DOI: https://doi.org/10.37811/cl_rcm.v6i3.2253
Sistema de control automático para la detección
de fuga de gas natural
Pedro Miguel Portillo Mendoza
https://orcid.org/0000-0003-2655-7969
Universidad Tecnológica del Perú
Lima – Perú
Graciela Yvonne Olivares Rodríguez
https://orcid.org/0000-0002-2204-347X
Paula Tipacti Rodríguez
https://orcid.org/0000-0001-5499-2277
RESUMEN
El objeto de estudio de esta investigación fue evaluar y proponer un sistema de control capaz de detectar eficientemente las fugas de gas de uso doméstico y comercial. Es así que se analizaron diferentes técnicas de control mediante la revisión de literatura científica y la observación experimental. La propuesta de control resultante fue mediante un algoritmo de control neuro difuso, el cual clasifica los gases detectando la señal de entrada al sistema, mediante sensores MQ, y empleando plataforma de creación de electrónica de código abierto Arduino Mega, así como el programa Neuro Fuzzy Designer de MatLab. La red neuro- difusa ayuda a obtener mejores ecuaciones, “bias” y “pesos” de la red neuronal, en consecuencia, la clasificación y detección del gas está en constante evaluación para interpretar mejor los datos obtenidos por los sensores. Como resultados se obtuvo una detección aceptable del gas natural y contar con un sistema que permanece en constante evaluación de la variable de entrada, es decir, los datos obtenidos por los sensores, lo cual permite optimizar la detección.
Palabras clave: detección de gas; sensores MQ; control neuro difuso; gas natural
Correspondencia: [email protected]
Artículo recibido: 20 abril 2022. Aceptado para publicación: 05 mayo 2022.
Conflictos de Interés: Ninguna que declarar
Todo el contenido de Ciencia
Latina Revista Científica Multidisciplinar, publicados en este sitio están
disponibles bajo Licencia Creative
Commons 
.
Como citar Portillo Mendoza, P. M., Olivares Rodríguez, G. I., & Tipacti Rodríguez, P. (2022). Sistema de control automático para la detección de fuga de gas natural. Científica Multidisciplinar, 6(3), 680-703. DOI: https://doi.org/10.37811/cl_rcm.v6i3.2253
Automatic control system for natural gas leak detection
ABSTRACT
The object of study of this research was to evaluate and propose a control system capable of efficiently detecting gas leaks for domestic and commercial use. Thus, different control techniques were analyzed through the review of scientific literature and experimental observation. The resulting control proposal was through a fuzzy neuro control algorithm, which classifies gases by detecting the input signal to the system, through MQ sensors, and using the Arduino Mega open source electronics creation platform, as well as the Neuro Fuzzy program. MatLab designer. The neuro-fuzzy network helps to obtain better equations, "biases" and "weights" of the neural network, consequently, the classification and detection of the gas is in constant evaluation to better interpret the data obtained by the sensors. As a result, an acceptable detection of natural gas was obtained, as well as having a system that remains in constant evaluation of the input variable, that is, the data obtained by the sensors, which allows optimization of the detection.
Keywords: gas detection; MQ sensors; fuzzy neuro control; natural gas
Las fugas de gas natural son eventos que se producen en el entorno de una vivienda o comercio en el cual hacen uso de este tipo de combustible. Cuando se produce la fuga, sus efectos pueden ser potencialmente dañinos para el organismo como intoxicaciones, logrando generar incluso la muerte. Y en muchas ocasiones generan incendios y/o explosiones cuando se acumulan cantidades considerables y son activadas por alguna chispa incluso producida al encender un interruptor o conectar un enchufe. Es así que se hace necesario la implementación de un sistema de control conocido también como nariz electrónica que sea capaz de detectar de manera eficiente y temprana la fuga de gas.
Diversos autores han realizado investigaciones relacionadas a resolver esta situación y han propuesto soluciones al respecto. En la literatura científica se ha encontrado que existen sistemas detectores de fugas de gas, sin embargo, se observa que entregan resultados imprecisos debido a la complejidad de su programación. Teniendo en cuenta que, un sistema con red neuronal está limitada por variables de entrenamiento, resulta más conveniente emplear un sistema con programación neuro difusa al entregar mejores resultados debido a que estabiliza los sistemas no lineales. En ese sentido, cabe preguntarnos ¿qué sistema de control neuro difuso permite la detección eficiente de fugas de gas natural? Esta investigación busca proponer un sistema de control neuro difuso para la detección óptima de fugas de gas natural en viviendas y comercios. Asimismo, determinar la solución óptima para el diseño de la red neuronal que sea capaz de discriminar los tipos de gases, seleccionar los dispositivos de control necesarios que puedan enlazarse con la red neuronal, así como evidenciar la eficiencia del sistema propuesto.
Para la detección de gases, investigadores han propuesto el uso de controladores como redes neuronales, mediante plataforma ARM y Arduino (De et al., 2016), inteligencia artificial en narices electrónicas capaces de clasificar y procesar la información en tiempo real con servicios web (Fernández-Muñoz et al., 2017), (Xu et al., 2018), lógica de control neuro difusa utilizando algoritmo de aprendizaje híbrido (Mohamed Iqbal et al., 2017), microcontroladores Arduino y pantalla LCD programado con Lenguaje C (Hema et al., 2019), (Fatkiyah et al., 2019), (Fonseca et al., 2018). Mientras otros plantean el uso de del controlador NodeMCU ESP8266 y la tecnología de comunicación Wi-Fi (Binti Sarnin et al., 2019).
Otros plantean el uso de procesamiento de señales con transductores piezo cerámico que se adhieren a la superficie de tuberías que transportan gas frente a fugas que evidencian presión negativa NPW usando método de inversión de tiempo (Zhang et al., 2018). Sin embargo, (Panganiban, 2019) propone un robot automatizado para la detección de gases peligrosos mediante el empleo de redes inalámbricas y sensores con comunicación GSM – SMS, pues este tipo de comunicación garantiza la integridad de la transmisión. (Tseng et al., 2006). De manera similar, (Sajjan & Sharma, 2019) propone una red de comunicación empleando conector IoT, sensor de la serie MQ conectado a una MCU de nodo equipada con un conector WLAN ESP8266 para enviar el sensor a una nube de Thing Speak. Por lo contrario, (Hannon et al., 2016) emplea una matriz de sensores, apoyado en el Análisis de Componentes Principales PCA, matriz de sensores de 32 elementos e integración a un teléfono inteligente; de manera similar (Strle et al., 2017) plantea una nariz electrónica de 16 canales basada en 16 micro capacitores diferenciales que dan respuestas de moléculas diferentes como propano, metanol entre otros. Encontrándose además propuestas de detección de fugas basado en el análisis de componentes principales del núcleo (kernel PCA) y el clasificador de la máquina de vectores de soporte (SVM) para reconocer el nivel de fuga. (Li et al., 2016).
Respecto al tipo de sensor empleado para la detección, algunos investigadores emplean sensores de gas de óxido de estaño SnO2 (De et al., 2016), sensores MQ (Sajjan & Sharma, 2019) tales como (Panganiban, 2019), (Binti Sarnin et al., 2019); MQ-6 (Fatkiyah et al., 2019); MQ-4, MQ-7, MQ137 (Hema et al., 2019); transductores piezo cerámicos (Zhang et al., 2018); sensores quimio resistivos (Hannon et al., 2016) y sensores de llama KY-026, resaltando como elemento común el sensor MQ, por su eficiencia y bajo costo. De lo revisado, se observa que el control neutro difuso es el más óptimo al contar con características de lógica difusa y entrenamiento de neuronas.
1.1 Sistema de detección fuga de gas
Viene a ser un conjunto de dispositivo electrónicos organizados en torno a un controlador que le da autonomía y que puede operar mediante una red. Existen varios métodos de detección, tal como se aprecia en la Figura 1.
Figura 1. Métodos para la detección de fugas de gas (Liu et al., 2012)
Los sensores que consisten en semiconductores de óxido metálico empleados como sensores químicos (Martin Guaregua et al., 2020), detectan gases objetivos mediante reacciones redox entre los gases y la superficie del óxido, sin embargo, su demanda de alta temperatura de operación requiere más costos y configuraciones complicadas en comparación con otros que trabajan a temperatura ambiente. En contraparte, los sensores que se basan en polímeros operan a temperatura ambiente, con bajo consumo de energía, pero presentan inestabilidad a largo plazo; los nanotubos de carbón tienen mayor sensibilidad a cantidades muy pequeñas de gases; mientras que los materiales absorbentes a la humedad son de bajo costo. Los métodos ópticos presentan mayor sensibilidad, selectividad y estabilidad, ofrecen mayor tiempo de vida y respuesta rápida que los métodos no ópticos. Por su parte, la velocidad del sonido, atenuación e impedancia acústica son los principales parámetros en métodos acústicos. (Liu et al., 2012). Otro método de detección de gases es el de la cromatografía de gas, el cual muestra alta sensibilidad y selectividad, pero costoso, siendo los métodos calorímetros permiten detectar hidrocarburos o aquellos que presentan una diferencia significativa en la conductividad térmica respecto del aire.
1.2 Redes neuronales artificiales
Una Red Neuronal Artificial (RNA) extrae y analiza las variables de funcionamiento en tiempo real para diferentes aplicaciones de procesamiento de datos. Requiere de una etapa de entrenamiento de mayor carga computacional, lo cual viene a ser ventajas de este sistema. El proceso de operación en una red neuronal es relativamente rápido para reconocer muestras desconocidas en la etapa de entrenamiento; haciendo que la cantidad y complejidad del sistema se convierta en una alternativa ideal para el análisis de datos recolectado por los sensores. (De et al., 2016).
1.3 Control lógico difuso
Consiste en un proceso capaz de cuantificar las variables de entrada de forma fuzzy y brinda un grado de pertenencia con la formulación del nombramiento de reglas, las cuales se pueden mostrar de la siguiente manera: Si a es negro y b es blanco entonces; c es plomo. Donde a y b son variables de entrada, c es una variable de salida; negro es una función de pertenencia definida en a, blanco es una función de membresía definida en b, y plomo es una función de membresía definida en c. Por lógica difusa, partimos del hecho de que conceptos como grande, pequeño, grande, dulce, caro, amargo, barato, delgado, etc. son vistos de manera diferente. (Guzmán & Castaño, 2006).
1.4 Control neuro – difuso
La arquitectura neuronal difusa tiene cinco capas, donde los nodos cuadrados (capas 1 y 4) son nodos adaptativos y los nodos circulares (capas 2, 3 y 5) son nodos fijos. Los nodos de la capa 1 tienen parámetros editables (parámetros de premisa) que pertenecen a las funciones de membresía de entrada y calculan el grado de funciones de membresía para las variables de entrada, los nodos de la Capa 2 se denotan como P y multiplican su entrada para calcular la fuerza de activación de la regla, el nodo de la Capa 3 tiene la símbolo N normal para el arrastre, calculado por la Capa 2 de los nodos, la Tracción Normalizada y el polinomio de primer orden (fi) de los parámetros del sistema. Los resultados (ai, bi y ri) se multiplican para obtener la salida de los nodos de la capa 4. En la Capa 5, las salidas de la Capa 4 agregan variables para el valor deseado en la salida común, como se muestra en la Figura 2. (Mohamed Iqbal et al., 2017).
Figura 2.
Arquitectura de un Modelo Neuro-Difuso (Mohamed Iqbal et al., 2017)
1.5 Gas natural
Es una corriente de gas que se compone de hidrocarburos y no hidrocarburos. Los hidrocarburos son parafínicos compuestos por metano, etano, propano y otros hidrocarburos más pesados en estado gaseoso bajo condiciones atmosféricas. Los no hidrocarburos están representados por algunos gases inertes como nitrógeno y dióxido de carbono, así como pequeñas cantidades de otros compuestos como sulfuro de hidrógeno, helio, oxígeno y vapor de agua. El metano es un componente en mayor proporción contenido en el gas natural, es una mezcla relativamente simple en comparación con el petróleo. (Prinzhofer & Battani, 2003).
2. MATERIALES Y MÉTODOS
Esta investigación aplicada, de diseño experimental, busca identificar el control neuro difuso eficiente para la detección optima de fugas de gas en viviendas y comercios. Para lo cual, se emplean sensores MQ, por medio de un hardware Arduino MEGA. Luego, se elabora la programación del algoritmo de control capaz de detectar la presencia de gas natural, activando una señal de alarma. El proceso metodológico se aprecia en la Figura 3.
Figura 3.
Diagrama de funcionamiento del sistema
En primer lugar, se debe identificar los valores de entrada y salida del sistema. Luego, mediante un proceso de selección se definen los dispositivos capaces de detectar señales analógicas o digitales y con ello, se procede al entrenamiento de la red neuronal para obtener valores que determinen la concentración y presencia del gas natural. El Arduino Mega interviene como interfaz de comunicación entre señales analógicas ya cuantificadas en una PC. Obtenido los valores de entrenamiento, se diseña el algoritmo de control para detectar la presencia de gas, empleando para ello, Matlab y la programación neuro difusa que se implementara en el Arduino, de tal manera que pueda identificar automáticamente la presencia de gas natural. La detección implica que se activará una sirena de forma automática. Para la selección del control neuro difuso se empleó una matriz morfológica donde se evalúan posibles soluciones como se aprecia en la Figura 4.
Figura 4.
Evaluación de soluciones para el sistema de fugas de gas.
Para la evaluación de dichas soluciones se ha elaborado la Tabla 1, donde se compara las opciones mediante puntajes, para determinar la solución más óptima.
Tabla 1: Matriz de evaluaciones, puntajes del 1 al 5.
|
Criterios |
Solución 1 |
Solución 2 |
Solución 3 |
||
|
Funcionamiento óptimo |
5 |
4 |
5 |
||
|
Consumo de energía |
5 |
4 |
5 |
||
|
Seguridad del sistema |
5 |
3 |
5 |
||
|
Factibilidad de la implementación |
5 |
4 |
5 |
||
|
Adaptabilidad al usuario |
5 |
4 |
4 |
||
|
Eficiencia del control |
5 |
4 |
4 |
||
|
Costo del sistema |
5 |
5 |
5 |
||
|
Total |
35 |
28 |
33 |
||
2.1 Solución óptima
De acuerdo a la evaluación, se determina que la matriz 1 es la más apropiada, resaltando el funcionamiento, factibilidad de programación en Arduino, el entrenamiento, así como el costo de a implementación, por lo cual la solución óptima tendrá la ruta de diseño tal como se aprecia en la Figura 5.
Figura 5.
Solución óptima
Habiendo analizado las características de operación de los sensores en base a su rendimiento, alimentación eléctrica, temperatura de trabajo y tipos de gases que son capaces de detectar, se determina el empleo de sensores MQ2, MQ3, MQ5, MQ 135, como se observa en la Figura 6, así como un sensor de temperatura DTH22. Se evalúa la curva característica de cada sensor para hallar una ecuación que permita determinar las partículas por millón ppm de gas natural que puede detectar.
Figura 6.
Comparación de sensores de serie MQ
Obtenidos los datos de cada sensor, estos se conectan al Arduino MEGA, tal como se aprecian en la Figura 7, aprovechando su capacidad de obtener información analógica y permitiendo valores de medición, siendo entre 0 al 1023, ubicando el cero como 0 voltios y a 1023 como 5 voltios. Así, en el programa IDE de Arduino se elabora una sentencia que permita arrojar los valores deseados.
Figura 7.
Conexión de los sensores MQ-2, MQ-3, MQ-5, MQ-135 con el Arduino MEGA.
Mediante el puerto COM3 se conecta el Arduino con la PC, este puerto de comunicación transmite datos de los dispositivos del hardware conectado a la PC y al procesador. Esto permite interactuar de forma remota en tiempo real como se muestra en la Figura 8.
Figura 8.
Programación de los valores analógicos del sensor en Arduino.
Después de obtener los valores para cada sensor y la programación se genera una ecuación que permite la conversión a valores de voltajes; del mismo modo, los valores resistivos pueden ser obtenidos para su posterior análisis, como se muestra en la Figura 9.
Figura 9.
Resultados obtenidos de los sensores en el IDE de Arduino.
En seguida, se compara la característica de cada sensor con los valores de referencia obtenidos para lograr los parámetros matemáticos de cada sensor, como se muestra en la Figura 10, cuando el sensor está dando valores en aire limpio sin presencia de ningún gas.
Figura 10.
Parámetros matemáticos con relación a la ppm del Sensor MQ-2.
Desarrollo de la Red neuro – difusa
Teniendo los parámetros matemáticos, se crea una ecuación que muestra la concentración de gas en ppm. Luego, estos valores se ingresan en una hoja de cálculo de Excel, que crea una matriz entre ppm y voltajes, como se muestra en la Tabla 2 y 3, para generar un programa de entrenamiento neuro difusivo y así poder reconocer o identificar una fuga de gas natural. Con los datos necesarios para entrenar en MATLAB, primero se debe crear una matriz global de entradas y salidas en Workspace. Esto identifica el voltaje como el valor de entrada y el resultado como los datos de salida deseados.
