Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Ejemplar 25. Julio-diciembre de 2021 1 INTELIGENCIA ARTIFICIAL EN LA INGENIERIA ACÚSTICA PARA MANTENIMIENTO PREVENTIVO Manuel González Hernández Área Académica de Ingeniería del Instituto de Ciencias Básicas e Ingeniería de la Universidad Autónoma del Estado de Hidalgo, Pachuca Hidalgo, México mghdez@uaeh.edu.mx Maximino Peña Guerrero Academia de Acústica de la Escuela Superior de Ingeniería Mecánica y Eléctrica del Instituto Politécnico Nacional, Zacatenco, D. F. Ciudad de México mpenag@ipn.mx Sergio Blas Ramírez Reyna Área Académica de Ingeniería del Instituto de Ciencias Básicas e Ingeniería de la Universidad Autónoma del Estado de Hidalgo, Pachuca Hidalgo, México sramirez@uaeh.edu.mx Oleksandr Karelin Área Académica de Ingeniería del Instituto de Ciencias Básicas e Ingeniería de la Universidad Autónoma del Estado de Hidalgo, Pachuca Hidalgo, México karelin@uaeh.edu.mx José́ de Jesús Negrete Redondo Academia de Acústica de la Escuela Superior de Ingeniería Mecánica y Eléctrica del Instituto Politécnico Nacional, Zacatenco, D. F. Ciudad de México josejnegreter@yahoo.com.mx RESUMEN El propósito de este artículo es mostrar en forma somera tanto la evolución de la computación como la posibilidad de aprovechar las herramientas computacionales con la ayuda de la Inteligencia Artificial (IA), la cual surgió a mediados de los años 50's y desde entonces los investigadores en el área computacional han tratado de aplicar la AI a la solución de problemas específicos, como es el reconocimiento de patrones periódicos o cuasi periódicos, tanto de imágenes como de patrones de sonido. Una imagen originada es una matriz de pixeles dentro de una cámara de video que se puede ver como una secuencia de datos consecutivos, que forman un vector de números (pixeles) que corresponden a la forma de onda de una imagen, lo mismo ocurre con el sonido, ya sea de muy baja, media, o muy alta frecuencia. Cualquier sonido es una forma de onda que se puede representar como una secuencia de datos discretos. En este documento se presenta algunos de los métodos de reconocimiento de estos patrones con el fin de comprender su aplicación en el diseño de interfases Hombre-Máquina mediante técnicas de Inteligencia Artificial y su aplicación en el diseño y construcción de sistemas automáticos autónomos. El interés principal es mostrar la posibilidad de aplicar la IA en el mantenimiento preventivo. Palabras clave: Inteligencia Artificial, Sistemas Autónomos, Mantenimiento Preventivo, TensorFlow mailto:sramirez@uaeh.edu.mx Ejemplar 25. Julio-diciembre de 2021 2 El propósito de este documento es mostrar una secuencia evolutiva de las computadoras y sus lenguajes de programación que dieron la posibilidad de elaborar herramientas de software a tal grado que en un futuro muy cercano se podrán apreciar máquinas cuánticas y como consecuencia máquinas de quinta generación. La relatoría superficial que se hace sobre la evolución de la computación es con el fin de elucidar los beneficios que tendrá la ingeniería en general, por ejemplo, en ingeniería acústica proponemos una alternativa para el mantenimiento preventivo de equipos electromecánicos, basado en el ruido de sus componentes. Hemos desarrollado una técnica como alternativa para el mantenimiento preventivo, utilizando el ruido de los componentes electromecánicos. En la mayoría de ellos se puede detectar y registrar el ruido como un indicio de que se tiene una posible falla. La técnica que el personal de una empresa utiliza con el propósito de mantener un equipo en condiciones y facilidades de operación dado que, por inspección sistemática, y corrección de fallas en desarrollo, antes de que ellas ocurran o antes de que se desarrollen en defectos mayores se conoce como mantenimiento preventivo. Este proceso de mantenimiento debe incluir pruebas, medidas, ajustes y reemplazo de partes, hacer específicamente la detención de fallas donde ocurran, estas reflejan el costo y calidad de los artículos fabricados. Por lo tanto, las fallas se pueden elucidar por medio del ruido que los componentes del equipo en operación generan como un indicio de la posible falla. La técnica que se propone consiste en capturar la señal de ruido con un micrófono y compararla con señales de una base de ruidos de los diferentes componentes del equipo electromecánico en cuestión, para lo cual se construyó un sistema computacional que registra la señal del componente del equipo en operación y se compara con patrones de señales previamente registradas en una base de datos de los componentes del mismo equipo cuándo éste es nuevo. En la literatura, no se encontró algo similar. Los patrones de las señales almacenadas en la base de datos fueron capturadas y analizadas quedando establecidas como los coeficientes de su representación matemática. Hacemos énfasis en una de las ramas de la computación la Inteligencia Artificial (IA) y las nuevas tendencias de las diferentes aplicaciones en ingeniería, especialmente en ingeniería acústica, una de esas nuevas tendencias es TensorFlow, que nos ofrece una base de datos de redes neuronales que puede eslabonar varias de ellas para producir eventos de procesos tipo paralelo. Más concretamente TensorFlow es una biblioteca de código abierto que se basa en un sistema de redes neuronales. Esto significa que se pueden relacionar varios datos en red simultáneamente, de la misma forma que lo hacen los sistemas en paralelo. Por ejemplo, puede reconocer varias palabras del alfabeto porque relaciona las letras y fonemas. Hoy en día casi todos los dispositivos que utilizamos, desde un simple aparato doméstico hasta un automóvil, un avión o una nave espacial, utiliza de manera masiva tecnologías de Inteligencia Artificial. Esto se debe en gran medida la revolución digital del siglo XXI, y a la cada vez más miniaturización de los dispositivos electrónicos. No se diga la evolución de los sistemas de software desde los primeros lenguajes FORTRAN, BASIC, LISP hasta los últimos como C/C++, HTML. XML entre muchos otros de aplicaciones específicas. Evidentemente dichas herramientas de software deben “correr” en un ambiente de sistema operativo moderno como UNIX, o Windows, u 3 Ejemplar 25. Julio-diciembre de 2021 otros cada vez más sofisticados reservados casi siempre a la seguridad pública. Dentro de las técnicas de reconocimiento de patrones utilizados en la IA las principales son: el método no-paramétrico y el método paramétrico. El primero es de “fuerza bruta”, es un método numérico de DSP que calcula los parámetros 𝐴 = { 𝑎0, 𝑎1, 𝑎2, . . . , 𝑎𝑛−1, 𝑎𝑛 } de una forma de onda, los cuales se comparan con aquellos que están en una base de datos previamente construida. Un método puede ser la extracción de los valores: máximo, mínimo, media, energía, cruces por cero, Transformada de Fourier, predicción lineal (LPC) (Linear Prediction Code), entre otros. El segundo método es “más inteligente”, el cual, mediante un método de aprendizaje, el sistema calcula los parámetros que identifican un sonido, los cuales son almacenados dentro de la misma estructura de dicho sistema. No requiere de base de datos. Ejemplo: redes neuronales, cadenas de Márkov ocultas. Otra técnica importante de IA en el reconocimiento de patrones en tiempo real son las Cadenas de Márkov Ocultas, (HMM). Andréi Andréyevich Márkov (1856-1922), matemático ruso, investigador en la teoría de números y de probabilidades, desarrolló las cadenas que llevan su nombre. “Una cadena de Márkov es un modelo probabilístico utilizado para predecir la evolución y el comportamiento a corto y largo plazo de determinados sistemas”.Una cadena de Márkov oculta (HMM, Hidden Markov Model) es “Un autómata de estados finitos utilizado para modelar la voz una frase, palabra, fonema, etc.” [1],. Una HMM “... genera observaciones cada vez que pasa de un estado a otro. La Inteligencia Artificial El término Inteligencia Artificial se utilizó por primera vez en una reunión en 1956, en Dartmouth College: John McCarty organizador, Claude Shanon, Marvin Minsky, Frank Rosenblatt psicólogo, Herbert Simon economista y Allen Newell psicólogo cognitivo. De aquí surgieron dos principales enfoques: El Enfoque simbólico o top-down, lidereada dicha reunión por Newell y Simon, sugirieron desarrollar sistemas capaces de manipular símbolos. Así, escribieron Logic Theorist, programa que demuestra algunos teoremas de lógica matemática. Sus propuestas dieron origen como la de Edward Albert Feigenbaum conocido como el padre de los Sistemas Expertos, lenguajes de programación como LISP en 1960 y Prolog en 1976. El otro enfoque se conoce como el enfoque conexionista o buttom-up, éste lidereado por Rossenblatt bosquejaron desarrollar sistemas físicos que imitaran la estructura biológica del cerebro donde apareciera la función cognitiva. Con esta lógica, Warren McCollouch y Walter Pitts propusieron en 1940 la primera neurona artificial desde el punto de vista computacional, mediante un algoritmo llamado Unidad Lógica de Umbral (Threshold Logic Unit), esto dio como resultado la creación del Perceptrón, Redes Neuronales (deep-learning), Sistemas Emergentes, IoT (Internet To Thinks), lenguajes como C/C++, VHDL. La Evolución del Hardware Charles Babbage (1792-1871) matemático e ingeniero británico, inventor de las primeras máquinas calculadoras programables, diseño su máquina analítica (Analytical Engine). En 1822 produjo un modelo funcional a escala llamado “Difference Engine” o máquina diferencial. Debido a la complejidad mecánica de la “Diference Engine”, hasta antes del siglo XXI, nunca se construyó un modelo a escala real, aun así, dicha máquina es el prototipo de las computadoras modernas. Posteriormente, Alan Mathison Turing (1912- 1954), matemático inglés, desarrolló un método matemático para resolver el problema de indecisión. Una máquina de Turing es un modelo matemático que puede resolver un problema si es que existe su solución. Una máquina de Turing es una quíntuple 𝑀 = (𝑄, Σ, 𝑞0, 𝐹, 𝛿) en donde 𝑄 es un conjunto finito 4 Ejemplar 25. Julio-diciembre de 2021 de estados, Σ es un conjunto finito de símbolos, 𝑞0 es el estado inicial, 𝐹 es el conjunto de estados finales, 𝛿 es una función denominada función de transición, tal que 𝛿: 𝑄 × Σ → Q. Una máquina de Turing es el fundamento matemático de los sistemas computacionales digitales. Poco después, John von Neumann (1903-1957), matemático húngaro, desarrolló el concepto de programa almacenado para evitar la reprogramación alambrada de las máquinas digitales de aplicaciones específicas. Una arquitectura von Neumann es la construcción de una computadora digital con una CPU, ALU, I/O, registros, unidad de control, memoria dura (almacenamiento masivo), y una memoria operativa (memoria RAM). Una máquina von Neumann constituye el fundamento de los sistemas computacionales modernos. En los últimos tiempos se han diseñado procesadores de hardware orientados al procesamiento de funciones especializadas en la Inteligencia Artificial, así tenemos: GPU ( Graphics Processing Unit}). Es un procesador dedicado exclusivamente al procesamiento de gráficos. Este procesador especializado libera trabajo al procesador principal. Esto se debe a que las gráficas en tres dimensiones requieren de mucho cálculo de operaciones de aritmética de punto flotante. TPU (Tensor Processing Unit). Es un circuito ASIC (Application Specific Integrated Circuit) de Google para implementar redes neuronales en el aprendizaje automático el cual requiere mucho cálculo masivo matricial. “Un tensor es una entidad algebraica que es utilizado en la inteligencia artificial por Google para crear redes neuronales con TensorFlow y mejorar las capacidades del aprendizaje automático”. TensorFlow. Para poder realizar grandes operaciones de punto flotante con matrices multidimensionales utilizadas en redes neuronales multicapa es necesario un software que “corra” en un procesador TPU. Dicho software es TensorFlow, una biblioteca de funciones desarrollada por el equipo de Google Brain (2015) que permite implementar redes neuronales orientadas al aprendizaje automático. Las Redes Neuronales Santiago Ramon y Cajal (1852-1934), médico español, junto con Camilo Golgi, descubrieron la estructura del sistema nervioso. "Una neurona biológica es una célula especializada en procesar información” se encuentra en Faúndez Zany Marcos sobre el tratamiento digital de Voz e Imagen. Una red neuronal artificial es un modelo estadístico adaptivo con base en la analogía de la estructura de una neurona biológica. “... las redes neuronales están construidas por unidades simples, a veces llamadas células por analogía [Abdi Hervé, et. {\it Neuronal Networks}, 1999, pg. 1]. El primer modelo computacional (1943) de una neurona fue propuesto por Warren McCulloch (neurocientífico) y Walter Pitts (lógico). Por otra parte, Donald Olding Hebb en 1950, padre de la neuropsicología y las redes neuronales, trató de comprender cómo la función de las neuronas contribuía a procesos psicológicos del aprendizaje. Presentó la teoría del aprendizaje en 1949 en La Organización del Comportamiento, proponiendo que el aprendizaje en los procesos cognitivos del cerebro son conexiones entre los conjuntos de neuronas. Por otro lado, Frank Rosenblatt, psicólogo estadounidense en inteligencia artificial desarrolló a finales de los años 50´s el Perceptrón, una red neuronal artificial o unidad básica de inferencias como discriminador o clasificación lineal. Consiste en un algoritmo capaz de seleccionar un subgrupo a partir de un grupo de componentes mayor. https://es.wikipedia.org/wiki/Estado_f%C3%ADsico https://es.wikipedia.org/wiki/Funci%C3%B3n_parcial 5 Ejemplar 25. Julio-diciembre de 2021 Para 1960 aparece el Perceptrón Multicapa (MLP), una red neuronal con retroalimentación que tiene por lo menos tres capas. Una de entrada, otra de salida, y una capa oculta. Utiliza entrenamiento de aprendizaje supervisado (Backtracking, 1970). Cada nodo es una neurona que utiliza una función de activación no lineal. En este orden de ideas, a principio de los años 80’s, John Hopfield inventó una red neuronal artificial recurrente, utilizada principalmente como memoria asociativa con unidades binarias, las cuales convergen hacia un mínimo local, sin embargo, la convergencia no garantiza la convergencia de uno de los patrones en memoria. En el campo de la visión artificial (Hubel y Wiesel,1959), se desarrolló en 1990 un tipo de red neuronal, llamada Red Neuronal Convolucional, donde cada neurona corresponde a un campo receptivo similar a las neuronas de la corteza visual primaria de un cerebro biológico. Otro tipo de red neuronal artificial desarrollada a finales de los años 90’s, se conoce como de Memoria a Corto Plazo (LTSM, Long Short-Term Memory), la cual es una red neuronal recurrente artificial (RNN). Las LTSM son adecuadas para clasificar, hacer predicciones con base en datos de series de tiempo (datos entre eventos desconocidos). El concepto ( Machine Learning), surgido a finales de los años 90’s, es una rama de la Inteligencia Artificial que desarrolla técnicas para que las máquinas aprendan a partirde una serie de datos. El Deep Learning es un concepto mucho más nuevo y funciona dentro del Machine Learning, o como una rama específica dentro del Machine Learning. Por otro lado, el concepto Deep Learning, es un tipo de Machine Learning, entrenada con un sistema computacional, para tareas semejantes al cerebro biológico como el reconocimiento de voz, síntesis de sonidos, reconocimiento de imágenes, o predicciones de eventos futuros. Hoy en día se utilizan procesadores orientados a un solo propósito como el GPU (Graphics Process Unit}), un procesador de alto rendimiento orientado al procesamiento de gráficos e imágenes. Colaborando con su similar, el TPU (Tensor Process Unit), ambos son utilizados en máquinas de hardware y software de Aprendizaje Profundo (Deep Learning, 2010) para aplicaciones robustas de Inteligencia Artificial. Como un ejemplo de todo lo anterior, IBM desarrolló IBM WATSON con base en Inteligencia Artificial, la cual responde preguntas hechas en lenguaje natural. Sus diseñadores pueden “platicar” con ella mediante una interfase de hardware y software de reconocimiento y síntesis de voz. Contiene una base de datos propia. También puede utilizar bases de datos en red como DBpedia, WordeNet, entre otras disponibles en Internet. Utiliza la tecnologia DeepQA. DeepQA genera Hipótesis, recopila pruebas, realiza análisis, y proporciona calificaciones. DeepQA fué desarrollado por IBM y SUSE Linux Enterprise Server. Inicialmente WATSON tiene procesadores a 3.5 GHZ con 8 Núcleos. Conclusiones Podemos concluir que las principales aplicaciones de la Inteligencia Artificial en la Ingeniería Acústica son: Reconocimiento y Síntesis de Voz, mapeo submarino con sondas robóticas autónomas, traducción simultánea, instrumentación científica, exploración minera y petrolera, entre otras. Por lo tanto en el mantenimiento preventivo de la industria se elucida un panorama muy importante con relación al reconocimiento de sonidos o ruidos en los sistemas electromecánicos o de otra índole, de tal forma que los sistemas de cómputo puedan sugerir por medio de las frecuencias de vibración si o no se tiene presente una posible falla en el equipo. 6 Ejemplar 25. Julio-diciembre de 2021 Bibliografía 1. Bharath Ramsundar, Reza Bosagh Zadeh (1981) TensorFlow for Deep Learning, O'REILLY Ed. 2. François Chollet (2017) Deep Learning with Python Pasta blanda, HANNING Ed. 3. Matthew Scarpino (2018) Tensorflow for Dummies, ISBN 978- 1119466215,1ª Edición, Ed. For Dummies 4. Andriy Burkov, (2019) The Hundred- Page Machine Learning Book, 5. Laurene Fausett, (1994) Fundamentals of Neuronal Networks: Architecture, Algorithms, and Applications, Prentice Hall. 6. [http://inop2.blogspot.com/p/cadenas- de-markov.htm] 7. Marcos Faúndez Zany (2000) Tratamiento digital de voz e imagen y aplicación a la multimedia Ed. MARCOMBO S.A. ISBN:84-267- 1244-4, España, Barcelona 8. Enciclopedia de Inteligencia Artificial Editada por: Juan R. Rabuñal; Julián Dorado; Alejandro Pazos Sierra autor del capítulo "Tecnología de seguridad biométrica". págs. 262– 269, ISBN 978-1-59904-849-9 IGI Global 9. Avances en procesamiento de voz no lineal y aplicaciones. Editores: Gérard Chollet, Anna Esposito, Marcos Faundez-Zanuy & Maria Marinaro. Springer Verlag LNCS Vol. 3445. 433 páginas. ISBN 3-540-27441-3. 10. 6 Abdi Hervé, et.al, (1999) Neuronal Networks, Ed. Elsevier https://en.wikipedia.org/wiki/ISBN_(identifier) https://en.wikipedia.org/wiki/Special:BookSources/978-1-59904-849-9 https://en.wikipedia.org/wiki/ISBN_(identifier) https://en.wikipedia.org/wiki/Special:BookSources/3-540-27441-3 INTELIGENCIA ARTIFICIAL EN LA INGENIERIA ACÚSTICA PARA MANTENIMIENTO PREVENTIVO Sergio Blas Ramírez Reyna 7. Marcos Faúndez Zany (2000) Tratamiento digital de voz e imagen y aplicación a la multimedia Ed. MARCOMBO S.A. ISBN:84-267-1244-4, España, Barcelona
Compartir