Beruflich Dokumente
Kultur Dokumente
Como ya se ha mencionado, las Redes Neuronales, utilizando datos históricos de algún proceso
permiten crear modelos para el mismo proceso. Los modelos tienen como objetivo pronosticar
cómo el proceso responderá a los cambios de entradas y diferentes condiciones de trabajo.
Con las redes neuronales correctamente formuladas pueden determinarse las condiciones de
operación óptimas, sujeta a restricciones.
Las redes neuronales recopilan los datos históricos, revelando así los factores más importantes que
perturban la calidad y el rendimiento de los productos, esto pretende a menudo detectar mejoras
sin necesidad de ninguna inversión de capital.
Ejemplo:
Problema: Los equipos actuales para la determinación en línea del punto final de destilación de las
naftas son costosos, poco confiables y tienen severos problemas de mantenimiento. Una opción
recomendable es la aplicación de las redes neuronales como Sensores Inferenciales.
Modelos del NeurOn-Line. Modelo Inferencial con tiempo muerto aplicado a las entradas.
Los datos históricos fueron colectados desde la planta PI (OSI Soft) de la Refinería de La Plata de
RepsolYPF (Ensenada, Pcia. de Buenos Aires, Argentina), con el objetivo de ejecutar una prueba del
concepto para la aplicación del NeurOn-Line Studio como un sensor virtual.
El objetivo fue inferir el 90% del Punto de Destilación de la nafta de la Unidad de Cracking Catalítico
Fluidizado (Fluidized Catalytic Cracking Unit – FCCU).
Procedimiento
Este caso fue descripto en detalle por Ruiz (1999) pero una breve descripción se da a continuación.
Los datos se recolectaron utilizando la interfase Excel DataLink del historiador PI,
inicialmente se recaudó 63 variables operativas, durante el período de junio-octubre de
1998. El volumen total de información almacenada fue de 80 Mbytes aproximadamente.
Después del filtrado de los datos, se seleccionó como conjunto de entrenamiento un
período de 8 días, para realizar una inspección y así identificar los períodos de operación
inestables o mal funcionamiento de los sensores
Un conjunto de validación independiente también fue extraído, para utilizarse sobre la
validación del modelo finalmente entrenado.
Se detectó los períodos malos mediante la inspección a fondo del conjunto de datos de
entrenamiento
Figura 1: Refleja el período cuando el caudal de alimentación a la FCCU se cambió de 170 a 180 m3
/h.
El NeurOn-Line Studio permite, directamente desde el gráfico, embanderar los datos para
ser previamente preprocesados al entrenamiento de la red neuronal
Figura 2: Gráfico X-Y muestra la relación del caudal de reflujo con el punto final de la nafta.
Resultados
Ambos modelos presentaron buenas predicciones del punto de destilación 90% de la nafta. El
modelo seleccionado fue el Reducido, porque la menor cantidad de variables involucradas lo hacen
más robusto con respecto la falla de los sensores.
Figura 3: Muestra el valor predicho y el actual, obtenido a partir del modelo reducido, para el
período de validación.
INTRODUCCIÓN