Comparación del perceptrón multicapa con redes neuronales de aprendizaje profundo aplicadas al diagnóstico de turbinas de gas

Resumen

 Las turbinas de gas son la principal tecnología utilizada en 
la generación de electricidad en México y a nivel mundial. Por lo 
tanto, las técnicas capaces de mantener una alta confiabilidad 
de las turbinas son muy demandadas, en particular los sistemas 
de diagnóstico. Para diseñar el mejor sistema, este artículo se
lecciona el algoritmo de diagnóstico del conducto de flujo más 
preciso mediante la comparación de dos algoritmos que utilizan 
diferentes redes neuronales artificiales (RNA). El primero utiliza 
el Perceptrón Multicapa (PMC) y el segundo, Redes Neuronales 
Convolucionales profundas (RNC). Para realizar esta comparación, 
ambos algoritmos utilizan los mismos datos de entrada generados 
por un software de simulación de motores especialmente diseña
do. El desarrollo de este software se inspiró en el funcionamiento 
del software ProDiMES. A diferencia de ProDiMES, que simula las 
mediciones de motores de aeronaves en cada vuelo, nuestro soft
ware genera los datos medidos en una turbina de gas estaciona
ria,  realizando mediciones cada minuto. Esta mayor frecuencia 
de medición es necesaria para las RNC, ya que trabajan con una 
gran cantidad de información de entrada. Con esta frecuencia, se 
generan las variables medidas del conducto de flujo para cinco 
clases de falla: cuatro fallas diferentes y una clase de motor en 
estado sano. Para tener caracteristicas de diagnóstico sensibles a 
estas fallas, las variables medidas se transforman en desviaciones 
de medición. El vector de desviaciones de todas las variables forma 
un patrón que cada red reconoce. Este patrón es una entrada de 
red, y la clase de falla correspondiente es una salida. Ambas redes 
aprenden en los mismos pares múltiples de vectores de entrada y 
salida. Después del aprendizaje, las redes se aplican a datos de va
lidación y prueba, y se calculan las probabilidades de diagnóstico 
correcto para cada red. La comparación de estas probabilidades 
muestra que las CNN ceden ligeramente frente al perceptrón, a 
pesar de la opinión común sobre el alto rendimiento de las redes 
convolucionales.