Control de Una Planta No Lineal de Temperatura Con Redes Neuronales

Controldeunaplantanolinealdetemperaturaconredes
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
Resumen En este trabajo se presenta una comparacin entre thisnethasfourneurons,twointhesecretlayer,oneinthelayer

uncontrolconvencionalyuncontrolinteligente,loscontroladores of entry and one in the layer of exit.The network neuronal is
desarrolladossonuncontrolPIDyuncontrolconredesneuronales trained with six different training algorithms, once the network
para un sistema trmico, dentro del proyecto " Modulo didctico trained, the best training method is selected and the system is
de control M ODICO" . En la primer a par te del ar tculo, se validated with the controlPID and the neuralcontrol.
hace el planteamiento del modelo ma tem tico y el modelo por
med io d e la id en t ifica cin p a r a mt r ica d e la p la n t a d e Keywords ControlDidactic Module,Parametric Identification,
temper atura con mnimos cuadrados,estos modelossirven para Sensing,Neural Control,Pid Control.
la car acter iza cin d e los contr olad or es. La ident ificacin es
realizadaconlosdatostomadosdelaplantapormediodelatarjeta
NI6259y lainterfazenlabview.Paraelcontrolconvencional,se I. INTRODUCCIN
diseauncontrolPIDpormediodelmtododellugargeomtrico
d e la s r aces. El cont rol n eu ron al se imp lemen t con Redes
Neuronales NARM AL2, con cuatro neuronas, dos en la capa
oculta,unaenlacapadeentradayunaenlacapadesalida.La
L ossistemasdetemperaturasonnecesariosenlamayora
deaplicacionesindustriales.Losprocesosmanejadosen
las industrias tiene factores que influyen en los procesos y
red neurona l es en tr ena da con seis a lgor itmos diferen tes de
muchasvecesnosontenidosencuentaenlosmodeloslineales,
entrenamiento, una vez entrenada lared, se selecciona elmejor
mtododeentrenamientoysevalidaelsistemaconelcontrolPID
ademsalsertrabajadosenlaszonaslinealessedebentrabajar
y el ControlNeuronal. lasvariablessinlainfluenciadevariablesdelcontexto,porlo
tantoenestetrabajoseplateaunmodelodondeseanalizalano
PalabrasClave Mdulo Didctico De Control, Identificacin linealidad del proceso. Posteriormente se analiza el sistema
Paramtrica, Sensado, Control Neuronal, Control Pid. condosestrategiasdecontrol,uncontrolPIDconvencionaly
un control con redes neuronales. Para el diseo del control
Abstra ct In t h is wor k a comp a r ison a p p ea r s b et ween a PIDconvencionalesnecesariolinealizarelsistemaenunpunto
convention al control and an intelligent control, the controller s deoperacin,garantizandoqueelcontroltrabajebienenesta
developed are a control PID and a control with neural networks
zona, pero cuando se aleja del punto de operacin pierde
forathermalsystem,insidetheproject" DidacticControlModule
MODICO" .Inthefirstpartof thearticle,theexpositionofthe
efectividadelcontrolador,esporelloqueesnecesariodisear
mathema tical model of the plant is showed, and the model by uncontrol quegarantice elbuen funcionamientodel control
means of parametr ic identifica tion of the temper ature plant is sinimportarlasnolinealidadesdelproceso,porconsiguiente
realized with least mean square, these models are used for the se disea un control con redes neuronales MPC (Model
controller' s characterization. The identification is realized taken PredictiveControl),estaestrategiasedioaconocerenprimera
informationoftheplantbymeansofthecardNI6259cardand instancia como Generalized Predictive Control en 1987 por
the LabVIEW interface. For the conventional control,a control D.WClarkeysuscolaboradores[1].MPChasidounatcnica
PID is designed by means of the method root locus.The control controlquehasidofuentedeinvestigacindesde1970,[14].
neuronal was implemented with NARM AL2 neur al networ ks
RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663

128 RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663
Las redes neuronales se caracterizan por su habilidad de operacinparaelcontrolPID.Enlacuartapartesediseael

aprenderdelosejemplosenlugardetenerqueprogramarse controlconredesneuronalesyenlaltimaseccinsemuestra
enunsentidoconvencional.Suusoposibilitaqueladinmica elanlisisdelosresultadosylasconclusiones.
delossistemascomplejosseamodeladayuncontrolpreciso
sealogradoatravsdelentrenamiento,sintenerinformacin II.MODELOM ATEMTICODELSISTEMAACONTROLAR
apriorisobrelosparmetrosdelsistema[12].
Eltrabajoestdivididoen5secciones:Enlaprimeraseccin Elmodulodidcticodecontroldetemperaturaconsisteen
sepresentanlasecuacionesquerigenelsistemadetemperatura unsistemacerradosimilaraldeunaincubadora,conunrea
ylaidentificacindelasvariablesdesconocidasporelmtodo de0.75m2 yunvolumende0.1875m3,elmaterialparala
de mnimos cuadrados. En la segunda parte se muestra el implementacin del modulo es madera, color negro. A
software usado para la adquisicin de los datos, las cuales continuacinsepresentaelmodelomatemtico.
posibilitaron la recoleccin de datos para el sistema de
identificacin. En la tercera parte se desarrolla un control 2.1.EcuacionesFsicasdelsistema
convencional para el sistema linealizado en un punto de Lasvariablesusadasenelmodelomatemticosedefinenen
laTabla1.
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
Ecuacindeequilibriotrmico materiales como el oro, la plata o el cobre tienen

conductividadestrmicaselevadasyconducenbienelcalor,
H e = Hs + HM (1) mientras que materiales como elvidrio o el amianto tienen
conductividades cientos e incluso miles de veces menores
conducenmuymalelcalor,yseconocencomoaislantes.[2]
HM (Flujodecalorenelmaterial(cajanegra)):Sedapor
conduccin,estaleyafirmaquelavelocidaddeconduccin
Ta - Ts
H M = (2)
decaloratravsdeuncuerpoporunidaddeseccintransversal Rt
esproporcionalalgradientedetemperaturaqueexisteenel
cuerpo(conelsignocambiado).Elfactordeproporcionalidad Hs (Flujodecalorenelsistemaacontrolar(aireseco)):
se denomina conductividad trmica del material. Los Se da por conveccin, esta ley afirma que si existe una
Control de una planta no lineal de temperatura con redes neuronales Ortiz &Arias. 129
diferencia de temperatura en el interior de un lquido o un Airesseco

1.3
gas,escasiseguroqueseproducirunmovimientodelfluido.
Estemovimientotransfierecalordeunapartedelfluidoaotra
1.2
porunprocesollamadoconveccin.Elcalentamientodeun
sistemacerradomedianteunelementogeneradordecalorno
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
2 = q21x1 + q22x2 + L + q2r xn

60
200
20
40 y
Temperatura[F] 0 0 (6)
Presion[psi]
M
Figura1.Densidaddelairesecoentrminosdelapresinylatemperatura
r = qr1x1 + qr2x2 + L + qrr xn
y
Donde r es el nmero de salidas del sistema y n es el
Delsistemasemidelatemperaturaexistenteenlasuperficie nmerodeentradasalsistema.
delaplantaylapresinyconellosecalculaladensidadyel Laecuacin (6)sepuederepresentarcomo:
calorespecificotomandolosdatosobtenidosenlasFigura1y
Figura2. y = Xq (7)
Reemplazando(2),(3)y(4)en(1)seencuentraelmodelo
delsistema
z = Xq + v (8)
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
Seleccin del modelo: Partiendo de las ecuaciones Sedefinenlosvectoresdelassalidasestimadas,calculados

encontradasenelnumeral1,secalculalavariabledesconocida apartirdelosdatossensados.
z2 =[Rt (1) Rt (2) L Rt (n)]

T
Rt (16)
Con los datos obtenidos se determina la variable

Secalculanlosparmetrosaestimarusandolassiguientes
desconocida Rt ,aplicandoparaellounprogramaenMatlab. ecuaciones:
q1 = (XT X) XT z1
-1
Paraellosedespeja Rt delaecuacin(5) (17)
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.
Respuestadelc ontrolc onvencionalparaels is temanolineal

31
Salidadels is tema
30 Referencia
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
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.
Tabla 2. Resumen de los resultados obtenidos con cada

mtodo.
Mtodo Nmer odepocas Alcanzlameta? Er ror
trainlm 10 S 1.24153e11
trainbfg 15 S 3.46837e6
trainoss 37 No 0.0195382
traincgp 79 No 0.0152773
traingda 87 No 0.0104603
traingd 100 No 0.0626891
La respuesta del sistema ante los diferentes mtodos de

entrenamientosemuestraenlaFigura12
Figura11.Configuracindelared
Figura12.Respuestaobtenidausandolosdiferentesmtodosdeentrenamiento.
Explicacindelosresultados obtenidosconlosdiferentes Laraznporlacualnoeselmsrpidodetodosseencuentra

mtodosdeentrenamientos enelhechodequeconestealgoritmoserequierecalcularla
matrizdeHessianencadaiteracin,locuallohacemuypesado
A partir de la Tabla 2 puede verse que ninguno de los
computacionalmente y ello se traduce en menor rapidez de
algoritmosdegradientedescendentelogrlametapropuesta
convergencia.
(traingd y traingda). La razn principal por la que estos
mtodosnolograronelerrorde 10 -3,sepuedeencontraren Unmtodoquesolucionaesteproblemaeselalgoritmode
LevenbergMarquardttrainlm.Estealgoritmoestdiseado
el hecho de haber utilizado funciones de transferencia paraaproximarvelocidadesdeentrenamientodesegundoorden
sigmoidalesenlaprimeracapa.Lasfuncionessigmoidalesse sinnecesidaddetenerquecalcularlamatrizdeHessian.Esta
caracterizanporquesupendienteseaproximaaceroamedida eslaraznporlacualestealgoritmofuesignificativamenteel
quelaentradasehacemsgrande.Estoocasionaunproblema msrpidodelosseisutilizados,lograndolametaentansolo
cuandoseutilizangradientesdescendentesparaentrenarestas 10pocas,aunquesedejocorriendolas100pocasparaverel
redes,pueselgradientepuedetenerunamagnitudmuypequea alcance de convergencia y el error, con el cual se logr un
yporlotantoocasionarpequeoscambiosenlospesosylas errormnimode1.24153e11.
bias,ancuandoestosestnmuylejosdesusvaloresptimos.
Otraraznporlacuallosalgoritmostraingdytraingdason Porltimo,conelalgoritmodePropagacinhaciaatrssecante
lentos,se debea queutilizan tcnicasheursticas envez de deun pasotrainoss seesperaba un buendesempeo, casitan
tcnicasdeoptimizacinnumrica. buenocomo elde trainlm,puesto quees un algoritmo quasi
newtoniano, que no almacena completamente la matriz de
Conelmtododegradienteconjugadotraincgpnoselogr Hessianencadaiteracin.Sinembargostenologroalcanzarel
el objetivo, el sistema llegaba a un punto de estabilidad de objetivo.
convergencia ms rpido que en el anterior mtodo de
entrenamiento, con una duracin de 79 pocas. En los A continuacin se muestra el algoritmo Levenberg
algoritmosdegradienteconjugadosehaceunabsquedaalo Marquardt[13],paraunaredneuronaldedoscapascomola
largodedireccionesconjugadas,loquegeneralmenteproduce quesemuestraenlaFigura13.Laprimeracapaessigmoidal
convergenciasmsrpidasqueconlosalgoritmosdegradiente ylasegundaeslineal.
descendente. Dado que lasdiferencias entre los mtodos de ParalaredneuronalmostradaenlaFigura13,setieneque:
este grupo son pequeas, es posible que se deban a que la 1
inicializacinde laredsehizo demaneraaleatoria, locual x y1 a11 a12
1
pudohaberfavorecidomsaunosmtodosqueaotros. 1 y
2 1 a2 2 a22
Conel mtodode BFGStrainbfg, seobtuvo lasegunda x = x2 y= a = a = (20)
M M M
convergenciamsrpidadetodas(15pocas),locualerade M 2
1
esperarse, ya que los mtodos newtonianos generalmente
xn ym a n1 a m
convergenmsrpidoquelosmtodosdegradienteconjugado.
1 1
x1 y1
S S
x2 y2
S S
S S y3
x3
xn S S ym
Figura13.RedneuronalqueseentrenarconelalgoritmodeLevenbergMarquardt.Laprimeracapaessigmoidalylasegundaeslineal.
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
Donde wij1 eselfactordepesoparalacapa1,delaentrada e = e11 L e1m em2 L em2 L

T
emp L emp (28)
i ylaneurona j.
Laecuacinquedefinelaredneuronales: Con eij = d ij - yij
(
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
Q = w10T w11T L w1n T , w02T1

w12T L wm2T S(25) e( Q )= y - Ax (31)
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

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)
f&11 ( a11) 0 L 0 fi1(ai1) =

1
(49)

f&21 ( a12 ) L
(1+ e ) - ai
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
fi2 =ai2 (51)

0
M
1 f&i2 =1 (52)
a (47)
= xp fila q
Q j Entonceslaecuacin(44)quedaas:
M e
0 = f r1(a1r ) (53)
Q j
e ( k ) Ylaecuacin(48)quedaas:
= - f&1 2 ( a 12 ) f&22 ( a 22 ) L f&m2 ( am2 )
Q j
(48) e ( k)
w 1q 1 f&q1 ( a 1q ) x p w 1q 2 f&q1 ( a 1q ) x p L w 1q m f&q1 ( a 1q )x p
T
= - w1q1 f&q1 ( a 1q ) xp + w1q 2 f&q1 ( a 1q ) xp + L+ w1qm f&q1 ( a 1q ) xp
( )
Q j
(54)
Finalmente, dado que se conoce el tipo de funciones que Asrestarareemplazarlosresultadosde(53)o(54)(segn
seaelcaso)en(38),ycalcularlosvaloresparacadaunodelos
tendrcadacapa,sepuedenhallarlasderivadas f&i1(a1i ) y parmetrosdeentrenamientodelaredneuronal,parapoder
entrenarlaredapartirdelaecuacin(34).
f&i2(ai2 ):
Ver ificacindelaredenelsistemaacontrolar
C on tro lco nr ede sne uro nale s
32
R e fere ncia
30 S a lida del pro ces o
Tem pe rat ura [ C]
28
26
24
22
0 200 4 00 6 00 80 0 1 000 1 200
tiem po [s]
S e ald es alida alP W M

1
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
ElcomportamientodelsistemaloobservamosenlaFigura que loselementos tengan mayordurabilidad lo cuala nivel

14,sepuedeverqueelsistemarespondeadecuadamenteante industrial se traduce en economa de gastos de operacin y
loscambiosdelosescalones,enelescalnde300sa600s mantenimiento.
presentando unsobre paso mximo deun 2% , unerror en Anlisisderesultados
estadoestabledel2%yeltiempodeestablecimientode31s.
EnlagrficainferiordelaFigura14,sepresentalarespuesta Modelo matemtico identificado con mnimos cuadrados:
delactuadoroelementofinaldecontrol,elcualnopresenta Paraanalizarsielmodeloobtenidoesconfiable,seprocedea
efectowindup,ytieneuncomportamientosuave,estehace realizardospruebas,laprimeraeslaverificacindelmodelo
Error
2
enlacualsecomparalosdatosobtenidosrealesconlosdatos
obtenidosconelsistemaidentificado,elresultadosemuestra
enlaFigura15,EnlaFigura16semuestraelerrorobtenido 1.5
entre la seal estimada y la seal encontrada con los datos

reales,medidosenelsistema,conestosvaloressecalculael 1
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.
Comprobacindelmtodo de ident ificacin

70
datosobtenidosexperimentalmente
datosobtenidosapartirdelm odelom atemtico
60
T emperatura[ C]
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
Comparacin entre el control convencional y el control de larespuesta obtenidaporloscontroladores diseadosse

conredesneuronales muestraenlaTabla3.
Para analizar los resultados se valida el sistema ante la
Control Ess(%) Ts(s) Mp(%) J
misma seal de entradatanto para el control convencional
comoeldiseadoconredesneuronales,elresultadoobtenido Redes 5 65 2.5 0.025
semuestraenlaFigura18,aunquelosresultadosobtenidos
por los dos controladores es buena, el control con redes PID 0 84 5.2 0.085
presentaunmejorcomportamiento,mejorandolaestabilidad Tabla3.Comparacindeloscontrolesdiseados
ydisminuyendoeltiempoderespuestadelsistema.Elresumen
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
Automation and Intelligent Manufacturing. FAIM2004, Toronto,

Canada.
[4]JournalCode:X0014A.1999Diseodelaredneuronal.Univ.ofOsaka.
VOL.43rdNO.PAGE.287288
[5]Huailin,S.andYouguo,P.,2005.DecoupledTemperatureControlSystem
Based on PID Neural Network. En:ACSE 05 Conference, 1921
December2005,CICC,Cairo,Egypt.
[6]Kawasaki,M.,1999.ControlofTemperatureofPlantbyNeuralNetwork.
En:ProceedingsoftheAnnualConferenceoftheInstituteofSystems,
ControlandInformationEngineers.VOL.43rdpp.287288
[7]Lyashevskiy,S.andChen,Y.,1996.NonlinearIdentificationofAircraft,En:
IEEEInternationalConference.
[8]Hagan,M.,Demuth,H.andDeJesus,O.,2002.AnIntroductiontotheUse
ofNeuralNetworksinControlSystems.En:InternationalJournalof
RobustandNonlinearControl,Vol.12,No.11,pp.959985.
[9] JaliliKharaajool, M. and Babak, N. 2004., s.a. Neural network based
predictivecontrolofaheatexchangernonlinearprocess.En:Journalof
electrical&electronicsengineering.Vol.4.pp.12191226.
[10]ManualNIUSB6259.Disponibleen:http://sine.ni.com/ds/app/doc/p/id/
ds20/lang/en.Consultadoel26deMarzode2009.
[11]NIUSB622x/625xOEM.USERGUIDE.MSeriesUSB6221/6225/6229/
6251/6255/6259OEMDevices.Disponibleen:http://www.ni.com/pdf/
products/us/371910a.pdf.Consultadoel26deMarzode2009.
[12] Parker, 1995. Optimal algorithms for adaptive networks: Second order
backpropagation, second order direct propagation and second order
Hebbian learning. En: D.B. Parker IEEE 1st Int. Conf. on Neural
Networks,vol.2,pp.593600,SanDiego,CA.
[13]Ranga,N.,Deodhare,D.andNagabhushan,P.,2002.ParallelLevenberg
Marquardtbasede Neural Network Training on Linux Clusters
Disponibleen:http://www.ee.iitb.ac.in/~icvgip/PAPERS/248.pdf
[14]Soloway,D.andJ.Haley,P.,1997.NeuralGeneralizedPredictiveControl,
ANewtonRaphsonImplementation.NASALangleyResearchCenter.
Hampton:s.n.,
[15]Vlez, C.M., 2003. Identificacin en Lnea y Simulacin de Sistemas
Dinmicos,En:IICongresodelaAsociacinColombianadeAutomtica,
Bucaramanga,pp.6973.
[16]Xu,J.,Daniel,H.O.,andZheng,Y.,2004.Aconstructivealgorithmfor
feedforwardneuralnetworks.En:InstitutefoSystemScience,EastChina
NormalUniversity.6p.Disponibleen:http://www.ee.unimelb.edu.au/
conferences/ascc2004/proceedings/papers/P97.pdf
UniversidadNacionaldeColombiaSedeMedelln
FacultaddeMinas
EscueladeIngenieradeSistemas
GruposdeInvestigacin
Grupo de Investigacin en Sistemas e Informtica

Categora A de Excelencia Colciencias
2004 2006 y 2000.
GIDIA: Grupo de Investigacin y Desarrollo en

Inteligencia Artificial
Categora A de Excelencia Colciencias
2006 2009.
Grupo de Ingeniera de Software

Categora C Colciencias 2006.
Grupo de Finanzas Computacionales

Categora C Colciencias 2006.
Centro de Excelencia en Complejidad

Colciencias 2006
Escuela de Ingeniera de Sistemas

Direccin Postal:
Carrera 80 No. 65 223 Bloque M8A
Facultad de Minas. Medelln Colombia
Tel: (574) 4255350 Fax: (574) 4255365
Email: esistema@unalmed.edu.co
http://pisis.unalmed.edu.co/

Control de Una Planta No Lineal de Temperatura Con Redes Neuronales

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Control de Una Planta No Lineal de Temperatura Con Redes Neuronales

Hochgeladen von

Copyright:

Verfügbare Formate

Controldeunaplantanolinealdetemperaturaconredes

Resumen En este trabajo se presenta una comparacin entre thisnethasfourneurons,twointhesecretlayer,oneinthelayer

RevistaAvances en Sistemas e Informtica,Vol.6 No. 2,Septiembre de 2009, Medelln ISSN 16577663

Las redes neuronales se caracterizan por su habilidad de operacinparaelcontrolPID.Enlacuartapartesediseael

Ecuacindeequilibriotrmico materiales como el oro, la plata o el cobre tienen

diferencia de temperatura en el interior de un lquido o un Airesseco

2 = q21x1 + q22x2 + L + q2r xn

Seleccin del modelo: Partiendo de las ecuaciones Sedefinenlosvectoresdelassalidasestimadas,calculados

z2 =[Rt (1) Rt (2) L Rt (n)]

Con los datos obtenidos se determina la variable

Respuestadelc ontrolc onvencionalparaels is temanolineal

Tabla 2. Resumen de los resultados obtenidos con cada

La respuesta del sistema ante los diferentes mtodos de

Explicacindelosresultados obtenidosconlosdiferentes Laraznporlacualnoeselmsrpidodetodosseencuentra

Donde wij1 eselfactordepesoparalacapa1,delaentrada e = e11 L e1m em2 L em2 L

Q = w10T w11T L w1n T , w02T1

f&11 ( a11) 0 L 0 fi1(ai1) =

fi2 =ai2 (51)

S e ald es alida alP W M

ElcomportamientodelsistemaloobservamosenlaFigura que loselementos tengan mayordurabilidad lo cuala nivel

entre la seal estimada y la seal encontrada con los datos

Comprobacindelmtodo de ident ificacin

Comparacin entre el control convencional y el control de larespuesta obtenidaporloscontroladores diseadosse

Automation and Intelligent Manufacturing. FAIM2004, Toronto,

Grupo de Investigacin en Sistemas e Informtica

GIDIA: Grupo de Investigacin y Desarrollo en

Grupo de Ingeniera de Software

Grupo de Finanzas Computacionales

Centro de Excelencia en Complejidad

Escuela de Ingeniera de Sistemas

Das könnte Ihnen auch gefallen