Beruflich Dokumente
Kultur Dokumente
neuronales
Controlofanolinealtemperatureplantwithneuralnetworks
PaulaA.OrtizValencia1 MSc,AlexanderAriasLondoo2MSc.
1.IngenieraenInstrumentacinyControl.DocentedetiempocompletodelITM
2.IngenieroElectrnico.DocentedetiempocompletodelITM.
paulaortiz@itm.edu.coalexanderarias@itm.edu.co
Recibido para revisin 14 deAbril de 2009, aceptado 25 deAgosto de 2009, versin final 04 de Septiembre de 2009
Tabla1.Variablesdelsistema
Variable Definicindelasvariables
He Flujodecalorsuministradoporelelementodepotencia
Hs Flujodecalorenelsistemaacontrolar
HM Flujodecalorenelmaterial (madera)
&
Q Velocidaddelflujodecalorenelsistemaacontrolar
Rt Resistenciatrmicadelmaterial
Rtb Resistenciatrmicadelbombillo
Kt
Conductividadtrmica=
C Conductividadtrmica
M Masadelcuerpo
c Calorespecifico
Ta Temperaturaenelexteriordelsistema(Temperaturaambiente)
Ts Temperaturadelsistemaacontrolar
Tb Temperaturadelelementofinaldecontrol
Calorespecifico[KJ/KGC]
1.1
dependetantodelaradiacincomodelascorrientesnaturales
de conveccin, que hacen queel aire caliente suba hacia el
1
techo y el aire fro del resto del sistema se dirija hacia el
elemento generador de calor. Debido a que el aire caliente
0.9
tiendeasubiryelairefroabajar,elelementoquesuministra
calor debe colocarse cerca del suelo (y los aparatos de aire
0.8
acondicionado cerca del techo) para que la eficiencia sea
mxima. &
Q 0.7
Hs = (3)
A
100 0 100 200 300 400 500 600 700
d
Q& = C Ts (4) Temperatura[C]
dt
Figura2.Calorespecificodelairesecovslatemperatura
C =M* c Dnde.Lamasadelcuerpoesunarelacin T - T
C d
entre el volumen y la densidad, la densidad depende de la Ts + e s
H e = (5)
temperatura y de la presin, en la Figura 1 se muestra la Adt Rt
relacinexistenteentreestasvariables.[2]
Donde Rt esunparmetroquedepende Ta, Ts y He ,
Elcalorespecficoeslacantidaddecalornecesariapara este valor se calcul aplicando identificacin de sistemas
elevarlatemperaturadeunaunidaddemasadeunasustancia paramtricaporelmtododemnimoscuadrados.
enungrado,estadependedelatemperatura,enlaFigura2se
muestralarelacinexistenteentreestasdosvariables.
DensidaddelAireSeco III.IDENTIFICCINDELAVARIABLEDESCONOCIDA Rt
0.8
3.1.Mtododemnimoscuadr ados
0.6 Este mtodoes labase de distintosmtodos paramtricos
densidad[lb/ft3]
recursivosynorecursivosdeidentificacinenelcualsetrata
0.4
deidentificarloscoeficientes qij delsistema deecuaciones
0.2
propuesto en el modelo [7], [15]. Estas ecuaciones se
0
representancomounsistemalineal:
y1 = q11x1 + q12x2 + L+ q1rxn
600
100
400
80
Temperaturadelelementofinaldecontrol
z =[z(1) z(2)Lz(n)]
T
Donde eselvectordelasalida 4
estimadadelsistema, q =[q 0
T
q1Lq n ] eselvectorde
3.5
Voltaje[v]
parmetros a estimar, X = 1 [ x1Lx n] es la matriz de 2.5
estados de la cual depende la seal de salida y
2
v=[v(1) v(2)L v(n)]T es el vector de la medicin del
1.5
error.
1
Elobjetivodeestemtododeidentificacinesminimizar 0 50 100 150 200 250 300 350 400
tiempo[s]
lasumadelerrorcuadrticocometidoenkmedidas,paraello
Figura3.Sealdeexcitacin
sedefineelerrorcomoladiferenciaentreelvalormedidoyel
estimado,ysebuscaminimizarelndicedecomportamiento Temperaturadelsistemaacontrolar
5
J :
Voltaje[v]
1
J = (z- xq)T (z- xq ) (9) 0
2 5
0 50 100 150 200 250 300 350 400
Elvalorde q queminimizaa J (q) debesatisfacerque tiempo[s]
Sealdeexcitacin
Temperatura[C]
100
J
= 0 Derivandolaecuacin(9)setiene: 50
q
0
J 0 50 100 150 200 250 300 350 400
= XT z+ XT Xq (10) tiempo[s]
q Figura4.Respuestadelsistema
XT z = XT Xq Temperaturadelelementofinaldecontrol
4
(11)
( )
Voltaje[v]
XT z- Xq = 0 2
0
) 0 50 100 150 200
tiempo[s]
250 300 350 400
Despejando q de la ecuacin (11) se obtiene el valor
Temperaturadelelementofinaldecontrol
)
Temperatura[C]
100
estimado q :
50
q = ( XT X) XT z
-1
(12) 0
0 50 100 150 200 250 300 350 400
tiempo[s]
Con Figura5.Respuestadelsistemacalefactor
Temperaturaexteriordelsistemaacontrolar
E (v)=0 E(vv)=s 2 I (13) 0.4
Voltaje[v]
0.2
3.2.Pasospar alaidentificacin
0
Paralaaplicacindelatcnicadeidentificacinsedeben 0 50 100 150 200 250 300 350 400
tiempo[s]
seguir lossiguientes pasos:Recoleccin dedatos, Seleccin
Temperaturaexteriordelsistemaacontrolar
delmodelo,Validacindelmodelo
Temperatura[C]
30
Recoleccindedatos:Enestecaso seaplicaunasealde 25
excitacin sobre la variable manipulada, PWM (Ver Figura
20
3),seregistranlosdatosdelasvariablesdesalida(Ts,Tb,Ta ). 0 50 100 150 200 250 300 350 400
tiempo[s]
LarespuestaobtenidasemuestradelaFigura4aFigura6. Figura6.Temperaturaenelexteriordelsistema
Control de una planta no lineal de temperatura con redes neuronales Ortiz &Arias. 131
Seaplicaelalgoritmodemnimoscuadrados
T - T
A continuacin se explica el proceso seguido para Elresultadoobtenidofue: Rt =0.78+ 0.2 s e .
implementarelalgoritmodemnimoscuadrados He
Sedefinelamatrizdeestado: Validacindelmodelo:Elresultadoobtenidosemuestraen
elanlisisderesultados.
Te(1) - Ts(1)
1 He(1)
IV.ADQUISICINDEDATOS
X =M M (14)
1 Te(n) - Ts(n) Losdatosmostradosenelinciso3,sonadquiridospormedio
He(n) delatarjetaNIUSB6259[10].Elmtododeadquisicinse
muestraenlaFigura8ysucorrespondienteimplementacin
Sedefineelvectordeparmetrosaestimar: se muestraen la Figura7. Enel mtodo deadquisicin se
utilizalaconfiguracindeuncanalcomoentradaanloga,se
defineelreloj paraelmuestreo,se muestreacontinuamente
(15) hastaqueelusuarioparaelmododeadquisicin,alfinalse
q1 = Rt0 R(Te-T s )
t guarda todo en un archivo y se limpian todas las tareas y
He
procesosabiertosenelsistemaoperativo[11].
Figura7.AdquisicindeDatosconLabVIEWylatarjetaNIUSB6259.
132 RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663
29
Temperatura[C]
28
27
26
25
24
23
0 200 400 600 800 1000 1200
tiempo[s ]
SealdesalidaalPW M
3
2.5
voltaje[V]
1.5
0.5
0
0 200 400 600 800 1000 1200
tiempo[s ]
Figura9.Respuestadelcontrolconvencional
5.2.REDESNEURONALES
ParaelsistemanolinealseimplementuncontrolconRedes
NeuronalesNARMAL2,con4neuronas,dosenlacapaoculta,
una en la capa de entrada y una en la capa de salida. Este
controlador es una variacin de la linealizacin de un
controladorrealimentado.Unmodelodeplantadetemperatura
nolinealesusadoymostradoenlosincisos2y3,lasealde
controldeentradaesingresadaalaredparaforzarlasalidaa
seguir la entrada de referencia. El modelo de la planta es
entrenado con 6 mtodos de entrenamientos diferentes que
son:GradienteDescendente(traingd),GradienteDescendente
conratadeaprendizajeadaptativa(traingda),MtodoBFGS
quasiNewton(trainbfg),Propagacinhaciaatrscongradiente
Figura7.Mtodoparalaadquisicindedatos. conjugado y actualizacin de PolackRibiere (traincp),
Propagacin hacia atrs secante de un paso (trainoss),
V.DISEODECONTROLADORES PropagacinhaciaatrsdeLevenbergMaquardt(trainlm).El
control se reajusta al modelo de la planta y requiere pocas
5.1.ControlPID capacidadescomputacionales[8].
Paralaaplicacindelcontrolesnecesarioqueelsistemasea Antecedentes:
lineal,porelloseprocedealinealizarelsistemaenunpuntode
operacin.Enestecasosedeseaquelatemperaturaalcance23 Enlossistemasrealeslasnolinealidadessiempreaparecen,
Cparaellosenecesitaquelasealdeentradaseade1.1v.El porellolastcnicasdecontrolinteligentepresentanventajas
sistemalinealizadoenelpuntodeoperacines: al desarrollar control. El controles ms robusto y se puede
adaptaraunampliorangodevalores[6].Laperforacinde
0.9 hojasdemetalesunaactividadindustrialmuyaplicadapara
Gp(s)= (18)
22s+ 1 lafabricacinenseriedepartesmetlicasycomponentesen
ElcontrolsediseaaplicandotcnicasdelLugargeomtrico unagranvariedaddeindustrias,enesteprocesosehanutilizado
delasraces,dandocomoresultadouncontrolPI tcnicas de control convencional y tcnicas de control
inteligente con redes neuronales. Las redes neuronales han
7.3521(s+ 0.2019) mostrado una mejora en el control de este proceso [3]. Los
Gc(s) = (19)
s algoritmos de control predictivo con redes neuronales son
ElcomportamientodelcontrolPIDaplicadocercaalpunto extensamente usadosen laindustria. Lamayor partede los
deoperacinsepuedeverenlaFigura9,elsistemaresponde algoritmos de control usan un modelo de proceso explcito
adecuadamente dentro de la zona de trabajo, donde se ha parapredecirelcomportamientofuturodeunaplantaydebido
linealizadoelsistema,presentandounsobrepasomximode aesto,eltrminoelcontrolpredictivodemodelo(MPC)es
5.2%, no presenta error en estado estable y un tiempo de utilizadoamenudo."ElcontrolMPCsurgedelanecesidad
establecimientode84s. desuperarlosinconvenientesdelcontrolLQG,relacionados
Control de una planta no lineal de temperatura con redes neuronales Ortiz &Arias. 133
con el manejo deficiente de las restricciones del proceso, En las mquinas de inyeccin de plstico se han diseado
incertidumbresdelmodeloylasnolinealidadesdelossistemas. controlesPIDconredesneuronales.Lasneuronassejustanal
El algoritmo MPC pretende optimizar el comportamiento sistemadetemperaturamultivariado[5].
futurodelaplantasobreunintervalodetiempo(horizontede
Aplicacindelaredalsistemanolineal
prediccin)apartirdelaprediccindelassalidasfuturasdel
sistema para determinar el valor de las entradas sobre un La red neuronal se simul para cada mtodo de
horizontedecontrol,conelobjetodeminimizarelerrorde entrenamientomencionadosanteriormente, buscandolograr
lasvariablesdesalidarespectoasuvalordereferencia".El lametadeunerrorde10 -3 .Unavezlogradalametasedetuvo
controlconredesneuronaleshasidousadosatisfactoriamente
la simulacin. Sin embargo, se puso una limitante de 100
enprocesosnolinealesdeintercambiadoresdecalor[9].El
pocasiteracionesparaalcanzarestameta,asqueenalgunos
anlisisdesistemasdecontroldetemperaturaanivelindustrial
casos,sellegalas100pocassinlograrelobjetivo.Enla
esimportante,adems,estossistemaspresentancaractersticas
Figura10semuestraelesquemausadaparalasimulacinde
comoconstantesdetiempograndesyefectosdeacoplefuertes.
laredyenlaFigura11laconfiguracindelared.
S c o pe
R eferenc e
r ef eren cia T Vs ens ado Sc ope1
Tem per
M edi ci on C ont r ol
f g Vol taje
S ignal
Vsens ado
P lant
Out put Si st ema no li neal
Figura10.Redneuronalimplementadaensimulink.
Elresumendelosresultadosobtenidosporcadamtodode
entrenamientosemuestraEnlaTabla2organizadossegnsu
rapidezdeconvergencia.
Figura11.Configuracindelared
134 RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663
Figura12.Respuestaobtenidausandolosdiferentesmtodosdeentrenamiento.
Control de una planta no lineal de temperatura con redes neuronales Ortiz &Arias. 135
1 1
x1 y1
S S
x2 y2
S S
S S y3
x3
xn S S ym
Figura13.RedneuronalqueseentrenarconelalgoritmodeLevenbergMarquardt.Laprimeracapaessigmoidalylasegundaeslineal.
136 RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663
1 1 S Eselnmerototaldeelementosen Q ,yesiguala:
1 1 2 2
f1 ( a ) f1 ( a )
S = ( n + 1) n1 + ( n1 + 1)
m (26)
f ( a ) = f21 ( a1)
1 1
f 2 ( a 2 ) = f22 ( a2 ) (21)
M Donde: n eselnmerodeentradasenlaredneuronal.
M
f 1 ( a 1) f 2 ( a 2 )
n1 m m Eselnmerodesalidasdelaredneuronal.
n1 Eselnmerodeneuronasdelacapaoculta
w101 w102 L w10n 1
w012
w022 L w02m
1 2 Laecuacin(24)sepuedeescribirtambinas:
w w121 L w11n w w122 L w12m
w = 11
1 1
w2 = 11 (22)
M M O M 1
M M O M
2 2 J ( Q )= e Te (27)
w1n1 1
wn 2 L w1nn1 wn1 1 wn1 2 L wn21m 2
Donde
(
y = f 2 w2T f 1 ( w1Tx ) ) (23) Elproblemaesencontrarunvalorde Q talque J ( Q) sea
lomspequeoposible.Secomienzaentoncesporlinealizar
Paraelentrenamientodelaredneuronal,lafuncinobjetivo e alrededor deunvalor de Q ,utilizando seriesdeTaylor
eslafuncindeerrordeltipo: hastalaprimeraderivada:
1 p m 2
J ( Q ) = ( d ij - yij ) (24) e
2 i =1 j=1 e( Q ) = e ( Q k ) + ( Q - Q k ) (29)
Q Q=Q k
dij Eslasalidadeseadaenlaneuronaj,paraunvectorde
Laecuacin(29)sepuedereescribircomo:
entradas xk . e e
e( Q ) = e ( Q k )- Qk + Q (30)
yij Eslasalidarealdelaneuronadesalidaj,paraunvector Q Q=Qk Q Q=Q k
deentradas xk . Sea y = e ( Qk )- A Qk y x =w .
m Eselnmerodeneuronasdesalida(igualalnmerode
salidasdelaredneuronal) e
Con A= -
Q Q=Q k
p Eselnmerototaldepatronesdeentrenamiento
utilizadosparaentrenarlared. Entoncessetieneque
Reemplazando(31)en(27):
w10i 1 T
1
w J (Q) = ( y - A Q ) ( y - A Q) (32)
w1iT = 1i 2
M Son los factores de peso para todas las Esteesunproblemademnimoscuadradoscuyasolucin
1 es:
wni
-1
T
e e e
Q k+1 = Q k - e ( Qk ) (33)
entradasylaneuronai. Q Q Q
Control de una planta no lineal de temperatura con redes neuronales Ortiz &Arias. 137
ParaaplicarelmtododeLevenbergMarquardtsehaceel
e ( k) e y a 2 f 1 a1
siguientecambio: = j ( n + 1)
n1
-1 Q j y a 2 f 1 a 1 Qj para 1
T
e e e
Qk +1 = Qk - + mI e ( Q k ) (34) 1
( Q j =wpq ) (40)
Q Q Q
Donde m se conoce como parmetro de entrenamiento. Qj Corresponde la entrada j del vector Q, que es
Tambinsueleutilizarselasiguienteecuacin:
T
-1 igualalaentrada ( p,q) delamatrizdepesos w1 oala
e e e
Q k +1 = Q k -
Q Q
+ mD
Q
e Q k ( ) (35) entrada ( r ,s) delamatriz w2 ,dependiendodelvalorde
j.
T
e e Sedesarrollarnlasecuaciones(39)y(40),segnelcaso:
Donde D esladiagonalde .
Q Q 2
Caso1: Qj = w Ecuacin(39)
ers
ParadesarrollarelalgoritmodeLevenbergMarquardtpara = -[1 1 L 1] (41)
laredneuronaldelaFigura13,esnecesarioentoncescalcular y
e
laderivada ,que equivalea unamatriz dela siguiente f&12 (a12) 0 L 0
Q
forma: y 0 f&22(a22) L 0
= (42)
e (1) a2 M M O M
Q 0 0 0 f&m2(am2 )
e ( 2)
e
= Q (36) 0
Q
M
M
e p a2 1
( ) = fr fila s
Q j
(43)
Q
M
p es el nmero de parmetros de 0
Recordar que
entrenamiento. Finalmente:
e1 ( k ) e 1 ( k ) e 1( k)
e
Q1 Q 2
L
Q S
= - f&s2 ( a s2 ) fr1 ( a 1r) (44)
e ( k ) e 2 ( k ) e 2 ( k)
Q j
e ( k) 2 L con k =1, 2,...,p (37)
= Q1 Q 2 Q S
Q M M O M
1
e m ( k ) e m ( k ) e m ( k ) Caso2: Q j =wpq Ecuacin(40)
L
Q1 Q 2 Q S
e y
e ( k )
e ( k ) e ( k ) e ( k ) Enelcasoanterioryasecalcularon y 2 .
= L (38) y a
Q Q1 Q 2 Q S
Secalculanlasderivadasquehacenfalta:
Recordarque S eselnmerototaldeelementosen Q.
Paraunparmetrodeentrenamiento k a 2
1
= w2T (45)
f
e e y a2 2
=
Q j y a 2 Qj para ( n + 1) n1 < j S ( Q j =wrs )
(39)
138 RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663
f1 0 0
(46)
=
a1 M M O 0 e- ai
f&i1(ai1) = (50)
0 0 L f&n11 a 1n1
( ) (1+ e ) - ai 2
28
26
24
22
0 200 4 00 6 00 80 0 1 000 1 200
tiem po [s]
0.8
v oltaje [V ]
0.6
0.4
0.2
0
0 200 4 00 6 00 80 0 1 000 1 200
tiem po [s]
Figura14.Respuestadelsistemaconlaredneuronal
Error
2
enlacualsecomparalosdatosobtenidosrealesconlosdatos
obtenidosconelsistemaidentificado,elresultadosemuestra
enlaFigura15,EnlaFigura16semuestraelerrorobtenido 1.5
ndicededesempeo,J=0.0137.
p orcen ta je
0.5
Vali dacindelmo delo
65
0
60
datosreales 0.5
55 Model oide ntifi cado
1
50
Temp eratura[C]
45 1.5
0 5 0 1 00 150 2 00 250 30 0 3 50 4 00
Ti emp o[m]
40
Figura16.Errorentreelvalorrealyestimado
35
30 6. Lasegundapruebaesrealizaruncomprobacindel
modelo,paraelloseaplicaotrasealdeexcitacindiferentea
25
la que se identifico el modelo y se compara con el sistema
20 construido, el resultado se puede ver en la Figura 17, con
0 50 100 150 200 25 0 300 3 50 400 estosvaloressecalculaelndicededesempeo,J=0.03.Como
Tiempo[m ]
eradeesperarseelndicededesempeoaumenta,perosigue
Figura15.Resultadodelaidentificacinparamtrica
siendounndicemuybueno,porlotantosepuededecirque
elsistemaesconfiable.
50
40
30
20
0 100 200 300 400 500 600 700 800
tiempo[s]
S eal deerror
2
1.5
0.5
porcentaje
0.5
1.5
2
0 100 200 300 400 500 600 700 800
tiempo[s]
Figura17.Comprobacindelmtododeidentificacin
140 RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663
comparacionentreelcontrolconredesy elcontrolPID
31
Sealdereferencia
30 Redes
PID
29
Temperatura[C]
28
27
26
25
24
23
0 200 400 600 800 1000 1200
tiempo[s]
Sealdes alidaalPWM
3
Redes
2.5 PID
2
voltaje[V]
1.5
0.5
0
0 200 400 600 800 1000 1200
tiempo[s]
Figura18.Comparacinentrelaredneuronalyelcontrolconvencional
VII.CONCLUSIONES sistema,siempreycuandoestesetrabajecercadelazonade
trabajo,esdecir,cercadelpuntodondeselinealizelsistema.
Elmodelomatemticoyloscontroladoresdiseadoseneste
Para un sistema no lineal el control convencional PID
proyectosirvencomobaseparalosprocesosdeenseanzade
funcionaadecuadamenteparaelpuntodeoperacinenelcual
controlconplantasindustrialesdadasupresentacinterico
fuelinealizado,alalejarsedeestepuntopierdeconfiabilidad
prctica,lacualvadesdelaaproximacinaproblemasreales
elcontrol.
hasta la identificacin y control aplicando simulacin y
modelamientomatemtico. Elmodelodelsistematrmicosemodelopormediodelos
datos obtenidos en la tarjeta de adquisicin NI6259 y
ElproyectoMODICOhaservidoparaplantearunanueva
LabVIEW,lasimulacinserealizenMatlabySimulink,lo
metodologa de trabajo para los futuros diseadores de
cualpermitivalidarloscontroladorespropuestosyanalizar
controladores en la ciudad de Medelln, esto, gracias a la
ladinmicadelsistema.
didcticaplanteadaenelInstitutoTecnolgicoMetropolitano
yelmodelopedaggicobasadoencompetenciasyaplicacin
denuevastecnologasenprocesosdecontrol. REFERENCIAS
ElcontrolneuronalNARMAL2mostrmejordesempeo [1]W,Clarke,Mohtadi,C.andP.S.Tuffs,1984.GeneralizedPredictiveControl.
queloscontroladoresconvencionalesPID,principalmenteen [2]ToolsandBasicInformationfor Design,EngineeringandConstructionof
elestadoestacionario.Estetipodecontroladoresevitaengran TechnicalApplications, En: http://www.engineeringtoolbox.com/air
temperaturepressuredensityd_771.htmlConsulta:Marzo,2009.
medidaelefectocampanasobrelosactuadoresdecontrol.
[3]Slomp,J.andKlingenberg,W.,2004.AProposaltoUseArtificialNeural
El control convencional es una buena solucin para un NetworksforProcessControlofPunching/BlankingOperations.Flexible
Control de una planta no lineal de temperatura con redes neuronales Ortiz &Arias. 141
UniversidadNacionaldeColombiaSedeMedelln
FacultaddeMinas
EscueladeIngenieradeSistemas
GruposdeInvestigacin