TRABAJO IDENTIFICACION CON REDES NEURONALES

INDICE

1. Introducción

2. Aplicación de las redes neuronales para obtener la salida estimada de un proceso

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

Esta función de transferencia pertenece a un tanque reactor agitador continuo

adiabático con tiempo muerto. El trabajo será realizado usando los toolboxes Simulink y
Nnet de Matlab 5.1.

2. APLICACION DE LAS REDES NEURONALES PARA OBTENER LA SALIDA

ESTIMADA DE UN PROCESO

La aplicación propuesta trata de estimar mediante una red neuronal la

salida real de un proceso y tenerla como un respaldo en caso de que sea
necesario utilizarla. Como ya se comentó esta salida puede ser utilizada en
caso de mantenimiento preventivo y/o correctivo de la instrumentación
manteniendo en 100% la operación en automático del lazo de control. Este
porcentaje de operación en automático es usado normalmente como
indicador del performance de un lazo de control y se estima que debe estar
por el orden del 95%. El esquema propuesto para ser utilizado en caso de
no estar disponible la instrumentación se muestra en la figura siguiente:

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:

y (k )  F [ y ( k  1), y ( k  2), y ( k  3), u (k ), u (k  1), u (k  2), u ( k  3)]

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)

Para obtener los datos de entrada y salida necesarios para entrenar y

validar la red se propone el siguiente experimento, tratando de simular una
entrada lo más real posible.

u1
Pulse 0.01
Generator setpoint
Constante
input

Producto entrada del sistema

out1
Sine Wave
salida del sistema1
1
PID
Suma1 s2+s+0.3 output
Suma Controlador PID Función de T ransport
Ramp Producto1 salida del sistema
Tranferencia Delay

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.

La gráfica de la señal de entrada trata de simular cambios abruptos del

punto de ajuste con cambios tipo rampa y además con cierto nivel de ruido
en la señal.
 120

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

Para observar el comportamiento

1
de la red ante una señal escalón montar el
172.5626 z
Constante1
esquema siguiente usando
Unit Delay2 la herramienta Simulink,
Producto1 1
Mux Y1
z
salida estimada del sistema
Unit Delay3
1era Capa 2da Capa
1 1 de neuronas de neuronas
z z función sigmoidal función sigmoidal
Unit Delay8 Unit Delay9
1
z
Unit Delay10
1
z
Unit Delay11
Mux
 En un experimento se obtuvieron las siguientes gráficas de la señal de
entrada u3 y salida real Y

40

35

30

25

20

15

10

0
0 50 100 150 200 250 300

U3 (setpoint) vs tiempo
Y(salida) vs tiempo

En la gráfica se observa un error entre la variable de salida Y y el

setpoint u3 de menos de 2%, aunque el control no está trabajando con Y si
no con la salida del modelo neuronal, con lo que podemos trabajar seguros
 de que el control va a trabajar correctamente, aunque no tengamos disponible
la variable Y.

Para simular un comportamiento más aleatorio para la señal de ajuste (sp), se

simuló con el siguiente modelo.

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

Donde la señal de entrada u4 se muestra en el siguiente gráfico:

100

90

80

70

60

50

40

30

20

10

0
0 50 100 150 200 250 300

u4 (setpoint) vs tiempo

Donde se obtuvo la siguiente gráfica para la señal de salida real, igualmente

se incluye la señal del setpoint para realizar la comparación:
 100

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

Realizar informe escrito en digital de la práctica. (incluir conclusiones)