Beruflich Dokumente
Kultur Dokumente
57-66, 2012
RESUMEN
En este artículo se presenta una aplicación del PLC en la implementación de sistemas de control avanzado
para regular una planta de flujo y nivel. Se identifica el proceso y se trabajan tres algoritmos de control: un
control con redes neuronales, un controlador RST y un controlador PI estimado con el método de asignación
de polos. Se desarrolla un programa para el PLC que, junto con el sistema SCADA, permite utilizar estas
técnicas de control en la regulación de procesos industriales. El software utilizado incluye además, el diseño
de un entorno amigable para la visualización de las variables por parte del usuario. Los resultados obtenidos
en el control del proceso, ponen de manifiesto la posibilidad de implementar en el PLC algoritmos de control
avanzado con muy buen desempeño.
ABSTRACT
This paper presents an application of the PLC in the implementation of advanced control systems to regulate
a plant of level. The process is identified and the work is based on three control algorithms: a control with
neural networks, a RST controller and a PI controller estimated using pole placement. It is developed a
program for the PLC which, together with the SCADA system, allows using these techniques of control in the
regulation of industrial processes. The Software also includes the design of a user-friendly environment for
viewing the variables from the user. The results obtained in the control of the process, demonstrate the
likelihood to implement advanced control algorithms with very good performance in the PLC.
57
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
58
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
convertidor de corriente a nivel, una válvula de proceso. [7], [8]. La Fig. 2 muestra el esquema de
control y una bomba para recirculación. También entradas-salidas de una red neuronal
tiene un sistema de válvulas manuales que
permiten introducir perturbaciones en el lazo de El perceptrón multicapa es en la actualidad una de
control de flujo. las arquitecturas más utilizadas para la solución de
problemas, debido a su capacidad de aproximación
Para el control de nivel se dispone de un transmisor universal, su fácil uso y su aplicabilidad en sistemas
de nivel por nivel diferencial, un controlador de reconocimiento de patrones, en control de
electrónico PID, un convertidor de corriente a nivel, procesos, en modelación de procesos dinámicos y
una válvula de control y una bomba para en diagnósticos médicos.
recirculación. También cuenta con un sistema de
válvulas manuales que permiten introducir Para el control del proceso de nivel se utilizó una
perturbaciones en el lazo de control de nivel y una topología de red perceptrón multicapa formada por
válvula solenoide que permite realizar control on-off una capa de entrada, una oculta y una capa de
del nivel. salida, donde las neuronas de entrada se encargan
de recibir las señales que proceden del exterior, en
Las señales provenientes de los sensores de nivel este caso las salidas del transmisor de nivel en
y de flujo se disponen en borneras de modo que se instantes anteriores, un retraso de la variable
pueden llevar directamente al controlador controlada y un bias. Como función de activación
electrónico PID o se pueden llevar a una tarjeta de se utilizó la tangente hiperbólica en todas sus
adquisición de datos para realizar control por capas.
computador o a un PLC para realizar control con
este dispositivo. De igual manera, las señales de El algoritmo o regla de aprendizaje es el
control provenientes ya sea del controlador PID ó mecanismo mediante el cual se adaptan y se
del computador o del PLC se pueden llevar al modifican los parámetros de la red. En el caso del
convertidor de corriente a nivel y de éste a la perceptrón multicapa el aprendizaje es
válvula de control. Esta disposición permite aplicar supervisado, debido, a que se cuenta con los datos
diferentes técnicas de control de procesos: control de entrada y la referencia deseada, este error entre
análogo, control digital y control con PLC. el valor deseado y el valor real modifica los pesos
de la red. La diferencia es estimada mediante una
2.2. Estructura de la Red Neuronal función de error medio cuadrático.
La relevancia de las redes neuronales en el control
de procesos radica en que se adaptan a los En el aprendizaje se busca la minimización del
cambios de la planta, de esta manera tienen un error, la dirección de búsqueda comúnmente
comportamiento satisfactorio en plantas con utilizada es el método del descenso del gradiente,
dinámica variables no lineales. debido a que las neuronas de la red están
agrupadas en capas de distintos niveles, es posible
Al adaptarse a los cambios de la planta, no se aplicar el método del gradiente de forma eficiente,
requiere conocer el sistema dinámico de la misma, dando como resultado la aplicación del algoritmo
sino que estas adaptan el controlador a ellas, la de retropropagación o regla generalizada.
desventaja está en que este entrenamiento es
pesado computacionalmente [6].
59
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
+
E(k) 𝑌𝑌 𝑧𝑧 𝐵𝐵 𝑧𝑧 𝑇𝑇ሺ𝑧𝑧ሻ
- ൌ ሺͷሻ
𝑊𝑊 𝑧𝑧 𝐴𝐴 𝑧𝑧 𝑅𝑅 𝑧𝑧 𝐵𝐵ሺ𝑧𝑧ሻ𝑆𝑆ሺ𝑧𝑧ሻ
La ecuación característica del sistema está dada
Fig. 3. Esquema de control. por:
𝑄𝑄𝑚𝑚 𝑧𝑧 𝑝𝑝𝑜𝑜𝑙𝑙𝑖𝑖𝑛𝑛𝑜𝑜𝑚𝑚𝑖𝑖𝑜𝑜𝑑𝑑𝑒𝑒𝑛𝑛
𝑄𝑄Ͳ 𝑧𝑧 𝑝𝑝𝑜𝑜𝑙𝑙𝑖𝑖𝑛𝑛𝑜𝑜𝑚𝑚𝑖𝑖𝑜𝑜𝑛𝑛 − ͳ
60
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
2.4. Control PI
Los parámetros del controlador se diseñan de
modo que el sistema en lazo cerrado tenga sus
polos ubicados en el lugar deseado de manera que
se satisfagan las condiciones de operación
deseadas para el proceso [11]. Si D(z) es el
controlador y 𝐺𝐺𝑃𝑃 𝑧𝑧 es la función de transferencia
del sistema, la ecuación característica será:
ͳ 𝐷𝐷 𝑧𝑧 ∗ 𝐺𝐺𝑃𝑃 𝑧𝑧 ൌ Ͳሺͳʹሻ
3. SISTEMA SCADA
En la Fig.5 se muestra la visualización mostrada Fig.6. Imagen de control neuronal del sistema
por el sistema de control. SCADA.
Para el diseño del sistema SCADA se utilizó, como De igual manera, para las demás imágenes de
se mencionó anteriormente, un panel de siemens pantalla, se cuenta con un área de grafica donde se
KTP600 DP, programado en Wincc flexible. Para visualiza la salida del controlador, es decir el estado
facilitar la visualización de la identificación o el de la válvula, el nivel actual entregado por el sensor
control del proceso se implementaron cinco y el punto de control deseado, la barra indicadora
imágenes de pantalla diferentes, la primera es la de la izquierda muestra el valor del set point y la
imagen inicial donde el usuario visualiza los barra de la derecha el nivel. La flecha arriba- abajo
elementos principales del proceso involucrado, en es para incrementar o decrementar el set point y se
este caso nivel, se cuenta con cuatro botones que desplaza según el incremento digitado en el campo
permiten la selección ya sea de la toma de datos que se encuentra entre ellas, además un botón de
del proceso para su posterior identificación, o los paro, un botón para habilitar el almacenamiento de
botones de controladores PI, RST y Neuronal para los datos y un botón para volver a la página inicial.
seleccionar la estrategia de control a utilizar. Cada
61
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
El programa principal llamado desde OB35 (Fig.7) y 5.1. Identificación del sistema
elaborado en el FB1 está codificado en SCL, el Para obtener el modelo del sistema de nivel se
software desarrollado consta de los switches utilizó el método de la curva de reacción, para ello
habilitadores según los botones identificación, se tomaron los datos de apertura de válvula y la
control PI, RST y neuronal, en identificación se respuesta del sistema de nivel a través del sensor
adquiere el valor del nivel por medio de la entrada de nivel, tomados mediante el PLC y almacenados
PEW752 configurada para recibir corriente de 4- en el PC por medio del sistema SCADA, para
20mA ya que el transmisor de nivel entrega señal posteriormente analizarlos con el toolbox de
estándar en corriente. Además de la entrada, se identificación de sistemas de Matlab (IDENT) y de
envía el dato de apertura de la válvula por la salida este modo calcular el modelo. En la Fig. 8 se
PAW752 también en corriente, para llevarlo observan los datos tomados del sistema real y la
directamente al I/P convertidor de corriente a nivel y curva obtenida al graficar la función de
finalmente a la válvula, adicional a esto los datos transferencia obtenida. Con la ayuda del Matlab se
son graficados y almacenados para posteriormente estimaron el modelo del sistema continuo y el
ser procesados. En las demás selecciones para los modelo equivalente del sistema discreto para el
controladores se realiza algo similar, pero el dato sistema de nivel. Estos modelos se dan a
de salida se convierte en el valor arrojado por la ley continuación:
de control dada por cada uno según el tipo de
controlador.
62
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
͵Ǥͺ
𝐺𝐺𝑝𝑝 𝑠𝑠 ൌ ሺͳͷሻ
ͶͺǤͶͷͻ𝑠𝑠 ͳ
ͲǤͳ͵𝑧𝑧 − ͲǤͲͳͶͳ
𝐺𝐺𝑝𝑝 𝑧𝑧 ൌ ሺͳሻ
𝑧𝑧 ʹ − ͲǤͶͻͷ − ͲǤͶͺͳ
63
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
El polinomio T es:
𝑇𝑇 ൌ 𝜑𝜑𝑄𝑄Ͳ ǡ𝑄𝑄Ͳ ൌ ሺ − ͲǤͳሻሺ − ͲǤͳሻ
𝑄𝑄𝑚𝑚
𝜑𝜑 ൌ ൌ ͳǤ͵
𝐵𝐵 𝑧𝑧ൌͳ
ͳ
𝑢𝑢 𝑧𝑧 ൌ ͳǤ͵ − ͲǤʹ͵ʹ𝑧𝑧 −ͳ 5.4 Control PI
ͳ − ͲǤͳͲʹͶ𝑍𝑍 −ʹ
ͲǤͲͳ͵𝑧𝑧 −ʹ 𝑊𝑊 𝑧𝑧 Para diseñar el controlador PI al sistema de nivel se
− ͲǤͺͺʹ ͵Ǥͻͷͷ𝑧𝑧 −ͳ − ͵Ǥʹ𝑧𝑧 −ʹ 𝑌𝑌ሺ𝑧𝑧ሻሿ asume un tiempo de establecimiento ts=100s,
coeficiente de amortiguamiento 𝜉𝜉=0.8, y periodo de
Llevando la ecuación anterior a una ecuación en muestreo T=10s. Esto ubica los polos en z=0.64േ
diferencias se obtiene: 0.198i y da como resultado que el controlador tiene
como función de transferencia:
𝑢𝑢 𝑘𝑘 ൌ ͳǤ͵𝑤𝑤 𝑘𝑘 − ͲǤʹ͵ʹ𝑤𝑤 𝑘𝑘 − ͳ ͲǤͲͳ͵𝑤𝑤 𝑘𝑘 − ʹ
− ͲǤͺͺʹ𝑦𝑦 𝑘𝑘 − ͵Ǥͻͷͷ͵𝑦𝑦 𝑘𝑘 − ͳ 𝑈𝑈ሺ𝑧𝑧ሻ ʹǤʹʹ𝑧𝑧 − ʹǤͳͻ
͵Ǥʹ𝑦𝑦 𝑘𝑘 − ʹ 𝐷𝐷 𝑧𝑧 ൌ ൌ ሺͳͻሻ
ͲǤͳͲʹͶ𝑢𝑢 𝑘𝑘 − ͳ ሺͳͺሻ 𝐸𝐸ሺ𝑧𝑧ሻ 𝑧𝑧 − ͳ
64
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
Tabla 1. Integral del cuadrado del error (ICE) Escalón NEURO PI RST
35 22,5152 27,3436
Escalón NEURO PI RST 40 22,6995 23,7235 27,2467
40 43,0271 3998,24 2326,64 45 23,8826 27,8464 27,874
35 57,3786 104,889 ------ 50 24,1573 28,1328 27,945
45 48,9929 29,5722 1793,1 55 26,0938 28,0394 28,1184
50 47,9005 51,7134 618,357 60 28,2715 28,3974 28,2534
55 58,854 51,6686 115,055 65 31,1963 28,9585 29,5781
60 59,5927 99,342 11403,8 70 37,0389 30,0073 31,2328
65 47,3327 64,0916 931,76 75 44,103 32,7845 34,4182
70 60,2924 56,4368 1181,72 80 49,936 38,0100
75 70,563 86,1653 811,853 85 60,4432 63,3802
80 105,224 137,817 ------
85 162,489 193,684 ------
6. CONCLUSIONES
Se realizaron algunos análisis estadísticos sobre la
variabilidad de la variable controlada con los El controlador Neuronal arrojó los mejores
diferentes algoritmos y en diferentes zonas de resultados en cuanto a que presenta el menor
trabajo. índice de la integral del error al cuadrado (ICE),
pero el peor desempeño en cuanto a la acción
La tabla 2 muestra los resultados obtenidos, se sobre el elemento final de control, con el RST se
observa que en la zona de trabajo comprendida obtuvieron buenos resultados en cuanto a exactitud
entre el 40% y el 75% la menor variabilidad la y estabilidad pero la respuesta es muy lenta,
presenta el controlador RST generando el mayor ICE de los tres controladores.
Con algunas modificaciones realizadas en línea a
estos algoritmos y leyes de control se logró mejorar
considerablemente la respuesta de ambos.
65
Revista Politécnica ISSN 1900-2351, Año 8, Número 14, 2012
[1] Cercós, Javier Nevot, Diseño de un controlador [11] García, L. Control digital. Teoría y práctica.
avanzado basado en redes neuronales para la Politécnico Colombiano. ISBN 978-958-44-8641-7.
gestión de la mezcla aire gasolina en un motor Medellín 2010.
alternativo. Tesis Doctoral, 12 1999.
66