Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis - Agustín Barrera PDF
Tesis - Agustín Barrera PDF
CENTRO DE INVESTIGACIÓN EN CIENCIA
APLICADA Y TECNOLOGÍA AVANZADA
Unidad Querétaro
Posgrado en Tecnología Avanzada
TESIS QUE PARA OBTENER EL GRADO DE
MAESTRIA EN TECNOLOGÍA
AVANZADA
PRESENTA
Agustín Barrera Navarro
Directores de Tesis:
Querétaro, Qro. Mayo del 2012
Agradecimientos
Agradezco a CICATA QRO, por la oportunidad brindada para realizar mis estudios de
maestría, los cuales me permitirán avanzar en mi desarrollo profesional y personal, a los
profesores involucrados directa e indirectamente en el proyecto desarrollado, al
CONACYT por haberme otorgado la beca económica.
ii
A Claudia Ramírez Díaz y a mi madre, Josefina
Navarro García.
iii
Abstract
This project focuses on building a system to condense water using a Peltier cell. Is required vapor-
liquid transition such that the rate of generation of water from the ambient humidity is high and fast.
To achieve this purpose, it is necessary to regulate the temperature of the faces of the Peltier cell to
reach the dew point, a situation which involves studies on psychometrics, parametric identification
systems and conventional and intelligent control strategies, such as pid control, recurrent neural
networks and fuzzy logic. These three control strategies, are the actors representing the field of
classical control and the control intelligent respectively.
The results regarding the control of the temperature considering the three types of strategies
mentioned, show the ability of each of the controllers for the condensation and the regulation
function. The steady-state error, overshoot and settling time are calculated to assess the transient
performance and steady state.
It is determined that the fuzzy and neural controller, are who major degree adjust to the
performance parameters, in addition, these two controllers allow to obtain the major quantity of
water extracted from the environment.
iv
Resumen
Para lograr este propósito, es necesaria la regulación de la temperatura de las caras de la celda
Peltier para alcanzar el punto de rocío, situación que implica realizar estudios sobre psicometría,
identificación paramétrica de sistemas y estrategias de control convencionales e inteligentes, tales
como el control pid, redes neuronales artificiales recurrentes y lógica fuzzy. Estas tres estrategias
de control, son los actores representativos del campo del control clásico e inteligente
respectivamente.
Los resultados acerca del control de la temperatura bajo los tres tipos de estrategias
mencionadas, muestra la capacidad de cada uno de los controladores para realizar la
condensación y la función de regulación. Se calculo el error en estado estable, el sobrepaso y el
tiempo de asentamiento para evaluar el desempeño transitorio y en estado estable. Se determina
que el controlador fuzzy y el neuronal, son los que cumplen en mayor grado con los parámetros de
desempeño, además, estos dos controladores, son los que permiten obtener la mayor cantidad de
agua extraída del ambiente.
v
Índice de contenido
AGRADECIMIENTOS ............................................................................................................................ II
ABSTRACT ........................................................................................................................................... IV
RESUMEN .............................................................................................................................................. V
ÍNDICE DE CONTENIDO ...................................................................................................................... 1
ÍNDICE DE FIGURAS ............................................................................................................................. 3
CAPÍTULO 1 : INTRODUCCIÓN........................................................................................................... 4
1.1 JUSTIFICACIÓN .......................................................................................................................................... 6
1.2 OBJETIVOS ............................................................................................................................................... 6
1.2.1 Objetivo general ......................................................................................................................... 6
1.2.2 Objetivos específicos ................................................................................................................... 7
1.3 HIPÓTESIS ................................................................................................................................................ 7
1.4 METODOLOGÍA ......................................................................................................................................... 7
CAPÍTULO 2 : ANTECEDENTES ........................................................................................................... 9
2.1 EL AGUA EN LA ACTUALIDAD Y TECNOLOGÍAS DE CONDENSACIÓN ....................................................................... 9
2.2 CONTROL PID ........................................................................................................................................ 11
2.3 REDES NEURONALES ................................................................................................................................ 12
2.4 LÓGICA FUZZY ........................................................................................................................................ 13
CAPÍTULO 3 : MARCO TEÓRICO ....................................................................................................... 15
3.1 CELDA PELTIER ....................................................................................................................................... 15
3.1.1 Principio de funcionamiento y especificaciones ........................................................................ 15
3.2 FENÓMENOS Y MODELO DE LA CELDA PELTIER .............................................................................................. 17
3.2.1 El Efecto Joule ........................................................................................................................... 17
3.2.2 El Efecto Peltier ......................................................................................................................... 17
3.2.3 El Efecto Thomson .................................................................................................................... 18
3.2.4 Modelo de la Celda Peltier ........................................................................................................ 19
3.3 REDES NEURONALES ................................................................................................................................ 20
3.3.1 Modelo de la Neurona Artificial ................................................................................................ 20
3.3.2 Tipos de Funciones de Activación ............................................................................................. 21
3.3.3 Tipos de Redes Neuronales ....................................................................................................... 22
3.4 ALGORITMOS DE RETROPROPAGACIÓN ........................................................................................................ 24
3.4.1 Algoritmo de Retropropagación ............................................................................................... 24
3.4.2 Algoritmo de Retropropagación con Momentum ..................................................................... 26
3.5 LÓGICA FUZZY ........................................................................................................................................ 26
3.6 CONTROL PID ........................................................................................................................................ 29
3.7 HUMEDAD ESPECIFICA Y HUMEDAD RELATIVA DEL AIRE .................................................................................. 30
3.8 TEMPERATURA DE PUNTO DE ROCÍO. .......................................................................................................... 31
CAPÍTULO 4 : DESCRIPCIÓN DEL SISTEMA DE LA CELDA PELTIER Y DISEÑO DE
CONTROLADORES ............................................................................................................................. 32
4.1 DISEÑO Y CONSTRUCCIÓN DEL PROTOTIPO ................................................................................................... 32
4.1.1 Diseño conceptual del Sistema de la Celda Peltier ................................................................... 32
1
4.2 CONSTRUCCIÓN DEL PROTOTIPO ................................................................................................................. 33
4.3 IDENTIFICACIÓN DEL SISTEMA DE LA CELDA PELTIER Y VALIDACIÓN. ................................................................... 34
4.3.1 Especificaciones de Desempeño de los Controladores .............................................................. 38
4.4 DESARROLLO DE CONTROLADORES ............................................................................................................. 38
4.4.1 Desarrollo del Controlador Neuronal del Sistema de la Celda Peltier ....................................... 39
4.4.2 Desarrollo y Sintonización del Controlador PID del Sistema de la Celda Peltier ....................... 43
4.4.3 Desarrollo del Controlador Fuzzy del Sistema de la Celda Peltier ............................................. 45
CAPÍTULO 5 : VALIDACIÓN EXPERIMENTAL ................................................................................. 50
5.1 EXPERIMENTO DE REGULACIÓN DE TEMPERATURA DE LOS CONTROLADORES ....................................................... 50
5.1.1 Prueba de Regulación ante consigna de 10°C. ........................................................................ 50
5.1.2 Prueba de Regulación Ante consigna de 7°C ............................................................................ 52
5.2 EXPERIMENTOS ANTE PERTURBACIONES DE FLUJO DE AIRE .............................................................................. 54
5.2.1 Perturbación de Flujo de aire de 39 CFM y 30°C para el Control Neuronal .............................. 55
5.2.2 Perturbación del Flujo de Aire de 39 CFM y 30°C para el Control Fuzzy. ................................ 55
5.2.3 Perturbación del Flujo de Aire de 39 CMF y 30°C para el Control PID ...................................... 56
5.3 EXPERIMENTOS DE CONDENSACIÓN DE HUMEDAD AMBIENTAL ........................................................................ 57
5.3.1 Prueba de Condensación de Humedad ambiental para el Control Neuronal para estimación de
Agua Obtenida. ....................................................................................................................................... 57
5.3.2 Prueba de Condensación de Humedad Ambiental para el Control Fuzzy para estimación de
Agua Obtenida. ....................................................................................................................................... 57
5.3.3 Prueba de Condensación de Humedad Ambiental para el control PID para estimación de Agua
Obtenida. ................................................................................................................................................ 58
5.3.4 Relación Entre la Humedad Relativa y la Cantidad de Agua en un Volumen. .......................... 59
5.3.5 Pruebas para Cuantificación de Agua Condensada Mediante Jeringa. .................................... 60
5.4 ANÁLISIS DE RESULTADOS ......................................................................................................................... 60
CAPÍTULO 6 : CONCLUSIONES ......................................................................................................... 64
REFERENCIAS ................................................................................................................................................... 65
ANEXOS ................................................................................................................................................ 68
1) CIRCUITERÍA DEL SISTEMA DE LA CELDA PELTIER ............................................................................................ 68
a) Diagrama del Generador de PWM. ............................................................................................... 68
b) Código de programación del Microcontrolador PIC16f873 para el Generador de PWM . ........... 68
c) Interface de Potencia ..................................................................................................................... 70
d) Acondicionador de señal de sensores de Temperatura y Humedad Relativa. ............................... 71
e) Fuente de Alimentación ................................................................................................................. 71
2) CÓDIGO DE PROGRAMACIÓN DE CONTROL NEURONAL EN LABVIEW 8.2 ............................................................ 72
3) CÓDIGO DE PROGRAMACIÓN DE CONTROL FUZZY EN LABVIEW 8.2 .................................................................. 75
4) CÓDIGO DE PROGRAMACIÓN DE CONTROL PID EN LABVIEW 8.2 ..................................................................... 76
2
Índice de Figuras
FIGURA 3.1 ESTRUCTURA DE UNA CELDA PELTIER ........................................................................................................ 15
FIGURA 3.2 MODELO DE LA CELDA PELTIER ................................................................................................................ 19
FIGURA 3.3 EQUIVALENTE ELÉCTRICO‐TÉRMICO SIMPLIFICADO DE LA CELDA PELTIER. ......................................................... 19
FIGURA 3.4 NEURONA MCCULLOCH‐PITTS ................................................................................................................ 21
FIGURA 3.5 MODELO HOPFIELD ............................................................................................................................... 22
FIGURA 3.6 MODELO KOHONEN .............................................................................................................................. 23
FIGURA 3.7 PERCEPTRON MULTICAPA. ...................................................................................................................... 24
FIGURA 3.8 CONFIGURACIÓN BÁSICA DE SISTEMA TIPO MAMDANI .................................................................................. 27
FIGURA 3.9 REGLA DE LA BASE DE UN SISTEMA TIPO MAMDANI. ..................................................................................... 28
FIGURA 3.10 CONFIGURACIÓN BÁSICA DE SISTEMA TIPO TAKAGI‐SUGENO ........................................................................ 28
FIGURA 3.11 REGLA DE LA BASE DE UN SISTEMA TIPO TAKAGI‐SUGENO. .......................................................................... 29
FIGURA 3.12 ESTRUCTURA DEL CONTROL PID ............................................................................................................ 29
FIGURA 4.1 ESTRUCTURA A BLOQUES DEL SISTEMA DE LA CELDA PELTIER .......................................................................... 33
FIGURA 4.2 SISTEMA MANUFACTURADO .................................................................................................................... 34
FIGURA 4.3 PRIMERA IDENTIFICACIÓN MONOVARIABLE DEL SISTEMA DE LA CELDA PELTIER .................................................. 35
FIGURA 4.4 SEGUNDA IDENTIFICACIÓN MONOVARIABLE DEL SISTEMA DE LA CELDA PELTIER .................................................. 36
FIGURA 4.5 TERCERA IDENTIFICACIÓN MONOVARIABLE DEL SISTEMA DE LA CELDA PELTIER .................................................. 37
FIGURA 4.6 ESTRUCTURA GENERAL DEL SISTEMA DE CONTROL NEURONAL. ....................................................................... 39
FIGURA 4.7 TOPOLOGÍA DE RED NEURONAL RECURRENTE. ........................................................................................... 40
FIGURA 4.8 ESTRUCTURA DEL CONTROL PID .............................................................................................................. 43
FIGURA 4.9 ESTRUCTURA DEL CONTROL PID CON ACCIÓN DERIVATIVA EN LA RETROALIMENTACIÓN. ...................................... 44
FIGURA 4.10 ESTRUCTURA GENERAL PARA SINTONÍA POR EL MÉTODO DEL RELAY. .............................................................. 44
FIGURA 4.11 ESTRUCTURA GENERAL DE UN CONTROLADOR FUZZY ESTÁNDAR. .................................................................. 46
FIGURA 4.12 FUNCIONES DE MEMBRESÍA DE LAS ENTRADAS Y LAS SALIDAS DEL CONTROLADOR DE TEMPERATURA FUZZY DE LA CARA
FRÍA USADAS EN EL MODULO LOAD FUZZY CONTROLLER.VI. ................................................................................... 47
FIGURA 4.13 BASE DE REGLAS DEL CONTROL DE TEMPERATURA DE LA CARA FRÍA. .............................................................. 48
FIGURA 4.14 FUNCIONES DE MEMBRESÍA DEL CONTROLADOR DE TEMPERATURA DE LA CARA CALIENTE ESTABLECIDAS EN EL
MODULO LOAD FUZZY CONTROLLER.VI. ............................................................................................................. 48
FIGURA 4.15 BASE DE REGLAS DEL CONTROLADOR DE TEMPERATURA FUZZY DE LA CARA CALIENTE. ....................................... 49
FIGURA 5.1 SEÑALES DE REGULACIÓN DE CARA FRÍA ASOCIADAS AL VALOR DE CONSIGNA DE 10°C. ....................................... 50
FIGURA 5.2 SEÑALES DE CONTROL ASOCIADAS AL VALOR DE CONSIGNA DE 10°C ............................................................... 51
FIGURA 5.3 SEÑALES DE ERROR ASOCIADAS AL VALOR DE CONSIGNA DE 10°C ................................................................... 51
FIGURA 5.4 SEÑALES DE REGULACIÓN DE CARA FRÍA ASOCIADAS AL VALOR DE CONSIGNA DE 7°C .......................................... 52
FIGURA 5.5 SEÑALES DE CONTROL ASOCIADAS AL VALOR DE CONSIGNA DE 7°C ................................................................. 53
FIGURA 5.6 SEÑALES DE ERROR ASOCIADAS AL VALOR DE CONSIGNA DE 7°C ..................................................................... 53
FIGURA 5.7 PRUEBA ANTE PERTURBACIÓN DE FLUJO DE AIRE DE 39 CFM. ........................................................................ 55
FIGURA 5.8 ANTE PERTURBACIÓN DE FLUJO DE AIRE DE 39 CMF .................................................................................... 56
FIGURA 5.9 ANTE PERTURBACIÓN DE FLUJO DE AIRE DE 39 CMF .................................................................................... 56
FIGURA 5.10 PRUEBA DE CONDENSACIÓN POR VARIACIÓN DE HUMEDAD PARA EL CONTROL NEURONAL ................................. 57
FIGURA 5.11 PRUEBA DE CONDENSACIÓN POR VARIACIÓN DE HUMEDAD DEL CONTROL FUZZY .............................................. 58
FIGURA 5.12 PRUEBA DE CONDENSACIÓN POR VARIACIÓN DE HUMEDAD DEL CONTROL PID ................................................. 58
FIGURA 5.13 RELACIÓN ENTRE LA HUMEDAD RELATIVA Y LA CANTIDAD DE AGUA EN EL VOLUMEN DE . UTILIZADO. . 59
3
Capítulo 1 : Introducción
La opción más apropiada para realizar la condensación de la humedad ambiental, es por medio
de enfriamiento [http://www.purline.es/producto.php?cod=43076], hasta alcanzar el punto de rocío,
el cual, representa el nivel mínimo al que debe descender la temperatura para iniciar el proceso
de condensación. El conocimiento del valor de la humedad relativa y de la temperatura ambiente,
provee la información necesaria para la determinación del punto de rocío. Habiendo establecido la
condición para obtener agua en forma líquida por medio de la humedad ambiental, una opción
para lograr el enfriamiento seria por medio del uso de una celda Peltier. La celda Peltier, es un
dispositivo termoeléctrico con base semiconductora, estructuralmente multivariable, que durante
su operación al aplicar una corriente eléctrica presenta un enfriamiento y un calentamiento en cada
una de sus dos caras con un diferencial de temperatura de aproximadamente 30 °C como máximo.
4
cambios en ganancia, varianza de la impedancia con la temperatura, retardo y principalmente
acoplamiento de variables.
Para poder realizar la condensación de la humedad ambiental por medio de la celda Peltier, es
necesario desarrollar un control de la temperatura para alcanzar el punto de rocío, la naturaleza no
lineal del sistema obliga a recurrir a estrategias de control inteligentes como la lógica fuzzy, control
neuronal y control pid, este último como opción para comparar los controladores inteligentes con
un controlador clásico. Los criterios de diseño de los controladores como el tiempo de
asentamiento, error en estado estable y sobrepaso, parten de los parámetros de identificación de
la celda Peltier.
Para el controlador de lógica fuzzy, se propone que sea dual, de tipo Mamdani [Del Brío y
Sanz 2007. Viljama 1993], con funciones de pertenencia triangulares, donde la acción de control
considere el error actual y la derivada del error.
Se propone también desarrollar un controlador pid, el cual es una estructura donde el efecto
derivativo opera considerando la variable controlada, con el objeto de evitar el conocido “golpe de
la derivada” al existir cambio en la consigna. La estrategia para sintonizar este controlador se basa
en el método del relay junto con las reglas de Ziegler-Nichols, [Ogata 2003, Cheng-Ching Yu 2006].
5
En cuanto a la precisión del control de la temperatura, se mide por medio del error cuadrático
promedio en estado estable, el pid es el que presenta el menor nivel de error, siguiéndole el
controlador neuronal y finalmente el controlador de lógica fuzzy.
Finalmente, se realiza una evaluación para determinar cuál de los tres tipos de controladores
propuestos, tiene la capacidad de proporcionar el mejor resultado en términos de cantidad de
agua generada y rapidez.
1.1 Justificación
Debido a que se estima que se pueden producir varios litros de agua diarios
[http://www.purline.es/producto.php?cod=43076], el mercado potencial de la propuesta, son las
viviendas en las que se pueda utilizar el sistema para suministrar agua potable, utilizable
principalmente en la preparación de alimentos, además, sería igualmente apto para suministrar el
recurso hídrico en situaciones de desastres ambientales, tales como huracanes e inundaciones
donde los niveles de humedad ambiental son tan altos que permitirían una generación de agua de
forma rápida, o en localidades donde por las condiciones climáticas, principalmente por causa de la
temperatura, se sufren situaciones de sequia aun cuando se tenga la presencia de humedad en
niveles considerables. Adicionalmente, el suministro energético para alimentar el equipo de
generación de agua, puede estar basado en sistemas de energía alternativa como las celdas
solares, debido a la capacidad de suministro de potencia que actualmente presentan estos
equipos.
1.2 Objetivos
1.2.1 Objetivo general
Diseñar un control pid, fuzzy y neuronal para regular la temperatura de una celda Peltier en el
punto de rocío, con el propósito de obtener condensación rápida de la humedad ambiental.
6
1.2.2 Objetivos específicos
1.3 Hipótesis
Es posible realizar la condensación de la humedad ambiental por medio de una celda Peltier
regulando de la temperatura en la cara fría del sistema de la celda Peltier.
1.4 Metodología
El controlador neuronal será una estructura multivariable recurrente con entrenamiento en línea
basado en la retropropagación del error, procedimiento sustentado en el gradiente y con
incorporación de término de momentum para acelerar la convergencia del control y minimizar el
efecto de parálisis neuronal [Noriega 2006].
El controlador fuzzy será de tipo Mamdani dual [Del Brío y Sanz 2007. Viljama 1993], es decir,
se manejan controladores desacoplados para regular cada una de las temperaturas de las caras
de la celda Peltier cuya implementación se realizará en base al conocimiento de un experto.
7
Una vez implementados los controladores para regular la temperatura en la cara fría de la celda
Peltier, se reducirá la temperatura hasta el punto de rocío para que el agua contenida en el
ambiente se condense. Por último se compararan los diferentes controles y se llegara a concluir
cual control de los implementados es mejor para realizar este proceso de condensación.
8
Capítulo 2 : Antecedentes
2.1 El Agua en la Actualidad y Tecnologías de Condensación
El mundo en que vivimos se encuentra cubierto en su gran mayoría por agua y sin embargo,
debido a la contaminación que los seres humanos han generado, el porcentaje apto para nuestro
consumo es cada día menor. Más de 1.100 millones de personas no tienen garantizado el acceso
a agua potable y 2.400 millones no disponen de servicios básicos de saneamiento. Como
consecuencia de esta crisis de insostenibilidad se estima que más de 10.000 personas, en su
mayoría niños, mueren cada día en el mundo al haberse degradado y envenenado los ríos,
fuentes, lagos y acuíferos de los que tradicionalmente se abastecían.
Si bien las fuentes naturales para la obtención de agua son los manantiales, arroyos y ríos, la
progresiva contaminación trae consigo una creciente dificultad en la obtención de agua potable,
que lógicamente repercute en el precio de la misma.
Existen no obstante otros medios para la obtención de agua, utilizables tanto por el citado costo
del agua embotellada como por la dificultad de acceso a la misma en determinadas zonas, siendo
destacable la obtención de agua por condensación a expensas de la humedad de que es portador
el aire ambiental, [http://www.purline.es/producto.php?cod=43076]. En este sentido, son conocidos
generadores de agua de diferentes marcas y capacidades, con opción de ser energizados
directamente de la línea o por medio de sistemas de energía solar.
9
Algunas marcas de este tipo de sistemas son las siguientes:
- Ecowater. [http://www.ecowater.com/]
- EcoloBlue. [http://www.ecoloblue.com/]
- Hendrx/Eriva. [http://hendrx.manufacturer.globalsources.com]
- Surefield [http://www.sf-solar.com/cpzs.asp?BigClassName=Air%20Water%20Generator]
- Bewater. [http://bewater.mx/]
- Pureline [http://www.purline.es/producto.php?cod=43076]
Esta solución presenta una problemática que se centra fundamentalmente en los siguientes
aspectos:
- La progresiva formación de hielo obliga a paradas intermitentes del equipo, para que se
produzca la descongelación del agua, originando tiempos muertos en el generador que
obviamente, repercuten en una menor productividad del mismo.
10
Existen diferentes tipos de controladores, los cuales permiten realizar la regulación precisa de la
temperatura, estos controladores, pueden estar basados en estrategias convencionales, modernas
o inteligentes.
2.2 Control PID
Por el lado de las estrategias de control convencional (SISO), se tiene el universalmente conocido
controlador PID (proporcional-integral-derivativo), el cual requiere para su adecuada
implementación, un proceso de sintonización que permitirá determinar las magnitudes de las
ganancias Kp, Ki y Kd, estas últimas conocidas como ganancias independientes. Por otro lado, es
común que en lugar de encontrar estas ganancias los parámetros de sintonía estén dados en
términos de la ganancia proporcional (Kp), el tiempo integral (Ti) y el tiempo derivativo.
Por el lado de las estrategias del control moderno (MIMO), se tiene el control por
retroalimentación de estado, o el control por retroalimentación de estado con efecto integrador.
Esta metodología de diseño proporciona un mejor desempeño del control, debido a que toma en
consideración la medición de las variables de estado del sistema, para su implementación, es
necesario el conocimiento detallado del sistema para poder obtener un modelo matemático que
permita estructurar el regulador.
Las estrategias de control convencionales y modernas, están basadas en el hecho de que los
sistemas son lineales e invariantes con el tiempo, de presentarse situaciones que impliquen una
violación a estas condiciones, el desempeño de los controladores es variable y se generaran
comportamientos dinámicos diferentes dependiendo de los puntos de operación considerados.
11
Existen actualmente procedimientos de regulación como el control inteligente, pertenecientes al
campo de la inteligencia artificial, que poseen la capacidad de lidiar con sistemas altamente no
lineales, donde están presentes retardos, ganancias variantes, zonas muertas, saturación,
acoplamientos y cambios de orden.
Estas estrategias de control inteligente están fundamentalmente representadas por las redes
neuronales artificiales y los controladores de lógica fuzzy.
2.3 Redes Neuronales
Las redes neuronales artificiales, son algoritmos adaptativos con un alto nivel de flexibilidad que
poseen la capacidad de aprender dependiendo de los patrones que se utilicen para su
entrenamiento, existe una gran variedad de modelos que ha aparecido a lo largo de la historia.
Alrededor de 1943, los investigadores Warren McCulloch y Walter Pitts propusieron el primer
modelo simple de una neurona, [Ponce 2010]. En la décadas de los cincuenta y los sesenta, el
movimiento en Redes Neuronales fue liderado por B. Widrow y M. E. Hoff, quienes trabajaron con
una maquina llamada Adaline (Elemento lineal Adaptativo).
Otro pionero fue el psicólogo Frank Rosenblatt de la universidad de Corell. En 1959, Rosenblatt
construyo una maquina Neuronal simple que llamo Perceptron. Esta tenía una matriz con 400
fotoceldas que se conectaban aleatoriamente a 512 unidades tipo neurona. Cuando se presentaba
un patrón a las unidades sensoras, estas enviaban una señal a un banco de neuronas que
indicaban la categoría del patrón. Al parecer Rosenblatt reconoció todas las letras del alfabeto.
A finales de los años setenta, Minsky y Pepert demostraron que los perceptrones eran
incapaces de realizar tareas simples tales como sintetizar la función lógica XOR. Las matemáticas
del libro perceptrons eran indiscutibles y su tono dio el mensaje de que los perceptrones eran un
camino sin salida.
Uno de los científicos que continuo trabajando en los años oscuros de las redes neuronales fue
Stephen Grossberg, ahora director del centro de sistemas adaptativos de la universidad de Boston.
Grossberg junto con Gail Carpenter de la universidad de Northeastern han propuesto un
modelo de red neuronal llamado ART (Adaptive Resonance Theory). Otros investigadores que
trabajaron durante los años setenta fueron Teuvo Kohonen, de la Universidad de Helsinki, y Jim
Anderson de la Universidad de Brown, que trabajo con alternativas de semillas de conexionismo y
junto con Geoff Hinton, quien presento trabajos matemáticos y de aplicación de redes neuronales
12
organizaron el primer encuentro de neoconexionismo en 1979, al cual asistieron David Rumelhart,
Mc Clelland, Geoff Hinton, Anderson, Jerry Feldman y Terry Sejnowski.
Actualmente las investigaciones en el campo de las redes neuronales están muy enfocadas en
el reconocimiento, predicción y clasificación de patrones.
2.4 Lógica Fuzzy
Los controladores basados en lógica fuzzy, tienen incorporado el conocimiento que un experto
posee sobre la operación o funcionamiento de un determinado sistema, este paradigma de control
es especialmente útil cuando se tienen que controlar procesos que son complicados de modelar.
En la década de 1920, el lógico polaco Jan Lukasiewicz trabajo los principios de la lógica
multivaluada, en éstos las proposiciones pueden tomar valores verdaderos fraccionarios entre 0 y 1
de la lógica clásica.
En 1965 Lotfi A. Zadeh, en aquel entonces director del departamento de Ingeniería eléctrica del
la Universidad de California en Berkeley, publico “fuzzy sets”, en ese artículo se describen las
matemáticas de los conjuntos fuzzy y por extensión de la lógica fuzzy y este trabajo le dio nombre
a su campo.
La lógica fuzzy se aplico a mediados de los años setenta por Ebrahim H. Mamdani en el Queen
Mary Collage en Londres, [Ponce 2010]. Mamdani diseño un controlador fuzzy para un motor a
vapor. La implantación real de un controlador de este tipo no fue realizada hasta 1980 por F.L.
Smidth & Co. en una planta cementera en Dinamarca.
En 1987 Hitachi usa un controlador fuzzy para el control del tren de Sendai, el cual usa uno de
los sistemas más novedosos creados por el hombre. Desde entonces, el controlador ha realizado
su trabajo correctamente con la consiguiente satisfacción por parte de los usuarios de dicho tren.
13
Es también en este año cuando la empresa Omron desarrolla los primeros controladores fuzzy
comerciales y es que 1987 es considerado como el "fuzzy boom" debido a la gran cantidad de
productos basados en lógica fuzzy que se comercializan.
Sugeno y Nishida (1985) y en particular Sasaki y Akiyama (1986 -1988) solucionan complejos
problemas de tráfico y transporte que indican el gran potencial de usar técnicas de lógica fuzzy.
En 1993, Fuji aplica la lógica fuzzy para el control de inyección química en plantas depuradoras
de agua por primera vez en Japón. Ha sido precisamente aquí, en donde más apogeo ha tenido la
lógica fuzzy, creándose estrechas colaboraciones entre el gobierno, las universidades y las
industrias, estableciendo proyectos llevados a cabo por el ministerio de industria y comercio (MITI).
14
Capítulo 3 : Marco Teórico
3.1 Celda Peltier
3.1.1 Principio de funcionamiento y especificaciones
Las celdas Peltier, son dispositivos termoeléctricos que se caracterizan por la aparición de una
diferencia de temperaturas entre las dos caras de un semiconductor cuando una corriente eléctrica
lo atraviesa.
Figura 3.1 Estructura de una celda Peltier
Al aplicar una diferencia de potencial sobre la celda, se generara un flujo de calor por unidad de
tiempo o potencia calorífica en la cara caliente, esto se puede determinar mediante la ecuación
3.1.
(3.1)
15
Donde Tc (Kelvin) es la temperatura de la cara caliente, α ( ), es el coeficiente Seebeck e I
Por el mismo efecto, la absorción de calor por unidad de tiempo o potencia calorífica en la cara
fría está dada por la Ecuación 3.2.
(3.2)
De otro lado, si se consideran las pérdidas por unidad de tiempo por efecto Joule, las cuales se
supone que se reparten mitad para cada cara, éstas quedarán expresadas por la ecuación 3.3.
R (3.3)
R (3.4)
En donde representa la resistencia térmica entre la cara caliente y la fría. El flujo neto
calorífico absorbido por la cara fría, será haciendo el balance energético por medio de la ecuación
3.5.
R (3.5)
Mientras que el calor cedido y que debe ser disipado a través de la cara caliente será como se
expresa en la ecuación 3.6.
R 3.6
16
Utilizando el primer principio de la termodinámica, la potencia eléctrica suministrada será la
diferencia de los dos flujos caloríficos de disipación y absorción concluyendo esto en la ecuación
3.7:
R R (3.7)
3.2 Fenómenos y Modelo de la celda Peltier
Para poder entender el comportamiento de una celda Peltier, es necesario tomar en cuenta que en
un dispositivo de esta naturaleza son varios los fenómenos que acontecen.
Se debe mencionar que los efectos presentes son el efecto Joule, efecto Thompson y efecto
Peltier, además de las propias características de la transmisión de calor, sin embargo, no todos son
de igual magnitud e importancia.
3.2.1 El Efecto Joule
R t (3.8)
3.2.2 El Efecto Peltier
El efecto Peltier fue descubierto en el año 1834 por el físico francés Peltier J. C. A. Surgió sobre la
base del descubrimiento del físico alemán Seebeck T.J. en 1821, quien observó que en un circuito
formado por dos conductores distintos A y B, cuyas uniones soldadas se encuentran en medios
con temperaturas distintas, aparece entre ambos una diferencia de potencial. Esta diferencia de
potencial depende de la naturaleza de los conductores y de la diferencia de temperaturas. Este
dispositivo se conoce como termopar. La esencia del efecto Peltier, que básicamente es lo
contrario del efecto Seebeck, consiste en hacer pasar una corriente procedente de una fuente de
17
energía eléctrica continua, a través de un circuito formado por dos conductores de distinta
naturaleza, obteniéndose que una de sus uniones absorbe calor y la otra lo cede. El calor que cede
el foco caliente será la suma de la energía eléctrica aportada al termoelemento y el calor que
absorbe el foco frío. Estos termoelementos, configurados de este modo, constituyen una máquina
frigorífica.
(3.9)
unión por unidad de tiempo y de corriente que circula a través de la misma, ecuación 3.10:
(3.10)
Donde:
3.2.3 El Efecto Thomson
eléctrica.
18
3.2.4 Modelo de la Celda Peltier
Una analogía termoeléctrica propone un modelo de la celda Peltier como se muestra en la figura
3.2.
Figura 3.2 Modelo de la celda Peltier
La figura 3.2 esquematiza las ecuaciones Qc y Qf manifestando los efectos Peltier, Joule y de
transmisión de calor.
Los flujos caloríficos absorbidos en la cara fría y los flujos caloríficos disipados en la cara
caliente, se modelan como capacidades térmicas Cf y Cc que reflejan las inercias térmicas de las
caras, figura 3.3.
Figura 3.3 Equivalente eléctrico‐térmico simplificado de la celda Peltier.
19
3.3 Redes Neuronales
Una neurona es una celda del cerebro que tiene como función principal la colección,
procesamiento y diseminación de señales eléctricas. Análogamente, se han desarrollado modelos
matemáticos basados en las neuronas biológicas en el campo de la inteligencia artificial para crear
las redes neuronales.
Las redes neuronales [Haykin 1999, Anderson 2007, Ruano 2008] son procesadores
distribuidos paralelos, hechos para ser unidades de procesamiento simple, que almacenan
conocimiento experimental y lo hacen disponible para su utilización. Son llamadas también neuro-
computadoras, redes conexionistas o procesadores distribuidos paralelos.
3.3.1 Modelo de la Neurona Artificial
Una neurona [Haykin 1999, Anderson 2007, Ruano 2008] es una unidad de procesamiento de
información, que es fundamental en la operación de las redes neuronales. Existen tres elementos
básicos en el modelo neuronal:
- Un sumador que realiza la suma de las señales de entrada, pesadas por sus respectivas
sinapsis de la neurona, las operaciones descritas constituyen un linear combiner.
20
Exissten varios tipos de neuro
onas diferente
es, pero la más
m común ess la de tipo McCulloch-Pit
M tts,
que se
e muestra en la figura 3.4, en la cual, la
as entradas a la neurona se definen co
omo ,
los pessos sinápticos se definen como , la se
eñal de umbrral es , el cuerpo
c neuron
nal
es , la
a función de activación
a y la salida se define como .
Figura 3.4 Ne
eurona McCullo
och‐Pitts
3.3.2 Tipos de F
Funciones de Activación
Las fun
nciones de activación
a o y el tipo de salida de un
deffinen el rango na neurona y depende de
e la
aplicacción.
En [Ha
aykin 1999] se
e identifican trres tipos básiicos de funcio
ones de activa
ación:
- Función log
gística: Tiene la particularid
dad de tener un forma de S, es una fun
nción común de
activación utilizada en la construccción de red
des neurona
ales, describe una funciión
incrementall que exhibe un
u balance en
ntre el compo
ortamiento line
eal y no linea
al
21
3.3.3 Tipos de R
Redes Neuronales
Según el criterio qu
ue se escoja para clasifica
ar las RNA se
e tendrá una clasificación u otra. Lo más
m
n es usar la arrquitectura y el
común e tipo de apre
endizaje com
mo criterios de
e clasificación
n.
derando la Arq
Consid quitectura, lass redes Neuro
onales se pue
eden clasifica
ar en la siguie
ente forma:
- Redes neu
uronales con alimentación hacia adelan
nte (feedfordw
ward).
- Redes neu
uronales realiimentadas (recurrentes).
El modelo
m Hopfie
eld está basa
ado en los mo
odelos de red
des de McCulloch y Pitts, es una red una
u
sola ca
apa no lineal cuyo funcio
onamiento co
onsiste en en
nviar un patró
ón a la red y actualizar las
neuron
nas repetidam
mente hasta que
q los estad
dos de las neuronas quede
en estabilizad
dos a un patrrón
memorrizado, es de
ecir, bajo estte modelo, la
as neuronas aprenden a reconocer lo
os patrones de
entrada
a que memo
orizan duran
nte el entren
namiento. Este tipo de modelo,
m es adecuado
a pa
ara
problem
mas de optim
mización.
Figura 3.5
5 Modelo Hop
pfield
22
Otro
o de los mod
delos más im
mportantes de
e redes neuro
onales es el modelo
m Koho
onen, el cual se
basa en
e la capacid
dad del cere
ebro de form
mar mapas ca
aracterísticoss a partir de la informaciión
recibida del exterio
or. Este tipo de
d modelo, recibe
r como entrada dato
os continuos normalizadoss y
clasificca los patron
nes en grupo
os de caracte
erísticas simiilares, de forrma que cad
da grupo activa
siemprre las mismas
s salidas.
Figura 3.6
6 Modelo Koho
onen
- Aprendizajje Híbrido: Es
E una mezclla de los anteriores. Unass capas de la
a red tienen un
aprendizaje
e supervisado
o y otras ca
apas de la red tienen un aprendiza
aje de tipo no
supervisado
o. Este tipo de
d entrenamie
ento es el que tienen rede
es como las RBF
R (Redes de
Función de Base Radial)).
23
- Aprendizaje reforzado (reinforcement learning): Es un aprendizaje con características
del supervisado y con características del autoorganizado. No se proporciona una salida
deseada, pero si que se le indica a la red en cierta medida el error que comete, aunque es
un error global.
3.4 Algoritmos de Retropropagación
3.4.1 Algoritmo de Retropropagación
Figura 3.7 Perceptron multicapa.
24
Dado un patrón de entradas , la operación global de esta arquitectura se
expresa de la siguiente manera [Del Brío y Sanz 2007]:
∑ ∑ ∑ (3.11)
, , , ∑ ∑ ∑ (3.12)
(3.13)
(3.14)
∑ (3.15)
Donde
(3.16)
∑ (3.17)
∑ (3.18)
25
∑ (3.19)
∑ (3.20)
3.4.2 Algoritmo de Retropropagación con Momentum
Una de las variantes propuestas al algoritmo de retropropagación del error, al incluir un término de
inercia o momentum [Del Brío y Sanz 2007, Anderson 2007], consiste en incorporar al cálculo de la
variación de los pesos sinápticos un término adicional proporcional al incremento de la iteración
anterior, que proporciona una cierta inercia al entrenamiento.
1 1 (3.21)
1 1 (3.22)
3.5 Lógica Fuzzy
La lógica fuzzy utiliza la experiencia humana almacenando sus componentes esenciales en una
base de datos, y realiza operaciones fuzzy para inferir el valor total de la salida. Sin embargo, no
hay una manera sistemática de transformar las experiencias de conocimiento de expertos humanos
al conocimiento de la base del control fuzzy. Existe también la necesidad de adaptar algunos de los
algoritmos de aprendizaje para establecer la salida dentro del rango de error especificado.
El concepto de lógica fuzzy fue concebido en el año de 1965 por Lofti Zadeh, quien menciona
que la gente no requiere información numérica precisa del medio que lo rodea para desarrollar
tareas de control altamente adaptable, por ejemplo, conducir un automóvil o caminar por una acera
sin colisionar con los postes y las otras personas. Si los controladores convencionales, en esencia
retroalimentados, se pudieran programar para aceptar entradas con ruido e imprecisas, ellos
podrían trabajar de una manera más eficiente y quizás se podrían implementar más fácilmente.
26
Pocos años después en 1974, el Británico Ebrahim Mamdani, demuestra la aplicabilidad de la
lógica fuzzy en el campo del control. Desarrolla el primer sistema de control fuzzy práctico, la
regulación de un motor de vapor. Las aplicaciones de la lógica fuzzy en el control no pudieron ser
implementadas con anterioridad a estos años debido a la poca capacidad de cómputo de los
procesadores de esa época.
Es así, como surgen dos principales esquemas de sistemas fuzzy: sistemas fuzzy tipo Mamdani
y sistemas fuzzy tipo Takagi-Sugeno, [Del Brío y Sanz 2007, Ruano 2008].
Los sistemas fuzzy tipo Mamdani utilizan expresiones lingüísticas para su funcionamiento, la
configuración básica de este tipo se muestra en la figura 3.8:
Figura 3.8 Configuración básica de sistema tipo Mamdani
27
Una regla de la base de conocimiento tiene dos partes el antecedente y el consecuente, los
cuales están dados por expresiones lingüísticas, tal como se muestra en la figura 3.9:
Figura 3.9 Regla de la base de un sistema tipo Mamdani.
Por su parte, los sistemas tipo Takagi-Sugeno utilizan funciones de la entrada del sistema. La
configuración básica de este tipo de sistemas se muestra en la figura 3.10:
Figura 3.10 Configuración básica de sistema tipo Takagi‐Sugeno
28
• Mecanismo de inferencia fuzzy: Se encarga de procesar los niveles de pertenencia para
poder arrojar una salida fuzzy, ello basándose en una base de reglas fuzzy.
Figura 3.11 Regla de la base de un sistema tipo Takagi‐Sugeno.
En esta clase de sistemas, los valores arrojados por los consecuentes de cada regla ya son
valores numéricos, por lo que no se requiere una etapa de defuzificación.
3.6 Control PID
El controlador PID (Proporcional- Integral-Derivativo), es el elemento de control más utilizado en la
industria, el esquema clásico se muestra en la figura 3.12
Figura 3.12 Estructura del control PID
29
Un controlador tipo PID incorpora una acción proporcional (Kp), una acción integral (Ki/S) y una
acción derivativa (KdS).
La acción proporcional, muchas veces visualizada como una amplificación, envía una señal de
control proporcional al error, haciendo que el sistema alcance más rápido el “set point”, sin
embargo, cuando la acción proporcional es muy grande el sistema se puede volver inestable
produciendo sobre-oscilación o sobrepaso. Por otro lado la acción integral envía una señal de
control proporcional al acumulado de los errores a lo largo del tiempo. La sumatoria de los errores
instantáneos a lo largo del tiempo provee el offset acumulado que debió haber sido corregido
previamente. La acción integral cuando se combina con la acción proporcional acelera el
comportamiento del sistema hacia el “set point” y elimina el error residual en estado estacionario,
sin embargo, dado que la acción integral responde a errores acumulados del pasado usualmente
genera sobrepasos inusuales. Finalmente la acción derivativa viene a reducir la magnitud de los
sobrepasos producidos por la acción integral mejorando la respuesta transitoria del sistema. La
acción derivativa tiene este efecto pues considera la tasa de cambio del error.
Los parámetros de ajuste de un controlador pid son respectivamente la ganancia proporcional,
ganancia integral y ganancia derivativa.
- Método manual.
- Método de Ziegler-Nichols.
- Método del relay.
- Método de Cohen-Coon.
3.7 Humedad Especifica y Humedad Relativa del Aire
La cantidad de Vapor de agua en el aire, puede determinarse de varias maneras. Es probable que
la más lógica sea precisar la masa de vapor de agua presente en una unidad de aire seco, a la que
se denomina humedad absoluta o específica, conocida también como relación de humedad
[Cengel, Boles 2008], la cual se representa como :
30
, (3.23)
.
.622 (3.24)
Φ (3.25)
En esencia, la humedad relativa es una magnitud que indica la condición de cercanía al nivel
de saturación del aire.
3.8 Temperatura de Punto de Rocío.
La temperatura de punto de Rocío , se define como la temperatura a la cual se inicia la
condensación de la humedad ambiental, si el aire se enfría a presión constante [Cengel, Boles
2008]. En otras palabras, es la temperatura de saturación del agua correspondiente a la presión
de vapor:
@ (3.26)
Es posible determinar el punto de rocío con errores menores a 1°C, sin considerar la presión
mediante:
Donde:
31
Capítulo 4 : Descripción del Sistema de la Celda Peltier
y Diseño de Controladores
4.1 Diseño y construcción del Prototipo
En el presente capítulo, se abordan las partes necesarias para la construcción del sistema de la
celda Peltier, las cuales van desde la conceptualización hasta la implementación física del
prototipo. La identificación de la función de transferencia del sistema, brindara información acerca
de la dinámica del sistema, lo cual, permitirá especificar los parámetros de desempeño de los
controladores que se diseñaran y programaran.
4.1.1 Diseño conceptual del Sistema de la Celda Peltier
Para cumplir la función antes mencionada, es necesario fijar un volumen de control, lo que
implica establecer una cámara donde se realizara el proceso de condensación.
Bloque 1: En esta etapa, se tiene una computadora, donde se han programado en Labview 8.2
tres tipos de controladores, un pid, un fuzzy y un neuronal, todos ellos con el propósito de regular
la temperatura y como consecuencia obtener la condensación de la humedad ambiental.
Bloque 2: Esta etapa, consta básicamente de una tarjeta de adquisición de datos de la firma
National instruments, la cual posee 8 entradas y 2 salidas analógicas cuyo propósito es operar
como interface de comunicación entre la planta y la computadora.
Bloque 3: Esta etapa es un driver, el cual es una interface de potencia entre la tarjeta de
adquisición de datos y los actuadores del sistema. El driver está formado estructuralmente por un
microcontrolador de la firma Microchip, modelo 16f873A, donde se ha programado la operación de
modulación de ancho de pulso donde la frecuencia se ha fijado en 700 Hz [http://www.tetech.com],
y cuyo rango de entradas está comprendido entre cero y cinco volts. Complementario al
32
microcontrolador, se han incorporado dos relevadores de estado sólido de corriente directa de la
firma Crydom, modelo D104 los cuales están basados en transistores de efecto de campo capaces
de operar hasta 100 Vcd y 40 Amperes.
Bloque 4: Esta etapa está formada por una celda Peltier la cual opera hasta un máximo de 12
Vcd. Para la disipación de calor en la cara caliente, se ha acoplado un ventilador con capacidad de
suministrar un flujo de 39 pies cúbicos por minuto y el opera con un máximo de 12 Vcd.
Figura 4.1 Estructura a bloques del sistema de la celda Peltier
4.2 Construcción del prototipo
En esta sección, se presentan todos los elementos necesarios para la obtención de un prototipo
físico, en el diseño a detalle se toman en cuenta todas las consideraciones del diseño conceptual.
El prototipo está formado por una serie de elementos comerciales y otros que fueron
manufacturados. Los elementos comerciales son los siguientes:
- 2 Ventiladores de 12 Vcd
- 3 Sensores de temperatura Lm35
- 1 Sensor de humedad relativa phidget 1125
- 2 Relevadores de estado sólido D1140 de 100 Vcd Crydom.
- Una celda Peltier de 3cm X 3cm de 12 Vcd.
- 1 Disipador de calor.
- 1 Microcontrolador 16f873.
33
- 1 Tarjeta de adquisición de datos NI USB6008.
- Regulador de voltaje LM7805.
- Amplificador operacional LM324
- Fuente de alimentación de conmutada 12 Vcd.
- Fuente de alimentación lineal.
- Capacitores y resistencias.
- Clemas.
- Tornillos y tuercas.
- Paneles de acrílico de 25 cm X 25 cm y bisagras de acrílico.
- Cámara de condensación.
- Soporte para montaje de disipador.
- Driver pwm.
- Canal colector de agua
Figura 4.2 Sistema manufacturado
4.3 Identificación del Sistema de la Celda Peltier y Validación.
34
Una vez establecido el voltaje máximo de operación de la celda Peltier cuyo valor es
suministrado por el fabricante, se procede a la aplicación de una señal de entrada ya sea de tipo
escalón o variable en voltaje, paralelo a la aplicación de la excitación, se debe registrar la
información tanto de entrada como de salida, donde esta última es la señal de temperatura bajo la
forma de un voltaje entregado por el sensor posicionado en la cara fría de la celda Peltier.
Una vez obtenidos los datos de entrada y salida, se procede a realizar la identificación, la cual
fue obtenida mediante el uso del método de mínimos cuadrados recursivos [Aguado 2003,
Navarro 2010] y el Software Matlab R2009a [www.mathworks.com/].
- Todo sistema dinámico, tiene asociado un tiempo de retardo, por lo que la función de
transferencia debe contener tal efecto.
Figura 4.3 Primera identificación monovariable del sistema de la celda Peltier
35
El modelo identificado se muestra en la ecuación 4.1 con un nivel de aproximación del 92.94%.
. .
(4.1)
. .
Figura 4.4 Segunda identificación monovariable del sistema de la celda Peltier
. .
(4.2)
. .
36
Figura 4.5 Tercera identificación monovariable del sistema de la celda Peltier
. .
(4.3)
. .
Tabla 4.1
37
- Ganancia estática,
- Cambio en las constantes de tiempo
- El tiempo retardo produce efecto no lineal, aunque los tres modelos tienen el mismo valor.
Observando los modelos identificados, las funciones de transferencia son de segundo orden con
polos reales dominantes.
4.3.1 Especificaciones de Desempeño de los Controladores
Tabla 4.2
4.4 Desarrollo de Controladores
En el presente apartado, se realizara el desarrollo del control de temperatura basado en una red
neuronal, un control pid y un control de lógica fuzzy.
Las características que destacan del tipo de red neuronal diseñada, es que el aprendizaje es en
línea, supervisado y con refuerzo, usando el algoritmo de retropropagación con momentum, utiliza
funciones de activación de tipo sigmoidea y recurrencia, lo que le brinda una característica no lineal
y mayor potencia en la capacidad de control, además de que se trata de una red con múltiples
entradas y múltiples salidas, además, utiliza como patrones de entrenamiento las señales de error.
38
El controlador fuzzy, es una estructura dual, estándar, de tipo Mamdani, con funciones de
pertenencia triangular tanto para la entrada como para la salida, las acciones de control de cada
regulador son función de las señales de error.
4.4.1 Desarrollo del Controlador Neuronal del Sistema de la Celda Peltier
El diseño de redes neuronales, establece que para la mayoría de los problemas de control, es
suficiente una capa oculta, siendo el número de neuronas de esta capa mayor o igual al número de
entradas menos uno [Haykin 1999].
Debido a que el sistema de la celda Peltier posee dos entradas, una de corriente y otra para
ventilación, el número de salidas de control de la red Neuronal se fija en dos.
En la figura 4.6, se muestra un diagrama general del controlador neuronal propuesto, el cual
tiene como característica principal que toma como patrones de entrenamiento los errores de
regulación [Haykin 1999, Noriega 2006].
Figura 4.6 Estructura general del sistema de control neuronal.
Por otro lado, la figura 4.7 muestra la topología de la red neuronal artificial utilizada en este
trabajo, se trata de una red neuronal recurrente con 4 entradas, 3 neuronas en la capa oculta y 2
en la capa de salida, correspondientes cada una al número de variables de la planta a controlar, la
temperatura de la cara fría y la temperatura de la cara caliente de la celda Peltier.
39
Figura 4.7 Topología de Red Neuronal Recurrente.
2006].
(4.1)
(4.2)
∑ (4.4)
, 1 ,.. 1 (4.5)
40
La salida de la red está dada por la expresión:
∑ (4.6)
(4.7)
, , (4.8)
El cálculo del gradiente fue realizado mediante derivadas parciales, en este caso respecto a los
pesos sinápticos de la red neuronal [Noriega 2006. Anderson 2007. Martín del Brío 2007,
1 (4.9)
Finalmente, los pesos sinápticos de las capas de entrada, oculta y salida, son obtenidos
mediante las siguientes ecuaciones derivadas de 4.8 y 4.9.
(4.10)
(4.11)
1 (4.12)
(4.13)
41
(4.14)
1 η (4.15)
(4.11)
Sea , 0 (4.12)
1 (4.13)
1 (4.14)
(4.15)
1 (4.16)
(4.17)
ρ (4.20)
1 ρ (4.21)
42
Sea 1 (4.22)
1 (4.23)
4.4.2 Desarrollo y Sintonización del Controlador PID del Sistema de la Celda
Peltier
Figura 4.8 Estructura del control PID
(4.24)
Donde:
Kp
: Ganancia proporcional.
Ki : Ganancia integral.
Kd : Ganancia derivativa
Una mejora incorporada al algoritmo de control pid, es utilizar la acción derivativa sobre la
retroalimentación [Ogata 2003], de esta forma se evita que aparezcan acciones de control muy
agresivas o excesivamente elevadas cuando la señal de consigna cambia, esta arquitectura se
presenta en la figura 4.9.
43
Figura 4.9 Estructura del control Pid con acción derivativa en la retroalimentación.
1 1 2 1 2 1 (4.25)
Figura 4.10 Estructura general para sintonía por el método del relay.
44
Una vez conocidos los parámetros d y a, es posible determinar la ganancia critica como:
(4.26)
Finalmente, para determinar los valores del control pid, se utiliza la tabla del segundo método
de Ziegler–Nichols, la cual nos entrega el parámetro Kp, Ti y Td.
0.6 (4.27)
0.5 o (4.28)
0.125 o (4.29)
Los parámetros de sintonía del controlador pid utilizados y reajustados son los siguientes:
Para mayor información acerca controladores pid y su sintonización se puede consultar [Ogata
2003, Cheng-Ching Yu 2006, Bolton 2001].
4.4.3 Desarrollo del Controlador Fuzzy del Sistema de la Celda Peltier
El esquema completo del control está basado en dos controladores fuzzy [Viljama 1993], los
cuales controlan la temperatura de la cara fría y caliente. A continuación se describe la parte del
control de la cara fría y posteriormente el de la cara caliente.
45
El tipo de controlador fuzzy diseñado posee las siguientes características, en primer lugar, se ha
utilizado un controlador fuzzy de tipo Mamdani, la razón de ello es que este tipo de esquema
permite expresar el conocimiento del experto como una serie de reglas; Si A entonces B, situación
que no es posible con el esquema de Sugeno, ya que la salida de este último es una función de las
entradas, adicionalmente, se han manejado 5 conjuntos fuzzy, la elección de los mismos se ha
determinado por medio de recomendaciones, ya que se establece en la literatura que el número
funciones de membresía debe ser impar, aunque esto no es una ley. Si se tienen pocos conjuntos
fuzzy, se tienen más saltos en las acciones de control o menor resolución, por lo que no se optó
por un conjunto de 3, si no de 5 para evitar esta situación antes mencionada.
El número máximo de reglas está determinado por el número de conjuntos fuzzy [Martín del
Brío, Sanz 2007, Tsoukalas, Uhrig 1998] y las entradas al controlador, de tal forma que si se tienen
dos entradas y 5 conjuntos Fuzzy, la base de reglas contendrá un máximo de 25 enunciados.
Las entradas al control fuzzy de la cara fría son el error y el cambio en el error, la generación de
la base de reglas se realizo como si se tratase de un horno y finalmente la salida del control se le
multiplico por -1 para darle la acción inversa. La arquitectura del regulador diseñado se le conoce
como controlador fuzzy estándar [Martín del Brío, Sanz 2007, Tsoukalas, Uhrig 1998, Ponce 2010,
Jantzen 2007] y se muestra en la figura 4.11.
Figura 4.11 Estructura general de un controlador fuzzy estándar.
Se han desarrollado dos controladores fuzzy, uno para regular la temperatura de la cara fría y
otro para regular la temperatura de la cara caliente, ambos bajo el entorno Labview 8.2 con los
módulos load fuzzy controller.vi y fuzzy controller.vi.
46
Las características relevantes de los dos controladores se muestran en la tabla 4.3.
Tabla 4.3
La elección del número de funciones de membresía debe ser entre 3 y 7, [Del Brío y Sanz
2007], con el objetivo de obtener precisión y de que el controlador no resulte excesivamente
complejo, aunque no es una regla formalmente establecida. Respecto al tipo de funciones de
membresía elegidas, la forma triangular posee una geometría simple que permite que la carga
computacional sea baja.
Las funciones de membresía asociadas a entradas y salidas del controlador fuzzy de la cara
fría se muestran en la figura 4.12:
Figura 4.12 Funciones de membresía de las entradas y las salidas del controlador de temperatura fuzzy de
la cara fría usadas en el modulo load fuzzy controller.vi.
47
La base de reglas utilizada se muestra en la figura 4.13:
Figura 4.13 Base de reglas del control de temperatura de la cara fría.
Para el control de la cara caliente, solo se han utilizado otro controlador fuzzy con dos conjuntos
fuzzy referidos a una sola entrada como se muestra en la figura 4.14.
Figura 4.14 Funciones de membresía del controlador de temperatura de la cara caliente establecidas en el
modulo load fuzzy controller.vi.
48
La base de reglas para este segundo controlador se muestra en la figura 4.15:
Figura 4.15 Base de reglas del controlador de temperatura fuzzy de la cara caliente.
49
Capítulo 5 : Validación experimental
El presente capítulo, se centra en los diferentes resultados de las pruebas realizadas al sistema de
la celda Peltier en las modalidades de regulación de temperatura en diferentes puntos, sobrepaso,
tiempo de asentamiento, desempeño ante perturbaciones y condensación.
5.1 Experimento de Regulación de Temperatura de los Controladores
5.1.1 Prueba de Regulación ante consigna de 10°C.
La prueba de regulación de temperatura realizada con los tres controladores, se planteo ante un
set point o valor de consigna de la cara fría de 10°C, la cual se muestra en la figura 5.1.
Figura 5.1 Señales de regulación de cara fría asociadas al valor de consigna de 10°C.
Las señales de control asociadas a la prueba de regulación ante consigna de 10°c realizada se
muestran en la figura 5.2.
50
Figura 5.2 Señales de control asociadas al valor de consigna de 10°C
Las señales de error asociadas a la prueba de regulación ante consigna de 10°c se muestran en
la figura 5.3.
Figura 5.3 Señales de error asociadas al valor de consigna de 10°C
De las graficas 5.1, 5.2 y 5.3 presentadas, se extrae la siguiente información de desempeño
mostrada en la tabla 5.1:
51
Tabla 5.1
5.1.2 Prueba de Regulación Ante consigna de 7°C
En la figura 5.4, se observan las señales de la temperatura de la cara fría del sistema de la celda
Peltier ante un valor de consigna de 7°C.
Figura 5.4 Señales de regulación de cara fría asociadas al valor de consigna de 7°C
52
Figura 5.5 Señales de control asociadas al valor de consigna de 7°C
Figura 5.6 Señales de error asociadas al valor de consigna de 7°C
De las graficas 5.4, 5.5 y 5.6 presentadas, se extrae la siguiente información de desempeño
mostrada en la tabla 5.2:
53
Tabla 5.2
PID 0 70 0.22°C
Neuronal 0 70 0.087°C
tiempo de asentamiento . La relevancia del sobrepaso se puede establecer en dos sentidos, por
un lado, indica el nivel de desviación máxima inicial de la variable de proceso con respecto al set
point o valor de consigna, por otro lado, el tener sobrepasos excesivos genera que el sistema
presente demasiada oscilación. En lo que respecta al tiempo de asentamiento, brinda información
acerca de cuanto le toma a la variable de proceso estabilizar o permanecer en régimen
estacionario. Ambos parámetros, el sobrepaso y el tiempo de asentamiento, tienen influencia
mutua, ya que un sobrepaso alto causara un tiempo de asentamiento mayor.
5.2 Experimentos ante Perturbaciones de Flujo de Aire
En este apartado, se realizan pruebas para verificar el comportamiento de los tres controladores
ante entradas de perturbación, las cuales corresponden a la aplicación de un flujo de aire de
39CFM a la cara fría de la celda Peltier por medio de un ventilador de corriente directa sin
escobillas.
54
5.2.1 Perturbación de Flujo de aire de 39 CFM y 30°C para el Control Neuronal
La siguiente prueba, se realizo para verificar el comportamiento del sistema regulado con el
Control Neuronal en un set point de 10°C y aplicando una perturbación de flujo de aire de 39 pies
cúbicos por minuto (CFM) sobre la cara fría de la celda Peltier, el resultado se observa en la figura
5.7 y pone en evidencia la capacidad del controlador para compensar el efecto de carga de la
perturbación.
Figura 5.7 Prueba ante perturbación de flujo de aire de 39 CFM.
5.2.2 Perturbación del Flujo de Aire de 39 CFM y 30°C para el Control Fuzzy.
La siguiente prueba, se realizo para verificar el comportamiento del sistema regulado con el control
fuzzy en un set point de 10°c y aplicando una perturbación de flujo de aire de 39 CFM sobre la cara
fría de la celda Peltier, el resultado se observa en la figura 5.8 y pone en evidencia la capacidad del
controlador para compensar el efecto de carga de la perturbación.
55
Figura 5.8 Ante perturbación de flujo de aire de 39 CMF
5.2.3 Perturbación del Flujo de Aire de 39 CMF y 30°C para el Control PID
La siguiente prueba, se realizo para verificar el comportamiento del sistema regulado con el control
pid en un set point de 10°c y aplicando una perturbación de flujo de aire de 39 CFM sobre la cara
fría de la celda Peltier, el resultado se observa en la figura 5.9 y pone en evidencia la capacidad del
controlador para compensar el efecto de carga de la perturbación.
Figura 5.9 Ante perturbación de flujo de aire de 39 CMF
56
5.3 Experimentos de Condensación de Humedad Ambiental
Las pruebas de condensación de la humedad ambiental o de obtención de agua en forma líquida,
se han realizando fijando inicialmente la humedad relativa de la cámara del sistema de la celda
Peltier en un valor aproximadamente del 50% para partir de un valor de referencia, además, se fijo
la temperatura de regulación en un valor de 4°C, casi 2°C abajo de la temperatura de punto de
rocío mínima de 6.1°C para cada uno de los tres controladores. El valor de 50% fijado en la
humedad relativa inicial, se debe a condiciones de seguridad, ya que el subir más este valor puede
generar condensación espontanea en la circuitería y generar problemas de funcionamiento y
daños a los dispositivos.
5.3.1 Prueba de Condensación de Humedad ambiental para el Control
Neuronal para estimación de Agua Obtenida.
La prueba realizada, se muestra en la figura 5.10 donde se puede apreciar que el valor inicial de la
humedad relativa es de aproximadamente 50% y al final de la prueba tiene un valor del 30% en
aproximadamente 840 segundos, este valor de 30% se debe a que es la humedad relativa mínima
que presentaba la atmosfera en el momento de la prueba.
Figura 5.10 Prueba de condensación por variación de humedad para el control neuronal
5.3.2 Prueba de Condensación de Humedad Ambiental para el Control Fuzzy
para estimación de Agua Obtenida.
La prueba realizada, se muestra en la figura 5.11 donde se puede apreciar que el valor inicial de la
humedad relativa es de aproximadamente 50% y al final de la prueba tiene un valor del 30% en un
periodo de aproximadamente 840 segundos.
57
Figura 5.11 Prueba de condensación por variación de humedad del control fuzzy
5.3.3 Prueba de Condensación de Humedad Ambiental para el control PID para
estimación de Agua Obtenida.
La prueba realizada, se muestra en la figura 5.12 donde se puede apreciar que el valor inicial de la
humedad relativa es de aproximadamente 50% y al final de la prueba tiene un valor del 30% en un
periodo de aproximadamente de 760 segundos.
Figura 5.12 Prueba de condensación por variación de humedad del control pid
58
De las pruebas realizadas sobre condensación, se observa que efectivamente, al realizar el
enfriamiento de una superficie fría (cara fría de la celda Peltier), por debajo de la temperatura de
punto de rocío, es posible obtener agua en forma líquida, esta situación queda evidenciada en las
curvas al reducirse la humedad relativa, por lo que el restante ahora se encuentra depositado en
forma de agua sobre la cara fría de la celda Peltier.
5.3.4 Relación Entre la Humedad Relativa y la Cantidad de Agua en un
Volumen.
La relación que existe entre la humedad relativa y la cantidad de mililitros de agua contenida en el
volumen de aire considerado de 0.0155 a una temperatura constante de 21°C se muestra en la
figura 5.13.
Figura 5.13 Relación entre la humedad relativa y la cantidad de agua en el volumen de .
utilizado.
Los datos utilizados para obtener la grafica de la figura 5.13, han sido adquiridos de la
referencia [Cengel, Boles 2008].
59
5.3.5 Pruebas para Cuantificación de Agua Condensada Mediante Jeringa.
Tabla 5.3
Condiciones de prueba
El Volumen del colector es de 0.5ml
La celda recibe 12 Volts constantes
Temperatura de cara fría=4°C
Prueba %HR Punto de rocío Agua colectada Tiempo de Rate (ml/seg)
prueba
Prueba1 de 68 7°C 0.1mL 15minutos 0.00011
condensación con
colecta por jeringa.
Prueba 2 de 51 6°C 0.05mL 10 minutos 0.0000833
condensación con
colecta por jeringa.
Prueba 3 de 76 4°C 0.1 mL 15 minutos 0.00011
condensación con
colecta por jeringa.
5.4 Análisis de Resultados
Considerando la información obtenida de las pruebas realizadas, respecto a las señales de
regulación de la cara fría, se observa que todos los controles cumplen con las especificaciones de
desempeño transitorio, es decir, el sistema opera con el sobrepaso y tiempo de asentamiento
especificado en los requerimientos.
60
Considerando el tiempo de asentamiento, el controlador de lógica fuzzy es el que presenta el
menor valor ante las pruebas realizadas, por lo que es la estrategia de control más rápida. Los tres
controladores generan sobrepasos menores a dos grados centígrados.
Considerando la información que se puede extraer de las curvas de perturbación ante un flujo
de aire de 39 CFM sobre la cara fría, se observa que los tres controladores tienen la capacidad de
responder ante variaciones de temperatura que actúan como una carga, esto se visualiza por el
hecho de que las señales de control de los tres controladores incrementan al aplicar la
perturbación la cual genera incrementos de temperatura.
Tabla 5.4
61
De la tabla 5.4, se puede decir que el nivel de condensación obtenido considerando un valor
inicial de masa o volumen de agua en la cámara de pruebas está comprendido entre un 35% y
46%, cantidades que parecen no ser significativas en relación al uso de los tres controladores,
aunque el controlador fuzzy es el más rápido.
La cantidad de agua obtenida mediante colecta por jeringa se muestra en la tabla 5.5
(reproducida de la tabla 5.3):
Tabla 5.5
Condiciones de prueba
El Volumen del colector es de 0.5ml
La Celda Recibe 12 Volts constantes
Temperatura de cara Fría=4°C
Prueba %HR Punto de rocío Agua colectada Tiempo de Rate (ml/seg)
prueba
Prueba1 de 68 7°C 0.1mL 15minutos 0.00011
condensación
con colecta
por jeringa.
Prueba 2 de 51 6°C 0.05mL 10 minutos 0.0000833
condensación
con colecta
por jeringa.
Prueba 3 de 76 4°C 0.1 mL 15 minutos 0.00011
condensación
con colecta
por jeringa.
62
Considerando la taza de condensación calculada, se estima que en un periodo de 24 horas, la
cantidad de agua obtenida con una sola celda de 9 es de aproximadamente 9.5ml ante
humedades relativas comprendidas entre 68% y 76%, en humedades superiores, la taza de
generación debe de incrementarse.
Las mejores condiciones de operación que se apegan en mayor grado a los parámetros de
desempeño se muestran en la tabla 5.6.
Tabla 5.6
63
Capítulo 6 : Conclusiones
Los niveles de condensación obtenidos, son muy bajos, debido a que el sistema de la celda
Peltier es un sistema de reducidas dimensiones, el cual tiene utilidad únicamente para pruebas.
Respecto a los controladores utilizados, cabe destacar que cualquiera de ellos tiene la
capacidad de regular la temperatura con variaciones en su desempeño, tales como tiempo de
asentamiento, sobrepaso, error en estado estable y compensación ante perturbaciones.
Considerando el análisis de resultados de los controladores, se puede decir que las mejores
opciones que se apegan más a las condiciones óptimas serían el control fuzzy o el control
neuronal debido al desempeño transitorio y en estado estable.
En cuanto a los productos del trabajo, se ha desarrollado la base para elegir el mejor tipo de
control (fuzzy, pid y neuronal), considerando complejidad, tiempo y economía.
64
Referencias
Rowe. D. M, Bhandari. C. M. 1983. Modern Thermoelectronics. 1a Ed. Prentice Hall.
Noriega A., Gomez A., Aguado A., Salas R. Self tuning Neural Controller and its Application to a
Nonlinear System. Research in Computer Science. Vol. 24. Páginas 198-210. 2006
Martín del Brío B. Sanz Molina A. 2007.Redes Neuronales y Sistemas Borrosos. 3a Ed. Alfaomega
Cheng-Ching Yu. 2006. Autotuning of PID Controllers. A Relay Feedback Approach. 2a Ed.
Springer.
65
Cengel. Y. A, Boles M. A. 2008. Termodinámica. 6a Ed. Mc Graw Hill.
Lecture Notes in Computer Science. Advances in Neural Networks.ISNN 2009. 6th International
Symposium on Neural Networks, ISNN 2009. Wuhan, China, May 26-29, 2009.
L. Tsoukalas and R. Uhrig. 1997. Fuzzy an Neural Aproaches in Engineering. John Wiley & Sons.
Eco Water Systems. Commercial Products. 2009. Recuperado el 10 de octubre del 2010, de
http://www.ecowater.com/
Atmospheric water generation. Ecoloblue Inc. 2012. Recuperado el 2 de marzo del 2012, de
http://www.ecoloblue.com/
Fujian Yuxin Electronic Equipment Co. Ltd. Atmospheric water system manufacturer. 2012.
Recuperado el 5 de marzo del 2012 de http://hendrx.manufacturer.globalsources.com
Surfield solar. Air water generators. 1992. Recuperado el 7 de diciembre del 2011 de http://www.sf-
solar.com/cpzs.asp?BigClassName=Air%20Water%20Generator
Generador de agua del aire. Bewater. Recuperado el 2 de febrero del 2012 de http://bewater.mx/
Thermoelectric cooling assembly. Instruction manual. TE. Technology Inc. 2009. Recuperado el 3
de febrero del 2012 de http://www.tetech.com
66
Enrique Martínez L., Leonel Lira C. Cálculo de la temperatura de punto de rocío a diferentes
valores de presión. Simposio de metrología 2008. CENAM.
67
Anexos
1) Circuitería del Sistema de la Celda Peltier
a) Diagrama del Generador de PWM.
pwm1 pwm1
U1(MCLR/Vpp/THV) C1 U1 LOAD=1.0M
9 21
OSC1/CLKIN RB0/INT
10 22
OSC2/CLKOUT RB1
27p 1 23 pwm2
MCLR/Vpp/THV RB2
24
RB3/PGM
2 25
RA0/AN0 RB4
3 26
RA1/AN1 RB5
4 27
RA2/AN2/VREF- RB6/PGC
5 28
RA3/AN3/VREF+ RB7/PGD
X1 6
RA4/T0CKI
CRYSTAL 7 11
RA5/AN4/SS RC0/T1OSO/T1CKI
FREQ=4MHz 12
RC1/T1OSI/CCP2
13 pwm2
RC2/CCP1
14
RC3/SCK/SCL
15
RC4/SDI/SDA
16
RC5/SDO
17
C2 RC6/TX/CK
18
RC7/RX/DT
PIC16F873
27p DBG_RANDOM_PMEM=0
Daq NIusb 6008 Control Cara Fría
b) Código de programación del Microcontrolador PIC16f873 para el
Generador de PWM .
#include <16F873a.h>
#device adc=8
#FUSES NOWDT
#FUSES XT
#FUSES PUT
#FUSES NOPROTECT
#FUSES NOWRT
#use delay(clock=4000000)
#byte portb=0x06
int celda,ventilador;
void main()
{
68
set_tris_b(0x00);
set_tris_c(0x00);
setup_adc_ports(AN0_AN1_AN3);
setup_adc(ADC_CLOCK_INTERNAL);
setup_spi(FALSE);
setup_timer_0(RTCC_INTERNAL|RTCC_DIV_2);
setup_timer_0(RTCC_INTERNAL|RTCC_DIV_1);
setup_timer_1(T1_DISABLED);
setup_timer_2(T2_DIV_BY_16,80,1);
setup_ccp1(CCP_PWM);
setup_ccp2(CCP_PWM);
set_adc_channel (0);
while(true)
{
set_adc_channel(0);
delay_ms(10);
celda=read_adc();
portb=celda;
set_pwm1_duty (celda);
set_adc_channel (1);
delay_ms(10);
ventilador=read_adc();
set_pwm2_duty (ventilador);
portb=251;
delay_ms(10);
portb=0;
delay_ms(10);
}
69
c) Interface de Potencia
70
d) Acondicionador de señal de sensores de Temperatura y Humedad
Relativa.
+5VCD
4 U1A
Entrada sensor de Temperatura 3
Salida sensor de Temperatura
Cara Fría C1 1
R1 Cara Fría
2
75Ω LM324AD
1µF 11
GND
4 U2A
Entrada sensor de Temperatura 3
Cara Caliente
1 Salida sensor de Temperatura
C2 R2 2 Cara Caliente
75Ω
11 LM324AD
1µF
4 U3A
Entrada sensor de Temperatura 3
75Ω
11 LM324AD
1µF
4 U4A
Entrada sensor de 3
1µF
e) Fuente de Alimentación
U1
LM7805CT Salida +5 VCD
Entrada 7.5 a 18 VCD LINE VREG
VOLTAGE
COMMON
C1 C2
2000µF 0.1µF
71
2) Código de Programación de Control Neuronal en LabView 8.2
72
El código completo asociado a la interface grafica es el siguiente:
73
…Continuación
74
3) Código de Programación de Control Fuzzy en LabView 8.2
75
4) Código de Programación de Control PID en LabView 8.2
76