APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
Machine learning trabajo final upload1
1. - 2 -
ÍNDICE
ÍNDICE ...........................................................................................................................................2
INDICE DE FIGURAS................................................................................................................2
1. INTRODUCCIÓN.................................................................................................................3
2. DESCRIPCIÓN DEL PROBLEMA..................................................................................4
2.1 Planteamiento del Problema......................................................................................6
2.2 Determinación de las variables.................................................................................7
a) Variable Independiente ............................................................................................7
b) Variables dependientes.............................................................................................7
3. MATERIALES Y MÉTODOS ............................................................................................7
3.1 Herramientas y materiales .........................................................................................7
3.2 Elección de Método y Modelo ....................................................................................9
4. EXPERIMENTOS ................................................................................................................9
5. RESULTADOS....................................................................................................................14
6. CONCLUSIONES...............................................................................................................15
7. REFERENCIAS BIBLIOGRÁFICAS ............................................................................15
INDICE DE FIGURAS
Figura 1.- Esquema de una Faja Transportadora. ........................................................................4
Figura 2.- Punto de deflexión en una faja transportadora............................................................5
Figura 3.- Tipos de poleas tensoras.................................................................................................6
Figura 4.- Aplicaciones de desarrollo de programación................................................................7
Figura 5.- Librerías en Jypiter Notebook.......................................................................................8
Figura 6.- Declaración de librerías. ...............................................................................................9
Figura 7.- Tabla de valores............................................................................................................10
Figura 8.- Gráfica de valores utilizando función pairplot...........................................................10
Figura 9.- Correlación y definición de variables..........................................................................11
Figura 10. – Entrenamiento y prueba...........................................................................................11
Figura 11.- Normalizando datos....................................................................................................11
2. - 3 -
1. INTRODUCCIÓN
El objetivo de este estudio es conocer el aprendizaje automático o aprendizaje de
máquinas, más conocido en el mundo actual como el machine learning, que es un
subcampo de las ciencias de la computación y una rama de la inteligencia artificial cuya
finalidad es desarrollar técnicas que permitan a las computadoras aprender,
convirtiéndose en un pilar fundamental para el trato de datos a gran escala.
Las Fajas Transportadoras son elementos esenciales en todo transporte de materiales
como minería, construcción, agroindustria e industria en general ya que constituye la
forma más económica de trasladar los materiales de un punto a otro, existiendo en el
mercado una gran variedad de modelos y tipos dependiendo del material o equipos para
movilizar.
El diseño de estos equipos de izaje varía de acuerdo al uso que se le va a dar. En algunos
casos la faja debe ser más resistente ya que transportará materiales pesados y / o
abrasivos. Además, tienen diversos ángulos de inclinación que serán de utilidad cuando
la carga se debe trasladar de un nivel alto a otro más bajo.
Para el transporte de cargas, las funcionalidades del uso de fajas transportadoras son
diversas y difieren de la aplicación que tendrán. La mayor ventaja es la rapidez y facilidad
con que ayudan al transporte y la posibilidad de adaptarse en casi cualquier superficie.
Tienen una gran ventaja ya que es posible descargar y cargar el material en cualquier
punto del recorrido. Además, el producto que se traslada no sufre mayor alteración e
incluso se puede optar por Fajas transportadoras Tubulares, donde el material viaja
cerrado.
El control y diseño de estos equipos de trasporte ha evolucionado con las mejoras en la
parte electrónica y mecánica convirtiéndose una parte esencial en las industrias y
distribución de materiales y productos, es por ello que vemos la necesidad de conocer su
3. - 4 -
funcionamiento, mejorar las formas de cálculo para las diversas tareas que se le puede
aplicar.
Figura 1.- Esquema de una Faja Transportadora.
2. DESCRIPCIÓN DEL PROBLEMA
Uno de los factores más importantes que determinan la eficiencia de una transmisión por
correas en “V” es la tensión apropiada de las mismas. Una atención insuficiente producirá
deslizamiento o patinajes, reduciendo así la capacidad de transmisión. Una tensión
exagerada de las correas disminuirá la vida útil no sólo de las correas sino también de los
rodamientos y puede conducir a daños en el mismo motor o en el reductor.
Antes de proceder a tensionar la transmisión, es importante que las poleas que han sido
bien instaladas y estén alineadas. El método más comúnmente empleado para ajustar la
tensión es el de “deflexión”. Utilizando tensiónmetros o herramientas especiales es
posible medir la fuerza de deflexión.
4. - 5 -
Figura 2.- Punto de deflexión en una faja transportadora.
De ser posible, el uso de poleas tensoras se debe evitarse, ya que éstas reducen la
capacidad de transmisión y la vida útil de las correas. No obstante, si se ha de utilizar una
polea tensora, ésta debe estar siempre ubicada en el tramo flojo de las correas.
Las poleas tensoras pueden ubicarse bien sea interior o exteriormente, pero siempre en el
tramo flojo. Procure en la medida de lo posible, instalar la polea tensora en la parte
inferior. Las poleas tensoras interiores les imponen menos estrés a las correas y deben
siempre ubicarse cerca a la polea más grande, minimizando así la pérdida del área de
contacto de la polea pequeña. Si por algún motivo la única opción es instalar una polea
tensora exterior, ubíquela cerca a la polea pequeña. Es importante que el diámetro de la
polea tensora no sea inferior al de la polea más pequeña.
Las poleas tensoras se utilizan ocasionalmente en transmisiones por correas en “V”:
- Para saltar construcciones.
- Para recortar el juego de las correas.
- Para mantener la tensión.
- Para aplicaciones con distancias entre centros muy largas.
5. - 6 -
- Para mejorar el área de contacto de la polea pequeña cuando el diseño incluye una
polea muy pequeña comuna demasiado grande.
- Para facilitar el montaje y el desmontaje de las correas por temas de espacio.
Figura 3.- Tipos de poleas tensoras.
2.1 Planteamiento del Problema
Para el presente estudio; se decidirá el momento en el cual se debe realizar el tensado de
la faja en función de las desviaciones o perturbaciones en los parámetros eléctricos de los
motores; sin embargo, también se tendrán alteraciones externas como condiciones
climáticas (lluvia, nieve, granizo, dilatación por incremento de temperatura) o
condiciones del material transportado como humedad y tonelaje.
Se tiene la base de datos “TensadoFaja.xlsx” en donde se registra variables como:
- Velocidad
- Torque
- Corriente
- Balanza (lectura de Tonelaje)
- Tensión en faja
- Salida (requiere o no ajuste de tensado)
6. - 7 -
2.2 Determinación de las variables
a) Variable Independiente
- Precisión en el peso a transportar.
- Tiempo que tarda la banda en dar una vuelta.
- Control de velocidad y aceleración.
- Torque mecánico
b) Variables dependientes
- Potencia del motor
- Torque del motor
- Voltaje.
- Velocidad del motor.
- Velocidad de transporte de material.
- Control de la banda.
3. MATERIALES Y MÉTODOS
3.1 Herramientas y materiales
Para el desarrollo de este análisis se utilizaron las siguientes herramientas y materiales:
Entorno de desarrollo de programación:
- Jupyter Notebook
- Google Colab (Entorno gratuito de Jupyter Notebook que se ejecuta en la nube
con GPUs.)
- Google Drive como plataforma de almacenamiento y nexo con Google Colab.
Figura 4.- Aplicaciones de desarrollo de programación.
7. - 8 -
Una distribución open-source para el desarrollo de Machine Learning y librerías de
Inteligencia Artificial:
- Numpy
- Matplotlib
- Sklearn
- Pandas
- Seaborn
- Pyplot
Figura 5.- Librerías en Jypiter Notebook.
Los archivos que se utilizaron en el trabajo fueron:
- Base de datos fue generada en un día “x” mediante la aplicación PIDatalink de
PIVision Osisoft con una toma de muestra de 1 minuto; archivo Excel de nombre
“TensadoFaja.xlsx”.
- Archivo generado en Google Colab con el nombre de
“Trab_Final_Tensado.ipynb”.
8. - 9 -
3.2 Elección de Método y Modelo
En el mundo del Machine Learning, existen diversos modelos que podemos elegir de
acuerdo al objetivo que tengamos, por ejemplo: algoritmos de clasificación, predicción,
regresión lineal, clustering, Deep Learning, bayesiano, etc. y podrá haber variantes si
lo que vamos a procesar son imágenes, sonido, texto o valores numéricos.
Para el presente análisis se tiene considerada varias entradas (Velocidad, Torque,
Corriente, tonelaje y tensión de faja) y una sola salida (requerimiento de ajuste) por lo
que se trata de un Aprendizaje supervisado y al ser la salida discreta, se trataría de un
problema de CLASIFICACION; se utilizará el algoritmo de Maquina de vector soporte
(SVM) el cual es apropiado para este tipo de problemas.
4. EXPERIMENTOS
- Creamos aplicación “Trab_Final_Tensado.ipynb”; para comenzar a realizar el
entrenamiento, e importamos las librerías necesarias
Figura 6.- Declaración de librerías.
- Cargamos la base de datos “TensadoFaja.xlsx” y mostramos la tabla generada; nuestra
base de datos cuenta con 1441 valores.
9. - 10 -
Figura 7.- Tabla de valores.
- Graficamos todos los valores con un pairplot.
Figura 8.- Gráfica de valores utilizando función pairplot.
10. - 11 -
- Correlación y definimos las variables x, y.
Figura 9.- Correlación y definición de variables.
- Realizamos la partición de datos, entrenamiento y prueba.
Figura 10. – Entrenamiento y prueba.
- Normalización de datos.
Figura 11.- Normalizando datos.
11. - 12 -
- Análisis de datos mediante sklearn y validación cruzada
- Se realiza la búsqueda de mejores parámetros en validación cruzada.
12. - 13 -
- De los mejores parámetros obtenido, procedemos a entrenar nuestro modelo; mediante
SVM.
- Finalmente graficamos nuestro resultado.
13. - 14 -
5. RESULTADOS
- El trabajo corresponde a un aprendizaje supervisado con salida discreta lo que hace
referencia a un trabajo de clasificación.
- Se obtiene un accuracy de 0.98 mediante el método SVM; por lo cual se considera
dentro de los valores aceptables.
- En la búsqueda de mejores parámetros; obtuvimos como resultado a C=1000,
gamma=10 y kernel ‘rbf’.
- Tener en cuenta que se evaluó el conjunto de datos de pruebas que representa solamente
un 25% de nuestros datos.
- En la correlación de datos se identificó cuál de las variables (corriente y torque) tiene
mejor estimación de indicar que la faja necesita un tensado.
- Se obtienen valores aceptables de entrenamiento los cuales se verifica en la gráfica; por
lo tanto, se deduce que se logró el entrenamiento.
14. - 15 -
6. CONCLUSIONES
- Se logró realizar el entrenamiento del problema de clasificación planteado en base a si
por alteraciones en los parámetros eléctricos se requiere realizar el tensado en una faja
transportadora tal como se muestra los resultados en la gráfica.
- De la correlación identificamos que tanto la corriente como el torque pueden dar una
predicción de que nuestra faja transportadora necesita un ajuste en la zona de deflexión.
- Como resultado obtuvimos un accuracy de 98%; mediante el método SVM; por lo cual
sería una opción muy efectiva para tener en cuenta al momento de decidir cuándo
requiera un tensado la faja.
7. REFERENCIAS BIBLIOGRÁFICAS
- Base de datos mediante PIDatalink de PIProcessbook – Soc. Minera el Brocal S.A.A.
- Folleto de tensado de correas transportadoras - INTERMEC S.A.
- Guía de Clase – Machine Learning – Ing. Efrain Tito Mayhua Lopez UNSA 2020
- Bishop - Pattern Recognition And Machine Learning - Springer 2006