Maestría en Instrumentación Física · 2026
Optimización en tiempo real del proceso cementero con molino vertical de rodillos mediante inteligencia artificial programada en Python
Los altos costos operativos asociados al elevado consumo energético en la producción de cemento, que representa aproximadamente entre el 30 % y el 40 % [1, 2] del total, generan la necesidad de implementar sistemas de optimización dentro de los distintos procesos para mejorar la eficiencia, aumentar el rendimiento, reducir los costos operativos y, al mismo tiempo, garantizar el cumplimiento de las restricciones de seguridad y estándares de calidad del producto. Sin embargo, los sistemas de control convencionales presentan dificultades para integrar todas las variables y correlaciones involucradas en los distintos procesos de producción, lo que limita su capacidad para alcanzar niveles óptimos de desempeño. Ante estas limitaciones, surge la necesidad de adoptar tecnologías avanzadas que sean adaptables a los procesos actuales, capaces de operar en tiempo real y procesar la información con alta velocidad.
Texto completo 160 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 4
- Palabras clave:p. 5
- Tabla de contenidop. 6
- Índice de Figurasp. 9
- Índice de tablasp. 11
- Índice de Anexosp. 12
- Capítulo 1p. 13
- Introducciónp. 13
- Planteamiento del problemap. 14
- Formulación del problemap. 15
- Sistematizaciónp. 15
- Delimitaciónp. 16
- Justificaciónp. 16
- Objetivosp. 17
- Objetivo generalp. 17
- Objetivos específicosp. 17
- Capítulo 2p. 19
- Generalidades de un sistema de Optimizaciónp. 19
- Jerarquía sistema de control industrialp. 19
- Optimización en Tiempo Real (RTO – Real Time Optimization)p. 21
- Metas del Optimizador en Tiempo Real (RTO)p. 22
- Adaptación del sistema RTO al sistema de controlp. 23
- Integración del sistema RTO híbrido (RNA + PSO)p. 24
- Adquisición y Normalización de Datosp. 24
- Creación de modelos Predictivos con IAp. 26
- Aplicación de Redes Neuronales Artificialesp. 26
- Partes de una Red Neuronalp. 27
- Optimización Global por Enjambre de Partículas - PSOp. 45
- Arquitectura e integraciónp. 48
- 2.5.1 Plataforma de comunicación OPCp. 48
- Lenguaje de programación Pythonp. 49
- Framework PyTorchp. 50
- Framework PySwarmsp. 51
- Sistema de Molienda harina cruda en operaciones de cementop. 52
- Molino Vertical de Rodillo (VRM - Vertical Roller Mills)p. 53
- Separador Dinámico del molino VRMp. 54
- Cama de molienda del molino VRMp. 55
- Consumo específico del molino VRMp. 55
- Capítulo 3p. 58
- Metodologíap. 58
- Enfoque de la investigaciónp. 58
- Tipo de investigaciónp. 58
- Población y muestra objeto de estudiop. 58
- Arquitectura general del sistema RTO híbridop. 59
- Normalización de variablesp. 61
- Análisis de correlaciónp. 63
- Modelado predictivo con RNAp. 68
- Preparación de datosp. 69
- Diseño y definición de arquitectura de modelos predictivos con RNAp. 69
- Entrenamiento, validación y prueba de los modelos predictivosp. 78
- Selección de la función de activaciónp. 78
- Selección de la función de pérdida en RNAp. 80
- Selección del tipo de optimizador en RNAp. 82
- Validación y Pruebap. 95
- Optimización global con PSOp. 97
- Función objetivo en el PSOp. 98
- Penalizaciones implementadas para el Sistema RTO:p. 100
- Refinamiento local y amortiguación dinámicap. 102
- Comunicación OPC (Open Platform Communications Unified Architecture)p. 103
- Capítulo 4p. 106
- Desempeño de los modelos neuronalesp. 106
- Resultados del entrenamiento de los modelos neuronalesp. 106
- Resultados de validación de los modelos neuronalesp. 108
- Resultados de la Prueba de los modelos neuronalesp. 111
- Pruebas en entorno industrialp. 113
- Comportamiento del PSOp. 113
- Resultados del refinamientop. 115
- Comportamiento del sistema RTOp. 116
- Conclusionesp. 120
- Referencias bibliográficasp. 122
- Anexosp. 125
- Figura 2.1: Niveles de control en procesos industriales [12, p. 351]p. 21
- Figura 2.2: Estrategia del sistema RTOp. 22
- Figura 2.4: Esquema de Neurona Real. [16, p. 20]p. 27
- Figura 2.5: Arquitectura de una red neuronal. [20, p. 36]p. 29
- Figura 2.6: Función de activación lineal. [17, p. 195]p. 30
- Figura 2.7: Función de activación escalón TLU . [17, p. 196]p. 31
- Figura 2.8: Función de activación ReLU. [17, p. 201]p. 32
- Figura 2.9: Función de activación sigmoidal. [17, p. 197]p. 33
- Figura 2.10: Función de activación Tanh. [17, p. 199]p. 34
- Figura 2.11: Función de activación RBF [17, p. 204]p. 35
- Figura 2.12: Clasificando un nuevo punto. [16, p. 4]p. 36
- Figura 2.13: Ejemplo regresión lineal. [16, p. 5]p. 37
- Figura 2.14: Diagrama proceso de entrenamiento de la neurona. [20, p. 27]p. 41
- Figura 2.15: Vectores que guían el movimiento de una partícula en PSO. [25, p. 33]p. 48
- Figura 2.16: Esquema de Sistema de Molienda Harina Cruda con VRM. [50]p. 53
- Figura 2.17: Molino Vertical de Rodillos (VRM) típico. [31, p. 193]p. 54
- Figura 2.18: Separador dinámico para molino VRM. [30, p. 127]p. 55
- Figura 3.1: Arquitectura del sistema RTO híbrido basado en RNA + PSO. [Autor]p. 60
- Figura 3.2 Correlación lineal de Pearson entre variables operativas y variables de controlp. 65
- Figura 3.3 Correlación no lineal de Spearman entre variables operativas y variables de controlp. 66
- Figura 3.4 Correlación no lineal de Kendall entre variables operativas y variables de controlp. 67
- Figura 3.5 Matriz de correlación según criterio experto operativop. 68
- Figura 3.6 Modelo predictivo 1: Altura de cama de molienda. [Autor]p. 70
- Figura 3.7 Modelo predictivo 2: Vibraciones del VRM. [Autor]p. 71
- Figura 3.8 Modelo predictivo 3: Temperatura de salida de gases molienda [Autor]p. 73
- Figura 3.9 Modelo predictivo 4: Caudal de rechazo. [Autor]p. 74
- Figura 3.10 Modelo predictivo 5: Presión diferencial molienda. [Autor]p. 75
- Figura 3.11 Modelo predictivo 6: Potencia del motor principal. [Autor]p. 75
- Figura 3.12 Modelo predictivo 7: Potencia motor del ventilador. [Autor]p. 76
- Figura 3.13 Modelo predictivo 8: Potencia motor del separador dinámico. [Autor]p. 76
- Figura 3.14: Gráfica de la función de activación Tanh y su derivadap. 79
- Figura 3.15: Código basado en PyTorch aplicando la función de activación en RNAp. 80
- Figura 3.16: Gráfica comparativa de las funciones de pérdida tipo MSE, MAE, SmoothL1Lossp. 82
- Figura 3.17: Gráfica comparativa de los optimizadores SGD y Adamp. 85
- Figura 3.18: Comportamiento típico de las métricas de validación: MSE, MAE, 𝑅2p. 97
- Figura 3.19: Comportamiento típico de la función Objetivo en PSO [29]p. 101
- de Python, PyTorch, PySwarms, OPC_UA. [51]p. 104
- Figura 3.21: Integración del prototipo RTO en sistema de control. [Autor]p. 105
- Figura 4.1:Ejemplo de muestra en prueba de un modelo RNAp. 111
- Figura 4.2: Comportamiento de la función objetivo en el PSOp. 114
- Figura 4.4: Resultados RTO en entorno industrialp. 117
- Figura 4.5: Comportamiento de variable a controlar antes de aplicar RTOp. 118
- Figura 4.6: Comportamiento de variable a controlar al aplicar RTOp. 119
- Tabla 3.1 Lista de variables operativasp. 62
- Tabla 3.2 Lista de variables de controlp. 62
- Tabla 3.3 Ejemplo de variables operativas normalizadas entre -1 a 1p. 63
- Tabla 3.4 Ejemplo de variables de control normalizadas entre -1 a 1p. 63
- Tabla 3.5 Lista de rangos operativos de las variables predichasp. 99
- Tabla 3.6 Lista de tipo de penalizaciónp. 100
- Tabla 4.1 Métricas Función de costo de los Modelo RNA. [Autor]p. 107
- Tabla 4.2 Resultados Entrenamiento de los Modelo RNAp. 108
- Tabla 4.3 Métricas Validación de los Modelos RNA [Autor]p. 109
- Tabla 4.4 Resultados Validación de los Modelo RNAp. 110
- Tabla 4.5 Limites de calificación para validación de la RNAp. 110
- Tabla 4.6 Relación valor predicho y el valor real de los Modelos RNA [Autor]p. 112
- Tabla 4.7 Comparación entre valores reales y predichos en entorno industrialp. 113
- Tabla 4.8 Parametrización final del prototipo PSOp. 115
- Anexo 2. Límites de métricas para Entrenamiento y Validación RNA implementadas en Pythonp. 127
- Anexo 3. Entrenamiento y Validación modelo 1 RNA (Capa promedio) en Pythonp. 128
- Anexo 4. Entrenamiento y Validación modelo 2 RNA (Vibraciones del molino) en Pythonp. 130
- Anexo 5. Entrenamiento y Validación modelo 3 RNA (Temperatura Gases) en Pythonp. 132
- Anexo 6. Entrenamiento y Validación modelo 4 RNA (Flujo de rechazo) en Pythonp. 134
- Anexo 8. Entrenamiento y Validación modelo 6 RNA (Potencia Motor Principal) en Pythonp. 138
- Anexo 9. Entrenamiento y Validación modelo 7 RNA (Potencia Motor Ventilador) en Pythonp. 140
- Anexo 10. Entrenamiento y Validación modelo 8 RNA (Potencia Motor Separador) en Pythonp. 142
- Anexo 11. Creación de archivo Checkpoint de Entrenamiento en Pythonp. 144
- Anexo 13. Llamado de archivo Checkpoint de Entrenamiento en el programa principalp. 146
- Anexo 14. Rutinas de normalización y desnormalización de variables a Predecir y a Optimizarp. 148
- Anexo 15. Preparación de Límites de trabajo en variables a Predecir y variables a Optimizarp. 149
- Anexo 16. Rutinas de Función Objetivo y Penalizaciones para el Optimizador Global y Localp. 150
- Anexo 17. Rutinas OPC UA en programa principal operativo en Pythonp. 153
- Anexo 18. Inicio del programa principal operativo RTO y preparación de variables actualesp. 156
- Anexo 19. Rutina híbrida de Optimización Global con PSO y Local con L-BFGS-Bp. 158
- Anexo 20. Desnormalización de valores óptimos y envío por OPC UA a sistema SCADAp. 160