1

Resumen En este trabajo se describe cmo se implementaron

subrutinas con estrategias de control avanzado en un PLC de
gama alta, para aplicarlas en una planta de laboratorio que
cuenta con instrumentacin industrial. Se propuso ejercer
control regulatorio de flujo en todo su rango de operacin, pese a
que presente un comportamiento no lineal. Las actividades
deban orientarse a producir actividades de aprendizaje sobre
cmo implementar estrategias de control avanzado sobre
controladores industriales convencionales. Primero se aplic una
estrategia de control PI con ganancia tabulada, que permite un
buen desempeo de control independientemente de la zona donde
se est operando el sistema, y con los resultados obtenidos se
entren una RNA para implementar un control neuronal que
fuese capaz de ejercer la misma accin. Los resultados indican
que ambas tcnicas se pueden utilizar eficazmente para el control
de plantas industriales no lineales usando sus propios PLCs

Palabras Clave Ganancia tabulada, Neuro-Control, Red
Neuronal Artificial, Algoritmos de Entrenamiento, Control
Aplicado

1 Abstract This paper describes how advanced control
strategies subroutines of a high-level PLC were implemented, on
a laboratory plant with industrial instrumentation. The objective
proposed was to implement regulatory flow control throughout
its operation range, in spite of its nonlinear behavior. The
experiences were oriented to produce learning activities on how
to implement advanced control strategies on conventional
industrial controllers. First we applied a gain-scheduling PI
control strategy, allowing a good control performance regardless
of the system operating region. The results obtained here were
applied to train an ANN to implement neural control capable of
controlling the system in the same way. The results indicate that
both techniques can be used effectively for the control of
industrial nonlinear plants using their own PLC's.

Key words Gain-scheduling, Neuro-Control, Artificial
Neural Network, Training Algorithms, Applied Control.

Este trabajo se realiz en el marco del programa de Becas Alianza del
Pacfico.
Autor de correspondencia: M. Fernndez es de Universidad de Talca,
Curic, Chile (e-mail: mafernandez@utalca.cl).
W. Gutirrez es del SENA-Regional Valle, Cali, Colombia (e-mail:
william.gutierrez@sena.edu.co)
J. Lpez es de la Universidad Autnoma de Occidente, Cali, Colombia (e-
mail: jalopez@uao.edu.co).

I. INTRODUCCIN
Las tcnicas avanzadas de control automtico (Lgica Difusa,
Control Predictivo, Control Robusto, Redes Neuronales,
Control No Lineal, etc.) definen estrategias posibles de
considerar en aquellos casos en que las tcnicas
convencionales no dan buenos resultados.
Hoy en da, es comn observar que la mayor parte de las
carreras de formacin profesional que incluyen el Control
Automtico como parte de sus competencias fundamentales,
tanto a nivel de pregrado como de postgrado, incluyen cursos
donde se estudian los aspectos formales de tcnicas de control
avanzado. Sin embargo, cuando los ingenieros de procesos
desean implementar estas estrategias en un ambiente
industrial, una dificultad con la que normalmente se
encuentran es que los controladores ms utilizados, como los
PLCs (Controladores Lgicos Programables) o los DCSs
(Sistemas de Control Distribuido), no incorporan este tipo de
estrategias como parte de sus algoritmos de control estndar.
Algunos incluyen mdulos especiales, como el controlador
C200H-FZ001 de Lgica Difusa de Omron Electronicss.
Tambin hay fabricantes que han desarrollado herramientas de
software que pueden ser utilizadas para sus equipos ms
avanzados, como el Fuzzy Control++ de Siemens.
Considerando que la mayora de los PLCs, de media y alta
gama, tienen libreras matemticas o especiales que le
permiten al usuario disear sus propias funciones, es posible
crear subrutinas en lenguaje estructurado o bloques
funcionales para aplicaciones especiales. Algunos ejemplos de
estos desarrollos incluyen algoritmos genticos [1], redes
neuronales y lgica difusa [2], aunque el procedimiento
utilizado no se ha reportado con detalle. Cuando hay objetivos
de aprendizaje o de entrenamiento (como sucede en las
instituciones de educacin superior), puede ser preferible usar
subrutinas, ya que es ms fcil de comprender su
funcionamiento y realizar modificaciones fcilmente. Un
ejemplo de esta tcnica, donde se implement una subrutina
de Lgica Difusa para controlar el nivel de un estanque de una
planta de Laboratorio para comparar su desempeo con
relacin al de un PID convencional, se encuentra en [3].
La mayor parte de los sistemas fsicos tienen componentes
no lineales que determinan condiciones de operacin variables
Diseo de Control Neuronal por PLC para una
Planta de Laboratorio
(Neural Control Design Implemented in a PLC
for a Laboratory Plant)
Mario A. Fernndez F., Universidad de Talca, Curic, Chile
William Gutirrez M., SENA-Regional Valle, Cali, Colombia
Jess A. Lpez S., Universidad Autnoma de Occidente, Cali, Colombia
978-1-4799-2471-4/13/$31.00 2013 IEEE
2
segn la zona donde se est trabajando con ellos. Cuando se
requiere manejar una planta en torno a un punto de operacin
fijo, el sistema de control no reviste gran complejidad, ya que
la planta puede ser linealizada en ese punto y, en base al
modelo resultante, aplicar cualquiera de las tcnicas de control
lineal conocidas. Sin embargo, cuando las condiciones de
operacin cambian, los sistemas trabajan slo en forma ptima
en un pequeo rango (en torno al punto de operacin para el
que fue diseado), cambiando su desempeo cuando el
sistema opera fuera de esa regin. Las altas exigencias de los
sistemas de produccin actuales requieren que el desempeo
del control sea el mejor posible en cualquier zona donde est
operando, para lo cual se deben aplicar estrategias de control
avanzadas que permitan garantizar el desempeo deseado.
Dada la dificultad que representa poner a punto una
estrategia de control sobre un sistema real, lo ms adecuado es
disponer de modelos matemticos que representen al sistema,
para poder validar el diseo por simulacin. Los modelos
pueden obtenerse de manera terica (aplicando leyes fsicas de
conservacin de masa, momento o energa), emprico-
experimental (extrapolando modelos entrada/salida a partir de
mediciones de las variables de entrada y salida al proceso -lo
que normalmente se conoce como modelo caja negra) o con
una combinacin de ambas tcnicas (obtenindose modelos de
caja gris, donde una parte se obtiene de forma terica y la
otra a partir de relacionar las mediciones entre variables E/S).
Para la obtencin de modelos de caja negra, una de las
tcnicas muy utilizada son las redes neuronales artificiales
(RNA), por su capacidad para aproximar funciones de tipo
universal [4]. En el rea de control de sistemas, las RNA se
han empleado con diferentes enfoques, siendo el control
neuronal por modelo inverso la estrategia bsica ms utilizada
[5-7].
Es importante destacar que, a pesar de existir una diversidad
de algoritmos de aprendizaje para redes neuronales, los ms
usados para tal fin son los algoritmos basados en gradiente.
Dependiendo de la manera como se utilice la informacin del
gradiente, se tienen algoritmos denominados de primer orden,
como el gradiente descendente, o ms elaborados
-denominados de segundo orden-, entre los que se encuentran
los basados en la metodologa de Levenberg-Marquardt [8, 9].
Estos ltimos se utilizan normalmente en control neuronal por
modelo inverso, debido a su rapidez de convergencia y errores
pequeos conforme a las necesidades del usuario. Sin
embargo, alcanzar errores pequeos no garantiza la capacidad
de generalizacin del modelo neuronal, pudiendo producirse
un problema de sobre-entrenamiento (la red presenta un error
muy bajo con los patrones de entrenamiento pero el error
aumenta con los patrones de validacin).
Dada la capacidad que poseen las RNA para relacionar
datos de E/S segn una relacin causa/efecto (que no
necesariamente se establece entre datos coincidentes en el
tiempo, ya que el efecto actual puede ser motivo de causas
anteriores), es que han sido usadas -en sistemas de control-
para definir esquemas de control predictivo para plantas que
presentan retardo [10, 11]. En casos de operar sistemas en que
los retardos pueden ser variantes en el tiempo, una de las redes
ms utilizadas son las TDNN (Time Delay Neural Network)
[10-16]. Cuando se quiere trabajar un esquema de control
neuronal en un amplio rango, con sistemas que presenten
retardos entre seales E/S relacionadas, as como otros
parmetros -como ganancias o constantes de tiempo- que
cambien segn la regin de operacin, no se han detectado
trabajos que aborden esta temtica con claridad.
En este trabajo se presenta un procedimiento detallado de
cmo se puede abordar el problema de implementar subrutinas
de control neuronal en un PLC Allan Bradley de la serie 5000,
aplicado a una planta de laboratorio asimilable a un sistema de
primer orden que presenta condiciones cambiantes en sus
parmetros (ganancia, constante de tiempo y retardo) segn la
regin de operacin.
Este documento est organizado de la siguiente manera: En
la SECCIN II se hace referencia a la planta a utilizar.
Posteriormente, en la SECCIN III, se explica la estrategia de
control utilizada (PI con ganancia tabulada) para entrenar la
red encargada del control neuronal y se muestran sus
resultados. En la SECCIN IV se presentan los detalles de
implementacin de la RNA como controladora del proceso y
se discuten los resultados obtenidos. Finalmente, en la
SECCIN V se resaltan las conclusiones que pueden
desprenderse del presente trabajo.
II. PLANTA DE LABORATORIO
En la FIG. 1 se muestra una foto de la planta con sus partes
constitutivas.

En el Laboratorio de Comunicaciones Industriales del
SENA-Regional Valle (Cali-Colombia) se dispone de una
planta didctica con transmisores inteligentes para medir las
variables del proceso, con vlvulas de control comandadas por
corriente entre 4 y 20 mA. Adems, se dispone de un autmata
programable de ltima generacin (Allen Bradley, serie
ControlLogix), el cual obtiene todas las variables de medicin
de la planta a travs de un mdulo de entradas analgicas y
desde el cual se pueden comandar todos los actuadores de la
misma a travs de un mdulo de salidas analgicas, mediante
la ejecucin de una estrategia de control previamente definida.
Esta plataforma posee una capacidad de acceso remoto a

FIG. 1. Planta didctica para la formacin remota en control de procesos.

3
travs de Internet, que le permite que sea configurada en
forma no presencial desde cualquier parte, lo que resulta parti-
cularmente atractivo para fines educativos [17].
La FIG. 2 muestra el diagrama de tuberas e instrumentacin
(P&ID) relacionado con la porcin de la planta a utilizar,
donde se muestra el lazo de control de flujo a implementar
para un amplio rango de esta variable.


Como aplicacin final, debido al comportamiento no lineal
del sistema, se plantea realizar una estrategia de control
neuronal que sea capaz de emular el comportamiento de un
controlador PI con ganancia tabulada, para regular el flujo que
ingresa al tanque de reaccin TK102 de la planta didctica, a
travs de la vlvula LCV100.
La variable de proceso (Flujo) se mide con el transmisor
FIT100 gracias a la cada de presin provocada en la tubera
mediante una placa orificio, quien la enva al autmata
programable FIC100 para que este calcule la accin de control
correspondiente y la aplique a la vlvula LCV100. Con la
bomba P100, comandada desde el PLC (FY100), se extrae
agua del tanque de almacenamientoTK100 para impulsarla
hacia el tanque de reaccin TK102, desde donde retorna por
gravedad- al estanque TK100. El flujo de descarga puede ser
controlado desde el PLC (FY102) a travs de la vlvula
LCV102.
La LCV100 es una vlvula de bola de la serie ST,
comandada por un posicionador de la serie D-53, de Delta,
mediante una seal de 4-20mA. Como tcnica de
implementacin, se trabaja en unidades porcentuales, donde
0% corresponde a la vlvula completamente cerrada y 100%
completamente abierta. De trabajos previos, se encontr que la
vlvula presenta un efecto de backlash, lo que provoca que
se mantenga cerrada hasta que la seal de comando no supera
los 8mA cuando la vlvula va abriendo- Esto, en trminos
porcentuales, significa que slo se puede operar por encima
del 25%. Por otro lado, dado las caractersticas inherentes de
la vlvula, cuando se la opera por encima de 85%, los cambios
de flujo no son significativos en esa zona (ver FIG. 3). Por
tanto, se consider como rango de trabajo til entre 30-83%.
III. SINTONA DE CONTROL PI POR GANANCIA TABULADA
Como se muestra en la Fig. 3, se realizaron pruebas en lazo
abierto, aplicando cambios tipo escaln a la entrada de la
vlvula, tratando de cubrir todo su rango de operacin. Se
estableci una condicin de estabilizacin de partida,
colocando la vlvula LCV100 en 30%, y se aplicaron
escalones sucesivos de 5%.

A partir de los resultados anteriores, tomando los datos en
estado estacionario Flujo vs Vlvula, se puede graficar la
caracterstica instalada de la vlvula (FIG. 4).


Desde su aparicin [18], las reglas de Ziegler & Nichols
(Z&N) han sido las ms utilizadas para sintonizar sistemas que
operan con control PID regulatorio. A partir de la respuesta
del sistema a una entrada escaln, se pueden obtener los
parmetros que permiten asociar dicha respuesta a un sistema
de primer orden con retardo [19] como (1),
0(s) =
K
P
: s+1
c
-0s
(1)
donde K
P
es la ganancia esttica asociada al proceso, la
constante de tiempo de sistema y el retardo puro.
Dado el comportamiento no lineal de la planta, para
modelarla se consider un modelo tipo (1) en la que los
parmetros no son constantes sino que se determinan por una
funcin polinmica de orden 4, dependiente del valor de la
variable manipulada y de su derivada. Los parmetros de cada
TK102
TK100
P100
SV100 K100
FIC100
LT101
LT100
LCV100
LCV102
LJ100
FY100
FY102
LI101
FIT100

FIG. 2. P&ID del proceso en el que se implant el lazo de control de flujo.


FIG. 3. Curvas de respuesta al escaln, para las cuatro zonas de operacin
seleccionadas.

0 50 100 150 200 250 300 350
30
40
50
60
70
80
90
Tiempo [s]
V
a
r
i
a
b
l
e
s

P
r
o
c
e
s
o

[
%
]


Vlvula
Flujo

FIG. 4. Curva de caracterstica instalada de la vlvula con las 5 zonas
establecidas de comportamiento aproximadamente lineal.

4
polinomio se ajustaron ptimamente, usando la funcin
fminuc de Matlab (el detalle del procedimiento no se
presenta en este trabajo).
Dado el comportamiento no lineal de la vlvula (de
apertura rpida), se dividi la regin de operacin del flujo
en cinco zonas de comportamiento aproximadamente lineal
(desde el punto de vista de la ganancia e identificadas con
distintos colores en la Fig. 4): Zona I (hasta 40%); Zona II
(entre 40% y 65%); Zona III (entre 65% y 75%); Zona IV
(entre 75% y 83%) y Zona V (superior a 83%).
Posteriormente, se aplicaron entradas escaln en puntos
intermedios de las 5 zonas referidas y se asoci a cada zona
una funcin de transferencia nominal de primer orden con
retardo como (1).
Observando la FIG. 3, puede notarse que hay ciertas zonas en
la que los cambios escaln positivos y negativos (escalones 2
y 3; 5 y 6; 8 y 9, 12 y 13; 15 y 16) presentan respuestas
similares, con un comportamiento pseudo-lineal. Sin embargo,
para un mismo punto de operacin, se observa que la vlvula
presenta un efecto backlash que provoca retardos diferentes
ante escalones positivos y negativos.
Analizando los parmetros de los modelos tipo (1), se
agruparon considerando slo un modelo para cada zona, para
usarlos en la determinacin de los parmetros de control PI
segn la zona donde est operando el sistema. Cuando las
diferencias entre los parmetros obtenidos para escalones
positivos y negativos eran significativas, se consider el
promedio entre los parmetros respectivos como su valor ms
representativo. En la TABLA I se resumen dichos resultados.



De su anlisis, puede notarse que la principal variacin de
parmetros se produce en la ganancia del proceso (como se
prev a partir de la curva de caracterstica instalada de la FIG.
4). Sin embargo, esto es slo una aproximacin, ya que aqu
no se consider el efecto backlash de la vlvula, con el cual
las diferencias entre los parmetros son tambin
significativas. Un sistema como este, con retardo variable, da
lugar a un problema interesante a resolver desde el punto de
vista del control, pero no se analizar aqu.
Para verificar el ajuste realizado, se implement en
SIMULINK/MATLAB un sistema de control PI por ganancia
tabulada, con parmetros dependientes del punto de operacin
(fijado por el set-point del sistema). El sistema considera una
familia de controladores PI para mltiples puntos de operacin
(segn el procedimiento indicado en [20, 21]), tal como se
muestra en la FIG.5. Puede notarse que la accin de control se
realimenta a cada subsistema controlador, para que sirva como
su condicin inicial cuando haya una transicin de zonas.


Para la sintona de cada controlador, en primer lugar se
intent utilizar el ajuste convencional de lazo abierto de
Ziegler & Nichols (considerando los parmetros de la TABLA I),
pero se desech debido a que -prcticamente en todos los
casos- la relacin / qued fuera del rango de utilizacin
0,1</<1 [22]. Dado que no se obtuvieron buenos resultados
con las tcnicas de ajuste evaluadas, finalmente, se opt por
realizar un ajuste manual por prueba y error, ya que lograr la
mejor sintona no era objetivo de este trabajo. Los parmetros
obtenidos para sintonizar el controlador (K
P
y K
I
) en cada
regin, con los que se logr un buen desempeo, se resumen
en la TABLA II.



En la FIG. 6 se muestra un ejemplo del control por
simulacin, para cambios en la referencia dentro de la regin
de trabajo. Se consider una seal de referencia de amplitud
constante durante un tiempo tal que asegurase que el flujo se
hubiese estabilizado ante dicha referencia. Puede notarse que
TABLA I
MODELOS QUE REPRESENTAN EL FUNCIONAMIENTO DEL SISTEMA SEGN LA
ZONA DONDE SE EST OPERANDO.


FIG. 5. Modelo Simulink/Matlab para emular el comportamiento de la planta.

TABLA II
PARMETROS DE LOS MODELOS ASOCIADOS A CADA ZONA


FIG. 6. Resultados de control por simulacin.

0 1000 2000 3000 4000 5000 6000 7000 8000
20
30
40
50
60
70
80
90
Tiempo [s]
V
a
r
i
a
b
l
e
s

d
e
l

P
r
o
c
e
s
o

[
%
]


Set-Point
Flujo
Vlvula
5
este valor se fue cambiando para cubrir todo el rango de
operacin del sistema, dentro de cada una de las zonas
establecidas. Puede notarse que los resultados de simulacin
predicen un control conservativo en todo el rango de
operacin del sistema, no alcanzando la referencia para
valores inferiores a 40% (dado que el efecto backlash es
muy significativo en esa zona de alta ganancia de la vlvula).
Para implementar esta estrategia de ganancia tabulada en un
controlador lgico programable se debe tener en cuenta su
capacidad de programacin a travs de llamados a subrutinas
(en este caso, se us un PLC Allen Bradley de la serie
ControlLogix, configurado y programado con la aplicacin
RSLogix 5000). Para evaluar los parmetros sobre la planta, y
realizar su ajuste fino, se elimin el bloque ModeloPlanta de
la Fig.4 y se coloc conectores E/S en su lugar, para
conectarse -va OPC- con la planta. El ajuste fino se realiz
observando la respuesta del sistema ante pequeos escalones
en cada una de las zonas de comportamiento
aproximadamente lineal (para garantizar que slo operase el
bloque PI correspondiente a esa zona). Con los parmetros de
sintona para cada zona, se realiz una subrutina en el PLC
que permitiera utilizar dichos parmetros en el controlador
segn su zona de operacin. Se evalu su desempeo con la
planta real y los resultados obtenidos se muestran en la FIG. 7.

Puede notarse que en general- se logr un buen control
regulatorio en todo el rango de operacin del sistema, aunque
se presentaron sobrepasos ante cambios escaln, lo que no
sucedi en el control por simulacin. El mayor deterioro se
aprecia en la zona entre 35-45% de flujo (que corresponde a la
zona de mayor ganancia de la vlvula de control), donde el
efecto backlash es ms significativo.
IV. IMPLEMENTACIN DEL CONTROL NEURONAL EN PLC
Con los datos de control obtenidos a travs del sistema de
ganancia tabulada en la planta, se entren una red neuronal
usando el Toolbox de Redes Neuronales de Matlab. El
objetivo era definir un control neuronal que fuese capaz de
emular el comportamiento del controlador de ganancia
tabulada en la planta. Como entrada, en lugar de utilizar el
error de control, se us la referencia y la variable de proceso
por separado (ya que se obtuvieron mejores resultados con
esta configuracin que con el error de control), y como salida
se us la accin de control producida por el sistema de
ganancia tabulada. Se probaron diferentes modelos de redes,
pero los mejores resultados se obtuvieron con una red TDNN
de tipo NARX, ya que son adecuadas para sistemas que
presentan retardos variables, como los que se presentan en este
caso (segn se seal en la SECCIN II). En la FIG. 8 se muestra la
estructura de la red resultante, y el mejor desempeo se obtuvo
con una estrategia backpropagation con 150 iteraciones y
15 neuronas en su capa oculta. Para incluir la variabilidad en
el retardo, se consider un periodo de muestreo de 0,1s y un
mximo de 5 instantes de muestreo (que se ingresan como
entradas auxiliares incluidas en el lazo de realimentacin de la
FIG. 8, para tener en cuenta mediciones de flujo en instantes
anteriores al actual).


Teniendo en cuenta la metodologa propuesta y haciendo
uso de la potencialidad de la aplicacin RSLogix 5000, se
definieron las funciones necesarias para la implementacin de
una subrutina de control neuronal TDNN en el autmata
programable. Se utiliz un periodo de muestreo de 0,1s y los
pesos obtenidos del entrenamiento realizado en Matlab con los
resultados del control PI por ganancia tabulada (representados
en la FIG. 7).
Se evalu el desempeo del sistema de control diseado con
la planta real, tal como se utiliz en el diseo del control PI
con ganancia tabulada. En la FIG. 9 se muestran los resultados
logrados.


Puede observarse que la regin donde se present el peor
comportamiento fue en los rangos ms bajos de apertura de la
vlvula (zona entre 35-45% de la variable de proceso). Este
desempeo era esperable, ya que se corresponde con la zona
en la que el control PI no logr converger al valor de
referencia, porque es en la que el efecto backlash se hace
ms significativo. Pese a lo sealado, el control neuronal no
slo logra su objetivo de controlar el sistema con buen
FIG. 7. Respuesta de la Planta ante la misma seal de entrada.

0 1000 2000 3000 4000 5000 6000 7000 8000
20
30
40
50
60
70
80
90
Tiempo [s]
V
a
r
i
a
b
l
e
s

d
e
l

P
r
o
c
e
s
o

[
%
]


Flujo
Vlvula
Set Point
FIG. 8. Estructura de la red neuronal implantada.

FIG. 9. Respuesta del sistema de control neuronal.

0 100 200 300 400 500 600 700 800 900
20
30
40
50
60
70
80
90
Tiempo [s]
V
a
r
i
a
b
l
e
s

d
e
l

P
r
o
c
e
s
o

[
%
]


Flujo
Vlvula
Set Point
6
desempeo en cualquier regin en la que se est operando con
la vlvula, sino que lo hace con un mejor comportamiento que
el sistema de control que se utiliz para su entrenamiento.
V. CONCLUSIONES
El presente trabajo muestra que es posible implementar
estrategias de control avanzado (como control PI por ganancia
tabulada o control neuronal) en un PLC con sus propias
funciones de programacin. Ya que este trabajo tena como
objetivo producir actividades de aprendizaje relacionadas con
la implementacin de estrategias de control avanzado en
controladores industriales convencionales, se prefiri emplear
subrutinas para cada una de las estrategias implementadas, en
lugar de bloques funcionales, porque facilita la apropiacin de
la metodologa por parte de estudiantes.
El uso de estrategias de control no lineal (como el control
por ganancia tabulada o el control neuronal) permite mejorar
el desempeo del sistema de control en todo su rango de
operacin, a diferencia del control clsico, que para este tipo
de sistemas- slo garantiza un buen desempeo en torno al
punto de operacin en que fue diseado.
A pesar que el comportamiento no ha sido similar en cada
zona de operacin, es posible mejorar los resultados a partir de
una mejor sintona de parmetros para el caso de ganancia
tabulada, o disponiendo de mejores datos de control para todo
el rango de entrenamiento del controlador neuronal, ya que el
peor desempeo de este ltimo se verific en la misma regin
donde la present el controlador modelo utilizado para generar
los datos usados para el entrenamiento de la red.
Finalmente, es importante destacar que las tcnicas de
intercambio de datos mediante OPC permiten la integracin de
programas de simulacin (como Matlab/Simulink) con
sistemas de control industrial, tanto para procesamiento en
lnea como fuera de lnea. El anlisis y manejo de los datos
producidos permite potenciar los procesos de aprendizaje.
REFERENCIAS

[1] W. Gutirrez, "Estudio de diferentes tcnicas de inteligencia
computacional para sintona de acciones de control PID," Magister
en Ingeniera con nfasis en Automtica Maestra, Universidad del
Valle, Santiago de Cali, Colombia, 2009.
[2] C. Guarnizo. (2009, 10 de junio del 2012). Control adaptativo
implementado sobre un controlador lgico programable Tecno
Lgicas 23, 29 - 39 Available: http://issuu.com/ideasweb-/
docs/tecnologicas_n24
[3] W. Gutirrez, W. Mantilla, and M. Fernndez, "USO DE
TCNICAS DE CONTROL DIFUSO EN CONTROLADORES
LGICOS PROGRAMABLES," in XX Congreso de la Asociacin
Chilena de Control Automtico, Santiago, Chile., 2012, pp. 158-
164.
[4] H. K., "Multilayer feedforward networks are universal
approximators," Neural Networks, vol. 2, pp. 359366, 1989.
[5] V. A. Rodriguez-Toro, J. E. Garzon, and J. A. Lopez, "Control
neuronal por modelo inverso de un servosistema usando algoritmos
de aprendizaje Levenberg-marquardt y Bayesiano," in VIII
Congreso de la Asociacin Colombiana de Automtica,
Universidad Tecnolgica de Bolvar, Cartagena., 2011, pp. 1-6.
[6] M. Norgaard, Neural Networks for Modelling and Control of
Dynamic Systems. London: Springer Verlag, 2000.
[7] D.B.Anuradha, G. P. Reddy, and J.S.N.Murthy, "Direct inverse
neural network control of a continuous stirred tank reactor
(CSTR)," in Proceedings of the International MultiConference of
Engineers and Computer Scientists (IMECS 2009), Hong Kong,
2009.
[8] R. Zayani, R. Bouallegue, and D. Roviras, "Levenberg-Marquardt
learning neural network for adaptive predistortion for time-varying
HPA with memory in OFDM systems," in 16th European Signal
Processing Conference (EUSIPCO 2008), Lausanne, Switzerland,
2008.
[9] A. Reynaldi, S. Lukas, and H. Margaretha, "Backpropagation and
Levenberg-Marquardt Algorithm for Training Finite Element
Neural Network," in Computer Modeling and Simulation (EMS),
2012 Sixth UKSim/AMSS European Symposium on, 2012, pp. 89-
94.
[10] J. Na, X. Ren, Y. Gao, G. Robert, and C.-C. Ramon, "Adaptive
neural network state predictor and tracking control for nonlinear
time-delay systems," International Journal of Innovative
Computing, Information and Control, vol. 6, pp. 627-639, 2010.
[11] C. F. Caruntu and C. Lazar, "Networked Predictive Control for
Time-varyingDelay Compensation with an Application
toAutomotive Mechatronic Systems," Journal of Control
Engineering and Applied Informatics, vol. 13, pp. 19-25, 2011.
[12] Q. Zhu, T. Zhang, and Y. Yang, "New results on adaptive neural
control of a class of nonlinear systems with uncertain input delay,"
Neurocomputing, vol. 83, pp. 22-30, 4/15/ 2012.
[13] Y. Zhang, D. Yue, and E. Tian, "New stability criteria of neural
networks with interval time-varying delay: A piecewise delay
method," Applied Mathematics and Computation, vol. 208, pp.
249-259, 2/1/ 2009.
[14] W. Wang and S. Zhong, "Delay-dependent stability criteria for
genetic regulatory networks with time-varying delays and
nonlinear disturbance," Communications in Nonlinear Science and
Numerical Simulation, vol. 17, pp. 3597-3611, 9// 2012.
[15] H. Li and D. Yue, "Synchronization stability of general complex
dynamical networks with time-varying delays: A piecewise
analysis method," Journal of Computational and Applied
Mathematics, vol. 232, pp. 149-158, 10/15/ 2009.
[16] J.-q. Huang and F. L. Lewis, "Neural-network predictive control
for nonlinear dynamic systems with time-delay," Neural Networks,
IEEE Transactions on, vol. 14, pp. 377-389, 2003.
[17] C. Victoria, W. Mantilla, and G. W., "Diseo e implementacin de
una planta didctica para la Formacin Remota en Control de
Procesos," SENA, Regional Valle del Cauca. C.E.A.I.2005.
[18] J. G. ZIEGLER and N. B. NICHOLS, "Optimum Settings for
Automatic Controllers," TRANSACTIONS OF THE A.S.M.E., vol.
64, pp. 759-768, 1942.
[19] T. Hgglund and K. J. strm, "Revisiting The Ziegler-Nichols
Tuning Rules For Pi Control," Asian Journal of Control, vol. 4, pp.
364380, 2002.
[20] T. M. Inc. (2013, June 14). Designing a Family of PID Controllers
for Multiple Operating Points. Available:
http://www.mathworks.com/help/slcontrol/examples/designing-a-
family-of-pid-controllers-for-multiple-operating-points.html
[21] T. M. Inc. (2013, June 13). Bumpless Control Transfer Between
Manual and PID Control. Available:
http://www.mathworks.com/help/simulink/examples/bumpless-
control-transfer-between-manual-and-pid-control.html
[22] C. A. Smith and A. B. Corripio, Control Automtico de Procesos.
Teora y Prctica. Mexico: Noriega-Limusa, 1991.