CONTROL DE TEMPERATURA AMBIENTAL POR ANLISIS DE MAPAS

BINARIOS
M.C. Ing. Rafael Uriza Conde
UT de Tamaulipas Norte
Egresado ESIME Instituto Politcnico Nacional
rafael_uriza@hotmail.com
Origen del artculo:
El presente trabajo es el resultado de una investigacin por
parte de la Carrera de Tecnologas de la Informacin y Comunicacin
de la UNIVERSIDAD TECNOLGICA

DE TAMAULIPAS NORTE y se

encuentra en la fase de prueba de la hiptesis planteada con fecha de

inicio en mayo de 2011.
Resumen:
En todo control industrial de un proceso, se realiza el control de
las variables que participan en l, y esto es mediante un modelo
matemtico y aqu es donde radica el paso ms difcil y en general el
origen de todos los ajustes posteriores. La electrnica, en un
principio, y las computadoras posteriormente, a partir de algoritmos
matemticos programables, se encargan hoy en da de ejecutar estos
controles. Pero los procesos ms comunes son difciles de modelar,
por ejemplo el caminar de un robot, aqu los sistemas actuales
parecen inoperantes y obsoletos. Es necesario por lo tanto crear una
nueva forma de visualizar y controlar estos procesos, as, este artculo
mostrar una nueva forma de resolucin de problemas de control,
mediante la lgica difusa y las rede neuronales como herramienta de
programacin.
Abstract
In any industrial process control, control is performed of the
variables involved in it and this is done by a mathematical model and
here is the most difficult step and generally the origin of all
subsequent adjustments.

pg. 1

The electronics, at first, and then computers from programmable

mathematical algorithms, are now responsible for implementing these
controls, but the most common processes are difficult to model, e.g. A
walking robot, here the current systems seem irrelevant and obsolete,
it is therefore necessary to create a new way to view and control
these processes, this article will show a new way of solving problems
of control, using fuzzy logic and neural networks as a programming
tool.
Introduccin
Partiendo del principio que el cerebro humano no realiza
ninguna modelacin matemtica para llevar a acabo la solucin de
problemas, sino que, parte del aprendizaje por ensayo y error, es que
nos proponemos demostrar la hiptesis:
De que el proceso de controlar la temperatura, puede ser
controlado basado en el funcionamiento del aprendizaje por ensayo y
error, a partir de el procesamiento de mapas binarios por medio de
redes neuronales.
Metodologa
En el presente trabajo trataremos de demostrar que el cerebro
humano resuelve todos los sistemas de control no a travs de un
algoritmo matemtico, sino a travs de un anlisis de patrones. Esto
por lo tanto har que la programacin de una computadora cambie
radicalmente, pues en lugar de resolver problemas mediante un
algoritmo matemtico, se deber disear un sistema de programacin
a partir de anlisis de patrones, para lo cual las redes neuronales y la
lgica difusa son una herramienta muy eficiente. Debido a esto uno
de los trabajos que debemos resolver es llevar el control de cualquier
proceso a un conjunto de mapas binarios que al ser analizadas por
las herramientas neuronales que tenemos, nos permitan llegar al
control de dicho proceso basndonos en la teora universal de control.

pg. 2

El principal problema en todo proceso, es el control de las

variables que en el participan, temperatura, voltaje, intensidad de
seal, presin, velocidad, frecuencia, etc. Y es este trabajo, el que es
muy crtico para un buen resultado, aqu es donde en un origen la
mecnica, posteriormente la electrnica y finalmente, hoy da, la
computacin son los encargados de realizar dichos controles,
mediante algoritmos matemticos y programas que los ejecutan, pero
como la mayora de los procesos son no lineales y en algunos casos
complicados

de

modelar

matemticamente,

en

especfico

los

procesos ms comunes, como el caminar, permanecer en pie, subir

una escalera, aprender y en general, cosas que el ser humano realiza
de forma natural.
Para

poder

demostrar

nuestra

hiptesis

ser

necesario

implementar un sistema de control de referencia que nos permita

evaluar los resultados de forma tradicional y otro de la forma que
estamos proponiendo.
Por lo tanto la investigacin se dividi en dos partes la primera
en elaborar un sistema de control de temperatura ambiental
mediante el sistema de control clsico PID y despus un sistema
basado en lgica difusa y redes neuronales ambos aplicados bajo el
principio de resolucin de problemas basados en anlisis de patrones
y retropropagacin para el proceso de aprendizaje. Para aplicar un
sistema de control con lazo cerrado, ser necesario implementar una
retroalimentacin, un nodo suma, una unidad de potencia y sistema
de control. Se tom la decisin de hacer un arreglo con un transistor
para la deteccin de la temperatura y que funcionara como
retroalimentacin de la temperatura, un sistema de adquisicin de
datos para introducir la informacin a la PC, un arreglo de potencia de
salida para controlar el arrancador de el compresor de enfriamiento,
desarrollar un programa basado en la lgica tradicional de control
generando una seal de encendido y apagado del arrancador de el
compresor.

pg. 3

Como podemos observar en el esquema de la fig. 1, este

sistema controla la temperatura bajo el siguiente algoritmo, seal de
error, clculo proporcional, clculo

Fig. 1 esquema general de un control de lazo

cerrado
Integral, en funcin del tiempo, clculo diferencial en funcin del
tiempo, o sea la segunda derivada de la temperatura y la toma de
decisin para encender o apagar el compresor, notemos que en este
tipo

de

esquema

la

referencia

temperatura

es

modificada

externamente por un operador, mediante la ecuacin siguiente:

M(t)= Kc*e+ Kc
de
dt

Mn= Kc *

edt + M
0

lnl

+ Kc*

KD*(en-en-l)

n+ kI*
I

en +Mlnl+

Mn= Kc*en +KI*en+Mx +KD

*(en+en-I)
pg. 4

Se obtuvo la grfica de comportamiento en una semana dada

segn muestra la grfica de la fig. 2.

Fig.2 Grafica de resultado por el mtodo

tradicional
Cabe

mencionar

que

el

sistema

trabajo

inmediatamente

despus de ser instalado a diferencia del sistema basado en redes

neuronales que tuvo un tiempo de entrenamiento para aprender a
controlar el proceso.
Con el sistema clsico trabajando procedimos a realizar el
sistema basado en lgica difusa y redes neuronales, tomando los
mismos pasos de control del sistema clsico obtenemos el diagrama a
bloques de la fig.3.

pg. 5

Fig. 3 Esquema general de control por redes

neuronales
Ahora procedemos a realizar la tcnica de control a partir del
principio de control neuronal y es aqu donde aplicamos una nueva
forma de ver y resolver el problema, primero como observamos el
nodo suma a desaparecido por accin de la lgica difusa, segundo, el
sistema de retroalimentacin es el mismo que en el sistema clsico,
tercero, el proceso de aprendizaje y control se basa en la teora de
que el cerebro humano lleva a cavo sus procesos de control a partir
de conceptualizar un mapa binario de la entrada y las salidas,
correspondientes a los datos recabados y los exigidos por lo que dicho
mapa binario cambiar constantemente durante el periodo de
aprendizaje, una vez terminado este periodo el mapa binario
cambiar muy poco solo adecundose a las anomalas externas que
producen perturbaciones en el proceso.
Este mapa binario es en s la conceptualizacin de la
resolucin del problema de control, si analizamos el proceso de
aprendizaje del cerebro humano la mayora de los conceptos
aprendidos estn ligados en nuestra mente a un mapa binario, no
es una fotografa, sino una agrupacin de caractersticas peculiares
individuales y en conjunto con caractersticas generales todo junto en

pg. 6

un mapa binario, as si alguna de las peculiaridades es recordada o

visualizada nuevamente tomamos toda la informacin del mapa
binario lo que nos permite inferir un resultado futuro, no exacto pero
si conceptualmente completo, por ejemplo, si menciono la palabra
FUTBOL, inmediatamente el cerebro enva una serie de imgenes
ligadas a esta palabra sin que yo lo pueda detener o controlar, que
contiene informacin relevante o general referente a esta palabra y
entonces se genera una conexin a un nuevo mapa binario que
ahora ser una lectura, el sonido o la ausencia de sonido alrededor, lo
acontecido instantes antes de este evento, mi estado de nimo, etc.
Si estoy muy concentrado esta conexin tendr un mayor nmero de
conexiones con las otras mapas que se tienen ya almacenados, claro
lo importante de esto no es este proceso sino el de inferencia para el
futuro inmediato y a largo plazo, la ventaja de un sistema basado en
este proceso y realizado en una computadora es que esta ltima
nunca perder la atencin a estos mapas binarios, y as las palabras
detonantes de nuestros mapas binarios sern subir o bajar
temperatura, la hora y fecha en todo momento y con todas las
caractersticas existentes en ese momento como son presencia de
alumnos, fecha y hora, temperatura ambiente, etc. Dado lo anterior
se genera el siguiente proceso de control mostrado en la fig. 4 y la
fig. 5.

Fig. 4 Proceso de control neuronal

binario de control

pg. 7

Fig. 5 Mapa

Con este esquema se logro la grfica de los resultados que se

muestran en la grfica de la fig. 6.

Fig. 6 Grafica final de resultados mediante el control

neuronal
Resultados
Como podemos observar de las grficas de resultados son muy
parecidas a largo plazo, en un inicio, el segundo mtodo se observa
un tiempo de aprendizaje en el que el sistema no funciona
correctamente, pero a largo plazo, tiende a trabajar correctamente y
a diferencia del sistema tradicional, no requiere de ajustes ni de
cambios por parte de un operador, pues el sistema aprende a partir
del ensaye y error como comportarse de acuerdo a las condiciones
ambientales y es este resultado de similitud el que nos abre un gran
abanico de posibilidades pues si bien el resultado es el mismo el
mtodo de obtencin es totalmente diferente asegurndonos que
nuestra teora es correcta podemos controlar un sistema sin un
algoritmo matemtico para el mismo.

pg. 8

Conclusiones
Es claro que este tipo de sistemas de control, pueden trabajar
como lo realiza el cerebro humano por aprendizaje, ensaye y error por
lo que la tendencia de como programar en un futuro tendr que
cambiar y no solo ser dirigida a objetos sino que deber de ser
basada en arreglos neuronales y por manejo de mapas binarios y no
por algoritmos matemticos. Lo que implicar cambios en el
desarrollo de los sistemas operativos, en primera instancia para
generar instrucciones de bajo nivel que proporcionen herramientas
para el manejo de redes neuronales, no solo para la solucin de
problemas referentes a control sino en todos los mbitos en los que la
computacin tiene injerencia.

Reynosa Tamaulipas a 5 de Febrero de 2012

Palabras clave
Control neuronal, mapa binario, lgica difusa, neuronal, red, sistemas
de control
Key Words
Neural control, binary map, fuzzy logic, neuronal, network, control
system
Referencias bibliogrficas

1. Martnez, Enrique. (2008). Tesis de maestra Control de un robot

tipo PUMA utilizando celdas neuronales analgicas, cenidet,
Mxico.
2. Freeman, J.A., Skapura, D.M., "Neural Networks", Ed. Addison
Wesley.

pg. 9

3. Caudill, M., Butler, Ch., "Understanding Neural Networks", MIT

Press.
4. Widrow, J., Rumelhart, D.E., Lehr, M.A., "Neural networks:
Applications in industry, business and science", ACM
communications, Vol-37, 1.994.
5. Hagan, Martin T, Neural Network Design, PWS Publishing
Company, 1996.
6. J.R. Hilera Gonzlez y V.J. Martnez Redes Neuronales Artificiales:
Fundamentos, modelos y aplicaciones, RA-MA, 1995.
7. Varios, Aprendizaje Automtico, Ediciones UPC, Barcelona, CAT,
1994.

HOJA DE VIDA
Rafael Uriza Conde
Ing. Electrnica y Comunicaciones por el Instituto Politcnico Nacional
IPN
Maestra en sistemas de control por computadora por Centro de
Investigaciones y Estudios Avanzados del Instituto Politcnico
Nacional CINVESTAV
Catedrtico de la Universidad Tecnolgica de Tamaulipas Norte UTTN
Mexicano
Ingenieros 422
Colinas del villar
Reynosa Tamaulipas Mxico
Tel cel. +52 1 (811) 700 3000
rafael_uriza@hotmail.com

pg. 10