INGENIERA MECATRNICA

Automatizacin Industrial
Nombre:
Johnny Barreno
Mara de los ngeles Campaa
Xavier Mayorga
David Villamarin
Curso:
Octavo A
Departamento:
Energa y Mecnica
Docente:
Ing. Patricia Constante

Redes Industriales
________________________________________________________________________

Contenido
TEMA ................................................................................................................................. 4
OBJETIVO.......................................................................................................................... 4
MARCO TERICO ............................................................................................................. 4
Red Neuronal Artificial .................................................................................................... 4
Arquitectura de una red neuronal .................................................................................... 4
Perceptrn ...................................................................................................................... 5
Limitantes ....................................................................................................................... 5
Aplicaciones.................................................................................................................... 5
Motor paso a paso .......................................................................................................... 6
Caractersticas comunes ................................................................................................ 7
LM741 ............................................................................................................................. 8
Caractersticas ................................................................................................................ 8
Aplicaciones.................................................................................................................... 8
DESARROLLO ................................................................................................................. 10
Entrenamiento .............................................................................................................. 10
Implementacin ............................................................................................................ 10
ANALISIS DE RESULTADOS .......................................................................................... 20
CONCLUSIONES ............................................................................................................. 25
RECOMENDACIONES .................................................................................................... 25
ANEXOS .......................................................................................................................... 26

Redes Industriales
________________________________________________________________________

ndice de Figuras
Figura 1 Perceptrn. Tomado de: (Universidad Autnoma del Estado de Hidalgo , s.f.) .... 6
Figura 2 Motor paso a paso. Tomado de: (Carletti, s.f.) ..................................................... 7
Figura 3 Amplificador Inversor ............................................................................................ 9
Figura 4 Amplificador no inversor ....................................................................................... 9
Figura 5 Sumador inversor ............................................................................................... 10
Figura 6 Programacin para la comparacin en Arduino .................................................. 17
Figura 7 Programacin Arduino ........................................................................................ 19
Figura 8 Implementacin del circuito ................................................................................ 20
Figura 9 V1=0 V2= 0 Salida=0 ......................................................................................... 21
Figura 10 V1=0 V2=1 Salida=0 ........................................................................................ 21
Figura 11 V1=0 V2=0 Salida=1 ........................................................................................ 22
Figura 12 V1=1 V2=1 Salida=1 ........................................................................................ 22
Figura 13 V1=0 V2=0 Salida=0 ........................................................................................ 23
Figura 14 V1=0 V2=1 Salida=0 ........................................................................................ 23
Figura 15 V1=1 V2=0 Salida=0 ........................................................................................ 24
Figura 16 V1=1 V2=1 Salida=1 ....................................................................................... 24
Figura 17 Programa para hallar los pesos ........................................................................ 26
Figura 18 Diagrama de la fuente ...................................................................................... 26

ndice de Tablas
Tabla 1 Neurona de direccin........................................................................................... 11
Tabla 2 Neurona de velocidad .......................................................................................... 11
Tabla 3 Inicializacin de los pesos ................................................................................... 11

Redes Industriales
________________________________________________________________________

TEMA
Creacin, entrenamiento y verificacin de la RNA para el control de un motor de pasos con
un grupo de perceptrones.

OBJETIVO
Implementar dos neuronas con amplificadores operacionales para el control de un motor.

MARCO TERICO
Red Neuronal Artificial
Es una estructura compuesta de un nmero de unidades interconectadas (neuronas
artificiales). Cada unidad posee una caracterstica de entrada/salida e implementa una
computacin local o funcin. La salida de cualquier unidad est determinada por su
caracterstica de entrada/salida, su interconexin con otras unidades, y (posiblemente) de
sus entradas externas. Sin embargo es posible un trabajo a mano, la red desarrolla
usualmente una funcionalidad general a travs de una o ms formas de entrenamiento.
(Universidad de las Americas Puebla , s.f.)
Arquitectura de una red neuronal
Una vez definida el tipo de neurona que se utilizar en un modelo de redes neuronales
artificiales es necesario definir la topologa de la misma. La organizacin y disposicin
de las neuronas dentro de una red neuronal se denomina topologa, y viene dada por el
nmero de capas, la cantidad de neuronas por capa, el grado de conectividad, y el tipo
de conexin entre neuronas. Las neuronas suelen agruparse en unidades funcionales
denominadas capas. Se denomina capa de entrada a aquella que esta compuesta por
neuronas de entradas y por lo tanto recibe informacin procedente desde el exterior.
Anlogamente, se denomina capa oculta y capa de salida a aquellas capas que estn
compuestas por neuronas ocultas y de salida respectivamente.
Una red neuronal artificial est compuesta por una o ms capas, las cuales se
encuentran interconectadas entre s. Entre un par de neuronas de la red neuronal
artificial pueden existir conexiones. Estas conexiones son las sinapsis, tienen asociadas
un peso sinptico, y son direccionales. Cuando la conexin se establece entre dos
neuronas de una misma capa hablamos de conexiones laterales o conexiones intra4

Redes Industriales
________________________________________________________________________
capa. Por el contrario, si la conexin se establece entre neuronas de distintas capas se
la denomina conexin inter-capa. Si la conexin se produce en el sentido inverso al de
entrada-salida la conexin se llama recurrente o realimentada. Una red puede estar
formada por una nica capa de neuronas. En este caso hablamos de redes monocapa,
y las neuronas que conforman dicha capa cumplen la funcin de neuronas de entrada y
salida simultneamente. Cuando la red est compuesta por dos o ms capas hablamos
de redes multicapa. A su vez, hablamos de redes neuronales con conexin hacia delante
(redes feedforward) cuando las conexiones entre las distintas neuronas de la red siguen
un nico sentido, desde la entrada de la red hacia la salida de la misma. Cuando las
conexiones pueden ser tanto hacia delante como hacia atrs hablamos de redes
recurrentes

Perceptrn
Es una estructura neuronal ms una regla de aprendizaje. Como se explicaba
anteriormente, una neurona se compone de un conjunto de entradas, cada una con un
peso, que se introducen en el cuerpo de la misma para su procesamiento. (Valle)
Limitantes
El perceptrn es capaz tan slo de resolver funciones definidas por un hiperplano (objeto
de dimensin N-1 contenida en un espacio de dimensin N). que corte un espacio de
dimensin N. Un ejemplo de una funcin que no puede ser resuelta es el operador lgico
XOR.
Una explicacin ms sencilla de un hiperplano sera, hablando en un plano de dos
dimensiones, una lnea que separa a los elementos existentes en dos grupos. El
perceptrn slo puede resolver una funcin, si todos los posibles resultados del problema
pueden separarse de sta forma (en dos secciones) es decir, que no se combinen entre
s. (Electrnica, s.f.)
Aplicaciones
El rango de tareas que el perceptrn puede manejar es mucho mayor que simples
decisiones y reconocimiento de patrones. Por ejemplo, se puede entrenar una red para
formar el tiempo pasado de los verbos en ingls, leer texto en ingls y manuscrito. El
perceptrn multicapa (MLP) puede ser usado para la prediccin de una serie de datos
5

Redes Industriales
________________________________________________________________________
en el tiempo; tal a sido su xito en la medicin de la demanda de gas y electricidad,
adems de la prediccin de cambios en el valor de los instrumentos financieros.
Prediccin de mercados financieros, diagnsticos mdicos, el perceptrn como una red
codificadora, el perceptrn aprende a sumar enteros.
NETtalk es un perceptrn que es capaz de transformar texto en ingles en sonido
individual (representaciones fonticas) y la pronunciacin con la utilizacin de un
sintetizador de voz; cuenta con aproximadamente 300 nodos de neuronas (siendo 80 en
la capa escondida) y 20,000 conexiones individuales.

Figura 1 Perceptrn. Tomado de: (Universidad Autnoma del Estado de Hidalgo , s.f.)

Motor paso a paso

Los motores paso a paso son ideales para la construccin de mecanismos en donde se
requieren movimientos muy precisos. La caracterstica principal de estos motores es el
hecho de poder moverlos un paso a la vez por cada pulso que se le aplique. Este paso
puede variar desde 90 hasta pequeos movimientos de tan solo 1.8, es decir, que se
necesitarn 4 pasos en el primer caso (90) y 200 para el segundo caso (1.8), para
completar un giro completo de 360. (Web docente)

Redes Industriales
________________________________________________________________________

Figura 2 Motor paso a paso. Tomado de: (Carletti, s.f.)

Caractersticas comunes
Un motor paso a paso se define por estos parmetros bsicos:
Voltaje
Los motores paso a paso tienen una tensin elctrica de trabajo. Este valor viene
impreso en su carcasa o por lo menos se especifica en su hoja de datos. Algunas
veces puede ser necesario aplicar un voltaje superior para lograr que un
determinado motor cumpla con el torque deseado, pero esto producir un
calentamiento excesivo y/o acortar la vida til del motor.
Resistencia elctrica
Otra caracterstica de un motor paso a paso es la resistencia de los bobinados. Esta
resistencia determinar la corriente que consumir el motor, y su valor afecta la
curva de torque del motor y su velocidad mxima de operacin.
Grados por paso
Generalmente, este es el factor ms importante al elegir un motor paso a paso para
un uso determinado. Este factor define la cantidad de grados que rotar el eje para
cada paso completo. Una operacin de medio-paso o semi-paso (half step) del
motor duplicar la cantidad de pasos por revolucin al reducir la cantidad de grados
por paso. Cuando el valor de grados por paso no est indicado en el motor, es
posible contar a mano la cantidad de pasos por vuelta, haciendo girar el motor y
sintiendo por el tacto cada "diente" magntico. Los grados por paso se calculan
dividiendo 360 (una vuelta completa) por la cantidad de pasos que se contaron. Las
cantidades ms comunes de grados por paso son: 0,72, 1,8, 3,6, 7,5, 15 y hasta
90. A este valor de grados por paso usualmente se le llama la resolucin del motor.

Redes Industriales
________________________________________________________________________
En el caso de que un motor no indique los grados por paso en su carcasa, pero s
la cantidad de pasos por revolucin, al dividir 360 por ese valor se obtiene la
cantidad de grados por paso. Un motor de 200 pasos por vuelta, por ejemplo, tendr
una resolucin de 1,8 por paso.

LM741
Es un amplificador operacional manolitico de altas caracteristicas. Se ha diseado para una
amplia gama de aplicaciones analgicas. Un alto rango de voltaje en modo comn y
ausencia de lacth-up tienden a hacer el uA 741 ideal para usarlo como un seguidor de
tensin.
La alta ganancia y el amplio rango de voltaje de operacin proporcionan unas excelentes
caractersticas, aprovechables para integradores, amplificadores, sumadores y en general,
aplicaciones de realimentacin. (Ladelec, s.f.)
Caractersticas
No requiere compensacin en frecuencia.
Est protegido contra cortocircuitos.
Tiene capacidad para anular el voltaje de offset.
Posee un alto rango de tensin en modo comn y voltaje.

Aplicaciones
Este circuito integrado tiene muy diversas aplicaciones, utilizndose ms
usualmente en: seguidores de tensin de ganancia unidad, amplificadores no
inversores, amplificadores inversores integradores, diferenciadores.

Redes Industriales
________________________________________________________________________
Amplificador Inversor
La seal de entrada Vi se introduce por el terminal inversor del A.O.

Figura 3 Amplificador Inversor

Amplificador no inversor
La seal de entrada Vi se aplica al terminal no inversor del A.O.
La seal de salida Vo, est en fase con la de entrada.

Figura 4 Amplificador no inversor

Redes Industriales
________________________________________________________________________
Sumador inversor
Se le llama tambin amplificador inversor multicanal.
El siguiente circuito constituye un A.O. sumador inversor de 3 canales.

Figura 5 Sumador inversor

DESARROLLO
1. Para realizar el control de un motor de pasos a travs del entrenamiento de dos neuronas
se realiza las siguientes actividades:

Entrenamiento

Entrenar a una neurona para que decida la direccin de un sistema que consta de
dos sensores de luz y que va a girar hacia la izquierda o hacia la derecha por medio
de un motor a pasos, dependiendo qu sensor se active con la incidencia de luz. La
segunda neurona ser entrenada para decidir a qu velocidad va a girar el sistema
antes mencionado de acuerdo con la combinacin que presenten dos interruptores.

Implementacin
Luego se realiza la implementacin de las dos neuronas que se va a utilizar. El tipo de
entrenamiento que se us para ambas neuronas fue el del perceptrn convencional. Por lo
que, el perceptrn es un modelo que ayuda a dividir patrones linealmente separables y lo
que hace este entrenamiento es deducir cundo una entrada pertenece a una de las dos
10

Redes Industriales
________________________________________________________________________
clases. Adems, se construye tablas de verdad que fueran linealmente separables para
cada una de las neuronas, y de acuerdo con dichas tablas se realiza su entrenamiento. Y
en vista de que el entrenamiento consiste en encontrar los pesos que estn relacionados
con cada una de las entradas y con el umbral. Las tablas de verdad requeridas son las
siguientes:
Tabla 1 Neurona de direccin

V1

V2

Salida

Donde: 1 0
Tabla 2 Neurona de velocidad

V1

V2

Salida

Donde: 1 0
En cada uno de los casos se tiene un umbral = 2.
Tabla 3 Inicializacin de los pesos

Neurona de direccin:

Neurona de velocidad:

1 = 1

2 = 1

= 1

Los pesos que resultan son:

Los pesos que resultan son:

1 = 0.55

= .

2 = 0.45

= .

= 1.14
11

Redes Industriales
________________________________________________________________________

Para poder implementar las neuronas por medio de Op-Amp se realiz el siguiente anlisis:
sabemos que para un perceptrn el clculo de la salida aplicado a nuestro caso se hace
por medio de la siguiente ecuacin:
() = [1 1 + 2 2 ]
Para cada una de las combinaciones de entrada tenemos un resultado que es el que se
evala en la funcin. Cabe mencionar que el 0 equivale a 0 V y el 1 a 5V.
Para el caso de la neurona de direccin:
0 00
= 1.2(2) = 2.4
0 10
= 0.5(5) 1.2(2) = 0.1
1 01
= 3(5) 1.2(2) = 12.6
1 11
= 3(5) + 0.5(5) 1.2(2) = 15.1
Para el caso de la neurona de velocidad:
0 00
= 1.14(2) = 2.2
0 10
= 0.45(5) 1.14(2) = 0.03
1 01
= 0.55(5) 1.14(2) = 0.47
1 11
= 0.55(5) + 0.45(5) 1.14(2) = 2.72
De acuerdo con la ecuacin, se hace la sumatoria de todos los pesos multiplicados por sus
respectivas entradas, esto por medio de Op-Amps se logra con un sumador inversor, que
aplicado a nuestro caso tiene la siguiente configuracin:

12

Redes Industriales
________________________________________________________________________

Figura 2 Configuracin mediante Amplificador Operacional.

= (

+
+ )
1 2 3

Para la neurona de direccin, el caso de la entrada del V (V umbral) se resuelve por medio
de otro amplificador que logre darnos la salida que deseamos, que en este caso es de -2.4.
El Op-Amp que se us fue un inversor, gracias a que el valor de umbral se resta en la
ecuacin. Su configuracin es la que se muestra a continuacin

Figura 3 Configuracin mediante Amplificador Operacional Inversor.

2

= 1

13

Redes Industriales
________________________________________________________________________
Se fija el valor de la resistencia R2 y obtenemos el valor de la resistencia R1. El Vin es de
2V, que fue el valor que le damos al umbral, y el de salida es el que tenemos al multiplicarlo
por su peso (=1.2).
= 2
= 2.4
1 = 10
1 =

2
10
=
(2)
(2.4)

1 = 8.3
2 = 8. .3

Los valores de las resistencias R2 y R3 se obtienen igual que en el caso del valor del umbral.
La resistencia Rf se fija en 10K.
Para el caso de V1:
= 10
= 5 ( 1 5)
= 15( = 3)
2 =

10
=
(5)

15
2 = 3.3

Para el caso de V2:

= 10
= 5 ( 1 5)
2 =

10
=
(5)

2.5
2 = 20
14

Redes Industriales
________________________________________________________________________
Para la neurona de velocidad, el caso de la entrada del Vq (Vu mbral) se resuelve tambin
por medio de otro amplificador que logre darnos la salida que deseamos, que en este caso
es de 22.28. El Op-Amp que se utiliz fue un inversor, gracias a que el valor de umbral se
resta en la ecuacin. Y su configuracin es la misma que us para el umbral de la neurona
de direccin.
Fijamos el valor de la resistencia R2 y obtenemos el valor de la resistencia R1. El Vin es de
2V, que fue el valor que le damos al umbral, y el de salida es el que tenemos al multiplicarlo
por su peso (=1.14).
= 2
= 2.28
1 = 10
1 =

2
10
=
(2)

2.28
2 = 8.7

Los valores de las resistencias R2 y R3 se obtienen igual que en el caso del valor del umbral.
La resistencia Rf se fija en 10K.
Para el caso de V1:
= 10
= 5( 1 5)
= 2.75(=0.55)
2 =

10
=
(5)

2.75
2 = 18.18

Para el caso V2:

1 = 10
= 5( 1 5)
15

Redes Industriales
________________________________________________________________________
= 2.25(=0.45)
2 =

1
10
=
(5)

2.25
2 = 22.2

En ambos casos (tanto para la neurona de direccin como para la neurona de velocidad) la
salida del sumador es de signo contrario al que en realidad debe de tener, debido a la
configuracin inversora que se utiliz. Por ello se us un inversor de ganancia unitario para
cambiar el valor del voltaje de salida que tiene el sumador. La configuracin de dicho
inversor es la siguiente

Figura 4 Configuracin Inversor de ganancia unitaria.

Donde:
Vo es el que se obtiene de la salida del sumador, el valor depende de lo que se encuentre
en V1 y en V2.
Vout es el mismo valor que Vo pero con signo contrario.
R1510k
R2510k
Como se muestra en la ecuacin, la salida se tiene que evaluar en una funcin; en nuestro
caso esta evolucin se hace por medio de un Op-Amp que tiene configuracin de
comparador. El diseo de un comparador es siguiente.

16

Redes Industriales
________________________________________________________________________

Figura 5 Configuracin Compensador.

El valor que sale del ltimo inversor se compara con 2.5V, si el valor es mayor se va a 1
(5V) y si el valor es menor a 2.5V se va a 0 (0V).

Figura 6 Programacin para la comparacin en Arduino

17

Redes Industriales
________________________________________________________________________
El diseo completo de cada una de las neuronas es el que se muestra a continuacin

Figura 6 Diseo completo de la neurona.

Una vez que las neuronas se encuentran entrenadas y listas con los amplificadores
operacionales, se desarrolla la parte del controlador del motor a pasos.

18

Redes Industriales
________________________________________________________________________
2. Programacin de Arduino

Figura 7 Programacin Arduino

19

Redes Industriales
________________________________________________________________________
3. Implementacin del circuito.

Figura 8 Implementacin del circuito

ANALISIS DE RESULTADOS

Comprobacin de la neurona de direccin

V1

V2

Salida

20

Redes Industriales
________________________________________________________________________

Figura 9 V1=0 V2= 0 Salida=0

Figura 10 V1=0 V2=1 Salida=0

21

Redes Industriales
________________________________________________________________________

Figura 11 V1=0 V2=0 Salida=1

Figura 12 V1=1 V2=1 Salida=1

22

Redes Industriales
________________________________________________________________________
Comprobacin de la neurona de velocidad
V1

V2

Salida

Figura 13 V1=0 V2=0 Salida=0

Figura 14 V1=0 V2=1 Salida=0

23

Redes Industriales
________________________________________________________________________

Figura 15 V1=1 V2=0 Salida=0

Figura 16 V1=1 V2=1 Salida=1

24

Redes Industriales
________________________________________________________________________

CONCLUSIONES
Para la implementacin de dos neuronas con amplificadores operacionales se logr
constatar el resultado del entrenamiento pudiendo verificar los resultados de la tabla
de verdad para el motor.
Determinamos las caractersticas de funcionamiento entre la generacin de redes
neuronales, as como tambin los distintos tipos de configuracin para su
implementacin con amplificadores operacionales.

RECOMENDACIONES
Realizar un estudio preventivo de las configuraciones del circuito, as tambin de los
valores e implementos utilizados.
Realizar una simulacin de la configuracin de las neuronas, ya que puede existir
algn error que se encuentre las conexiones de cada una de las configuraciones de
los amplificadores operacionales.
Utilizar implementos de verificacin como son multmetros, simuladores, para
comprobar que los voltajes de salida sean los deseados, as tambin para poder
enviarlos al Arduino, que ser nuestro comparador y por lo tanto le dar salida a
nuestras neuronas.

25

Redes Industriales
________________________________________________________________________

ANEXOS

Figura 17 Programa para hallar los pesos

Figura 18 Diagrama de la fuente

26