DISEO E IMPLEMENTACIN DE SISTEMAS DE CONTROL

NEURONAL DE TEMPERATURA UTILIZANDO EL SOFTWARE

NEUROSYSTEMS DE SIEMENS.
PATRICIO SUQUILLO QUIA

Facultad de Ingeniera Elctrica y Electrnica, ESCUELA POLITCNICA DEL EJRCITO

Av. El Progreso S/N, Sangolqu, Ecuador

patriciosuquilloq@hotmail.com

Resumen.- El presente documento incorpora el
diseo e implementacin de controladores
neuronales mediante la aplicacin de las teoras de
control inteligente para el control de temperatura de
flujo de aire. Las redes neuronales son la base para
el desarrollo de los controladores, realizando su
entrenamiento en el software NeuroSystems de
Siemens siendo factible su implementacin a escala
industrial.
Palabras clave. Neurocontroladores, redes neuronales,
inteligencia artificial, patrones de entrenamiento,
modelo matemtico.
control que fue implementado en la interfaz humano
mquina en conexin con el PLC SIEMENS S7-300.
La efectividad de los neurocontroladores de temperatura
se evidenci sobre el mdulo Air Flow Temperature
Control System.
II. REDES NEURONALES
ARTIFICIALES.
Se considerar a las redes neuronales artificiales como:
un sistema, hardware o software, de procesamiento,
que copia esquemticamente la estructura neuronal del
cerebro para tratar de reproducir sus capacidades. [2]

I. INTRODUCCIN
La teora de las Redes Neuronales Artificiales
(RNAs) busca la solucin de problemas complejos,
mediante la evolucin de sistemas de computacin
inspirados en el cerebro humano, y dotados por tanto de
cierta "inteligencia", consiguiendo resolver un
sinnmero de problemas de control y optimizacin.

En este proyecto mediante las RNAs se desarrollaron

controladores de temperatura utilizando las siguientes
arquitecturas:
Controlador con red neuronal inversa.
Controlador con modelo de Referencia.
Controlador con identificacin de un controlador
ya existente.
Las mencionadas arquitecturas fueron desarrolladas en
MatLab de donde se obtuvieron los patrones de
entrenamiento El aprendizaje de las redes neuronales se
realiz en el software NeuroSystems V5.0 de
SIEMENS proporcionando el mdulo neuronal de
Figura 1 Modelo de neurona artificial estndar
Desde el punto de vista del grupo PDP (Paralled
Distributed Processing Reserarch Group, de la
Universidad de California en San Diego), un sistema
neuronal, est compuesto por:
Un conjunto de neuronas artificiales.
Un patrn de conectividad o arquitectura.
Una dinmica de actividades.
Una regla o dinmica de aprendizaje.
El entorno donde opera.
Red Perceptrn Multicapa (MLP-NeuroSystems).
En este tipo de redes existen varias neuronas que estn
interconectadas por enlaces feedforward sin ninguna
retroalimentacin interna de su seal de salida
(unidireccional). Es una ampliacin del perceptrn
clsico compuesto por una sola neurona, la red MLP es
una red esttica cuyas neuronas estn dispuestas en
capas de entrada, ocultas y salida
III. NEUROCONTROLADORES
Neurocontrolador con red neuronal inversa.
El esquema de control inverso consiste en aproximar
mediante una red de neuronas la dinmica inversa de la
planta. La entrada a la red es la salida de la planta, y la
salida de la red es la correspondiente entrada a la planta.

u Dtemp
Planta

+
-

Neurocontrolador
Red Neuronal
c Inversa
u

Figura 2 Red perceptrn multicapa

Figura 4 Arquitectura de control con red neuronal inverso
Las neuronas de la capa oculta usan como regla de
propagacin la suma ponderada de las entradas con los En la estrategia de control inverso la red de neuronal se
pesos sinpticos, y sobre esa suma ponderada se aplica utiliza para aproximar la relacin , como se
una funcin de transferencia de tipo sigmoidea, que es muestra a continuacin.
acotada en respuesta.[7]
Modelo
Inverso RNA Planta

x y
G(s) G(s)
Estado

Figura 5 Cancelacin de la dinmica de la planta mediante modelo

inverso

De esta manera se busca que la salida sea lo ms

Figura 3 Forma funcional de una sigmoidea parecida a la referencia.

El aprendizaje que se suele usar en este tipo de redes

recibe el nombre de retropropagacin del error
(backpropagation). Como funcin de coste global, se
usa el error cuadrtico medio. Siendo el error la suma
de los errores parciales debido a cada patrn, resultantes
de la diferencia entre la salida deseada y la salida de la
red ante el vector de entrada.
Neurocontrolador con modelo de referencia.
El objetivo del controlador es ajustar la seal de control
para que la salida de la planta tienda a la salida del
modelo de referencia. El rendimiento de este algoritmo
depende de la eleccin de un modelo de referencia
correcto y la derivacin de un buen mecanismo de
aprendizaje.
 Seal de
Entrada Modelo de
de los controladores neuronales es de la marca Siemens
Referencia de la lnea S7-300.
LRM

Controlado con
Modelo de la
Planta con
-+
RNAs
RNAs

Figura 6 Arquitectura de control con modelo de referencia

El error entre la salida del modelo y la respuesta de la Figura 8 PLC Siemens S7-300
planta es usado como seal de retroalimentacin para el
controlador. En el entrenamiento las ponderaciones del
modelo de la planta permanecen fijas, mientras las Considerado un miniautmata modular para las gamas
ponderaciones del controlador se ajustan por la baja y media, las caractersticas que este presenta se
retropropagacin del error a travs del modelo neuronal detallan a continuacin.[8]
de la planta.
CARACTERSTICAS DESCRIPCIN
Neurocontrolador con identificacin de controlador. Memoria central
128 Kbytes
integrada.
Consiste en usar una red neuronal para modelar un Memoria de carga,
64 Kbytes a 4 Mbytes
controlador existente. La entrada al controlador es la enchufable
entrada de entrenamiento de la red y la salida del Tiempo de ejecucin de
0,1 _s
controlador sirve como la salida deseada para dicha red instrucciones
neuronal. Tiempo de reaccin
400 _s
alarmas
c 12 Mbits/s, mx. 32
Error Ctrl u estaciones,
Puerto MPI
PID conmutacin
maestro/esclavo
Tabla 1 Caractersticas del PLC S7-300
+
- Para la puesta en funcionamiento del PLC se utilizaron
los siguientes programas de la linea Siemens.
Identificacin un
Ctrl PID PROGRAMA DESCRIPCIN
RNAs Configurar y programar los
Step 7 sistemas de automatizacin
SIMATIC
Visualizacin y manejo de
Figura 7 Estructura para modelar un controlador existente mediante WinCC procesos, lneas de fabricacin,
RNAs
mquinas e instalaciones.
IV. CONTROLADORES LGICOS NeuroSystems Creacion de modulos neuronales.
Tabla 2 Programas para el manejo del PLC
PROGRAMABLES.
V. MODELAMIENTO MATEMTICO
El PLC es un instrumento electrnico que sirve de DE LA PLANTA DE
herramienta para dar solucin a problemas de TEMPERATURA.
automatizacin especialmente en el mbito industrial,
El desarrollo del modelo matemtico de la planta de
dentro de los lenguajes de programacin soportados
temperatura esta descrito por la ley de equilibrio de
estn: el lenguaje escalera, bloques funcionales y texto
energa trmica, considerando que la temperatura no
estructurado. El PLC ocupado para la implementacin
solo cambia por la situacin al interior del cuerpo,
tambin cambia con el tiempo, tanto la tasa de Coeficiente de
transferencia de calor a travs del cuerpo como la transferencia de calor por [ ]
energa interna, permitindole al cuerpo acumular o conveccin.
perder energa de donde parte el desarrollo de la rea de transferencia de
calor.
temperatura en el mdulo PCT-2.
Flujo msico. [ ]
Calor especifico del
[ ]
asa de calor transferida. cuerpo.

Tabla 3 Magnitudes fsicas para modelo matemtico del mdulo

PCT-2
asa de calor acumulado.
Los valores de la tabla 3 son obtenidos com medidas
realizadas en el laboratorio sobre la planta de

temperatura.
Igualando las ecuaciones de calor transferido y calor
acumulado se desarrolla la expresin que define el
comportamiento del mdulo PCT-2.

[ ]

[ ] [ ]

El modelo matemtico obtenido es implementado en
Simulink.[11]

( )

Figura 9 Identificacin del mdulo PCT-2
( ) [D. Capelo, P. Cabezas (2012)]
( )

Ecuacin de temperatura vlida para cualquier sistema La planta de temperatura presenta una ganancia no
con resistencia interna insignificante. lineal por lo cual se antepone el bloque MATLAB
function que contiene un polinomio que caracteriza la
( )
no linealidad.

La ecuacin obtenida caracteriza a la planta como un

sistema de primer orden, restando obtener la constante
de tiempo descrita por los siguientes coeficientes:
Figura 10 Polinomio de ganancia en temperatura del mdulo PCT-2
Sistema [D. Capelo, P. Cabezas (2012)]
Magnitudes Fsicas
Internacional

Flujo de Calor. [ ]
VI. OBTENCIN DE PATRONES DE Figura 13 Ctrl_PID creado en MATLAB

ENTRENAMIENTO.
VII. ENTRENAMIENTO DE REDES
El archivo de aprendizaje puede ser creado o editado en
Bloc de notas, y deber cumplir la siguiente estructura: NEURONALES EN
NEUROSYSTEMS.
Cada fila contiene un patrn de entrada y salida. La creacin del proyecto en NeuroSystems inicia con la
Cada fila es terminada con enter. definicin de la estructura de la red neuronal.
Hay tantas filas como conjuntos de patrones
tenga el archivo.
Las primeras columnas contienen las entradas y
luego la salida.

En este caso la obtencin de los patrones de

entrenamiento fue realizada en MatLab, mediante la
simulacin de los diagramas de bloques elaborados
abarcando todos los rangos de entradas manejados en el
proceso de control.

Figura 14 Estructura neuronal de los controladores

A continuacin se definen las entradas y salidas

requeridas en la red neuronal.

Figura 11 Ctrl_Inv creado en MATLAB

Figura 15 Estructura neuronal, Controlador con red neuronal inversa

Figura 16 Estructura neuronal, Controlador con modelo de referencia.

Figura 12 Ctrl_Mref creado en MATLAB

Figura 17 Estructura neuronal, Controlador con identificacin de un

controlador PID.
Ser necesario proporcionar el archivo con los patrones
de entrenamiento de la red neuronal, para cargarlos dar

clic sobre el icono disponible en la barra de

herramientas de NeuroSystems.

Figura 21 Comportamiento del controlador con modelo de referencia

Figura 18 Cargar patrones de entrenamiento

Para iniciar el entrenamiento se deber definir los

parmetros de la ventana Start Learning Process
Figura 22 Comportamiento del controlador con identificacin de un
controlador PID

VIII. DESARROLLO DE LA INTERFAZ

HUMANO MQUINA HMI.

El modulo neuronal de control desarrollado en

NeuroSystems se ejecutara sobre la interfaz humano
mquina desarrollada en WinCC.

Figura 19 Parametrizacin del entrenamiento de las redes neuronales

Concluido el entrenamiento es posible la evaluacin del

comportamiento de la red neuronal, presentando todos
los posibles escenarios en las entradas y obteniendo la
respuesta de la red mostrada en color rojo.

Figura 23 HMI para funcionalidad de los neurocontroladores

Dependiendo del controlador entrenado la vinculacin

de las entradas varia por lo cual se proporcionan tres
imgenes que marcan la diferencia en la funcionalidad
de cada neurocontrolador.

Figura 20 Comportamiento del controlador con red neuronal inversa

 En la opcin Otros se definirn los parmetros de
visualizacin mediante clic derecho sobre el casillero
Dinmica seleccionar Accin VBS e ingresar el cdigo
HMIRuntime.Tags("trigger").Write 1 que permitir
grabar 1 en la variable trigger necesario para la
visualizacin.

Figura 24 Vinculacin de entradas a la RNA con variables WinCC

Ctrl_Inv

Figura 27 Parmetro de Visualizacin

La accin de control emitida por el modulo neuronal

ser la misma para todos los controladores y ser
vinculada con la variable U.

Figura 25 Vinculacin de entradas a la RNA con variables WinCC

Ctrl_Mref
Figura 28 Evento sobre la salida de la red neuronal

A continuacin se desplegara la ventana de conexin

directa donde se deber vincular la salida NeuroOut1
con la valiable U

Figura 26 Vinculacin de entradas a la RNA con Figura 29 Vinculacin de la salida neuronal con la variable U de
variables WinCC Ctrl_Id_PID WinCC
IX. IMPLEMENTACIN DE LOS
NEUROCONTROLADORES. X. ANLISIS DE RESULTADOS.
Para la implementacin de los neurocontroladores fue La eficiencia de los neurocontroladores desarrollados se
necesarios los siguientes elementos: determin mediante variaciones en el punto de consigna
Set point, as como con perturbaciones que consisten
PLC S7-300. en obstruir el flujo normal del aire.
o CPU 315F-2 PN/DP
o Mdulo Analgico SM 334 AI4/AO2 Error en Neurocontroladores
o Micro Memory Card [C]
Computador PG-PC Ident
Mdulo de Temperatura, AIR FLOW Inverso Referencia
PID
TEMPERATURE CONTROL SYSTEM PCT-2
Patch Core Ethernet Industrial CAT6. 40C 0.56 0.90 0.85
Conectores E/S Analgicas. 50C 0.29 0.70 0.75
60C 0.94 0.90 1.42
70C 1.30 1.35 1.53
En el diagrama se establecen las conexiones entre la Perturbacin
planta de temperatura y el modulo analgico del PLC. 0.62 0.29 0.74
14 a 45C
Perturbacin
24 VDC
0.29 0.29 0.62
41 a 45C

Tabla 4 Error absoluto en control de temperatura

Tiempo de Estabilizacin en
Neurocontroladores [seg]
Ident
Inverso Referencia
PID
40C 20.4 22 20.4
GND 50C 22.8 34.8 27.6
60C 40.8 61 60
Figura 30 Diagrama de Conexin PLCPlanta
Tabla 5 Tiempo de estabilizacin en incrementos de temperatura
La interaccin entre los dispositivos es posible siempre
y cuando se establezca una red de comunicacin para Del anlisis realizado en las pruebas efectuadas a los
ello se debe asignar direcciones IP estticas. diferentes controladores se puede determinar:

Existe un rea de funcionamiento ptima ubicada en

rangos de temperatura cercanos a los 50 C.

La perturbacin que consiste en obstruir el normal

ingreso de flujo de aire hacia el ventilador, genera un
incremento en el error lo que conlleva a tener
oscilaciones con menor frecuencia pero de mayor
amplitud.

El tiempo de estabilizacin Tes permite identificar la

rapidez de la accin de control, evidenciando un mejor
desempeo del controlador con red neuronal inversa.

XI. CONCLUSIONES
Figura 31 Diagrama de Comunicacin
 Acorde a los resultados obtenidos en el las pruebas
realizadas para el mdulo de temperatura PCT-2
se puede concluir que los controladores con Redes
Neuronales presentan una respuesta bastante
apropiada para el control de temperatura y
perturbaciones inesperadas, mantenindose dentro
de los parmetros establecidos para el control.
Los neurocontroladores obtenidos presentan un
error en estado estable aproximado de 2C.
En la obtencin de los patrones de entrenamiento
el tiempo de muestreo es un parmetro crtico.
Del proceso de control se concluye que la zona de
ms importancia y que mejor definida debe estar,
es la zona comprendida entre de diferencia
de temperatura entre el set point y la temperatura
de la planta.
Cuando el entrenamiento cae en un mnimo local
sin satisfacer el porcentaje de error permitido se
puede considerar: cambiar la topologa de la red
(nmero de capas y nmero de neuronas),
comenzar el entrenamiento con pesos iniciales
diferentes, modificar los parmetros de
aprendizaje, modificar el conjunto de
entrenamiento o presentar los patrones en otro
orden.
Para la seleccin del nmero de capas y neuronas
no existe un mtodo analtico que permita definir
dichos parmetros, mediante pruebas de
entrenamiento se concluy, que la estructura
neuronal ms eficaz para los neurocontroladores
desarrollados, estaba constituida por 4 capas con 8
y 12 neuronas en la capa 2 y 3 respectivamente.
XII. REFERENCIAS BIBLIOGRFICAS
[1] FREEMAN, James A; SKAPURA, David M, Redes Neuronales
Algoritmos, Aplicaciones y tcnicas de programacin, Addison-
Wesley/Daz de Santos, Madrid 1993.
[2]MARTIN DEL BRIO Bonifacio; SANZ MOLINA Alfredo, Redes
Neuronales y Sistemas Difusos, Alfaomega Ra-Ma, Madrid 2006.
[3] ISASI VIUELA Pedro; GALVN LEN Ins, Redes
Neuronales Artificiales un Enfoque Practico, Pearson Prentice Hall,
Madrid 2004.
[4] PELAYO DIAZ Susana, Obtencin de un Modelo Dinmico para
Simulacin de una Caldera de Vapor Industrial, Universidad de
Valladolid, Valladolid 2008.
[5] http://proton.ucting.udg.mx/materias/moderno/u56.htm, Control
Moderno.
[6] http://www.amcaonline.org.ar/ojs/index.php/mc/article/viewFile,
Asociacin Argentina de Mecnica Computacional.
[7] SIEMENS. (2006). Manual NeuroSystems V 5.0.Siemens AG,
I&S
[8] SIEMENS. (2006). SIMATIC S7-300, Datos Tcnicos CPU 31xC
y CPU 31x. Nrnberg: Siemens AG, I&S.
[9] SIEMENS. (2006). SIMATIC: Configurar el hardware y la
comunicacin con STEP7. Nrnberg: Siemens AG, I&S.
[10] ACUA Byron; IBARRA Oswaldo, Diseo e Implementacin
de un Sistema Controlador de Temperatura PID para la Unidad Air
Flow Temperature Control System Mediante la Utilizacin de la
Herramienta RTW (Real Time Workshop) de Matlab, Escuela
Politcnica del Ejercito, Sangolqu 2010.
[11] CABEZAS Paul; CAPELO Daniel, Diseo e Implementacin de
Controladores Inteligentes para la Unidad Air Flow Temperature
Control System mediante la Utilizacin de la Herramienta RTW
(Real-Time Workshop) de Matlab., Escuela Politcnica del Ejercito,
Sangolqu 2012.
BIBLIOGRAFA DEL AUTOR
Patricio Suquillo.- Naci el
22 de Octubre de 1987 en la
ciudad de Quito, provincia
de Pichincha-Ecuador.
Recibir el titulo de
Ingeniero en Electrnica,
Automatizacin y Control
en la Escuela Politcnica del
Ejrcito en el mes de Abril de 2012.
Entre sus campos de inters destacan las tcnicas de
control inteligente e ingeniera naval.