Browsing by Author "Langarica Chavira, Saúl Alberto"

Now showing 1 - 7 of 7
  • No Thumbnail Available
    Item
    An Industrial Internet Application for Real-Time Fault Diagnosis in Industrial Motors
    (IEEE, 2020) Langarica Chavira, Saúl Alberto; Ruffelmacher, Christian; Nuñez, Felipe
    Being able to detect, identify, and diagnose a fault is a key feature of industrial supervision systems, which enables advance asset management, in particular, predictive maintenance, which greatly increases efficiency and productivity. In this paper, an Industrial Internet app for real-time fault detection and diagnosis is implemented and tested in a pilot scale industrial motor. Real-time fault detection and identification is based on dynamic incremental principal component analysis (DIPCA) and reconstruction-based contribution (RBC). When the analysis indicates that one of the vibration measurements is responsible for the fault, a convolutional neural network (CNN) is used to identify the unbalance or bearing fault type. The application was evaluated in its three functionalities: fault detection, fault identification, and fault identification of vibration-related faults, yielding a fault detection rate over 99%, a false alarm rate below 5%, and an identification accuracy over 90%.
  • Thumbnail Image
    Item
    Blockchain-Driven on-Demand Control Loops Over Iot Environments
    (IEEE, 2019) Langarica Chavira, Saúl Alberto; Nuñez Retamal, Felipe Eduardo
    The feedback control loop is the atomic unit in a control system. Typically, feedback control loops are rigid objects that involve a dynamical system, or plant, which has a set of its output states measured by dedicated sensors, which in turn feed a processing unit, known as controller, that calculates actions to be applied as inputs to the plant, via elements known as actuators, in order to drive the outputs to a desired value or trajectory. The appearance of the Internet of Things (IoT) paradigm, where a large number of sensors and processing units interact over a communication network, offers an underlying infrastructure to operate and configure control loops using a different logic: an on-demand strategy. This work introduces the concept of on-demand control loop, and proposes the use of blockchain technology as the enabling infrastructure for generating on-demand control loops over large-scale IoT environments. General design guidelines are given and a simple implementation example over the Ethereum blockchain is presented, which shows the feasibility of the proposed technique.
  • Thumbnail Image
    Item
    Deep learning methods for intelligent cyber-physical systems
    (2023) Langarica Chavira, Saúl Alberto; Núñez Retamal, Felipe Eduardo; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Los sistemas ciberfísicos (CPSs) han surgido en los últimos años como un nuevo paradigma que fusiona varias tecnologías para permitir la interfaz entre el mundo físico y el cibernético. Esto ha abierto la puerta al uso de técnicas de inteligencia artificial (AI) para interactuar con el mundo físico en tiempo real. Sin embargo, la interacción con sistemas físicos reales impone una serie de desafíos que estaban ausentes en los dominios de aplicación para los que se diseñaron originalmente estas técnicas basadas en datos, y se hace necesario la creación de un nuevo conjunto de modelos y métodos específicamente diseñados para hacer frente a estas dificultades. Esto ha limitado una adopción más amplia de los métodos de AI en los CPSs y en cambio, muchos han optado por métodos clásicos de filtrado, modelado y control para el desarrollo de este tipo de sistemas. En esta tesis se muestra como los CPSs pueden verse altamente beneficiados en diferentes niveles de su arquitectura al incorporar métodos inteligentes basados en datos, en particular, métodos de aprendizaje profundo cuidadosamente diseñados para lidiar con las dificultades inherentes que impone la interacción con sistemas físicos reales. En concreto, se muestra como los métodos de aprendizaje profundo pueden dotar a los CPSs de nuevas capacidades que no se pueden lograr con técnicas clásicas, y que estos métodos de AI logran un mejor rendimiento que sus homólogos clásicos en diferentes dominios cuando se utilizan diversas métricas específicas de la aplicación. Por lo tanto, mostrando cómo las técnicas de aprendizaje profundo contribuyen a liberar todo el potencial de los CPSs, transformándolos en sistemas de mejor rendimiento, más eficaces e inteligentes, a saber, en CPS “inteligentes” o iCPS. Para ello, se proponen tres métodos para iCPSs, materializados en tres aplicaciones diferentes, a saber, un método de limpieza de datos basado en aprendizaje por contraste, un modelo de aprendizaje profundo adaptativo basado en meta-aprendizaje, y un controlador neuroevolutivo con capacidad de aprendizaje y gran flexibilidad durante el proceso de optimización. Los resultados muestran la superioridad de los métodos propuestos cuando se comparan con otros métodos clásicos y otros métodos basados en datos en los diferentes dominios en los que se aplican nuestros métodos. Se espera que los resultados de esta investigación fomenten el desarrollo de más métodos inteligentes adecuados para los iCPS.
  • Thumbnail Image
    Item
    Denoising and Voltage Estimation in Modular Multilevel Converters Using Deep Neural-Networks
    (2020) Langarica Chavira, Saúl Alberto; Pizarro Lorca, Germán Eduardo; Poblete Durruty, Pablo Martín; Radrigán Sepúlveda, Felipe Ignacio; Pereda Torres, Javier Eduardo; Rodriguez, Jose; Núñez Retamal, Felipe Eduardo
    Modular Multilevel Converters (MMCs) have become one of the most popular power converters for medium/high power applications, from transmission systems to motor drives. However, to operate properly, MMCs require a considerable number of sensors and communication of sensitive data to a central controller, all under relevant electromagnetic interference produced by the high frequency switching of power semiconductors. This work explores the use of neural networks (NNs) to support the operation of MMCs by: i) denoising measurements, such as stack currents, using a blind autoencoder NN; and ii) estimating the sub-module capacitor voltages, using an encoder-decoder NN. Experimental results obtained with data from a three-phase MMC show that NNs can effectively clean sensor measurements and estimate internal states of the converter accurately, even during transients, drastically reducing sensing and communication requirements.
  • Thumbnail Image
    Item
    Design and implementation of an industrial internet of things platform for intelligent supervision and control of industrial processes
    (2019) Langarica Chavira, Saúl Alberto; Núñez Retamal, Felipe Eduardo; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    En la era de la digitalización en que estamos viviendo hoy en día, el Internet Industrial de las Cosas (IIoT por sus siglas en inglés) ha llegado a revolucionar la industria, al grado de que los expertos ya están hablando de una cuarta revolución industrial. IIoT ha permitido la convergencia entre las tecnologías de operación con las tecnologías de la información en la industria, problema que se ha tratado de resolver muchas veces en el pasado pero sin éxito hasta ahora (Cisco, 2018). Este problema consiste en conectar los equipos de campo (normalmente aislados o conectados solo a través redes locales) a internet, y con esto darles capacidades de computo más elevadas. Por otro lado, esto permitiría darle a los computadores la capacidad de interactuar con el mundo exterior a través de los equipos de campo en tiempo real. Desde el punto de vista del control de procesos, esto podría abrir muchas posibilidades, permitiendo que se combinase la teoría de control, ya madura y probada muchas veces en la práctica, con el nuevo mundo del aprendizaje de máquina, para crear aplicaciones innovadoras que puedan ser implementadas en ambientes industriales reales. En el caso particular de Chile, la minería es uno de los sectores industriales que podría ser mas grandemente beneficiado si se adoptasen las tecnologías de IIoT en sus procesos. Esto es especialmente cierto ahora que sus costos han subido, el grado de los minerales ha bajado y la productividad en las distintas faenas ha empezado a disminuir por diferentes razones. En esta tesis se desarrollaron dos aplicaciones para minería basadas en IIoT, una aplicación de laboratorio y una aplicación real. Tras las pruebas y el análisis de los resultados, que son realmente prometedores, se ha llegado a la conclusión de que la implementación de este tipo de aplicaciones no tan solo es posible para la industria minera chilena, sino que es un paso necesario para revertir la panorama adverso que se avecina para este importante sector de nuestro país.
  • No Thumbnail Available
    Item
    Neural Network-Based Model Predictive Control of a Paste Thickener Over an Industrial Internet Platform
    (2020) Núñez Retamal, Felipe Eduardo; Langarica Chavira, Saúl Alberto; Díaz Titelman, Pablo; Torres, Mario; Salas, Juan Carlos
    This article presents a real implementation of a neural network-based model predictive control scheme (NNMPC) to control an industrial paste thickener. The implementation is done over an Industrial Internet of Things (IIoT) platform designed using the seven layer reference model for IIoT systems. Modeling is achieved using an encoder-decoder with attention recurrent neural network, while MPC search is done using particle swarm optimization. An industrial evaluation is presented, which highlights the set-point tracking and disturbance rejection capabilities of the proposed NNMPC technique.
  • No Thumbnail Available
    Item
    Neuroevolutive Control of Industrial Processes Through Mapping Elites
    (IEEE, 2021) Langarica Chavira, Saúl Alberto; Nuñez Retamal, Felipe Eduardo
    Classical model-based control techniques used in process control applications present a tradeoff between performance and computational load, especially when using complex nonlinear methods. Learning-based techniques that allow the controller to learn policies from data represent an appealing alternative with potential to reduce the computational burden of real-time optimization. This article presents an efficient learning-based neural controller, optimized using evolutionary algorithms, designed especially for maintaining diversity of individuals. The search of solutions is conducted in the parameter space of a population of deep neural networks, which are efficiently encoded with a novel compression algorithm. Evaluation against strong baselines demonstrates that the proposed controller achieves better performance in most of the chosen evaluation metrics. Results suggest that learning-based controllers are a promising option for next-generation process control in the context of Industry 4.0.