mse' plotFcns:
{'plotperform','plottrainstate','plotregression'} trainFcn:
'traingd' parameters: adaptParam: .passes divideParam: .trainRatio,
.valRatio, .testRatio gradientParam: (none)
-
initParam: (none) performParam: (none) trainParam: .show,
.showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail,
.lr, .min_grad weight and bias values: IW: {2x1 cell} containing 1
input weight matrix LW: {2x2 cell} containing 1 layer weight matrix
b: {2x1 cell} containing 2 bias vectors other: name: '' userdata:
(user information) tr = trainFcn: 'traingd' trainParam: [1x1
struct] performFcn: 'mse' performParam: [1x1 struct] divideFcn:
'dividerand' divideParam: [1x1 struct] trainInd: [1x40 double]
valInd: [2 6 13 14 18 24 30 31 36 37 48 51] testInd: [5 7 10 11 23
26 44 52 53 58 60 62] stop: 'Validation stop.' num_epochs: 6
best_epoch: 0 goal: 0 states: {1x7 cell} epoch: [0 1 2 3 4 5 6]
time: [1.6250 1.7030 1.7190 1.7340 1.7500 1.7810 1.7970] perf: [1x7
double] vperf: [1x7 double] tperf: [1x7 double] gradient: [1x7
double] val_fail: [0 1 2 3 4 5 6] Simulacin de la Red: >>
yy=sim(net,pinv1) yy = 157.9756 El niveld e desempeo fue de 1.29
e+03 y el gradiente de : 7.28e+12
-
Modelo de Red Construida con Backpropagation:
El estudio permiti la Combinacin del uso de las Metodologas de
Mtodos Taguchi, Redes Neuronales, Y Simulacin. El estudio se enfoca
en la seleccin de alternativas de Simulacin, seleccin de Redes
Neuronales Y Optimizacin. Se ha revisado informacin valiosa sobre
tcnicas Novedosas de Optimizacin Aplicadas en diversos campos de la
ingeniera.
4. ANLISIS Y DISCUSIN
4.1. El caso de comparacin fue con una entrada de 5 cilindros,
100 CV de potencia; para los modelos de diseo de experimentos tanto
para diseo de experimentos- anlisis de regresin mltiple como Mtodos
Taguchi- anlisis de regresin mltiple; en los casos de Redes
Neuronales Artificiales se trabajo con 3 tipos de RNA: -De base
radial -Adaline -Perceptrn Multicapa con algoritmo Backpropagation.
En lo casos de RNA se incluy la variable que eliminan los diseote
experimentos tradicionales; esto es: la cilindrada en centmetros
cbicos, se introdujo un valor promedio de los 66 valores: 1797
cc
-
La tabla siguiente muestra los resultados:
Mtodo Velocidad Obtenida
Diseo de Experimentos Factorial Completo con Anlisis de Regresin
Mltiple
180
Mtodos Taguchi con Anlisis de Regresin Mltiple
168
RNA de base radial 200.0012
RNA Adaline 180.3578
RNA PMC Backpropagation 157.9756
4.2. De lo obtenido mediante diseo de experimentos se tiene que
los valores estn entre 168 y 200 kmh sin embargo lo obtenido en RNA
flucta entre 157 y 200 kmh. Del anlisis de los datos se aprecia que
un vehculo de 5 cilindros y 100 CV debera estar por alrededor de
los 200kmh o ms. De ello se desprende que el comportamiento de las
RNA de Base radial se aproximan mucho mejor que los dems
resultados. 4.3. Es de destacar que las tcnicas de Diseo de
Experimentos con anlisis de regresin mltiple, el caso de Mtodos
Taguchi, y los casos de RNA Adaline y PMC bsicamente trabajan con
relaciones lineales y a lo sumo cuadrticas. Mientras que las RNA de
base radial trabajan con la funcin de Gauss y por tanto con niveles
de relacin muy superiores. 4.4. Del anlisis de los datos se infiere
que la relacin tienden a la exponencial en el tramo de mayor
cilindrada y potencia. Por ello se obtiene una mejor performance de
las RNA de Base radial. Lo cual confirma muchas de sus virtudes
descritas por ola literatura. 5. CONCLUSIONES
Para los casos de relaciones no lineales se obtiene mejores
aproximaciones de relaciones de datos mediante las RNA de Base
radial que con los mtodos tradicionales de diseo de experimentos y
de prediccin con Anlisis de Regresin Mltiple. La simulacin juega un
papel muy importante en las tareas de prediccin, especialmente para
los casos de RNA. 6. REFERENCIAS BIBLIOGRFICAS
1. Voglis, C y Lagaris, I. A global optimization approach to
neural network training; publicado en Neural, Parallel and
Scientific Computations. 2006.
2. Castillo, E; Conejo, A;Pedregal, et al. Formulacin y
Resolucin de Modelos de Programacin Matemtica en Ingeniera y
Ciencia,. 2002.
3. Gutierrez, J. Bioindicacin de la calidad del agua en la
sabana Bogot- Colombia, mediante la utilizacin de la lgica difusa
neuroadaptativa como herramienta.2006
4. Jayaram, Y. Ibrahim Multiple response robust design and yield
maximization;. The International Journal of Quality &
Reliability Management. Bradford: 1999. Vol. 16
-
5. Jiju Antony; Raj Bardhan Anand. Multiple response
optimization using Taguchi methodology and neuro-fuzzy based model.
Department of Metallurgy and Materials Engineering, National
Institute of Foundry and Forge Technology, Ranchi, India.2005.
6. HUNG-CHANG LIAO Using N-D method to solve multi-response
problem in Taguchi ; Department of Health Services Administration,
Chung-Shan Medical University. 2004.
7. Varela,L., Jos S. Fermn y Yonny J. Albornoz Comparacin de
tcnicas de optimizacin de multirespuesta en la industria de los
alimentos basado en la sensibilidad de la seleccin de parmetros;.
2008.
8. Hari Singh y Pradeep Kumar. Optimizing multi-machining
characteristics through Taguchis approach and utility concept ;
Department of Mechanical and Industrial engineering, Indian
Institute of Technology, Roorkee, India. 2005.
9. Rachmat Mulyana y Jos M. Castro. Studies in Injection
Molding. Industrial Engineering Department University of Puerto
Rico. 2007.