Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INDICE
1. Introducción
3. Conclusiones
1. INTRODUCCION
Las redes neuronales han tenido en los últimos años una gran variedad de
aplicaciones en el ámbito del control, debido a su versatilidad. Una de las aplicaciones
más comúnmente utilizadas es la de simulación de una variable de proceso mediante la
identificación y el modelaje del mismo. Esta aplicación permite entre otras cosas sacar
la instrumentación fuera de servicio para mantenimiento preventivo y correctivo, pero
sin sacar el lazo del modo automático, ya que el mismo puede ser alimentado con la
salida estimada del modelo neuronal y así permitir que los lazos aumenten su
disponibilidad en control automático. La función de transferencia del sistema que será
utilizada durante la realización de este trabajo es la siguiente:
e 2 S
2
s s 0.3
u
entrada a planta
1
PID y
Entrada s2+s+0.3
Suma salida real
Controlador PID Función de Retardo
del sistema
Tranferencia
y1
salida estimada
Red Neuronal del sistema
El modelo propuesto para estimar la salida del proceso es el siguiente:
La red neuronal propuesta para este trabajo tendrá una capa oculta de 7
neuronas. Todas las capas tendrán función de activación sigmoidal. (SE
PUEDE EMPLEAR UNA ARQUITECTURA DIRENTE)
u1
Pulse 0.01
Generator setpoint
Constante
input
0.005795
Step
Constante1
LAS CONST ANT E SON 1 1
USADAS PARA ADAPT AR input_1 output_1
Ramp1 LOS VALORES DE ENTRADA z z
entrada salida con un retardo
AL MODELO ENTRE 0 Y 1 Unit Delay Unit Delay1
con un retardo
Step1 1 1
input_2 output_2
z z
Unit Delay2 entrada con dos Unit Delay5 salida con dos
retardos retardos
1 1
input_3 output_3
z z
Unit Delay3 entrada con tres Unit Delay6 salida con tres
retardos retardos
1 1
input_4 output_4
z z
Unit Delay4 entrada con cuatro Unit Delay7 salida con cuatro
retardos retardos
La variable output_1 será la salida estimada del sistema, mientras que las
variables input_1, input_2, input_3, input_4, outpupt_2, output_3, y
output_4 serán las entradas del modelo neuronal.
100
80
60
40
20
-20
0 50 100 150 200 250 300 350 400 450 500
u1(setpoint) vs tiempo
Los datos obtenidos tanto a la entrada del proceso como a la salida del
mismo se muestran en la siguiente gráfica:
1.2
0.8
0.6
0.4
0.2
-0.2
0 50 100 150 200 250 300 350 400 450 500
u3
setpoint1
PID
1
Y
input vs tiempo
Step s2+s+0.3 output vs tiempo
Suma2 Controlador PID1 Función de Retardo salida real del sistema
Tranferencia1
1
0.01 Para realizar z el entrenamiento y la simulación utilizar las funciones
Constante Producto
provistas Unit
porDelay
Matlab
1
z
Unit Delay1
40
35
30
25
20
15
10
0
0 50 100 150 200 250 300
U3 (setpoint) vs tiempo
Y(salida) vs tiempo
u4
setpoint1
Sine Wave 1
PID Y2
s2+s+0.3
Suma2 Controlador PID1 Función de salida real del sistema
Retardo
Suma1 Tranferencia1
Ramp
1
0.01
z
Step Constante Producto Unit Delay
1
z
Ramp1 Unit Delay1
1
172.5626 z
Step1 Unit Delay2
Constante1
Producto1 1
Mux Y1
z
salida estimada del sistema
Ramp2 Unit Delay3
1era Capa 2da Capa
1 1 de neuronas de neuronas
z z función sigmoidal función sigmoidal
Unit Delay8 Unit Delay9
Sine Wave1
1
z
Unit Delay10
1
z
Unit Delay11
Mux
100
90
80
70
60
50
40
30
20
10
0
0 50 100 150 200 250 300
u4 (setpoint) vs tiempo
90
80
70
60
50
40
30
20
10
0
0 50 100 150 200 250 300
u4 (setpoint) vs tiempo
Y2(salida) vs tiempo