2019 IEEE 2nd Colombian Conference on Applications in Computational Intelligence

(ColCACI) June 5-7, 2019. Universidad del Norte, Barranquilla, Colombia.

Modeling and Control of a Two Tank System Using

Artificial Neural Networks
Jhon J. Lara
Ingeniería Mecatrónica
Universidad Autónoma de Occidente
Cali, Colombia
jhon.lara@uao.edu.co
line 1: 2nd Given Name Surname Jesus A. López
Ingeniería Mecatrónica Departamento de Automática y Electrónica
Universidad Autónoma de Occidente Universidad Autónoma de Occidente
Cali, Colombia Cali, Colombia
sergio.cantillo@uao.edu.co jalopez@uao.edu.co

Abstract—En el presente trabajo se muestra el modelado,
identificación y control de un sistema de tanques en cascada. El
sistema fue construido a escala para de esta manera poder realizar
la parte experimental del proyecto sobre un sistema real.
Inicialmente se realizó una toma de datos con que se obtuvo un
modelo basado en redes neuronales para identificar el
comportamiento dinámico del sistema. Posteriormente,
empleando la misma toma de datos, fue entrenada una red
neuronal para controlar este sistema a través de un esquema de
control neuronal inverso. Ambas redes neuronales fueron
implementadas en la plataforma Arduino con que se pudo emular
y controlar el sistema de tanques real. Lo anterior permite mostrar
la versatilidad de dicha plataforma para este tipo de aplicaciones
logrando implementaciones de bajo costo
Keywords— ARX, Control Inverso Neuronal, Modelo Directo,
Planta de Nivel, Teorema de Aproximación Universal de Funciones.
I. INTRODUCCIÓN
Un controlador es todo dispositivo que permite realizar
cambios en el comportamiento original de un sistema dinámico,
teniendo en cuenta los requerimientos de diseño dados por el
proceso a realizar [1]. Estos controladores se pueden realizar
tanto de forma analógica por medio de circuitos compuestos de
amplificadores operacionales, como de manera digital a través
del diseño de algoritmos en software de programación,
implementables en sistemas de cómputo o microcontroladores
en contacto con los sistemas a controlar; En esta última rama, se
destacan los distintos tipos de controladores que utilizan redes
neuronales artificiales (RNA).
Estas técnicas de control inteligente no requieren
exclusivamente de un modelo matemático que represente el
sistema dinámico que se desea controlar; de hecho, es una
técnica mucho más versátil con respecto a la información que
puede recibir, dado que puede realizar su labor si se cuenta con
los datos correspondientes al comportamiento de la entrada y
salida del sistema, que por lo general es la información a la que
se tiene más fácil acceso del sistema. En el caso de realizar
identificación o control de sistemas, se pueden emplear redes
neuronales dinámicas que utilicen vectores de regresión [2],
[3]en sus entradas y el conjunto de datos requerido para el
entrenamiento.
Para el desarrollo del artículo se empleará un sistema no
lineal de control de nivel de líquido, el cual se halla compuesto
por 2 tanques en cascada, con una entrada (flujo de alimentación
q) y una salida (nivel en el tanque de dosificación #2 h) que, a
través de un prototipo físico, se puedan obtener datos que
permitan el entrenamiento de las RNA con el fin de modelar y
controlar el sistema con los vectores de regresión descritos con
anterioridad. Estos elementos serán simulados en primer lugar
por medio de un software como MATLAB y luego serán
implementados en un sistema micro controlado de la familia
ATMEGA a través de la plataforma de desarrollo de Arduino
que será interfaz con el prototipo.
El artículo se halla conformado del siguiente modo. En
primera instancia en la sección II se aborda el tema de
construcción y modelado físico del prototipo, así como las
medidas y consideraciones correspondientes; luego en la sección
III se describen brevemente temas generales de identificación y
control por redes neuronales como el teorema de aproximación
universal de funciones, modelo directo, modelo inverso, entre
otros, para una mejor comprensión; en la sección IV se aborda
la identificación del prototipo a través del modelo directo, con
la respectiva toma de datos, entrenamiento de la red y los
resultados de simulación en MATLAB y aplicación sobre el
prototipo mediante Arduino; posteriormente en la sección V, en
un primer momento se realiza el modelo inverso neuronal con
los datos obtenidos en la sección anterior, entrenando la red y
posteriormente validando como en la sección anterior tanto en
MATLAB como a través del Arduino como interfaz de
adquisición y el prototipo su funcionamiento, en un segundo
momento se realiza el control por modo interno, donde se
emplean los modelos neuronales directo e inverso desarrollados
en las secciones anteriores, comprobando la característica de
rechazo a perturbaciones de este modelo frente al modelo
inverso; Finalmente en la sección VI, se expresan las
conclusiones y aspectos clave con respecto al desarrollo del
artículo en sus diferentes secciones.
II. CONSTRUCCIÓN Y MODELADO DEL PROTOTIPO FÍSICO
Para la aplicación de técnicas de control inteligente a este
sistema, fue requerida la construcción del prototipo físico
respectivo, el cual constó de 2 recipientes que cumplían la
función de tanques dispuestos en forma de cascada, donde la
unión entre ambos tanques y la salida del segundo tanque son
controladas por restricciones; como se representa en el diseño
final del prototipo en la figura 1.
Figura 1. Diseño a escala de la planta de nivel
Sin embargo, para este caso puntual, el prototipo no cuenta
con la restricción en el segundo tanque que realice el control del
nivel de forma automática, dado que esta restricción funciona
manualmente por medio de una llave de paso, modificando el
planteamiento de este sistema dinámico; esta situación conlleva
a realizar el control de una sola variable (nivel del tanque 2). Las
características físicas del prototipo realizado se encuentran
especificadas en la figura 2.
Figura 2. Características físicas del diseño a escala de la planta de nivel.
En este prototipo adicionalmente, se empleó una válvula
compuesta por un servo-actuador que junto a un sistema
mecánico se encargaría de abrir y cerrar el paso del líquido, para
así controlar el flujo de líquido de un tanque al otro, dependiendo
del grado de apertura al que se encuentre sometido (8 - 168°),
esta información angular se utilizó como la variable de entrada
para el entrenamiento de las redes neuronales a emplear.
Igualmente, para medir la variable de interés que para este
caso fue el nivel del tanque 2, ubicado en la parte inferior del
prototipo; para ello se empleó un sensor ultrasónico ubicado en
la parte superior de dicho tanque, de modo que constantemente
recopile datos de la distancia del agua respecto a su posición,
esta información se utilizó como la salida del modelo para el
entrenamiento de las redes mencionadas anteriormente.
III. TÉCNICAS DE CONTROL INTELIGENTE PARA
IDENTIFICACIÓN Y CONTROL DE SISTEMAS
A. Identificación de sistemas empleando redes neuronales
artificiales
El objetivo de esta técnica es identificar la dinámica del
comportamiento del sistema, sin importar la información
necesaria del mismo empleando RNA; para este propósito se
emplea el teorema universal de funciones, el cual permite hallar
los parámetros como los pesos sinápticos de las neuronas
empleadas, de modo que se aproxime al valor de la función, que
en este caso sería la salida del sistema, dicha función está
definida por (1).
M  n 
F ( x1 ....xn ) =  α i ⋅ ϕ   ωij ⋅ x j − θ i  (1)
i =1  j =1 
Donde:
M: Número de neuronas en la capa oculta
n: Número de entradas a la red neuronal
xj : Vector de entrada a la red neuronal
ωij : Peso entre la capa oculta y las neuronas de entrada
θi : Pesos de tendencia o umbrales de la neurona de la capa oculta
αi Pesos entre la capa oculta y la capa de salida
ϕ: Función de activación de las neuronas de la capa oculta,
generalmente de tipo sigmoidal (logsig, tansig)
Del mismo modo, la función del error se encuentra
definida por (2):
F ( x1 ....xn ) − f ( x1 ....xn ) < ε (2)
Esta ecuación indica que es posible encontrar los parámetros
(pesos, numero de neuronas) adecuados que definan una red
neuronal de tal manera que la salida generada por la red neuronal
(F) se aproxime al valor de una función (f), en un valor de
tolerancia o error definido por el parámetro ε.
Una red neuronal para este tipo de aplicaciones, al recibir los
valores pasados de la salida y entrada del sistema a identificar,
realiza una estimación de la salida actual de dicho sistema; del
mismo modo al ser el valor de la salida del sistema conocido, es
posible calcular el error entre la salida real y la estimada por la
red como se describe en (2).
Este error puede ser considerado como la guía para que el
algoritmo que la red emplea para aprender la dinámica del
sistema pueda modificar los pesos sinápticos para minimizar
dicho error y de esta manera, la salida estimada sea lo más
parecida a la salida real; un modelo general de identificación por
redes neuronales se asemeja a la mostrada en la figura 3[4].
Figura 3. Características físicas del diseño a escala de la planta de nivel.
 Para realizar este proceso de identificación con RNA, se va
a emplear un modelo ARX, que posee una relación entrada y
salida como la que se presenta en la figura 4, conformada por
valores pasados tanto de la entrada como de la salida del sistema,
donde la red se encarga de estimar el valor actual de la respuesta
del modelo [4, 5, 6].
Figura 4. Estructura básica del modelo neuronal ARX.
B. Control de sistemas empleando redes neuronales
artificiales
Cuando las RNA fueron empleadas como controladores
tanto de sistemas lineales como no lineales, inicialmente se
entrenaban con el fin de anular el comportamiento dinámico del
sistema, actuando como el inverso del sistema [2], con el fin de
que la entrada y la salida del sistema fueran idénticos; la
estructura de control por modo inverso es presentada en la figura
5.
Como se puede apreciar, este tipo de control de lazo cerrado
se puede implementar con relativa facilidad; sin embargo,
también presenta inconvenientes debido a alta sensibilidad al
ruido y altos esfuerzos de control; no obstante, para mejorar este
último ítem se pueden emplear otros elementos como filtros
paso bajos, entre otras técnicas.
Figura 5. Estructura básica del control neuronal inverso.
El Objetivo de entrenamiento para este tipo de redes es
minimizar el error entre la salida de la RNA que en este caso es
la estimación de la acción de control y la acción de control
medida [5] como se puede apreciar en la en la figura 6.
Figura 6. Entrenamiento control neuronal inverso.
Para este tipo de control, existe una modificación que mejora
su comportamiento respecto a los problemas mencionados
inicialmente, es conocida como control por modo interno, el cual
involucra en su estructura, el modelo directo de identificación
de la planta como parte de la referencia necesaria para el control,
esto se debe a que la entrada a este controlador es la comparación
entre la salida del sistema y el estimado por el modelo directo
quien al mismo tiempo tiene como entrada la salida de este
controlador, como se describe en la figura 7 [7].
Figura 7. Diagrama de Modelo Interno..
IV. IDENTIFICACIÓN DEL SISTEMA CON REDES NEURONALES
ARTIFICIALES
Para realizar el modelo de identificación al sistema de tanque
doble empleando el modelo ARX, se tomaron los valores
correspondientes al comportamiento dinámico de la planta a
través del prototipo físico construido y empleando el sistema
embebido Arduino para la captura de datos de entrada (ángulos
de apertura del servo actuador entre 8° y 168°) y salida (nivel
del tanque #2 entre 0 y 10 cm, medidos por un sensor
ultrasónico), que son representados en la figura 8, para realizar
el entrenamiento de la red, de modo tal que lograra imitar
fielmente al sistema en un rango definido.
Figura 8. Datos de ángulos del servo (azul) y nivel del tanque (naranja) del
sistema.
Con la información obtenida anteriormente, se procedió a
entrenar la red, para ello se determinó que un regresor de
segundo orden con una configuración [2,2,1], es decir 2 retrasos
en el tiempo de la entrada del sistema iniciando desde el instante
t − 1 , y 2 retrasos en el tiempo de la salida del sistema es
suficiente para emular el comportamiento dinámico del sistema,
como se muestra en la figura 9.

Figura 9. Esquema Modelo directo de la planta.
A partir de este modelado, se realizó el entrenamiento de la
red que realiza el modelo directo de la planta, utilizando el 70 %
del conjunto de datos disponible, teniendo en cuenta que se
utilizó una capa oculta con 50 neuronas, se realizaron 1000
iteraciones para el entrenamiento y se emplearon funciones de
activación tangente sigmoidal en la capa oculta y función de
activación lineal en la capa de salida.
Luego del entrenamiento, se realizaron pruebas para
verificar el adecuado entrenamiento de la red con los datos
obtenidos en la etapa de recolección; empleando el 30% de datos
del conjunto que no fueron incluidos en el entrenamiento; el
resultado de esta validación se presenta en la figura 10.
Figura 10. Respuesta temporal del modelo directo y la respuesta real de la
planta (altura (cm) vs tiempo (s)).
V. CONTROL NEURONAL
A. Control Neuronal Inverso.
Para realizar el control neuronal por medio de MATLAB y
posteriormente a través del prototipo físico, fue necesario
entrenar otra red neuronal de modo tal que por medio de la
estructura que se muestra en el evidenciando una ventaja
matemática y de proceso ante los sistemas controlados por
estructura como el PID, especialmente en sistemas con
elementos de no linealidad [9, 10, 11].
Para realizar este proceso, fueron requeridas 500 iteraciones
y 50 neuronas en su capa oculta; hay que tener en cuenta que
para la interfaz de MATLAB se utilizó el modelo directo, dado
a su buen comportamiento respecto a los datos originales y a que
no se emplearon funciones de transferencia, y para suavizar el
comportamiento del sistema al igual que eliminar componentes
de ruido, se implementó un filtro de segundo orden.
Figura 11. Modelo inverso creado en MATLAB con red neuronal.
Para tener una simulación más realista, se incluye un
saturador, que se encarga de limitar la ley de control dado que
para este modelo de control son de valores elevados, y se hace
necesario usar este elemento como un emulador del actuador que
el prototipo físico de la planta posee. Para este caso, el saturado
tiene un límite inferior de -20 y uno superior de 0, con estos
datos, al realizar la simulación se obtuvo el gráfico de respuesta
del sistema con el controlador en la figura 12.
Figura 12. Respuesta en el tiempo del modelo de la planta junto al control
inverso neuronal (Altura del tanque (cm) vs tiempo (s)).
Para corroborar los resultados obtenidos en las simulaciones
en MATLAB, se implementó esta red neuronal, así como la
generación aleatoria de valores en el sistema de prototipado
electrónico Arduino MEGA (microcontrolador ATMEGA
2560). En Arduino fue implementada la red neuronal del
controlador previamente entrenada en MATLAB; para la
interacción entre el prototipo y el equipo de cómputo, se utilizó
una comunicación por puerto serial a 115200 baudios para la
recepción y el envío de información de las variables de entrada
y salida que provienen del prototipo, como lo muestra el
esquema de control en la figura 13.
 Figura 13. Diagrama de implementación en microcontrolador ATMEGA 2560 apoyado en MATLAB.
La interacción entre Arduino y el equipo de cómputo,
permitió el control del prototipo físico de los tanques[12]; donde
se obtuvo la respuesta presentada en la figura 14, evidenciando
que el modelo entrenado y simulado en MATLAB, puede
controlar el prototipo adecuadamente.
Figura 14. Respuesta en el tiempo del modelo de la planta junto al control
inverso neuronal implementado en Arduino (Altura del tanque (cm) vs
tiempo (s)).
B. Control por Modo Interno.
Para mitigar la debilidad del control inverso respecto las
perturbaciones en el sistema, situación que se puede evidenciar
en la figura 15, donde se aprecia que el sistema adquiere error
de estado estacionario al ser perturbado (en este caso un
escalón).
Figura 15. Respuesta en el tiempo del modelo de la planta junto al control por
modo interno implementado en Arduino (Altura del tanque (cm) vs
tiempo (s)).
Por tal motivo es pertinente la implementación de un control
por modo interno, dado que una de sus mejores características
es el rechazo a las perturbaciones a las que el sistema puede estar
expuesto. Se debe tener en cuenta que el control por modo
interno reviste mayor complejidad que el control inverso
neuronal, dado que el modelo interno debe contar con dos redes
neuronales en donde, una de ellas es el control inverso neuronal
realizado en la subsección anterior y el otro es modelo directo
del comportamiento de la planta. Bajo esas consignas el modelo
obtenido en MATLAB es el mostrado en la figura 16.
Figura 16. Modelo interno en MATLAB
Al realizar la simulación con el modelo presentado en la
figura anterior, donde se representaron un par de perturbaciones
para comprobar el comportamiento del sistema controlada ante
las mismas, como se evidencia en la figura 17.
Figura 17. Respuesta en el tiempo del modelo de la planta junto al control por
modo interno (Altura del tanque (cm) vs tiempo (s)).
 Al igual que en el caso de control inverso, se realizó la
implementación de este controlador a través de Arduino como
sistema embebido de captura de datos y control del sistema; con
un esquema de interfaz y control, similar al presentado en la
figura 13, se realizó el control de la planta por modo interno en
el prototipo a través de la electroválvula, donde se obtuvo la
respuesta temporal obtenida en la figura 18; en esa figura
también se puede evidenciar que el prototipo puede ser
controlado aún bajo escenario de perturbaciones.
Figura 18. Respuesta en el tiempo del modelo de la planta junto al control por
modo interno implementado en Arduino (Altura del tanque (cm) vs
tiempo (s)).
CONCLUSIONES
• En el prototipo de la planta, se puede apreciar que en
los recipientes existen áreas que no son constantes
cercanas a los puntos de salida, generando no
linealidades en el modelado dinámico del sistema. Es
importante mencionar que, a pesar de esta situación, los
esquemas de control neuronal implementados,
funcionaron adecuadamente.
• En la implementación realizada en Arduino, se
obtuvieron pequeños retrasos de la señal de salida. Esto
se produjo por el tiempo del proceso que requiere la
conversión que sufre la señal en el puerto serial en
ambas direcciones.
• Se recomienda probar los modelos directo e inverso del
sistema de forma individual, esto con el objetivo de
garantizar que ambos modelos funcionan
correctamente, y de este modo eviten el traslado de
errores al modelo interno, lo que podría provocar
errores en estado estacionario o la desestabilización
completa del sistema.
• La incursión de tarjetas de prototipado electrónico
como Arduino permiten realizar la implementación de
diferentes esquemas de control inteligente a un bajo
costo.
REFERENCIAS
[1] K. Ogata, Ingeniería de Control Moderna, 5th ed. Madrid: Pearson, 2016,
p. 23.
[2] M. Norgaard, O. Ravn, N.K. Poulsen, L.K. Hansen. Networks for
Modelling and Control of Dynamic Systems, Springer, Technical
University of Denmark. 2003.
[3] J. Guarnizo, C. Trujillo and J. López, Diseño Y Simulación de
Identificador Neuronal Y Controlador Inverso Generalizado Para Un
Reductor de Tensión, 1st ed. Bogotá, 2007, pp. 2-5.
[4] E. F. Caicedo, J A. López and M. A. Muñoz, “Control Inteligente”
Universidad del Valle, Cali, Colombia. 2009.
[5] J. Garrido Meléndez, P. Reyna Guerra, M. Vázquez Briones and A.
García Sosa, Control de Nivel a través de Redes Neuronales, 1st ed.
Universidad Tecnológica del Sureste de Veracruz. Nanchital, Veracruz,
México 2009, pp. 2-4.
[6] S A. Billings, Nonlinear System Identification NARMAX Methods in the
Time, Frequency and Spatio - Temporal Domains. 1st ed. Wiley, Sussex
2013, pp. 18-20.
[7] S A. Cantillo, L F. Chacón, J C. Arenas, J A. López, "Modelling and
Control using Neural Networks of Quanser Flexible Joint Module".
Universidad Autónoma de Occidente, Cali, Colombia. 2017
[8] S. Sung, J. Lee and I. Lee, Process identification and PID control.
Singapore: Wiley, 2009.
[9] P. Moby and K. Bipin, "Identification of Empirical Model and Tuning of
PID Controller for a Level Control System", Engineering Vibration,
Communication and Information Processing, 2019. vol. 478, pp. 385-
397.
[10] Y. Chang and H. Wang, "Control system design for ionic polymer metal
composite using a single neuron based adaptive PID approach," 2015
International Conference on Advanced Mechatronic Systems
(ICAMechS), Beijing, 2015, pp. 349-352.
[11] G. Manohar, V. Elakkiya, P. Stanley and R. Sudha, "Neural network-
based level control in two tank conical interacting system," 2013 7th
International Conference on Intelligent Systems and Control (ISCO),
Coimbatore, 2013, pp. 194-196.
[12] S. Parra, Control ANFIS a Planta de Nivel dos tanques. Universidad
Autónoma de Occidente Cali, Colombia. Disponible en:
https://www.youtube.com/watch?v=Rp2ccZYBi3w, 2018.