Control del tamaño de las Pellas en la Planta de Pellas de Sidor, CA

Anuncio
n°: 2006-XXA
PROYECTO DE GRADO
Presentado ante la ilustre UNIVERSIDAD DE LOS ANDES como requisito parcial para
obtener el Título de INGENIERO DE SISTEMAS
“CONTROL DEL TAMAÑO DE LAS PELLAS EN LA PLANTA DE
PELLAS DE SIDOR, C.A. CON TÉCNICAS DE VISIÓN
ARTIFICIAL”
Por
Br. Betania del Mar Bellera Sosa
Tutor: Edgar Chacón
Co-Tutor: Eliezer Colina
Tutor Industrial: Juan Colmenares
Septiembre, 2006
©2006 Universidad de Los Andes Mérida, Venezuela
“Control del tamaño de las Pellas en la Planta de Pellas de
Sidor, C.A. con técnicas de Visión Artificial”
Br. Betania del Mar Bellera Sosa
Proyecto de Grado — Sistemas de Control, 165 páginas
Resumen: La solución de problemas en los procesos de tipo industrial debe estar
enmarcada en desarrollos tecnológicos basados en conceptos que conduzcan a una
solución práctica, bien estructurada y acompañada del componente computacional
para optimizar la solución acertada. Así pues, en este trabajo de investigación se
muestra una solución que permita llevar a cabo el control del tamaño de las pellas
producidas en Sidor C.A.
Cabe destacar que el proceso de peletización constituye uno de los primeros
procesos en el ciclo productivo de la empresa y que las pellas son elemento
principal para la producción de acero en Sidor, por lo que es de vital importancia
tener una buena supervisión y control de la producción de las mismas, en especial
su tamaño.
El sistema de control planteado comprende el diseño, desarrollo e
implementación de un Sistema de Visión Artificial, que permita el monitoreo de los
radios correspondientes de las pellas producidas en la planta, y un Sistema Experto
en Peletización, que genere la recomendación más adecuada para controlar el
tamaño de las pellas en caso de que éstas se encuentren fuera de los rangos
aceptables.
Luego de la implementación del sistema de control desarrollado, se
efectuaron las pruebas correspondientes a la evaluación del mismo, éstas
demostraron
que
cumple
satisfactoriamente
con
los
objetivos
definidos
inicialmente y con los requerimientos de la empresa. De esta manera se determinó
que ambos sistemas en conjunto constituyen una acertada solución para la
empresa, permitiendo el control efectivo del tamaño de las pellas producidas en
planta.
Palabras clave: Sistema de Visión Artificial, Sistema Experto, Peletización,
Pellas, Disco Peletizador, Control, Monitoreo, Supervisión, Autimatización, Sidor.
Dedicatoria
A mis padres, por todo su amor y
apoyo incondicional;
por enseñarme que con
esfuerzo y dedicación
se obtienen grandes logros..,
éste es para uds.
Índice
Dedicatoria .................................................................................................................iii
Índice.......................................................................................................................... iv
Índice de Tablas ....................................................................................................... viii
Índice de Figuras........................................................................................................ ix
Agradecimientos.......................................................................................................xiii
Capítulo 1
Introducción ......................................................................................... 1
1.1
Antecedentes ................................................................................................ 1
1.2
Definición del problema............................................................................... 2
1.3
Justificación ................................................................................................. 3
1.4
Objetivos....................................................................................................... 5
1.4.1
Objetivo General....................................................................................... 5
1.4.2 Objetivos Específicos................................................................................ 5
1.5
Estructura del documento............................................................................ 5
Capítulo 2
2.1
La empresa y el proceso........................................................................ 7
La empresa Sidor C.A. .................................................................................. 7
2.1.1
Planta de Pellas ...................................................................................... 10
2.1.1.1 Manejo de Materiales ..........................................................................11
2.1.1.2 Molienda ..............................................................................................11
2.1.1.3 Peletización ..........................................................................................11
2.1.2 El proceso en Planta de Pellas................................................................ 12
2.1.2.1 Variables de control del proceso ........................................................ 13
2.2
Proceso de Peletización .............................................................................. 13
2.2.1 Pellas....................................................................................................... 14
2.2.2 Mecanismo de formación de pellas........................................................ 15
2.2.3 Disco peletizador (Disco de boleo)..........................................................17
2.2.3.1 Principales componentes del disco .....................................................17
2.2.3.2Operación del disco de boleo.............................................................. 18
2.2.4 Factores que influyen en la formación de pellas.................................... 19
2.2.4.1 Tipo y cantidad del agente humectante usado (agua) .......................20
2.2.4.2Fineza y forma de las partículas ......................................................... 21
2.2.4.3Tipo y cantidad de los aditivos aglomerantes usados ........................ 21
2.2.4.4Dispositivos en el equipo de boleo para regular las fuerzas que
intervienen .......................................................................................... 23
Capítulo 3
3.1
Marco Teórico .....................................................................................26
Visión Artificial...........................................................................................26
3.1.1
Elementos de un sistema de visión artificial .........................................26
3.1.1.1 Fuente de luz....................................................................................... 27
3.1.1.2 Sensores de imagen ............................................................................38
3.1.1.3 Tarjetas de captura (adquisidora) ...................................................... 39
3.1.1.4 Algoritmos de análisis de imagen.......................................................40
3.1.1.5 Extracción y selección de características ........................................... 41
3.1.1.6 Reconocimiento de formas e inteligencia artificial............................42
3.1.1.7 Computadora o módulo de proceso ...................................................42
3.1.1.8 Sistema de respuesta en tiempo real .................................................. 43
3.2
Sistemas Expertos (SE) .............................................................................. 43
3.2.1 Aplicaciones............................................................................................44
3.2.2 Áreas de aplicación................................................................................. 45
3.2.3 Ventajas .................................................................................................. 47
3.2.4 Limitaciones ........................................................................................... 47
3.2.5 Arquitectura básica ................................................................................48
3.2.5.1 Base de conocimientos .......................................................................49
3.2.5.2 Base de hechos (Memoria de trabajo) ................................................49
3.2.5.3 Motor de inferencia ............................................................................50
3.2.5.4 Subsistema de explicaciones .............................................................. 51
3.2.5.5 Interfaz de usuario.............................................................................. 52
3.2.6 Tipos de Sistemas Expertos ................................................................... 52
3.2.6.1 Sistemas Expertos basados en reglas ................................................. 53
3.2.6.2Sistemas Expertos basados en casos (Case Based Reasoning) ......... 53
3.2.6.3 Sistemas Expertos basados en reglas bayesianas .............................. 53
3.2.7 Metodología para el desarrollo de Sistemas Expertos........................... 53
3.2.7.1 Análisis y descripción del problema................................................... 53
v
3.2.7.2 Especificación de requerimientos ...................................................... 55
3.2.7.3 Análisis de costos, tiempo y recursos ................................................. 56
3.2.7.4 Ingeniería del conocimiento............................................................... 56
3.2.7.5 Diseño preliminar del Sistema Experto ............................................. 57
3.2.7.6 Desarrollo e implantación del Sistema Experto.................................58
Capítulo 4
4.1
Sistema de Visión Artificial ................................................................ 59
Metodología de desarrollo e implementación ........................................... 59
4.1.1
Fuente de luz .......................................................................................... 61
4.1.2 Sensor de imagen ................................................................................... 63
4.1.3 Tarjeta de adquisición de imágenes....................................................... 63
4.1.4 Análisis de imagen y reconocimiento de formas ................................... 63
4.1.4.1 Filtrado (pre-procesamiento) y Segmentación (aislamiento objetos de
interés) ................................................................................................64
4.1.4.2 Extracción y selección de características ...........................................68
4.1.5
Módulo de proceso .................................................................................69
4.1.6 Adquisidor de radios ..............................................................................69
4.2
Evaluación del Sistema de Visión .............................................................. 70
4.2.1 Iluminación ............................................................................................ 70
4.2.1.1 Iluminación por leds........................................................................... 70
4.2.1.2 Iluminación por fluorescente ............................................................. 72
4.2.2 Procesamiento ........................................................................................ 74
Capítulo 5
5.1
Sistema Experto en Peletización ........................................................ 77
Metodología................................................................................................ 77
5.1.1
Análisis y descripción del problema ...................................................... 77
5.1.1.1 Descripción general del problema...................................................... 77
5.1.1.2 Especificación de requerimientos ......................................................80
5.1.1.3 Ingeniería del conocimiento...............................................................89
5.1.1.4 Diseño preliminar del Sistema Experto ............................................. 93
5.2
Desarrollo e implantación........................................................................ 105
5.2.1
Construcción del prototipo .................................................................. 105
5.2.2 Validación del prototipo....................................................................... 108
5.2.3 Construcción del modelo operacional.................................................. 109
5.2.3.1 Adquisidor de entradas..................................................................... 109
vi
5.2.3.2 Sistema Experto................................................................................. 111
5.2.3.3 Interfaz gráfica...................................................................................114
5.3
Evaluación del Sistema Experto............................................................... 122
5.3.1
Verificación del Sistema Experto ......................................................... 123
5.3.2 Validación del Sistema Experto ........................................................... 124
5.3.3 Usabilidad del Sistema Experto ........................................................... 125
5.3.4 Utilidad del Sistema Experto ............................................................... 126
5.4
Evaluación del Sistema Completo............................................................ 126
Capítulo 6
Conclusiones ..................................................................................... 128
Capítulo 7
Recomendaciones ............................................................................. 130
Bibliografía ...............................................................................................................131
Apéndice A
Especificaciones de la cámara Legend530 ....................................... 134
Apéndice B
Base de Conocimientos del Sistema Experto ................................... 135
B.1
Modelo conceptual ................................................................................... 135
B.2
Modelo computable.................................................................................. 136
B.2.1 Diagramas de flujo computables...........................................................137
B.2.2 Reglas en CLIPS ................................................................................... 138
Apéndice C
C.1
Archivos del Sistema......................................................................... 148
Librería (pellaslib.lib)............................................................................... 148
C.1.1
Funciones de tratamiento de datos y cálculo de variables (pellas.c) .. 148
C.1.2 Almacenamiento y consulta de datos (db_util.c) ................................ 150
C.2
Adquisidor de datos de la cámara (AdqCamPellas.c)...............................151
C.3
Adquisidor de Sistema Experto (AdquisidorPellas.c) ..............................151
vii
Índice de Tablas
Tabla A. Aplicación de los Sistemas Expertos según el área. ...................................46
Tabla B. Diseño de la tabla de datos de instalación................................................100
Tabla C. Diseño de la tabla de factor de escala ........................................................101
Tabla D. Diseño de la tabla de históricos................................................................ 102
Tabla E. Respuesta del proceso ante variaciones de las principales variables. ..... 105
Tabla F. Tiempos de respuesta del proceso ............................................................. 111
Índice de Figuras
Figura 1. Ubicación de Sidor C.A. ............................................................................... 7
Figura 2. Proceso del sistema de reducción.............................................................. 10
Figura 3. Planta de Pellas de Sidor C.A. ....................................................................11
Figura 4. Discos peletizadores de Planta de Pelas Sidor C.A. .................................. 12
Figura 5. Etapas del proceso de formación de pellas en Sidor C.A. ......................... 13
Figura 6. Formación de pellas................................................................................... 15
Figura 7. Otras alternativas posibles en la formación de pellas ................................17
Figura 8. Principales dimensiones de discos industriales........................................ 18
Figura 9. Movimiento del mineral en el disco .......................................................... 19
Figura 10. Relación entre inclinación, altura de las paredes y ángulo de reposo del
disco. ..................................................................................................................24
Figura 11. Elementos de un sistema de visión artificial............................................ 27
Figura 12. Iluminación de un objeto .........................................................................28
Figura 13. Iluminación posterior difusa ...................................................................29
Figura 14. Iluminación posterior direccional ...........................................................29
Figura 15. Iluminación frontal oblicua .....................................................................30
Figura 16. Iluminación frontal direccional ...............................................................30
Figura 17. Anillo ........................................................................................................30
Figura 18. Anillo con difusor.....................................................................................30
Figura 19. Domo ........................................................................................................30
Figura 20. Dispositivo de luz frontal axial................................................................ 31
Figura 21. Iluminación de día nublado (CDI)........................................................... 31
Figura 22. Dispositivo comercial de CDI .................................................................. 32
Figura 23. Iluminación de campo oscuro ................................................................. 33
Figura 24. Dispositivo comercial iluminación de campo oscuro ............................. 33
Figura 25. Esquema de iluminación del array de luces ............................................ 33
Figura 26. Spot (luz puntual) .................................................................................... 34
Figura 27. Array de leds comercial ........................................................................... 34
Figura 28. Esquema de iluminación de campo claro ............................................... 34
Figura 29. Iluminación por fibra óptica ................................................................... 35
Figura 30. Iluminación por fluorescentes ................................................................ 36
Figura 31. Iluminación por LED's............................................................................. 37
Figura 32. Iluminación por láser .............................................................................. 37
Figura 33. Etapas de un proceso de reconocimiento de formas ..............................40
Figura 34. Esquema básico de un SE........................................................................49
Figura 35. Esquema extendido de un SE .................................................................. 52
Figura 36. Lugar de implantación del sistema. ........................................................60
Figura 37. Esquema del lugar de implantación ........................................................60
Figura 38. Fuente de luz directa ...............................................................................62
Figura 39. Fuente de luz con superficie reflectiva ....................................................62
Figura 40. Imagen capturada....................................................................................64
Figura 41. Histograma de intensidad........................................................................ 65
Figura 42. Aplicación del Método Modal al histograma. ......................................... 65
Figura 43. Imagen binaria producto de la umbralización........................................66
Figura 44. Conjunto B: Elemento estructural N8 ..................................................... 67
Figura 45. Apertura de la imagen capturada. ........................................................... 67
Figura 46. Clausura de la imagen capturada. ...........................................................68
Figura 47. Imagen con extracción y selección de características .............................69
Figura 48. Configuración de iluminación por leds directa........................................71
Figura 49. Configuración de iluminación por leds indirecta. ...................................71
Figura 50. Imagen capturada con iluminación por leds directa. ............................. 72
Figura 51. Imagen capturada con iluminación por leds indirecta............................ 72
Figura 52. Configuración de iluminación fluorescente directa. ............................... 73
Figura 53. Configuración de iluminación fluorescente indirecta............................. 73
x
Figura 54. Imagen capturada con iluminación por fluorescente directa................. 74
Figura 55. Imagen capturada con iluminación por fluorescente indirecta.............. 74
Figura 56. Imagen original capturada. ..................................................................... 75
Figura 57. Extracción de pellas, error al obtener un cúmulo de ellas. ..................... 76
Figura 58. Resultado luego de incorporar la densidad como requisito. .................. 76
Figura 59. Diseño preliminar de la pantalla .............................................................82
Figura 60. Diagrama Entradas-Salida del Sistema Experto ....................................84
Figura 61. Arquitectura de Red de Planta de Pellas ................................................88
Figura 62. Conexiones de la PC para el Sistema Experto.........................................89
Figura 63. Diagrama de respuesta ante la variación del flujo másico de entrada. .. 91
Figura 64. Diagrama de respuesta ante la variación de la velocidad al disco.......... 91
Figura 65. Diagrama de respuesta ante la variación del agua de entrada al disco. .92
Figura 66. Diagrama general de acciones................................................................. 93
Figura 67. Arquitectura del Sistema ......................................................................... 93
Figura 68. Límites de un grafico de control ............................................................. 95
Figura 69. Arquitectura de T-Expert ........................................................................ 97
Figura 70. Sistema de adquisición I-vision ............................................................ 103
Figura 71. Diagrama de flujo para el caso 1 de las reglas de las Western Electric. 106
Figura 72. Diagrama de flujo para el caso 2 de las reglas de la Western Electric. . 106
Figura 73. Diagrama de flujo para el caso 3 de las reglas de la Western Electric. . 107
Figura 74. Diagrama de flujo para el caso 4 de las reglas de las Western Electric.108
Figura 75. Diagrama de flujo modificado para el caso 1......................................... 109
Figura 76. Formato de entrada al Sistema Experto.................................................110
Figura 77. Caso 1 desarrollado en T-Expert.............................................................112
Figura 78. Reglas programadas en CLIPS para el caso 1.........................................114
Figura 79. Pantalla principal....................................................................................115
Figura 80. Menú desplegable de cada variable .......................................................116
Figura 81. Tendencia de variables y configuración ................................................. 117
Figura 82. Estados del tamaño de las pellas con su respectivo led.........................118
Figura 83. Recomendación mostrada por el Sistema Experto................................119
xi
Figura 84. Pantalla de históricos ............................................................................ 120
Figura 85. Pantalla de históricos resaltados............................................................121
Figura 86. Módulos del sistema completo e interacción.........................................121
Figura A.1. Dimensiones de Legend530 ................................................................. 134
Figura B.1. Diagrama de flujo modificado para el caso 2. ...................................... 135
Figura B.2. Diagrama de flujo modificado para el caso 3....................................... 136
Figura B.3. Diagrama de flujo modificado para el caso 4....................................... 136
Figura B.4. Diagrama de flujo computable para el caso 2.......................................137
Figura B.5. Diagrama de flujo computable para el caso 3.......................................137
Figura B.6. Diagrama de flujo computable para el caso 4...................................... 138
xii
Agradecimientos
A mi Dios, por estar siempre a mi lado, gracias por ser mi fuente de fuerza y
entereza para seguir siempre luchando.
A mi precioso ángel de la guarda, gracias por acompañarme siempre y
darme la fuerza para seguir adelante y culminar este proyecto.
A mi querida mamá, una mujer excepcional quien me enseñó el poder del
amor de madre; gracias por tu amor incondicional y tu apoyo, por haber estado
siempre allí cuando necesité de ti.
A mi adorado papá, gracias por todo tu apoyo, por enseñarme la
importancia de la constancia y la exigencia. Tus consejos llenos de amor, siempre
llegaron en el momento oportuno para mantenerme en mi camino.
A mi hermana Rebeca, la luz de mis ojos, mi mejor amiga. Gracias mi niña
por ser el refugio, la esperanza y la alegría cada vez que la necesito.
A mi hermano Julio César, mi mejor amigo y quien ha sido el apoyo para
siempre mantenerme de pie. Gracias mi chino por estar siempre dispuesto cuando
necesité de tu ayuda.
A mi abuelita del alma, Estela, por tanto amor y tantas enseñanzas, tu
experiencia compartida me ha enseñado más de lo que podría imaginar.
A toda mi familia, por preocuparse siempre por mí. Se les quiere.
A la ilustre Universidad de Los Andes por ser la fuente inagotable de
conocimientos que logró saciar mi sed de ellos durante toda mi carrera.
A mi tutor, el Prof. Edgar Chacón, y mi co-tutor, el Prof. Eliécer Colina, por
ser mis guías y mentores en el desarrollo de este trabajo de investigación.
A mis tutor industrial, Juan Colmenares, por acompañarme y ayudarme en
la increíble jornada emprendida para desarrollar este proyecto. Igualmente a toda
la Sección de Modelos, especialmente a José Lara, por el apoyo y la colaboración
brindada.
A mis amigos de la Universidad por compartir a mi lado, cada uno en su
momento, esta etapa tan importante de mi vida.
Al CDCHT por el apoyo financiero brindado para el desarrollo de este
proyecto.
xiii
Capítulo 1
Introducción
Una forma eficiente de modernización, y muy común en los últimos años, ha sido la
introducción de sistemas de automatización avanzados con la finalidad de
controlar y optimizar los procesos industriales; su implementación tiende a
minimizar el error que aporta la intervención humana directa y maximizar el
rendimiento de dicho proceso.
Este trabajo muestra el desarrollo y la implementación de un sistema
automatizado en tiempo real; se trata de un sistema experto en peletización, el cual
utiliza la visión artificial como herramienta para extraer la información principal
del proceso de peletización, específicamente la granulometría1 de las pellas
producidas en un disco peletizador de la Planta de Pellas ubicada en Sidor C.A.
1.1 Antecedentes
Sidor C.A. es una empresa privada dedicada a la producción de productos de acero
y subproductos de procesos básicos utilizando para ello mineral de hierro. Está
integrada por una planta de pellas, un complejo de reducción directa y dos grandes
complejos productivos: el de productos largos y el de planos, los que producen
bobinas, láminas, barras, palanquillas, alambrón y cabillas, entre otros. El mineral
de hierro es combinado con una serie de aglomerantes en cierta proporción y
convertido en pellas (esferas producidas por aglomerados de finos de mineral de
hierro concentrado) con características químicas y físicas bien definidas que pasan
a ser la materia prima en la producción del acero.
1
La granulometría es la distribución de los tamaños de las partículas de un material, tal como se determina por
análisis de tamices (norma ASTM C 136).
Capítulo 1 - Introducción
2
En la planta de pellas ocurre el denominado proceso de peletización o
proceso de fabricación de pellas, éste incluye cinco etapas básicas: El secado y
molienda del mineral, el mezclado, el boleo, el cribado y la piro-consolidación. El
primer proceso es donde el mineral es secado, molido y seleccionado. Luego se le
agrega a la mezcla seca aglomerante orgánico y pulpa para darle la humedad
requerida. Esta mezcla húmeda pasa a los discos peletizadores para iniciar la etapa
de peletización, las partículas sólidas se adhieren entre sí por efecto de rodamiento,
formando un puente entre las partículas de agua, agregada en el disco, y el
elemento aglomerante, que ya trae la mezcla, formando así las pellas. Una vez
obtenidas estas pellas verdes (sin consolidar) se seleccionan mediante el uso de una
criba doble de rodillos que permite la obtención de pellas con el tamaño requerido
para la piro-consolidación. Finalmente en la última etapa, las pellas se consolidan
en un horno de parrilla móvil, logrando así dar las propiedades físicas deseadas.
1.2 Definición del problema
Sidor C.A. ha impulsado la automatización de gran parte de las plantas de
producción que la conforman; sin embargo, el proceso de peletización dentro de la
Planta de Pellas no goza de esta clase de beneficio; allí, el control es realizado
manualmente por un Técnico de Operaciones en el área quien se encarga
personalmente de revisar los parámetros de proceso y operativos que afectan la
calidad y productividad de los discos peletizadores. Además, determina la
granulometría de las pellas tomando una muestra una vez por turno (cada 8 horas)
y aplicándole un tamizado2.
Si el operador concluye que el tamaño de las pellas producidas se encuentra
fuera de los rangos óptimos3, tomará las acciones necesarias para colocar
nuevamente todas las variables dentro de los rangos deseados.
Para estandarizar de alguna manera el control del proceso y ayudar al
operador en tan importante tarea, existen una serie de prácticas operativas que
2
El tamizado de la muestra permite determinar la granulometría de las pellas. Los tamices que se utilizan en Planta de
Pellas son: 1/4”; 1/2“; 3/8” y 5/8”.
3 Para llegar a esta conclusión, el operador calcula la fracción de pellas en cada tamiz. Se desea que la suma de las
fracciones de 1/2” y 3/8”, lo que se denomina “Fracción Útil” sea mayor o igual a 90%.
3
Capítulo 1 - Introducción
proporcionan algoritmos de control, descritos como simples reglas, que
determinan las acciones que se deben ejecutar a la hora de que ocurra una
situación específica. Estas prácticas son seguidas por los Técnicos de Operaciones
en el Área y en Sala de Control y mejoradas cada cierto tiempo.
A pesar de ello, este tipo de control rudimentario, y en su mayoría manual,
facilita la incursión de errores humanos dentro del mismo, tales como imprecisión
a la hora de tomar mediciones, selección de muestras de pellas no representativas a
la salida del proceso a partir de las cuales se toman las decisiones finales; etc…
además, el tiempo que tarda el operador en realizar todas las actividades necesarias
para tomar acciones controladoras puede ser grande, lo que ocasiona que el
proceso no esté bajo control durante considerables períodos de tiempo. Es debido a
esta situación que la planta presenta actualmente un porcentaje de retorno de 30%
aproximadamente (fracción de pellas producidas en los discos peletizadores que no
cumplen
con
las
condiciones
mínimas
de
tamaño),
lo
que
limita
el
aprovechamiento de toda la capacidad de producción de los discos, ya que dicha
fracción de pellas pasa a ser reprocesada.
1.3 Justificación
La forma esférica de la pella es una característica fundamental dentro del proceso
de producción de acero; ésta sufre una serie de procesos consecutivos que van
desde la oxido-reducción, para convertirla en una esfera de hierro esponja o hierro
metálico (Hierro de Reducción Directa HRD), hasta la fundición para obtener
acero líquido que posteriormente será vertido en moldes y así formar productos
planos o largos dependiendo de las necesidades del cliente.
El tamaño que alcanzan las pellas verdes, se convierte entonces en una pieza
clave dentro del proceso de producción; ya que la existencia de pellas muy
pequeñas ocasiona una aglomeración de las mismas durante el proceso de óxidoreducción lo que facilita la presencia de grandes masas sin forma definida ni
características físicas y químicas deseadas; y pellas grandes no permiten que ocurra
la pérdida de fracción de oxígeno adecuada y requerida para la posterior
producción de acero de alta calidad. Es por esto que se vuelve necesario mantener
un control estricto sobre el tamaño de las mismas; mientras mayor cantidad de
4
Capítulo 1 - Introducción
pellas se encuentre dentro de los rangos permisibles, mayor será la producción y la
calidad del acero obtenido a partir de ellas.
Ahora bien, el control del proceso recae actualmente sobre el operador quien
decide, basándose en sus conocimientos del proceso y la experiencia adquirida
durante su labor, qué variable modificar y en qué magnitud hacerlo en caso de que
las pellas obtenidas en los discos no se encuentren dentro de los límites deseados,
situación que determina manualmente cada cierto período de tiempo.
El fin del presente trabajo de investigación es facilitarle al operador una
herramienta que le permita disminuir el porcentaje de retorno en los discos
peletizadores, lo que aumentará la cantidad de pellas de tamaño deseado
producidas durante el proceso de peletización y tendrá una influencia significativa
en el aumento de la producción de acero de alta calidad de la empresa Sidor C.A.
Dicha herramienta se plantea como un Sistema Experto (SE) diseñado para
el control del proceso de peletización, que trabaje en conjunto con el operador,
presentándole recomendaciones sobre las acciones que debería tomar y, de ser
posible, tomando acciones para mantener el sistema dentro de los rangos
deseados; todo esto con la finalidad de garantizar a la salida del proceso, pellas con
las características físicas y químicas deseadas las cuales conllevan a la producción
de acero de mayor calidad y por ende, productos que satisfagan las exigencias del
consumidor en cuanto a calidad, durabilidad y resistencia se refiere. La
determinación de la granulometría de las pellas, que viene siendo el factor
primordial a la hora de observar el estado del proceso, se pretende realizar
implementando un Sistema de Visión Artificial que adquiera y procese
continuamente imágenes a la salida del disco peletizador,
eliminando así los
errores que incursionan el realizar tan importante tarea de manera manual y con
tan poca frecuencia.
Es importante destacar que la implementación de este sistema permitirá
ejercer una observación y un control continuo sobre el proceso de peletización,
mejorando así la productividad del mismo; y generar registros estadísticos
significativos sobre las características de las pellas a la salida del proceso de
peletización, específicamente su tamaño.
Capítulo 1 - Introducción
5
1.4 Objetivos
1.4.1 Objetivo General
Diseñar e implementar un sistema de control para el tamaño de las pellas
producidas en uno de los discos peletizadores en la Planta de Pellas de Sidor C.A.
incorporando para ello, técnicas de Visión Artificial.
1.4.2 Objetivos Específicos
Implantar un sistema de Visión Artificial que permita obtener y procesar
digitalmente imágenes de las pellas producidas por el disco peletizador en Planta
de Pellas, Sidor C.A.
Determinar la granulometría de las pellas obtenidas en el disco peletizador,
a partir de las imágenes obtenidas por el sistema de visión.
Diseñar e implementar, a través de un Sistema Experto, las leyes de control
para el tamaño de las pellas obtenidas en el disco peletizador en Planta de Pellas de
Sidor C.A.
1.5 Estructura del documento
El presente documento se organiza como se muestra:
1.5.1 Capítulo 2: La empresa y el proceso
En este capítulo se brinda una breve descripción de Sidor como empresa
productora de acero, se describen en forma detallada las bases teóricas del proceso
de peletización y se puntualiza el proceso mismo dentro de la empresa, información
indispensable para comprender los objetivos del proyecto.
1.5.2 Capítulo 3: Marco teórico
En este capítulo se detalla la información teórica, relativa a la visión artificial y los
sistemas expertos, también necesaria para la comprensión del proyecto.
1.5.3 Capítulo 4: Sistema de Visión Artificial
En este capítulo se describe el diseño, desarrollo e implementación del Sistema de
Visión Artificial. Se detalla la metodología utilizada en cada fase del procesamiento
Capítulo 1 - Introducción
6
de imágenes y la implementación del Sistema de Visión ya desarrollado, así como la
evaluación del mismo ya implementado.
1.5.4 Capítulo 5: Sistema Experto en Peletización
En este capítulo se describe el diseño, desarrollo e implementación del Sistema
Experto en Peletización. Se detalla cada fase de la metodología utilizada para el
desarrollo del SE, la implementación del Sistema desarrollado y la evaluación del
mismo ya implementado. Además se presenta una sección que describe la
evaluación de todo el Sistema de Control actuando en conjunto.
1.5.5 Capítulo 6: Conclusiones
1.5.6 Capítulo 7: Recomendaciones
1.5.7 Bibliografía
1.5.8 Apéndices
Capítulo 2
La empresa y el proceso
2.1 La empresa Sidor C.A.
Sidor C.A. es un complejo siderúrgico integrado que va desde la fabricación de
pellas hasta productos finales largos (Barras y Alambrón) y planos (Láminas en
Caliente, Láminas en frío, y Recubiertos) en el que se utiliza tecnología de
reducción directa -horno de arco eléctrico y colada continua. Como se puede
observar en la Figura 1, la planta está ubicada en la zona industrial Matanzas,
estado Bolívar, región sur oriental de Venezuela, sobre la margen derecha del río
Orinoco, a 282 Km. de su desembocadura y a unos 17 kilómetros de su confluencia
con el río Caroní.
Figura 1. Ubicación de Sidor C.A.
Capítulo 2 - La empresa y el proceso
8
Sidor C.A. constituye el principal productor de acero de la Comunidad
Andina de Naciones y ocupa el tercer lugar como productor de acero integrado de
América Latina, además de ser el primer exportador privado de Venezuela.
En la actualidad, las instalaciones de Sidor se extienden sobre una superficie
de 2.838 hectáreas, de las cuales 90 hectáreas son techadas. Cuenta con una amplia
red de comunicaciones de 74 Km. de carreteras pavimentadas, 132 Km. de vías
férreas y acceso al mar por un terminal portuario con capacidad para atracar
simultáneamente 6 barcos de 20.000 Tn. cada uno. Además de contar con
edificaciones en las cuales se desarrollan las áreas administrativas y de soporte al
personal, tales como edificios administrativos, comedores, servicio médico, talleres
centrales, entre otros. Sidor C.A., cuenta con las siguientes instalaciones
productivas, véase [ 4 ]:
•
Planta de pellas: en esta planta se procesan finos de mineral de hierro
provenientes del Cerro Bolívar y fundentes, para convertirlos mediante
calentamiento aglomerado, en producto que reciben el nombre de Pellas.
•
Plantas de reducción directa: constituida por dos plantas de procesos
distintos (Midrex y HyL), para la producción de hierro esponja, utilizando la
pella como materia prima y gas natural reforzado como agente reductor.
Dentro de la empresa estas plantas se dividen en: HyL I (la cual ya fue
demolida), HyL II, Midrex I y Midrex II.
•
Acería y colada continua de planchones: consta de seis hornos de arco
eléctrico de 200 toneladas por colada. Esta acoplada a la maquina de colada
continua.
•
Acería y colada continúa de palanquillas: este conjunto consta de
cuatro hornos de arco eléctrico de 150 toneladas cada uno, acoplados a tres
maquinas de colada continua.
•
Laminación en Caliente: líneas de corte y tajado I y II; líneas de
decapado continuo I y II.
•
Laminación en Frío: líneas de tandem I y II; líneas de preparación de
bobinas; limpieza electrolítica I y II; líneas de inspección, desborde y
embobinado I y II; recocido de campana I y II y recocido continuo; estañado
y cromado electrolítico I y II; temple I, II y III; línea de corte y selección de
Capítulo 2 - La empresa y el proceso
9
hojalata I, II, III y IV; corte en frío I y II; instalaciones auxiliares; tajado en
frío; tren de barras; tren de Alambrón.
•
Planta de briquetas: la planta que originalmente se construyó no está en
operación, sin embargo, Sidor y TENARIS en reciente compra adquirieron
los activos de la briquetera POSVEN.
•
Planta de cal: consta de tres zonas: transporte de materia prima,
calcinación y molienda. Adicionalmente disponible de instalaciones
auxiliares y fluidos industriales, tales como electricidad, oxigeno, gas
natural, agua, etc., además de otros servicios como el muelle, transporte,
vigilancia, bomberos, etc. La cal es utilizada como aglutinante en la Planta
de pellas y como fundente en las acerías eléctricas.
•
Terminal portuario: con una longitud de 1195 metros, con capacidad
para atracar, simultáneamente hasta 6 buques.
Existe un conjunto de plantas de servicio y apoyo a la parte productiva de
Sidor, estas son: Planta de oxigeno, Planta de preparación de chatarra, Sistema de
control de la contaminación ambiental, Plantas de recirculación de agua, Planta de
tratamiento de aguas negras, Sub-estaciones eléctricas, Servicios de apoyo,
Talleres, Investigación, Proyectos, Alimentarios, Transporte.
La agrupación de varias de estas instalaciones genera tres sistemas
productivos:
•
Sistema de reducción
•
Sistema de productos planos
•
Sistema de productos largos
El sistema de reducción está constituido por la Planta de Pellas y las plantas
de reducción directa. Su objetivo fundamental es producir las unidades de metálico
necesarias para la producción de acero de Sidor C.A. En la Figura 2 se muestra un
esquema del sistema de reducción de Sidor C.A.
Capítulo 2 - La empresa y el proceso
10
Figura 2. Proceso del sistema de reducción.
La materia prima que utiliza éste sistema es:
•
Mineral de hierro proveniente de la Ferrominera del Orinoco
•
Dolomita.
•
Cal hidratada.
•
Bentonita.
•
Sílice.
2.1.1 Planta de Pellas
Esta planta tiene como finalidad la fabricación de esferas denominadas pellas para
el consumo de las plantas de reducción y para la exportación. Está conformada por
dos unidades de molienda y peletización de mineral de hierro y con una capacidad
global de producción de 7 millones de toneladas de pellas al año. En la Figura 3 se
puede observar una toma de la planta.
Capítulo 2 - La empresa y el proceso
11
Figura 3. Planta de Pellas de Sidor C.A.
Planta de pellas esta compuesta de tres (3) áreas, véase [ 28 ]:
2.1.1.1 Manejo de Materiales
Es el área que suministra mezcla de mineral fino y aditivos. Además, en esta área se
almacenan y suministran pellas.
2.1.1.2 Molienda
Tiene dos líneas que constan de dos secadores de tambor, dos molinos de bolas,
dos separadores neumáticos, un silo de material fino y dos líneas de mezclado cada
una.
2.1.1.3 Peletización
Esta área consta igualmente de dos líneas que se dividen a su vez en: peletización
verde, sección de induración y estación de cribado. Además se emplean para el
desempolvado de equipos de lavadores húmedos. El polvo aspirado por los
lavadores se añade al material a peletizar a través de un espesador bajo la forma de
pulpa.
Es aquí específicamente donde se produce el proceso de formación de pellas;
el área consta de dos líneas de producción (A y B) exactamente iguales, cada una de
las cuales tiene 6 discos peletizadores idénticos, Figura 4, equipo utilizado para
formar las pellas. La capacidad nominal de cada disco se cifra en una 90 Tn./Hr; su
Capítulo 2 - La empresa y el proceso
12
diámetro es de aproximadamente 7,5 Mt. y poseen una velocidad variable entre 5,4
y 7 r.p.m [ 15 ].
Figura 4. Discos peletizadores de Planta de Pelas Sidor C.A.
2.1.2 El proceso en Planta de Pellas
El proceso de fabricación de pellas incluye cinco etapas básicas: El secado y
molienda del mineral, el mezclado, el boleo, el cribado y la piroconsolidación. En
la primera fase el mineral de hierro se mezcla con bentonita y se almacena en los
silos. Seguidamente el material es secado y procesado en molinos para darle la
granulometría adecuada y trasladado a un sistema de silos, desde donde se envía
conjuntamente con la cal hidratada al sistema de pre-mezclado, de allí la mezcla de
material pasa a los mezcladores donde se ajusta su humedad y se traslada a los
discos peletizadores donde se forman las pellas verdes, las cuales son enviadas por
medio de cintas o correas transportadoras a la máquina de piroconsolidación para
realizar la etapa de quemado de las pellas.
En el horno móvil de la máquina de piroconsolidación se efectúa el quemado
de las pellas verdes a fin de aumentar su resistencia a la compresión. Las pellas
quemadas se depositan en cribas para su posterior clasificación y las de fracción
entre 10 mm y 16 mm se consideran como producto de primera mientras que las de
fracción menor a 10 mm. (1/4 Pulgadas) se envían a los patios para su recirculación
al proceso[ 28 ]. La Figura 5 muestra un esquema de las etapas del proceso:
Capítulo 2 - La empresa y el proceso
13
Figura 5. Etapas del proceso de formación de pellas en Sidor C.A.
2.1.2.1 Variables de control del proceso
•
Tamaño del grano fino de entrada.
•
Temperatura.
•
Granulometría Final.
•
% De Concentración de Aditivos del Mineral.
2.2 Proceso de Peletización
La peletización es un proceso que consiste en la aglomeración del mineral
finamente molido o un concentrado por la adición de aglomerantes y determinada
cantidad de agua para darle forma de partículas esféricas, pellas verdes, las cuales
son endurecidas por cocción en hornos [ 21 ].
El proceso de peletización comprende básicamente dos operaciones: una en
frío que consiste en la formación de las pellas verdes y otra en caliente, que consiste
en el secado y cocción de dichas pellas, es en esta etapa donde las pellas verdes
Capítulo 2 - La empresa y el proceso
14
obtienen una solidez que garantiza las condiciones mínimas de estabilidad en
etapas subsiguientes.
Primeramente se tiene la formación de pellas verdes en la que el mineral de
hierro de grano fino
es enrollado con la adición de un líquido humectante,
usualmente agua, en equipos adecuados como tambores o discos peletizadores; de
este modo se forman las pellas húmedas, pellas verdes. En esta etapa se pueden
usar otros aditivos para mejorar las propiedades de la pella, tal es el caso de
bentonita, y para cambiar las propiedades de la pella endurecida como la caliza y/o
dolomita.
En una segunda etapa, las pellas son secadas e induradas (endurecidas) para
obtener sus características típicas; esto se alcanza, en la mayoría de los casos,
mediante un calentamiento cuidadoso en una atmósfera oxidante hasta una
temperatura justo por debajo del punto de ablandamiento de los minerales usados.
Durante este calentamiento, no sólo la estructura cristalina cambia sino que
también, aparecen otras uniones como los óxidos de hierro, véase [ 19 ]
Aquí, nos centraremos en la etapa de formación de pellas verdes, es en ésta
donde queda determinado el tamaño de las pellas, característica de interés para el
desarrollo de este trabajo.
2.2.1 Pellas
La pella es un aglomerado de finos de mineral de hierro concentrado de forma
esférica y cierta cantidad de características físicas y químicas bien definidas, que se
utiliza en los procesos de reducción para la obtención de hierro de reducción
directa [ 21 ]. Entre las características más importantes podemos resaltar, véase
Meyer, 1980 [ 17 ].
•
Distribución de tamaño uniforme dentro de un rango principal de 9-15 mm
de diámetro.
•
Alta porosidad, de un 20 a 30%.
•
Alto contenido de hierro, más de 63%.
•
Composición mineralógica uniforme.
•
Baja tendencia a la abrasión y buen comportamiento durante su
movilización.
15
Capítulo 2 - La empresa y el proceso
•
Alta y uniforme resistencia mecánica.
2.2.2 Mecanismo de formación de pellas
Si las partículas sólidas se ponen en contacto con el agua, la superficie del mineral
se humedece. La partícula se ve recubierta con una película de agua, como se
muestra en la fase A de la Figura 6.
Figura 6. Formación de pellas
En muchos lugares, las partículas hacen contacto entre sí; debido a la
tensión superficial de la película de agua se forman los puentes líquidos (fase B).
Luego, como resultado del movimiento dentro de la unidad de boleo y de la
combinación de gotas de agua individuales, se forman los primeros aglomerados,
vea fase C. En el interior de estos aglomerados libres, aparecen los primeros
puentes líquidos entre un gran número de cavidades que aún existen; dichos
puentes mantienen unidas las partículas. Finalmente, se forman las esferas libres,
las cuales con una cantidad mayor de agua se condensan más, esto continúa hasta
la formación de la fase D. En este estado, las fuerzas capilares de los puentes
líquidos individuales se hacen esencialmente activas. Por lo que se alcanzará un
nivel óptimo cuando los poros del interior de la esfera estén llenos del líquido. No
obstante, por la capilaridad se induce a la formación de zonas no uniformes en el
entorno de la esfera (fase E), ya que las superficies líquidas de los poros externos
Capítulo 2 - La empresa y el proceso
16
tendrán una forma cóncava y la succión mantendrá unidas las partículas de
mineral.
El estado final se alcanza cuando las partículas están completamente
cubiertas por las películas de agua. Ahora la tensión superficial de la gota con las
partículas sólida se hará completamente activa (fase F).
Además, los movimientos giratorio y relativo de los granos entre sí, juegan
un papel importante, por cuanto aumentan la adhesión gracias a la gran cantidad
de puntos de contacto y una resistencia a la compresión simultánea. No obstante,
estos factores también pueden tener influencias negativas, por ejemplo en el caso
de partículas débiles, las cuales no aportan una resistencia suficiente a la
compresión y esto conlleva a la fractura de la pella verde o a la desintegración en
partículas mucho más pequeñas, véase [ 17 ].
Aparte de la formación de pellas ideal a partir de granos finos de mineral,
anteriormente descrita, existen otras posibilidades que ocurren simultáneamente
en la operación práctica. Como se puede apreciar en la Figura 7, los siguientes
casos pueden suceder véase Sastry et al [ 26 ].
•
Por capas (A): adhesión de partículas muy pequeñas a otras produciendo
la formación de un aglomerado.
•
Adhesión de núcleos (B): aglomeración de pequeños núcleos ya
existentes, debido al movimiento relativo y cierta presión.
•
Rompimiento de núcleos (C): adhesión de fragmentos de pellas verdes
fracturadas a otros núcleos completos.
•
Abrasión de núcleos (D): incorporación de pequeños núcleos débiles
que sufrieron abrasión en la superficie de núcleos más fuertes.
17
Capítulo 2 - La empresa y el proceso
Figura 7. Otras alternativas posibles en la formación de pellas
Durante la producción de pellas verdes ocurren simultáneamente la
formación y la desintegración de un cierto número de núcleos, sólo aquellas que
puedan resistir la división o las fuerzas destructivas durante el boleo sobreviven, es
así como se da lugar la selección de las mejores pellas. La competencia entre las
fuerzas constructivas y destructivas favorece la formación de pellas uniformes,
densas y estables.
2.2.3 Disco peletizador (Disco de boleo)
El disco ya había sido utilizado para el boleo de cemento crudo y en la industria de
fertilización antes de que su aplicación en la peletización de mineral de hierro fuese
investigada, alrededor de 1949 ó 1950.
Cuando se bolea mineral de hierro en un
disco, se hace bajo ciertas condiciones físicas; el movimiento de rotación es iniciado
por la inclinación del fondo plano del disco.
2.2.3.1 Principales componentes del disco
El disco posee una cantidad de componentes necesarios para la formación de las
pellas, éstas se representan en la Figura 8.
Capítulo 2 - La empresa y el proceso
18
Figura 8. Principales dimensiones de discos industriales
El disco inclinado y de rotación concéntrica, está compuesto por un área
circular y plana en el fondo. Para asegurar suficiente fuerza de fricción y un buen
efecto de levantamiento para las pellas, una capa de mineral húmedo de 3 a 10 cm.
de grosor es colocada en el fondo y controlada por los raspadores. La capacidad del
disco está dada por las paredes laterales posicionadas a 90º del fondo; la altura de
dichas paredes depende del diámetro del disco. La velocidad puede ser variada
dependiendo de las propiedades de peletización de la materia prima.
2.2.3.2 Operación del disco de boleo
La idea es utilizar la mayor área posible del disco para la formación de pellas.
Debido a la larga duración que tiene la formación de pellas, ocurre una clasificación
para descargar las pellas del tamaño deseado, la cantidad necesaria de
alimentación del mineral corresponde a la cantidad de pellas descargadas.
Para iniciar el movimiento rotatorio hacia abajo, el disco es inclinado con
cierto ángulo de manera que el material cargado exceda el ángulo dinámico de
reposo. Debido a la fuerza de levantamiento del fondo áspero del disco y la fuerza
de fricción del material, las partículas más finas son levantadas hasta el punto de
culminación, de donde son forzadas a rodar hacia abajo. Las pellas ya formadas
caen antes y ruedan hacia abajo sobre la superficie de carga, mientras sus
diámetros se van incrementando. Gracias al arreglo adecuado de los raspadores la
carga es guiada para que durante la rotación hacia abajo se produzca una
clasificación.
Capítulo 2 - La empresa y el proceso
19
El punto de alimentación de la materia prima debe ser localizado donde los
núcleos de pellas son formados, por ejemplo, utilizando una rotación horaria, sería
aproximadamente entre las 3 y 4 horas; este punto puede variar debido a la
influencia del diámetro de las pellas y de acuerdo con las propiedades del mineral.
Si se necesita agua para a formación de las pellas, esta puede ser añadida en
aquellos puntos donde las pellas están comenzando a formarse, la Figura 9 muestra
el movimiento del material de la carga rodante guiada por los raspadores, así como
la alimentación de la materia prima y el punto de descarga de las pellas ya
formadas, ubicado aproximadamente alrededor de las 7 u 8:30 horas [ 17 ].
Figura 9. Movimiento del mineral en el disco
2.2.4 Factores que influyen en la formación de pellas
Las pellas verdes se producen mediante el movimiento giratorio del equipo de
boleo. El número de revoluciones del disco está por debajo del valor crítico, de
modo que el material arrastrado puede rodar desde el punto más alto del disco al
más bajo; este movimiento de rodadura produce en interacción con la tensión de
superficie del agua en las partículas del material micro-pellas, éstas vuelven a ser
arrastradas hacia arriba para rodar otra vez hacia el fondo del disco. Las pellas
adquieren un tamaño determinado y se descargan por el borde del disco.
Los factores decisivos que influyen en la formación y el crecimiento de las
pellas verdes, así como en el desarrollo de sus características, pueden agruparse de
la siguiente manera según [ 30 ]:
Capítulo 2 - La empresa y el proceso
•
20
Fuerzas físicas: magnéticas, electrostáticas, fuerzas de Van der Waals,
etc.
•
Factores dependientes de la superficie: tamaño de partícula,
distribución de tamaño de las partículas y forma de las partículas.
•
Factores dependientes del material: humectabilidad, capacidad de
absorción debido a una estructura porosa, dilatación y propiedades químicas
del mineral.
•
Fuerzas capilares y tensión superficial: durante la adición de
aglomerantes líquidos, ya sea agua u otro.
Algunos de estos factores, principalmente los que dependen de la materia
prima usada no son variables aunque tienen una influencia decisiva sobre la
operación de boleo.Otros, sin embargo; pueden variarse y son los que permiten
controlar este proceso, tal es el caso de:
•
Tipo y cantidad del agente humectante usado (agua).
•
Fineza y forma de las partículas.
•
Tipo y cantidad de los aditivos aglomerantes usados.
•
Dispositivos en el equipo de boleo para regular las fuerzas que intervienen y
el flujo del material.
2.2.4.1 Tipo y cantidad del agente humectante usado (agua)
La humedad necesaria para cubrir todas las partículas de mineral con una capa
delgada de agua, es referida en la literatura como humedad crítica y depende de
características del mineral. En general, menor cantidad de agua dificulta la
formación de los núcleos y les resta plasticidad. Esto hace que al colisionarse con
otros o durante su manejo, se rompan en lugar de deformarse.
Un exceso de agua, además de producir aglomerados muy grandes,
generalmente produce una mayor plasticidad en las pellas verdes, que tiene efectos
nocivos para la permeabilidad de la cama durante el cocimiento.
La propiedad del agua que tiene mayor efecto en la formación de los núcleos
es su tensión superficial. Esta propiedad puede ser afectada por reactivos químicos
que se adicionan para operaciones anteriores, como son los agentes espumantes
usados en la flotación de minerales. En caso de que la tensión superficial del agua
Capítulo 2 - La empresa y el proceso
21
disminuya, la formación de pellas así como su resistencia mecánica se verá
disminuida.
Mientras mayor sea la cantidad de agua agregada mayor será
el tamaño de las pellas producidas [ 30 ].
Es ventajoso suministrar la mezcla con humedad por debajo del valor
óptimo para la peletización, de modo que el operador pueda fijar mediante las
toberas de agua la humedad definitiva.
2.2.4.2 Fineza y forma de las partículas
El tamaño, la fineza y la forma de las partículas determinan la superficie total de
mineral que puede estar en contacto con el medio líquido, afectando la resistencia
física de las pellas verdes formadas. En general, a menor tamaño de partícula se
tiene mayor adhesividad y por lo tanto mayor resistencia.
2.2.4.3 Tipo y cantidad de los aditivos aglomerantes usados
El uso de aditivos en la aglomeración del mineral de hierro no tiene como objetivo
principal la formación de pellas como tal, ya que este proceso es posible con la
humedad remanente que posee la pulpa; sino disminuir el material particulado
durante el boleo y mejorar el rendimiento de esta operación.
Básicamente se busca que el aditivo confiera propiedades distintas tanto a la
pella verde como a la cocida, entre las cuales destacan:
•
Mejorar la resistencia mecánica de las pellas verdes durante su transporte
desde los discos de boleo, hasta su ingreso al interior del horno; soportando
en este trayecto una operación de cribado mediante un transportador de
rodillos.
•
Mejorar la permeabilidad del lecho en el horno para lo que se busca una
pella esférica, humedad distribuida uniformemente, resistencia a la carga
(Compresión), resistencia a la deformación (Plasticidad), resistencia a las
caídas.
•
Las características deseables en los aglomerantes son:
•
Dispersión y desdoblamiento de las moléculas en contacto con la humedad
del mineral.
Capítulo 2 - La empresa y el proceso
•
22
Alta adhesividad en soluciones con agua, incremento de la viscosidad en
soluciones con agua a pH de la pulpa en uso.
•
Facilidad de disolución, formación de fuerzas mayores a las capilares del
agua en el mineral aglomerado (pella verde natural).
•
Nivel de respuesta del aditivo al calor, para facilitar los cambios
fisicoquímicos en el interior de la pella.
•
Que su distribución durante la formación de la pella sea uniforme y no
puntual; para garantizar la formación de una red microporosa en lugar de
grandes poros que debilitan su estructura.
•
Que deje el mínimo de residuos a la pella producto.
•
Que antes del ingreso a la zona de cocimiento del horno haya promovido por
calcinación la formación de una gran cantidad de microcanales, para ser
utilizados para el ingreso de los flujos de gases que promuevan un proceso
metalúrgico óptimo en toda la pella.
•
Que evite en lo posible competir con las reacciones de desulfuración y
descarbonatación para disminuir el agrietamiento y el choque térmico de la
pella obteniendo un producto menos fracturado.
Tradicionalmente se ha utilizado como aglomerante en peletización la
bentonita, aunque en algunas operaciones con producción de pellas básicas se
utiliza el hidróxido de calcio que además fungirá como corrector de la basicidad. La
tendencia moderna hacia reducir el contenido de silicatos en las pellas ha
favorecido la aplicación de compuestos orgánicos como aglomerantes.
2.2.4.3.1 Bentonita [ (Si4O10)Al4(OH)8.4H2O ]
Es un mineral arcilloso compuesto principalmente por Montmorillonita (Silito
Aluminato) que tiene la propiedad de incrementar varias veces su volumen en
contacto con el agua. Esta propiedad confiere a las pellas verdes una mayor
esfericidad y alta resistencia mecánica con adiciones entre 0.3 y 0.5%.
Además es un aditivo de precio relativamente bajo. El único punto en contra
de este aditivo es su aportación de no metálicos.
Capítulo 2 - La empresa y el proceso
23
2.2.4.3.2 Hidróxido de Calcio
La calhidra es usada como aglomerante en la producción de pellas de media y alta
basicidad. Sin embargo, la resistencia mecánica conferida a las pellas verdes no
siempre es tan buena y tiene efectos perjudiciales durante el cocimiento.
Los gases generados durante la deshidratación y descarbonatación de este
compuesto pueden reducir severamente la resistencia mecánica de las pellas
cocidas, por choque térmico.
2.2.4.4 Dispositivos en el equipo de boleo para regular las fuerzas que
intervienen
En el disco, la inclinación del fondo, las paredes laterales, y los raspadores tiene la
función de iniciar y mantener el movimiento de rotación; en este sentido es
importante obtener que el material a ser peletizado ruede hacia abajo una máxima
distancia, esto se logra a través de la inclinación del disco, su fuerza de
levantamiento y la fricción de la carga.
2.2.4.4.1 Inclinación del disco y altura de los bordes
La inclinación del disco está determinada por el ángulo dinámico de reposo
específico del material. Para sobrepasar este ángulo, la inclinación del disco debe
ser siempre ligeramente mayor, lo que se muestra en la Figura 10: si α es el ángulo
dinámico de reposo y β el ángulo de inclinación del disco, este último debe ser
siempre mayor que α, si β fuese menor o igual, el material sería traído a una
posición de descanso [ 17 ].
Capítulo 2 - La empresa y el proceso
24
Figura 10. Relación entre inclinación, altura de las paredes y ángulo de reposo del disco.
El ángulo de inclinación con respecto a la horizontal que genera una máxima
tasa de producción en los discos de diámetro aproximado de 6 mt. varía entre 45º y
48º de acuerdo al coeficiente de fricción del mineral y el coeficiente de
levantamiento.
Mientras mayor sea el ángulo menor será el tamaño de las
pellas producidas [ 30 ].
La altura de los bordes también está determinada por el ángulo de
inclinación; el volumen de llenado depende ambos factores.
2.2.4.4.2 Velocidad de rotación del disco
Si la velocidad es insuficiente, la carga permanece en una posición relativa de
descanso; no ocurre ninguna rotación. Si la velocidad es excesiva, el material se
mueve hacia arriba sin rodar hasta abajo; debido a la fuerza centrífuga, éste es
arrojado en contra de las paredes del disco y no sale de ahí lo que evita que exista
un movimiento relativo de rotación, éste fenómeno ocurre en una velocidad crítica.
De acuerdo a la experiencia, la velocidad óptima debe estar por debajo del 70% de
este valor aproximadamente. Inicialmente, las partículas de granos finos deben ser
prácticamente levantadas hasta el vértice donde son forzadas a rodar hacia abajo.
De esta manera, la longitud y la mayor parte de la superficie son utilizadas como
rutas de rotación. La velocidad de los discos peletizadores en plantas industriales
Capítulo 2 - La empresa y el proceso
25
se encuentra entre 6 y 7 r.p.m. con diámetros entre 6,5 y 7 mt. lo que genera una
velocidad circunferencial de 140 a 160 m/min.
Mientras mayor sea la velocidad de rotación del disco mayor
será el tamaño de las pellas producidas [ 30 ].
2.2.4.4.3 Diámetro del disco
Gracias al diseño simple y el modo de operación del disco de boleo, éste puede ser
utilizado para peletización en pequeñas cantidades. Un disco de boleo de
laboratorio posee aproximadamente de 0.8 a 1 mt de diámetro; en la grandes
plantas de peletización discos de 6.5 a 7.5 mt. de diámetro se encuentran en
operación. El tamaño del área del disco no tiene influencia en la calidad de la pella;
sin embargo, el diámetro y el área del disco son decisivos en la cantidad de pellas
producidas.
En resumen, se ha mostrado el proceso de formación de pellas, las
principales variables que influyen en el tamaño de las mismas y su relación directa,
así como las consecuencias en el tamaño de las pellas producidas. De esta manera
se puntualizan aquellas variables sobre las cuales se debe ejercer control para
obtener así un tamaño deseado de pellas, objetivo primordial del sistema a
desarrollar.
Capítulo 3
Marco Teórico
3.1 Visión Artificial
La visión artificial es “una técnica basada en la adquisición de imágenes,
generalmente en dos dimensiones, para luego procesarlas digitalmente mediante
algún tipo de CPU (computadora, microcontrolador, etc.), con el fin de extraer y
medir determinadas propiedades de las imágenes adquiridas. Se trata, por tanto,
de una tecnología que combina las computadoras con las cámaras de video para
adquirir, analizar e interpretar imágenes de una forma equivalente a la inspección
visual humana”, véase [ 2 ].
Las técnicas de visión artificial son particularmente apropiadas para la
realización de trabajos visuales altamente repetitivos que sean fatigosos o difíciles
de realizar para un operario, especialmente cuando este trabajo es ineficiente o
costoso en términos económicos o temporales.
3.1.1 Elementos de un sistema de visión artificial
Un sistema de visión artificial se compone básicamente de los siguientes elementos
[ 2 ]:
•
Fuente de luz: es un aspecto de vital importancia ya que debe
proporcionar unas condiciones de iluminación uniformes e independientes
del entorno, facilitando además, si es posible, la extracción de los rasgos de
interés para una determinada aplicación.
•
Sensor de imagen: es el encargado de recoger las características del
objeto bajo estudio.
Capítulo 3 - Marco Teórico
•
27
Tarjeta de captura o adquisición de imágenes: es la interfaz entre el
sensor y la computadora o módulo de proceso que permite al mismo
disponer de la información capturada por el sensor de imagen.
•
Algoritmos de análisis de imagen: es la parte inteligente del sistema.
Su misión consiste en aplicar las transformaciones necesarias y extracciones
de información de las imágenes capturadas, con el fin de obtener los
resultados para los que haya sido diseñado.
•
Computadora o módulo de proceso: es el sistema que analiza las
imágenes recibidas por el sensor para extraer la información de interés en
cada uno de los casos implementando y ejecutando los algoritmos diseñados
para la obtención de los objetivos.
•
Sistema de respuesta en tiempo real: con la información extraída, los
sistemas de visión artificial pueden tomar decisiones que afecten al sistema
productivo con el fin de mejorar la calidad global de producción.
Dichos elementos pueden observarse fácilmente en la Figura 11, donde se
ilustra un sistema de visión artificial completo.
Figura 11. Elementos de un sistema de visión artificial
3.1.1.1 Fuente de luz
La iluminación es el aspecto más decisivo de cualquier aplicación de visión
artificial. Eligiendo la técnica adecuada de iluminación se puede lograr un aumento
en la exactitud, en la fiabilidad del sistema y en su tiempo de respuesta. Es un error
28
Capítulo 3 - Marco Teórico
muy serio y costoso asumir que se puede compensar una iluminación inadecuada
con la implementación digital de un algoritmo.
En un sistema de visión artificial, la mejor imagen es aquella que tiene el
mayor contraste donde las áreas de interés se destacan del fondo (background)
intrascendente. La mejor imagen es aquella que facilita la tarea del sistema de
visión.
Los objetivos de una iluminación adecuada son, básicamente, independizar
las condiciones del entorno y resaltar los rasgos de interés de una determinada
aplicación. Para que una característica aparezca en una imagen, la luz debe venir de
la fuente de iluminación, reflejarse en el objeto y ser recolectada por la lente, como
se puede observar en la Figura 12.
Figura 12. Iluminación de un objeto
3.1.1.1.1 Técnicas de iluminación
Existen diversas técnicas de iluminación cuando se utiliza visión artificial, la
selección dependerá de la finalidad de todo el sistema así como de las condiciones
ambientales en las cuales se implantará el mismo, véase [ 12 ]. Las técnicas más
utilizadas son:
3.1.1.1.1.1
Iluminación posterior (backlight)
La iluminación posterior permite delinear el contorno de las piezas, minimiza la
visibilidad de gabinetes traslúcidos y permite visualizar perforaciones pasantes.
29
Capítulo 3 - Marco Teórico
Esta técnica brinda un contraste muy alto y es fácil de implementar. En las
imágenes
tomadas
bajo
esta
técnica,
el
fondo
(background)
aparece
uniformemente blanco y el objeto se visualiza mediante su silueta.
Dentro de las técnicas de iluminación posterior se pueden encontrar la
difusa y la direccional. En la iluminación posterior difusa (Figura 13) los rayos de
luz se transmiten en diversos ángulos, como ya se mencionó. En la iluminación
posterior direccional (Figura 14), un colimador hace que todos los rayos de luz se
propaguen en direcciones paralelas.
Figura 13. Iluminación posterior difusa
Figura 14. Iluminación posterior direccional
Aplicaciones típicas incluyen la medición de las dimensiones exteriores, la
ubicación de los puntos de sujeción (perforaciones para tornillos) y la medición de
la opacidad de materiales traslúcidos o de su espesor.
3.1.1.1.1.2
Iluminación Frontal Oblicua y Direccional.
La dirección de la iluminación, ángulo de incidencia, es él ángulo formado por el
plano normal a la superficie y el rayo incidente. Cuando los haces de luz forman
20º con la superficie, se puede maximizar el contraste en objetos con relieves de
manera que los bordes aparezcan brillantes frente al fondo oscuro (Figura 15). En
la iluminación frontal direccional, Figura 16, el ángulo entre los rayos incidentes y
la superficie es de 30º, lo que reduce un poco el contraste pero incrementa la
cantidad de información obtenible de las superficies planas.
30
Capítulo 3 - Marco Teórico
Figura 15. Iluminación frontal oblicua
Figura 16. Iluminación frontal direccional
Entre los dispositivos comerciales se pueden encontrar los anillos y los
domos. Los anillos, Figura 17, son adecuados para superficies planas y difusas.
Están disponibles en espectro blanco, rojo, IR, UV, azul, verde, iluminación
continua o pulsante, con lente difusor (Figura 18) o no difusor. Los domos, Figura
19, producen una iluminación difusa y uniforme. Se utilizan para iluminar
superficies reflectivas.
Figura 17. Anillo
3.1.1.1.1.3
Figura 18. Anillo con difusor
Figura 19. Domo
Iluminación Frontal Axial (difusa).
Mediante esta técnica se puede iluminar desde el mismo eje de la cámara con luz
uniforme, incluyendo el centro de la imagen. Permite iluminar uniformemente
superficies reflectivas, realza detalles grabados y crea contraste entre superficies
especulares y difusas / absorbentes.
El dispositivo comercial de la Figura 20 envía luz mediante el divisor de
haces prácticamente a 90 grados. Provee iluminación uniforme para superficies
reflectivas planas. De esta forma, las superficies reflectivas perpendiculares a la
31
Capítulo 3 - Marco Teórico
cámara se ven iluminadas, mientras que aquellas que se encuentran a otros ángulos
aparecen oscuras.
Figura 20. Dispositivo de luz frontal axial
3.1.1.1.1.4 Iluminación de Día Nublado (cloudy day ilumination, CDI).
Esta técnica suministra iluminación difusa en la misma dirección que el eje de la
cámara; ha sido diseñada para las aplicaciones más complejas y difíciles con
superficies especulares irregulares que necesitan luz completamente uniforme. La
CDI proporciona una completa uniformidad, con un máximo de desviación del 10%
en el campo de visión.
CDI es el sistema más perfecto de iluminación difusa que existe, el efecto
que se consigue con este tipo de iluminación es el de "Un Día Nublado". La CDI
combina un sistema óptico patentado con una esfera difusora para proporcionar un
ambiente de iluminación difusa que no tiene comparación en el mundo de la
tecnología de iluminación. La Figura 21 muestra un esquema típico de CDI.
Figura 21. Iluminación de día nublado (CDI)
32
Capítulo 3 - Marco Teórico
La CDI ha sido diseñada para aplicaciones críticas que están basadas en
objetos con superficies altamente especulares donde cualquier reflexión puede
confundirse con un defecto. Ejemplos de este tipo de aplicaciones incluyen:
verificación de discos compactos, y la inspección de patrones en circuitos impresos
o placas electrónicas.
Los dispositivos comerciales de CDI, Figura 22, permiten inspeccionar
productos incluso dentro de su envoltorio, tales como blisters farmacéuticos o
chips de computadores dentro de su envoltura transparente.
Figura 22. Dispositivo comercial de CDI
3.1.1.1.1.5 Iluminación de Campo Oscuro (dark field).
Se trata de luz directa de alta intensidad que se hace incidir sobre el objeto con un
ángulo muy pequeño respecto a la superficie donde descansa, Figura 23. De esta
manera conseguimos que, sobre superficies que presentan hendiduras o
elevaciones, éstas interfieran en la trayectoria de la luz produciéndose zonas
brillantes.
Esta técnica consiste en hileras de LED’s montadas a 75º ó 90º con respecto
al eje óptico. La iluminación puede ser continua o pulsante (estroboscópica).
Además del modelo en anillo, también se fabrican con haces paralelos ajustables
individualmente. La iluminación de campo oscuro realza el contraste de los detalles
superficiales tales como grabados, marcas y defectos.
33
Capítulo 3 - Marco Teórico
Figura 23. Iluminación de campo oscuro
Figura 24. Dispositivo comercial iluminación de
campo oscuro
3.1.1.1.1.6 Array de luces.
La luz producida por el array de luces llega directamente al objeto. Produce un gran
contraste y resalta las texturas, relieves y fisuras del objeto iluminado debido a que
cualquier relieve produce una sombra muy definida.
El ángulo de incidencia de la luz respecto al plano de iluminación
determinará el grado de resalte de los relieves. Para ángulos muy pequeños, la luz
producirá sombras en los relieves de la pieza. Para ángulos cercanos a 90 grados
respecto a la horizontal, solo será detectable la sombra en los grandes relieves.
Figura 25. Esquema de iluminación del array de luces
Se encuentran en el mercado en forma de fuente puntual (Figura 26),
cuadrada, rectangular (Figura 27), etc. Provee iluminación económica de uso
general unidireccional. Puede utilizarse para los métodos de campo oscuro
(creando sombras y reflexión especular) y para los métodos de campo claro (o
brillante) en el caso de superficies difusas.
34
Capítulo 3 - Marco Teórico
Figura 26. Spot (luz puntual)
Figura 27. Array de leds comercial
3.1.1.1.1.7 Iluminación de campo claro (o brillante)
La fuente de luz es uniforme y difusa (suave) e incide con un pequeño ángulo sobre
la superficie reflectante del objeto a inspeccionar.
La cámara se coloca con el mismo ángulo de forma que obtenga una imagen
reflejada de la fuente de luz en la superficie el objeto inspeccionado.
Una posible imperfección en el mismo producirá una mancha oscura en la
imagen captada por la cámara. La mancha oscura que se apreciará en la cámara es
debida a la variación del ángulo de reflexión que produce la imperfección con
respecto al ángulo de la luz incidente, perdiéndose el reflejo de la fuente de
iluminación.
Indicado para detectar rayas, fisuras y deformaciones en objetos con
superficies planas y brillantes.
La técnica de campo claro o brillante puede realizarse con un array de leds.
Figura 28. Esquema de iluminación de campo claro
35
Capítulo 3 - Marco Teórico
3.1.1.1.2 Tipo de iluminación
Existen en la actualidad distintos dispositivos comerciales que brindan
iluminaciones distintas, los más importantes son: fibra óptica, fluorescentes, LED y
láser. Cada uno de ellos tiene sus ventajas y desventajas con respecto a los otros, y
dependiendo del tipo de aplicación deberá utilizarse uno u otro.
Hay cuatro factores que condicionan el tipo de iluminación a la hora de
implementarla, éstos son: intensidad lumínica, duración, flexibilidad de diseños y
precio, véase [ 12 ]. Los sistemas de iluminación para aplicaciones industriales
pueden emitir luz de forma continua o de forma pulsada (estroboscópica).
3.1.1.1.2.1 Iluminación por fibra óptica
La iluminación por fibra óptica, es actualmente, la que puede proporcionar la luz
más intensa de todos los tipos de iluminación que se utilizan en visión artificial. La
idea básica es conducir la luz procedente de una bombilla halógena, o de xenón,
que se encuentra en una fuente de iluminación, a través de un haz de fibras ópticas
que termina en un adaptador específico para cada tipo de aplicación. Estos
adaptadores pueden tener forma circular, lineal, puntual o de panel, y puede ser de
distintos tamaños y dimensiones.
Una de las ventajas de la fibra óptica es que proporciona luz fría, y por tanto
es ideal en aplicaciones donde los sistemas que puedan emitir calor sean un
inconveniente o también en entornos deflagrantes.
Figura 29. Iluminación por fibra óptica
3.1.1.1.2.2 Iluminación por fluorescente
Los tubos fluorescentes se usan en muchas ocasiones en aplicaciones de visión
artificial, aunque debido a su limitada variedad de formas, también es limitada su
utilización.
36
Capítulo 3 - Marco Teórico
Para las aplicaciones industriales es importante que los fluorescentes
funcionen a alta frecuencia, al menos a 25kHz. En aplicaciones de visión no pueden
utilizarse fluorescentes estándar debido a su efecto de parpadeo, que dependiendo
de la velocidad a la que la cámara funcione, puede verse reflejado en la intensidad
de la imagen capturada.
Para aplicaciones de visión artificial es necesario utilizar fluorescentes con
espectro conocido. Así, es habitual utilizar según el tipo de aplicación, fluorescentes
casi monocromáticos: ultravioletas, amarillos, verdes, azules, etc.
Para aplicaciones donde se requiere una gran intensidad de iluminación y
una larga longitud, se utilizan fluorescentes de apertura, en estos fluorescentes la
luz se emite solo en una dirección y con un ángulo muy estrecho, esto permite que
la intensidad lumínica pueda ser hasta 10 veces superior a la de un fluorescente
estándar.
Figura 30. Iluminación por fluorescentes
3.1.1.1.2.3 Iluminación por LED
Para aplicaciones donde no se requiera una gran intensidad de iluminación se
puede utilizar la iluminación por LED (Light Emiting Diodes). Los LED
proporcionan una intensidad de iluminación relativa a un costo muy interesante, y
además
tienen
una
larga
vida,
aproximadamente
100.000
horas.
Otra
consideración a tener en cuenta, es que sólo requieren un cable de alimentación y
no un haz de fibra óptica que en ocasiones es muy delicado.
La intensidad de la iluminación continua por LED no es tan intensa como
otros tipos de iluminación pero actualmente se están introduciendo los LED de alta
intensidad que empiezan a proporcionar una iluminación mucho más potente. Si
los LED se conectan a un sistema estroboscópico se pueden alcanzar potencias
37
Capítulo 3 - Marco Teórico
lumínicas muy similares a los de la luz halógena. Recientemente se han introducido
una nueva tecnología de LED que se denomina chip-on-board y que permite
concentrar un gran número de LED’s en una superficie muy reducida y por tanto
aumentar aún más el poder lumínico.
Figura 31. Iluminación por LED's
3.1.1.1.2.4 Iluminación por láser
La iluminación mediante láser o luz estructurada se utiliza normalmente para
resaltar o determinar la tercera dimensión de un objeto. El método utilizado es
colocar la fuente de luz láser en un ángulo conocido con respecto al objeto a
iluminar y con respecto a la cámara. Viendo la distorsión de la luz puede
interpretarse la profundidad de los objetos a medir. La luz estructurada se utiliza
en muchas aplicaciones para obtener la percepción de profundidad y para
inspecciones en 3D. Se puede también determinar la falta o exceso de material, o
bien se puede llegar a hacer una reconstrucción en tres dimensiones del objeto.
Para obtener la mejor reconstrucción 3D se debe obtener un tamaño de línea lo
más delgada posible sobre un fondo con muy baja o nula iluminación.
Figura 32. Iluminación por láser
Capítulo 3 - Marco Teórico
38
3.1.1.2 Sensores de imagen
Los sensores de imagen son componentes sensibles a la luz que modifican su señal
eléctrica en función de la intensidad luminosa que perciben. La tecnología más
habitual en este tipo de sensores es el CCD (charge coupled devices o dispositivos
de acoplamiento de carga) donde se integra en un mismo chip los elementos
fotosensibles y el conjunto de puertas lógicas y circuitería de control asociada. En
éstos, la señal eléctrica que transmiten los fotodiodos es función de la intensidad
luminosa que reciben, su espectro, y el tiempo de integración (tiempo durante el
cual los fotodiodos son sensibles a la luz incidente), véase [ 2 ].
Otra tecnología que está empezando a extenderse son los sensores CMOS
(complementary metal oxide semiconductor) dada las ventajas de éstos sobre los
CCD, y la reducción de precios de estos dispositivos. En cuanto al rango dinámico
(rango de amplitud entre los valores máximos y mínimos que un elemento puede
producir, medido en decibeles) se pasa de los 70dB de los sensores CCD a los
120dB de los sensores CMOS, valor más cercano a los 200dB del ojo humano, lo
que facilita la autoadaptación en el propio chip al brillo existente en el entorno. El
sensor CMOS puede amplificar de forma individual la respuesta de los píxeles en
función de sus respectivas condiciones de iluminación.
3.1.1.2.1 Resolución
Existen diferentes arquitecturas de sensores. En primer lugar están los sensores
lineales. En éstos, el sensor es una línea de fotodiodos. Esta arquitectura permite la
utilización de sensores de 1x1024, 1 x2048, 1 x4096, e incluso 1 x6000 píxeles, lo que
la hace muy adecuada para trabajar con altas resoluciones sobre superficies en
movimiento.
En segundo lugar están los sensores de área. Estos alcanzan resoluciones
habituales de 1024 x1024, aunque existen en el mercado algunas casas que
disponen de cámaras especiales con resoluciones de hasta 3072 x2048. En este caso
existen tecnologías de adquisición de imágenes, entrelazada y no entrelazada. El
método entrelazado captura las líneas pares e impares que forman una imagen en
instantes de tiempo diferentes. La tecnología de no entrelazado (progressive scan)
captura todas las líneas en el mismo instante de tiempo.
39
Capítulo 3 - Marco Teórico
3.1.1.2.2 Cuantización
Independientemente
de
la
arquitectura
utilizada,
existen
otros
aspectos
importantes en estos sensores. La cuantización (conversión analógica-digital)
determina el número de bits usados para representar la información capturada. Por
ejemplo, usando un sistema blanco y negro de 8 bits tenemos 256 niveles
diferentes.
La evolución de las capacidades y características técnicas de estos
dispositivos ha seguido una tendencia muy favorable, potenciado en parte por el
mayor uso industrial de estos sistemas. Entre los avances más significativos,
además de la utilización de puertos de comunicación cada vez más potentes y
fiables, está una capacidad de proceso más o menos relevante e integrada en la
propia cámara, que permite realizar procesamiento de imágenes. De esta forma se
puede transmitir la imagen, la imagen preprocesada, o los resultados del
procesamiento de la imagen a través de los puertos de comunicación de que
dispone la cámara, haciendo innecesario el uso de tarjetas de captura.
3.1.1.3 Tarjetas de captura (adquisidora)
Las tarjetas de captura de imagen permiten transferir la imagen de la cámara a la
memoria de la computadora con el fin de que ésta pueda realizar el procesamiento
adecuado a las imágenes.
3.1.1.3.1 Aspectos importantes en la adquisidora:
Velocidad de transmisión, el formato de los datos, la profundidad de píxel, la
capacidad de captura por disparo, la capacidad de preprocesado de la imagen, la
velocidad de transferencia de la imagen de la memoria de la tarjeta a la memoria de
la computadora, el reset asíncrono o la capacidad de controlar parámetros de la
cámara en tiempo real. Evidentemente, todos los datos relativos a velocidades de
transmisión son especialmente importantes para poder trabajar en tiempo real.
En cuanto a la capacidad de proceso de las tarjetas, actualmente existe la
posibilidad de incorporar un Procesador Digital de Señal (DSP), que permite
realizar determinados algoritmos de análisis de imagen en la propia memoria de la
tarjeta, acelerando la implementación de los algoritmos de visión.
Capítulo 3 - Marco Teórico
40
Otra de las recientes ventajas en cuanto a las tarjetas de captura de
imágenes es la integración de la tarjeta de captura, la visualización, y el módulo de
proceso (CPU) en un solo elemento. Estos equipos se proporcionan en un chasis
adecuado para trabajar en entornos industriales.
3.1.1.4 Algoritmos de análisis de imagen
Los algoritmos relacionados con visión artificial son muy variados y abarcan
numerosas técnicas y objetivos. Los pasos más comunes en que consiste el análisis
o procesamiento de imagen se muestran en la Figura 33.
Figura 33. Etapas de un proceso de reconocimiento de formas
3.1.1.4.1 Filtrado o pre-procesamiento
Cuando se adquiere una imagen mediante cualquier sistema de captura, por lo
general esta no es directamente utilizable por el sistema de visión. La aparición de
variaciones en intensidad debidas al ruido, por deficiencias en la iluminación, o la
obtención de imágenes de bajo contraste, hace necesario un pre-procesamiento de
la imagen con el objetivo fundamental de corregir estos problemas, además de
aplicar aquellas transformaciones a la imagen que acentúen las características que
se deseen extraer de las mismas, de manera que se facilite las operaciones de las
etapas posteriores. A este campo pertenecen las técnicas de transformaciones
geométricas, las basadas en el histograma, el filtrado espacial y el filtrado
frecuencial. Algunas de las técnicas más habituales son:
•
Conversión de los niveles de gris: su objetivo es la mejora de la calidad
de la imagen.
•
Transformaciones geométricas: los objetivos de ésta son la corrección
de la perspectiva y la reconstrucción tridimensional de los objetos de la
escena.
Capítulo 3 - Marco Teórico
•
41
Transformación del histograma: las transformaciones del histograma
pueden facilitar la segmentación de objetos de la imagen, aunque
habitualmente sólo sirve para modificar el contraste de la imagen y el rango
dinámico de los niveles de gris.
•
Filtrado espacial y frecuencial: dado que pueden suponer una
importante modificación de la imagen original, generalmente sólo se
consideran filtrados aquellas operaciones realizadas en el dominio espacial o
frecuencial que suponen transformaciones pequeñas de la imagen original.
3.1.1.4.2 Segmentación o aislamiento de los objetos de interés
Cuando ya se dispone de la imagen capturada y filtrada, es necesario aislar o
separar los objetos de interés de la escena. Se pretende por tanto dividir una
imagen en diferentes regiones, o dicho de otra forma, detectar automáticamente los
bordes entre los elementos o regiones. Las operaciones de segmentación de una
escena dependen de la propia escena y de la información que se busque dentro de
la imagen.
Las técnicas básicas de segmentación se pueden dividir en tres grupos:
•
Aplicación de umbrales de niveles de gris.
•
Agrupación por rasgos comunes.
•
Extracción de bordes.
3.1.1.5 Extracción y selección de características
Con los objetos a estudiar ya definidos, es necesario extraer una serie de medidas
que los caractericen adecuadamente, en forma de vector de características. Como
norma general, para la elección de características se intenta que:
•
Sean discriminantes, es decir, tengan valores numéricos diferentes para
clases diferentes.
•
Sean fiables, es decir, tengan valores parecidos dentro de una misma clase.
•
Estén incorreladas, es decir, obtener la misma información con el mínimo
número de características.
•
Se calculen en un tiempo aceptable, de manera que sea utilizable en
problemas de tiempo real.
Capítulo 3 - Marco Teórico
42
3.1.1.6 Reconocimiento de formas e inteligencia artificial
Normalmente, la visión artificial se utiliza para tomar decisiones a partir de la
información proporcionada por el sistema de adquisición de imágenes y las
transformaciones y operaciones realizadas con ellas. La información extraída se
puede considerar como un vector que recoge las características o rasgos
diferenciadores de la imagen analizada.
Para el diseño del clasificador es necesaria una etapa de selección de
características y una etapa de aprendizaje o entrenamiento. Generalmente, se usa
el propio clasificador como evaluador del conjunto de características en prueba
dado que el método que proporciona la mayor fiabilidad, aunque sea el más costoso
temporalmente y de menor generalidad o capacidad de aplicación del clasificador a
otros problemas. Respecto a los métodos clásicos de búsqueda secuencial,
actualmente uno de los campos de investigación abiertos es el uso de algoritmos
genéticos para la selección en paralelo de características.
En el reconocimiento de formas aplicado a la visión artificial se utilizan
técnicas de reconocimiento geométrico de formas, como el aprendizaje supervisado
(se conoce la clase a la que pertenece cada vector) en condiciones estadísticas o
algoritmos de clasificación no supervisados o clustering y, además, las redes
neuronales, siendo estas últimas especialmente interesantes por su capacidad de
aprendizaje adaptativo. Existen numerosos algoritmos para cada una de estas
técnicas y se investiga ampliamente el desarrollo de nuevos algoritmos e
implementaciones hardware de éstos. El problema fundamental de estas técnicas,
es que cada una de ellas suele ser la más adecuada para las características de un
tipo específico de problema no conocidas a priori, lo que dificulta la selección de la
técnica con la que se desea abordar inicialmente el problema.
3.1.1.7 Computadora o módulo de proceso
Se trata del sistema encargado de recibir y analizar, mediante los algoritmos
adecuados, las imágenes a la velocidad necesaria para poder interactuar con el
entorno en tiempo real. Es, pues, la parte del sistema encargada de implementar
las funciones y objetivos para los que se haya diseñado el sistema.
Capítulo 3 - Marco Teórico
43
3.1.1.8 Sistema de respuesta en tiempo real
Se trata de automatismos que responden electromecánicamente con el fin de
corregir o evitar, por ejemplo, en los sistemas de producción, las causas
generadoras de los problemas de detección. Otra de las funciones de estos sistemas
es la generación de estadísticas e informes del proceso al que están asociados, lo
que permite disponer de una información global de los procesos para facilitar la
toma de decisiones.
En cuanto a los dispositivos electromecánicos utilizables en los sistemas de
visión, destacan los variadores de frecuencia para el control de motores y la
comunicación entre las PC’s y los autómatas programables que gestionan los
distintos dispositivos mediante redes de campo como “Profibus” o “WorldFIP”, y
más recientemente mediante “Industrial Ethernet”, y protocolos Wireless. Estos
buses permiten la integración de los sistemas de visión y sus acciones de respuesta
dentro de la estructura CIM de las empresas, lo que supone un ahorro económico
en los casos en que ya se disponga de esta estructura, véase [ 2 ].
3.2 Sistemas Expertos (SE)
Es un software que imita el comportamiento de un experto humano en la solución
de un problema. Pueden almacenar conocimientos de expertos para un campo
determinado y solucionar un problema mediante deducción lógica de conclusiones
[ 6 ].
Son SE aquellos programas que se realizan haciendo explícito el
conocimiento en ellos, que tienen información específica de un dominio concreto y
que realizan una tarea relativa a este dominio. Son llamados expertos por que
emulan el comportamiento de un experto en un dominio concreto y en ocasiones
son usados por ellos [ 32 ].
Los SE son programas que manipulan conocimiento codificado para resolver
problemas en un dominio especializado, que generalmente requiere de experiencia
humana.
Son programas que contienen tanto conocimiento declarativo (hechos a
cerca de objetos, eventos y/o situaciones) como conocimiento de control
(información a cerca de los cursos de una acción), para emular el proceso de
Capítulo 3 - Marco Teórico
44
razonamiento de los expertos humanos en un dominio en particular y/o área de
experiencia [ 5 ].
Software que incorpora conocimiento de experto sobre un dominio de
aplicación dado, de manera que es capaz de resolver problemas de relativa
dificultad y apoyar la toma de decisiones inteligentes en base a un proceso de
razonamiento simbólico [ 7 ].
Los sistemas expertos pueden imitar la capacidad mental del hombre y
relacionan reglas de sintaxis del lenguaje hablado y escrito con base en la
experiencia, para luego hacer juicios acerca de un problema y obtener solución a
éste con mejores juicios y más rápidamente que el ser humano [ 3 ].
Los SE también pueden considerarse como intermediarios entre el experto
humano, que transmite su conocimiento al sistema, y el usuario que lo utiliza para
resolver un problema con la eficacia del especialista. El sistema experto utilizará
para ello el conocimiento que tenga almacenado y algunos métodos de inferencia; a
la vez, el usuario puede aprender observando el comportamiento del sistema. Es
decir, los sistemas expertos se pueden considerar simultáneamente como un medio
de ejecución y transmisión del conocimiento [ 25 ].
3.2.1 Aplicaciones
Un sistema experto es muy eficaz cuando tiene que analizar una gran cantidad de
información, interpretándola y proporcionando una recomendación a partir de la
misma [ 25 ].
Un ejemplo es el análisis financiero y gestiones empresariales, donde se
estudian las oportunidades de inversión, dependiendo de los datos financieros de
un cliente y de sus propósitos; en este campo son de gran utilidad los SE, ya que
casi todas las empresas disponen de un computador que realiza las funciones
básicas de tratamiento de la información: contabilidad general, decisiones
financieras, gestión de la tesorería, planificación, etc. Además, este trabajo implica
manejar grandes volúmenes de información y realizar operaciones numéricas para
después tomar decisiones, lo que crea un terreno ideal para la implantación de los
SE.
45
Capítulo 3 - Marco Teórico
También se aplican en la contabilidad en apartados como: auditoría (es el
campo en el que más aplicaciones de SE se está realizando) fiscalidad,
planificación, análisis financiero y la contabilidad financiera, véase [ 29 ].
Para detectar y reparar fallos en equipos electrónicos se utilizan los sistemas
expertos de diagnóstico y depuración, que formulan listas de preguntas con las que
obtienen los datos necesarios para llegar a una conclusión; entonces recomiendan
las acciones adecuadas para corregir los problemas descubiertos. Este tipo de
sistemas se utilizan también en medicina (ej. MYCIN y PUFF), y para localizar
problemas en sistemas informáticos grandes y complejos [ 25 ].
Cuando se necesita controlar un proceso tomando decisiones como
respuesta a su estado y no existe una solución algorítmica adecuada, es necesario
usar un SE; éste campo comprende el supervisar fábricas automatizadas, químicas
o centrales nucleares. Estos sistemas son extraordinariamente críticos porque
normalmente tienen que trabajar a tiempo real. El diseño requiere una enorme
cantidad de conocimientos debido a que hay que tener en cuenta muchas
especificaciones y restricciones. En este caso, el SE ayuda al diseñador a completar
el diseño de forma competente y dentro de los límites de costes y de tiempo; se
diseñan circuitos electrónicos, circuitos integrados, tarjetas de circuito impreso,
estructuras arquitectónicas, coches, piezas mecánicas, etc.
Por último, un sistema experto puede evaluar el nivel de conocimientos y
comprensión de un estudiante, y ajustar el proceso de aprendizaje de acuerdo con
sus necesidades, véase [ 25 ].
3.2.2 Áreas de aplicación
Los SE se aplican a una gran diversidad de campos y/o áreas. Algunas de las
principales son:
•
Militar
•
Agricultura
•
Informática
•
Electrónica
•
Telecomunicaciones
•
Transporte
•
Química
•
Transporte
•
Derecho
•
Educación
•
Aeronáutica
•
Medicina
46
Capítulo 3 - Marco Teórico
•
Geología
•
Industria
•
Arqueología
•
Finanzas y Gestión
En la tabla Tabla A se puede observar la aplicación de los SE según el área:
Banca
Área
Aplicación
Control de
procesos
Seguros
Industria
• Observación de
tendencias
Encargos
Servicios
Estatales
• Control de procesos
•
• Aviso de estados de
tendencias
Observación de
Diseño
Configuración
•
Instalaciones fabriles
•
Diseño de productos
Detección de fallas
• Comprobación de
Mantenimiento
•
Control de
centrales nucleares o
(agua, gas, etc)
•
• Concesión de créditos •
•
de grandes redes
excepción
Supervisión
Diagnóstico
Comercio
•
productos
•
Diseño de redes de
distribución (correos,
energía)
•
hipotecas
Requisitos de
Concesión de
•
Diagnóstico
créditos
médico (Hospitales)
•
•
Diagnóstico técnico
•
Economía
Cálculo de riesgos
• Análisis de siniestros
energética
Planificación
• Análisis de riesgos
•
• Gestión de valores
proyectos
•
• Planificación de
Funciones lógicas de
Proyectos
•
Análisis de riesgos
•
Análisis de
mercado
•
Planificación de
inversiones
•
Planificación de
emergencias
inversiones
•
Planificación de la
distribución
• Asesoramiento
clientes
de
•
Asesoramiento
clientes
de
•
clientes
•
Asesoramiento
Asesoramiento de
•
Asesoramiento de
clientes
Servicios
especiales
Formación
• Formación de
•
colaboradores
colaboradores
Formación de
•
Formación de
•
Formación interna
colaboradores
de cuestiones
• Formación del
•
jurídicas
servicio exterior
servicio exterior
Formación del
Tabla A. Aplicación de los Sistemas Expertos según el área.
Capítulo 3 - Marco Teórico
47
3.2.3 Ventajas
Los Sistemas Expertos proporcionan la capacidad de trabajar con grandes
cantidades de información, que viene siendo uno de los grandes problemas que
enfrenta el analista humano y que puede afectar negativamente a la toma de
decisiones, ya que el analista humano puede depurar datos que no considere
relevantes, mientras un SE debido a su gran velocidad de proceso analiza toda la
información incluyendo las no útiles para aportar, de esta manera, una decisión
más sólida. Con los sistemas expertos se busca una mejor calidad y rapidez en las
respuestas dando así lugar a una mejora de la productividad del experto [ 32 ].
Entre las ventajas más importantes que brindan los SE se pueden citar:
•
Permanencia: A diferencia de un experto humano un SE no envejece, y
por tanto no sufre pérdida de facultades con el paso del tiempo.
•
Duplicación: Una vez programado un SE se puede duplicar infinidad de
veces.
•
Rapidez: Un SE puede obtener información de una base de datos y realizar
cálculos numéricos mucho más rápido que cualquier ser humano.
•
Bajo coste: A pesar de que el coste inicial pueda ser elevado, gracias a la
capacidad de duplicación el coste finalmente es bajo.
•
Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o
dañinos para el ser humano.
•
Fiabilidad: Los SE no se ven afectados por condiciones externas, un
humano sí (cansancio, presión, etc.).
3.2.4 Limitaciones
Es evidente que para actualizar se necesita de reprogramación de estos (tal vez este
sea una de sus limitaciones más acentuadas), otra de sus limitaciones puede ser el
elevado costo en dinero y tiempo, además que estos programas son poco flexibles a
cambios y de difícil acceso a información no estructurada [ 14 ].
Debido a la escasez de expertos humanos en determinadas áreas, los SE
pueden almacenar su conocimiento para poder aplicarlo cuando sea necesario. Así
mismo, los SE pueden ser utilizados por personas no especializadas para resolver
problemas. Además, si una persona utiliza con frecuencia un SE aprenderá de él.
Capítulo 3 - Marco Teórico
48
Por otra parte, la inteligencia artificial no ha podido desarrollar sistemas que
sean capaces de resolver problemas de manera general, de aplicar el sentido común
para resolver situaciones complejas ni de controlar situaciones ambiguas.
El futuro de los SE da vueltas por la cabeza de cada persona, siempre que el
campo elegido tenga la necesidad y/o presencia de un experto para la obtención de
cualquier tipo de beneficio [ 18 ].
Entre las limitaciones más resaltantes de un SE se encuentran [ 32 ]:
•
Sentido común: Para un SE no hay nada obvio.
•
Lenguaje natural: Con un experto humano se puede mantener una
conversación informal mientras que con un SE no.
•
Capacidad de aprendizaje: Cualquier persona aprende con relativa
facilidad de sus errores y de errores ajenos, que un SE haga esto es mucho
más complicado.
•
Perspectiva global: Un experto humano es capaz de distinguir cuáles son
las cuestiones relevantes de un problema y separarlas de cuestiones
secundarias.
•
Capacidad sensorial: Un SE carece de sentidos.
•
Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos
para la resolución de un problema, característica de la cual carecen los SE.
•
Conocimiento no estructurado: Un SE no es capaz de manejar
conocimiento poco estructurado.
3.2.5 Arquitectura básica
Un esquema básico del funcionamiento de un Sistema Experto se muestra en la
Figura 34 , donde se puede apreciar el SE que posee un módulo de conocimiento y
otro de razonamiento o más bien, un algoritmo de interpretación de dicho
conocimiento en base a las necesidades que introduzca el usuario, para generar
conclusiones expertas en el área de donde proviene su experticia.
49
Capítulo 3 - Marco Teórico
Figura 34. Esquema básico de un SE
Más detalladamente, un SE se compone de los siguientes elementos, véase
[ 29 ]:
3.2.5.1 Base de conocimientos
Es la parte del sistema experto que contiene el conocimiento modelado sobre el
dominio. Hay que obtener el conocimiento del experto y codificarlo en la base de
conocimientos.
El método más común para representar el conocimiento es mediante reglas
de producción. El dominio de conocimiento representado se divide, pues, en
pequeñas fracciones de conocimiento o reglas SI <condición> ENTONCES
<conclusión>, véase [ 25 ]. De esta manera se tienen estructuras condicionales que
relacionan lógicamente la información contenida en la parte del antecedente con
otra información contenida en la parte del consecuente [ 29 ].
Una característica muy importante de la base de conocimientos es que es
independiente del motor de inferencia que se utiliza para resolver los problemas.
De esta forma, cuando los conocimientos almacenados se han quedado obsoletos, o
cuando se dispone de nuevos conocimientos, es relativamente fácil añadir reglas
nuevas, eliminar las antiguas o corregir errores en las existentes. No es necesario
reprogramar todo el sistema experto.
3.2.5.2 Base de hechos (Memoria de trabajo)
La base de datos o base de hechos es una parte de la memoria del computador que
se utiliza para almacenar los datos recibidos inicialmente para la resolución de un
problema. Contiene conocimiento sobre el caso concreto en que se trabaja; también
Capítulo 3 - Marco Teórico
50
se registrarán en ella las conclusiones intermedias y los datos generados en el
proceso de inferencia. Al memorizar todos los resultados intermedios, conserva el
vestigio de los razonamientos efectuados; por lo tanto, se puede utilizar explicar las
deducciones y el comportamiento del sistema.
3.2.5.3 Motor de inferencia
El sistema experto controla el proceso de razonamiento humano con un módulo
conocido como el motor de inferencia. Dicho motor de inferencia trabaja con la
información contenida en la base de conocimientos y la base de hechos para
deducir nuevos hechos. El motor de inferencia contrasta los hechos particulares de
la base de hechos con el conocimiento contenido en la base de conocimientos para
obtener conclusiones acerca del problema.
La estrategia de control utilizada puede ser de encadenamiento
progresivo o de encadenamiento regresivo. En el primer caso se comienza
con los hechos disponibles en la base de datos, y se buscan reglas que satisfagan
esos datos, es decir, reglas que verifiquen la parte SI. Normalmente, el sistema
sigue los siguientes pasos [ 25 ]:
•
Evaluar las condiciones de todas las reglas respecto a la base de datos,
identificando el conjunto de reglas que se pueden aplicar (aquellas que
satisfacen su parte condición).
•
Si no se puede aplicar ninguna regla, se termina sin éxito; en caso contrario
se elige cualquiera de las reglas aplicables y se ejecuta su parte acción (esto
último genera nuevos hechos que se añaden a la base de datos).
•
Si se llega al objetivo, se ha resuelto el problema; en caso contrario, se vuelve
al primer paso.
A este enfoque se le llama también guiado por datos, porque es el estado de
la base de datos el que identifica las reglas que se pueden aplicar. Cuando se utiliza
este método, el usuario comenzará introduciendo datos del problema en la base de
datos del sistema.
Al encadenamiento regresivo se le suele llamar guiado por objetivos, ya que
el sistema comenzará por el objetivo (parte consecuente de las reglas) y operará
retrocediendo para ver cómo se deduce ese objetivo partiendo de los datos. Esto se
produce directamente o a través de conclusiones intermedias o sub-objetivos. Lo
Capítulo 3 - Marco Teórico
51
que se intenta es probar una hipótesis a partir de los hechos contenidos en la base
de datos y de los obtenidos en el proceso de inferencia.
En la mayoría de los sistemas expertos se utiliza el encadenamiento
regresivo. Este enfoque tiene la ventaja de que el sistema va a considerar
únicamente las reglas que interesan al problema en cuestión. El usuario comenzará
declarando una expresión y el objetivo del sistema será establecer la verdad de esa
expresión.
Para ello se pueden seguir los siguientes pasos [ 25 ]:
•
Obtener las reglas relevantes, buscando la expresión en la parte consecuente
(éstas serán las que puedan establecer la verdad de la expresión).
•
Si no se encuentran reglas para aplicar, entonces no se tienen datos
suficientes para resolver el problema; se termina sin éxito o se piden al
usuario más datos.
•
Si hay reglas para aplicar, se elige una y se verifica su parte condición con
respecto a la base de datos.
•
Si la condición es verdadera en la base de datos, se establece la veracidad de
la expresión y se resuelve el problema.
•
Si la condición es falsa, se descarta la regla en curso y se selecciona otra
regla.
•
Si la condición es desconocida en la base de datos (es decir, no es verdadera
ni falsa), se le considera como sub-objetivo y se vuelve al primer paso (la
condición será ahora la expresión).
Existen también enfoques mixtos en los que se combinan los métodos
guiados por datos con los guiados por objetivos.
3.2.5.4 Subsistema de explicaciones
Una característica de los SE es su habilidad para explicar su propio razonamiento.
Usando el módulo del subsistema de explicación, un SE puede proporcionar una
explicación al usuario de por qué está haciendo una pregunta y cómo ha llegado a
una conclusión. Este módulo proporciona beneficios tanto al diseñador del sistema
como al usuario. El diseñador puede usarlo para detectar errores y el usuario se
beneficia de la transparencia del sistema, además de esta forma, y con el tiempo
52
Capítulo 3 - Marco Teórico
suficiente, los usuarios pueden convertirse en especialistas en la materia, al
asimilar el proceso de razonamiento seguido por el sistema.
3.2.5.5 Interfaz de usuario
La interacción entre un SE y un usuario se realiza en lenguaje natural. También es
altamente interactiva y sigue el patrón de la conversación entre seres humanos.
Para conducir este proceso de manera aceptable para el usuario es especialmente
importante el diseño de la interfaz de usuario.
Un requerimiento básico de la interfaz es la habilidad de hacer preguntas.
Para obtener información fiable del usuario hay que poner especial cuidado en el
diseño de las cuestiones. Esto puede requerir diseñar la interfaz usando menús o
gráficos [ 7 ]. El conjunto e interacción de todos estos componentes es mostrado en
la Figura 35.
Figura 35. Esquema extendido de un SE
3.2.6 Tipos de Sistemas Expertos
Principalmente existen tres tipos de Sistemas Expertos, véase [ 32 ]:
Capítulo 3 - Marco Teórico
53
3.2.6.1 Sistemas Expertos basados en reglas
En estos sistemas la construcción de la base de conocimiento es en base a reglas, lo
cual, en algunos casos se elabora sencillamente, la explicación de las conclusiones
es simple. El motor de inferencia se realiza con algoritmos complejos, además que
el aprendizaje estructural es complejo [ 11 ]. Aquí, la solución al problema
planteado se obtiene aplicando reglas heurísticas apoyadas generalmente en lógica
difusa para su evaluación y aplicación.
3.2.6.2 Sistemas Expertos basados en casos (Case Based Reasoning)
En esos SE la solución a los problemas planteados se obtiene aplicando el
razonamiento basado en casos, donde la solución a un problema similar planteado
con anterioridad se adapta al nuevo problema.
3.2.6.3 Sistemas Expertos basados en reglas bayesianas
En este caso, la construcción de la base de conocimiento es en base a frecuencias lo
cual requiere de mucha información, la explicación de las conclusiones resulta más
compleja. El motor de inferencia se realiza con algoritmos simples, el aprendizaje
paramétrico es sencillo [ 16 ]. En estos SE, la solución al problema planteado se
obtiene aplicando redes bayesianas, basadas en estadística y el Teorema de Bayes.
3.2.7 Metodología para el desarrollo de Sistemas Expertos
En [ 23 ], se plantea toda una metodología para desarrollar un SE; la ventaja de el
método que aquí se plantea es que considera la naturaleza computacional de los
sistemas basados en conocimiento y busca el mayor aprovechamiento de los
recursos disponibles en el área donde se desarrollara dicho SE. Las etapas se
describen a continuación:
3.2.7.1 Análisis y descripción del problema
En esta etapa se determinan las características del problema y se evalúa la
factibilidad de realizar un Sistema Experto. Aquí se pretende determinar la
naturaleza del problema y los objetivos preciso que indiquen exactamente cómo se
espera que el sistema experto contribuya a la solución de los problemas. Estudia los
diferentes recursos con que se cuentan y verifica la posibilidad de su
Capítulo 3 - Marco Teórico
54
aprovechamiento en las fases de desarrollo e implantación, véase [ 23 ]. Este
incluye varias fases:
3.2.7.1.1 Descripción general del problema
Esto implica:
•
Familiarización con el proceso sobre el cual se desea realizar el Sistema
Experto.
•
Familiarización con las plataformas computacionales donde se encuentran
los datos a ser utilizados.
•
Definición detallada del problema que motiva el desarrollo del Sistema
Experto.
3.2.7.1.2 Análisis de factibilidad para el desarrollo del Sistema Experto
En esta fase se estudia si el sistema cumple con las condiciones para realizar un
Sistema Experto tomando en cuenta los siguientes criterios:
•
La tarea a desarrollar requiere del conocimiento manejado por un experto.
•
Disponibilidad del experto o equipo de expertos.
•
La experticia es requerida en varios lugares simultáneamente.
•
El sistema requiere del manejo de incertidumbre y aplicación de juicios
personales.
•
Existe un grupo potencial de usuarios.
•
Se dispone del tiempo para desarrollar el Sistema Experto.
3.2.7.1.3 Análisis de datos
Esta fase contempla la verificación de la ubicación y forma de representación de los
datos a ser manejados por el Sistema Experto, considerando el tipo de Base de
Datos (tiempo real, relacional, orientada a objeto, etc) plataforma computacional
(Windows, DOS, UNIX, VMS, etc).
3.2.7.1.4 Elección de la fuente de conocimiento
Es necesario contar con un experto o un grupo de ellos que estén dispuestos a
colaborar con el proyecto. Los expertos deben ser reconocidos como tal por el
grupo de usuarios.
Capítulo 3 - Marco Teórico
55
3.2.7.2 Especificación de requerimientos
En esta etapa se estudian los requerimientos globales del Sistema Experto a
desarrollar, considerando hacia quién estará dirigido el sistema, restricciones de
acceso, nivel de detalle requerido en sus explicaciones, requerimientos funcionales,
formatos deseados por los usuarios finales. Es importante discutir con los
potenciales usuarios del sistema y tomar en cuenta sus aspiraciones y comentarios
para garantizar que posteriormente estén dispuestos a utilizar el sistema
desarrollado, véase [ 23 ]. La etapa comprende varias fases:
3.2.7.2.1 Estimación del perfil de los usuarios del sistema
3.2.7.2.2 Verificación de los requerimientos con el usuario
3.2.7.2.3 Determinación de los requerimientos de información
Aquí se especifica la información que debe producir el SE y sus atributos, tales
como el formato de presentación, la frecuencia de actualizaciones, sus usuarios
directos y su interconexión con otros programas.
3.2.7.2.4 Determinación de los requerimientos funcionales
Consiste en la definición de las funciones generales que debe satisfacer el Sistema
Experto.
3.2.7.2.5 Determinación de los requerimientos de entrada de datos
Esta fase contempla los siguientes pasos:
•
Selección de las posibles fuentes al Sistema Experto
•
Identificación de las fuentes de datos
•
Especificación de los procesos de adquisición de datos
•
Especificación de los procesos de generación de parámetros
•
Caracterización de la interoperabilidad entre las bases de datos que se
requieren en la implantación.
3.2.7.2.6 Definición de los requerimientos de hardware y software para la
implantación del Sistema Experto
Es en esta fase donde se realiza:
Capítulo 3 - Marco Teórico
•
56
Especificación de la plataforma de hardware que se utilizará para el
desarrollo y operación del Sistema Experto.
•
Determinación, análisis y selección de las herramientas de software
disponibles en el mercado para el desarrollo de Sistemas Expertos.
3.2.7.3 Análisis de costos, tiempo y recursos
En esta etapa se realiza un estimado de los costos de desarrollo del SE, incluyendo
equipos, programas y honorarios profesionales. Igualmente, se realiza un
cronograma de las actividades a desarrollar. Generalmente, en esta etapa
terminaría el estudio de la factibilidad de realizar el SE, ya que hasta esta etapa se
ha verificado la necesidad y pertinencia del desarrollo del Sistema Experto, se ha
estudiado los requerimientos y se ha estimado el tiempo, recursos y costos
involucrados en el desarrollo e implantación del sistema, véase [ 23 ]. Se
contemplan las siguientes fases:
3.2.7.3.1 Elaboración del plan de actividades para el desarrollo e implantación
En esta evaluación se incluyen el tiempo requerido para el desarrollo de cada
actividad.
3.2.7.3.2 Estimación de los recursos computacionales (hardware - software)
requeridos para el desarrollo del Sistema Experto.
3.2.7.3.3 Estimación de los costos de desarrollo
3.2.7.4 Ingeniería del conocimiento
En esta etapa existirá una interacción entre el experto humano y el ingeniero de
conocimiento. Cuando el experto en el dominio presente los distintos escenarios, el
ingeniero del conocimiento desarrollará una “primera” representación de las
soluciones. En caso de que el experto humano no sienta que se represente el
problema en su totalidad, entonces el ingeniero reformulará la descripción. Esta
actividad continúa hasta que ambos estén de acuerdo en la representación de las
soluciones. La principal responsabilidad del ingeniero de conocimiento es analizar
situaciones tipo y a partir de ellas extraer las reglas que describan el conocimiento
del experto en el dominio, véase [ 23 ]. Las fases de esta etapa son:
Capítulo 3 - Marco Teórico
57
3.2.7.4.1 Adquisición del conocimiento
Es la parte más importante de un Sistema Experto, ya que es donde el ingeniero del
conocimiento interactúa con el experto para obtener la información sobre la
solución de los problemas, así como las estrategias utilizadas para la obtención de
cada solución.
3.2.7.4.2 Estructuración del conocimiento
En esta fase, el ingeniero de conocimiento debe llevar a una base de conocimientos
la información proporcionada por el experto. El conocimiento puede ser de
carácter superficial o profundo dependiendo de la estructura interna y de las
interacciones entre sus componentes.
3.2.7.5 Diseño preliminar del Sistema Experto
En esta etapa se realiza la ingeniería de detalle del Sistema Experto, se diseña
cuidadosamente cada uno de los módulos que comprenderán la herramienta, se
hace la selección final de los componentes a utilizar y se diseña los protocolos
necesarios para las interrelaciones con otros programas y/o equipos requeridos,
véase [ 23 ]. Las fases que comprende esta etapa son:
3.2.7.5.1 Diseño preliminar de la arquitectura del Sistema Experto
3.2.7.5.2 Selección de la herramienta computacional
Esto se realizará de acuerdo a los requerimientos surgidos en la etapa de ingeniería
de conocimiento.
3.2.7.5.3 Diseño preliminar de procesos de adquisición y almacenamiento de
datos
3.2.7.5.4 Diseño preliminar de procesos de interconexión
Esto comprende:
•
Integración interna
•
Integración externa
•
Selección de software auxiliar
3.2.7.5.5 Verificación del diseño preliminar del Sistema Experto
Capítulo 3 - Marco Teórico
58
3.2.7.6 Desarrollo e implantación del Sistema Experto
Esta es la etapa final del desarrollo del Sistema Experto. Aquí se construye,
implanta, prueba y depura el sistema. Posterior a la finalización de la implantación
comienza la fase de mantenimiento y actualización que debe perdurar durante la
vida del sistema, ya que se busca mantenerlo operativo en las mejores condiciones
e incorporando conocimiento y/o recursos nuevos al sistema según los
requerimientos tecnológicos para su vigencia, véase [ 23 ]. Esta etapa comprende
varias fases:
3.2.7.6.1 Construcción del prototipo
3.2.7.6.2 Validación del prototipo
3.2.7.6.3 Construcción del modelo operacional
3.2.7.6.4 Prueba y depuración
Consiste en plantearle situaciones al Sistema Experto y al experto humano y
verificar si ambos generan la misma solución además de seguir las mismas
estrategias. En caso de existir discordancia entre el experto humano y el Sistema
Experto, se procede a la revisión y la modificación de la base de conocimiento.
3.2.7.6.5 Mantenimiento y actualización
Capítulo 4
Sistema de Visión Artificial
El Sistema de control para el tamaño de las pellas producidas en el disco
peletizador consta de dos sistemas primordiales. El primero es el Sistema de Visión
Artificial y se encargará de capturar imágenes de las pellas producidas y determinar
sus radios para permitir un monitoreo continuo del tamaño de las pellas y el
segundo es el Sistema Experto que determinará el estado del proceso y generará
recomendaciones sobre las acciones más apropiadas para regresar el proceso a su
estado bajo control. La metodología, desarrollo, implantación y pruebas de cada
uno de estos dos importantes sistemas se describe a lo largo del capítulo 4 y 5
respectivamente.
4.1 Metodología de desarrollo e implementación
El Sistema de Visión Artificial se implantará a la salida del disco peletizador,
específicamente en la descarga de la cinta transportadora de la producción del
disco a la cinta transportadora principal. Durante todo el proceso las pellas se
encuentran en movimiento por lo que será necesaria la captura de la imagen con
cierta frecuencia que dependerá de la velocidad en que éstas se desplazan; se
estimará entonces el tiempo de caída de una pella entre una cinta y otra para fijar
así la frecuencia máxima de adquisición de imágenes que se puede utilizar.
El sitio de implementación más conveniente en la planta, debido a las
condiciones ambientales que debe soportar la cámara, se puede observar en la
Figura 36.
60
Capítulo 4 - Sistema de Visión Artificial
Figura 36. Lugar de implantación del sistema.
Un esquema del mismo se muestra en la Figura 37, donde se muestran los
valores necesarios para estimar el tiempo de caída de una pella promedio.
Figura 37. Esquema del lugar de implantación
Basados en los valores obtenidos de planta y mostrados en la Figura 37 se
calcula el tiempo de caída de una pella, considerándola para ello en una partícula4:
La velocidad inicial vertical de la pella dependerá de la velocidad de la cinta
transportadora5.
V y = Vsen β
4
5
Se considera despreciable el peso de una pella, el cual oscila entre 0.69 y 6.75 gr.
La cinta se mueve a velocidad constante es constante.
61
Capítulo 4 - Sistema de Visión Artificial
Luego, la distancia recorrida por la pella vendrá dada por
d y = V y t + 0.5 gt 2
Despejando el tiempo obtenemos una ecuación de segundo grado
0.5 gt 2 + V y t − d y = 0
0.5 gt 2 + Vsenβ * t − d y = 0
0.5(9.8)
m 2
m
t + 0.44 sen(15°) t − 0.5 = 0
2
sg
sg
Obtenemos entonces una única solución para el tiempo6
t = 0.3313 seg
Para evitar la captura de la misma pella en dos imágenes distintas es
necesario que la cámara posea una frecuencia de muestreo, fm, igual o menor a la
frecuencia de caída de las pellas, es decir,
fm ≤
1
t
fm ≤
1
0.3313seg
f m ≤ 3.01seg −1
Se puede prefijar entonces una frecuencia de muestreo de imágenes para la
cámara igual 2 seg-1 ó 2 fps7, lo que implica que cada 500 mseg. se capturará una
imagen de las pellas cayendo por la cinta transportadora.
Se procede ahora a desarrollar el software de procesamiento de imágenes.
Para desarrollar el sistema que se encargará de la adquisición y procesamiento de
las imágenes correspondientes a las pellas producidas por el disco peletizador se
utilizará el método planteado por [ 2 ]. Los aspectos del sistema de visión artificial
a desarrollar serán:
4.1.1 Fuente de luz
Con la finalidad de independizar el sistema de las condiciones existentes en la
planta y resaltar los rasgos de interés se determinará la fuente de luz más adecuada
para la aplicación. El principal objetivo de este Sistema de Visión Artificial es
6
Por tratarse del tiempo, la solución negativa de la ecuación no es posible.
7
Frame per second.
62
Capítulo 4 - Sistema de Visión Artificial
detectar las pellas producidas a la salida del disco peletizador y determinar su
radio, por lo que es indispensable que el tipo de iluminación facilite delinear el
contorno de la figura.
Estudiando los distintos tipos de iluminación existentes se determinó que el
apropiado para esta aplicación es la Iluminación posterior (backligth) ya que la
misma permite delinear el contorno de las piezas, brinda un contraste muy alto y es
fácil de implementar [ 12 ]. En este caso, se proporcionará un fondo iluminado
uniforme que generará gran contraste entre las pellas (color oscuro) y el mismo.
Se contemplan dos posibilidades para la obtener la fuente de luz: el uso de
iluminación por leds (conectados a un sistema estroboscópico) o el uso de
iluminación por fluorescente. De la misma forma, la implementación del sistema
de iluminación presenta dos posibilidades: colocar la fuente de luz directamente en
frente del lente de la cámara y por detrás de las pellas (Figura 38) o incluir una
superficie uniforme, frente a la cámara y por detrás de las pellas, que refleje la
iluminación producida por la fuente (Figura 39).
Figura 38. Fuente de luz directa
Figura 39. Fuente de luz con superficie reflectiva
Ambas configuraciones serán probadas al implementar el sistema para
determinar cuáles opciones son las más adecuadas para la aplicación.
Capítulo 4 - Sistema de Visión Artificial
63
4.1.2 Sensor de imagen
Al analizar la naturaleza de la aplicación se observa que un sensor de color no es
necesario para la misma, ya que sólo se requiere de contraste en la imagen será
suficiente con la captura de imágenes en blanco y negro.
Tras un estudio de las cámaras destinadas a la visión artificial industrial
disponibles en el mercado, y tomando en cuenta beneficios brindados y costos
asociados se decidió utilizar para esta aplicación la cámara Legend530 (véase
Apéndice A para el detalle de las especificaciones) perteneciente a la Serie Legend
de la línea de productos DVT, la cual trae integrado un sensor de imagen de tipo
CCD8, donde se integra en un mismo chip los elementos fotosensibles y el conjunto
de puertas lógicas y circuitería de control asociada9. Este sensor de área posee una
resolución de 640 x 480 píxeles.
4.1.3 Tarjeta de adquisición de imágenes
La cámara Legend530 posee integrado un microprocesador Motorola Power PC
con sistema operativo en tiempo real que permite realizar procesamiento de
imágenes. De esta forma se puede transmitir la imagen, la imagen preprocesada, o
los resultados del procesamiento de la imagen a través de los puertos de
comunicación Ethernet que dispone la cámara, haciendo innecesario el uso de
tarjetas de captura.
4.1.4 Análisis de imagen y reconocimiento de formas
Con la finalidad de disponer de imágenes reales sobre las cuales se puedan ir
probando y depurando las técnicas de procesamiento de interés se realizaron
pruebas en planta y se capturó una serie de imágenes reales de las pellas
producidas por el disco.
8
9
Charge Coupled Device.
En estos sensores, la señal eléctrica que transmiten los fotodiodos es función de la intensidad luminosa que reciben,
su espectro, y el tiempo de integración (tiempo durante el cual los fotodiodos son sensibles a la luz incidente) [ 2 ].
Capítulo 4 - Sistema de Visión Artificial
64
4.1.4.1 Filtrado (pre-procesamiento) y Segmentación (aislamiento
objetos de interés)
Esta aplicación proporciona imágenes con un fondo uniforme y objetos
similares (pellas) que presentan una clara diferencia con respecto a dicho fondo,
véase Figura 40, por lo que se hace muy propicia la aplicación de la umbralización10
para aislar los objetos en estudio.
Figura 40. Imagen capturada.
Al construir el histograma de intensidad vs. frecuencia de píxeles, Figura 41,
se observa la presencia de una distribución bimodal11 con dos cimas principales:
una correspondiente al fondo y otra a los objetos (pellas), se determinará el umbral
global de la imagen obteniendo el valle entre las dos cimas (método modal).
10 La umbralización es una técnica de segmentación ampliamente utilizada en las aplicaciones industriales. Se emplea
cuando hay una clara diferencia entre los objetos a extraer respecto del fondo de la escena. Los principios que rigen
son la similitud entre los píxeles pertenecientes a un objeto y sus diferencias respecto al resto[ 27 ]. Con la
umbralización se convierte una imagen con varios niveles de gris a una nueva con sólo dos, el conjunto de píxeles con
un nivel de gris mayor o igual al umbral serán colocados en un nivel 0 y los otros en 1.
11Los objetos aparecen claramente contrastados respecto al fondo y todos ellos presentan la misma distribución de
niveles de gris.
Capítulo 4 - Sistema de Visión Artificial
65
Figura 41. Histograma de intensidad
Figura 42. Aplicación del Método Modal al histograma.
Se puede observar en la Figura 42, la aplicación del método a través del cual
se obtiene el punto de intersección entre las dos cimas del histograma, en este caso
en particular, el umbral T tendrá un valor de 32.5. Al aplicar la umbralización a la
imagen, se fijarán en 1 todos los píxeles que posean una intensidad mayor o igual
66
Capítulo 4 - Sistema de Visión Artificial
que T y en 0 aquellos píxeles con una intensidad menor que T, como lo muestra la
siguiente ecuación:
⎧0, I (i, j ) ≤ T
B (i, j ) = ⎨
⎩1, I (i, j ) > T
Luego de la umbralización de la imagen se obtiene el resultado mostrado en
la Figura 43. La implementación definitiva del método para la aplicación se realiza
utilizando una herramienta proporcionada por la cámara Legend530 denominada
Framework.
Figura 43. Imagen binaria producto de la umbralización.
Ahora bien, con la finalidad de eliminar el pequeño ruido presente sin
distorsionar la forma global de las pellas se filtrará12 la imagen utilizando para ello
operaciones morfológicas. Tenemos la imagen binaria que denominaremos el
conjunto A de coordenadas discretas, véase Figura 43.
El conjunto B será el elemento estructural o máscara de convolución, véase
[ 20 ]. Para esta aplicación se selecciona el elemento estructural de conectividad 8,
N8, mostrado en la Figura 44.
12
Operación que se aplica a una imagen para resaltar o atenuar detalles espaciales con el fin de mejorar la
interpretación visual o facilitar un procesamiento posterior [ 8 ].
67
Capítulo 4 - Sistema de Visión Artificial
1
1
1
1
1
1
1
1
1
Figura 44. Conjunto B: Elemento estructural N8
Se efectuarán sobre la imagen una apertura seguida de una clausura13. La
apertura del conjunto A por el elemento estructural B en teoría de conjuntos viene
dada por AοB = ( AΘB ) ⊕ B [ 20 ], el resultado de aplicar esta operación sobre la
Figura 43 se puede apreciar en la Figura 45.
Figura 45. Apertura de la imagen capturada.
Luego se procede a aplicar una clausura para contrarrestar las posibles
ampliaciones en los contornos consecuencia de la apertura. De forma similar, la
clausura de un conjunto A por el elemento estructural B, se define como
A • B = ( A ⊕ B )ΘB [ 20 ]. El resultado obtenido se muestra en la Figura 46.
La apertura generalmente suaviza los contornos de un objeto y elimina protuberancias finas. La clausura también
suaviza los contornos pero, contrariamente a la apertura, fusiona las hendiduras finas y largas presentes en los objetos,
elimina agujeros pequeños y rellena brechas en el contorno [ 20 ].
13
Capítulo 4 - Sistema de Visión Artificial
68
Figura 46. Clausura de la imagen capturada.
De la misma forma, la implementación definitiva del filtro se realiza
utilizando Framework.
Ahora se dispone de una imagen filtrada y segmentada que facilitará la
selección de los objetos detectados que cumplan con ciertas características.
4.1.4.2 Extracción y selección de características
Habiendo detectado la mayor cantidad posible de objetos circulares cerrados en la
imagen se procede a la selección de los mismos. La característica más importante
que deben cumplir estos objetos es:
•
Excentricidad: sólo se tomarán en cuenta aquellos objetos que posean una
alta excentricidad, ya que se trata de esferas. Luego de estudiar la
excentricidad de una cantidad representativa de pellas producidas por los
discos, se prefijan los límites aceptables de excentricidad, originando un
rango igual a [0.6, 1].
Aplicando estas restricciones a los objetos detectados en las imágenes
capturadas se obtienen los resultados mostrados en la Figura 47. Es posible
observar cómo en cada imagen capturada se obtendrá cierta cantidad n de pellas
que varía entre una y otra imagen.
Capítulo 4 - Sistema de Visión Artificial
69
Figura 47. Imagen con extracción y selección de características
4.1.5 Módulo de proceso
Como se ha comentado anteriormente la aplicación se implementará con la cámara
Legend530 que posee internamente un procesador de la tecnología RISC14, el
Motorola PowerPC de 60 Mips15, que trabaja mas rápido al utilizar menos ciclos de
reloj para cumplir sus funciones (ejecutar instrucciones); cualidad que es
imprescindible a la hora de procesar la imagen a una velocidad mayor que la
frecuencia de captura. Este procesador permite una adquisición de hasta 75 fps,
véase Apéndice A.
Con la ayuda de este procesador se ejecutan una serie de sentencias que
permiten almacenar los radios de cada pella extraída de la imagen en una
estructura de la memoria y enviarlos vía TCP/IP desde la cámara.
4.1.6 Adquisidor de radios
Existe una PC que se conecta a la cámara para recibir los datos enviados por la
misma; en ésta corre, bajo el Sistema Operativo QNX16, una aplicación desarrollada
en C que se encarga de recibir los datos a través del socket conectado a la cámara y
publicarlos en I-vision (véase la sección 5.1.1.4.1 para detalles de I-vision) con la
14
15
16
Reduced Instruction Set Computer.
Millions Instruction Per Second.
QNX es un sistema operativo de tiempo real basado en Unix que cumple con la norma POSIX [ 33 ].
Descargar