Diseño de un sistema de compensación de error de pesaje de faja de llenado de mineral usando redes neuronales

• Autor: Chambi Quiroz, Nelson Esteban
• Formato: tesis de maestría
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/26611
• Enlace del recurso: http://hdl.handle.net/20.500.14076/26611
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales; Sistema de compensación de error; Algoritmo de back propagation; Ingeniería electrónica; https://purl.org/pe-repo/ocde/ford#2.02.02

En la presente tesis se desarrolla un diseño de un sistema de compensación de error usando redes neuronales para compensar el error de pesaje de faja de llenado de mineral, el cual está por encima del 10%. Para el desarrollo del método de sistema de compensación de error, se usará redes neuronales, donde se va a lograr calcular los pesos sinápticos, bias y la arquitectura de la red neuronal, estos valores se calculan con el algoritmo de back propagation durante el entrenamiento de le red neuronal, así mismo los parámetros de la red y luego serán validados para corroborar la compensación de error. Para el entrenamiento de la red neuronal se plantea el modelo matemático, valores de entrada, salida y parámetros de la red neuronal para luego ser entrenados y analizar la compensación de error para cada entrenamiento con la finalidad de seleccionar la óptima red con pesos sinápticos y bias. Para lograr ello se obtuvo datos de campo que fueron recopilados de una faja de llenado de mineral el cual se usó el 70% de datos para el entrenamiento y el 30% para la validación, adicional a ello los datos se tomaron de manera aleatoria, para obtener los resultados se usa el software Matlab. Para compensar el error se diseñó una red neuronal de 3 entradas, 1 salida y 2 capas ocultas con 5 neuronas en cada capa oculta, esta red neuronal se va a encargar del proceso de compensar el error de pesaje. Así mismo este modelo propuesto reduce el error a un 1.65%, para lograr ello se optimiza las capas ocultas y neuronas por cada capa. La optimización del diseño de la red neuronal logra obtener buenos resultados que demostraron que la red diseñada realizo la compensación de error y por ende logra disminuir el margen de error en el peso final del mineral de 10% a 1.65%.