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.