Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Key words: Physical plant, Data acquisition, Neurocontroller, La adquisición de los datos y diseño del controlador se lle-
Design and implementation. vará a cabo mediante las herramientas del lenguaje grafico de
LabVIEW que nos permite implementar el sistema de control,
manejando las entradas/salidas análogas en forma conveniente
I. Introducción tal como se muestra en la Figura 2.
Los sistemas de control análogo han sido usados en ambientes
industriales por años. En un determinado proceso se puede
usar muchos controladores, que en conjunto conforma planta
entera. Estos controladores son independientes y suelen ser
operados y monitoreados por operadores humanos. Hoy en
dı́a las técnicas emergentes basadas en redes neuronales, están
siendo desarrolladas y aplicadas en ambientes industriales,
debido a que presentan poderosos algoritmos de optimización
programados desde software de uso industrial como lo es la Figura 2: Sistema de adquisición de datos.
programación grafica de LabVIEW.
El problema en estudio es el control del voltaje de un proce- El procedimiento experimental de la Figura 2, nos conduce a
so (planta fı́sica) que previamente ha sido identificado por la obtener la DATA del sistema, la misma que será analizara para
técnica de ajuste de la curva por interpolación lineal [2]. El al- los fines de la identificación del proceso. Por identificación se
goritmo de control debe ser ejecutado en una computadora que entiende la formulación de un modelo que permita representar
interactúa con la tarjeta de adquisición de datos NIDAQ USB- al sistema con todas sus propiedades y caracterı́sticas relevan-
6008 que se comunica por el puerto USB. El diseño del sistema tes. Un modelo matemático es un conjunto de ecuaciones que
de control neuronal que llamaremos Neurocontrolador, ha sido envuelven las variables del sistema proporcionando una repre-
desarrollado mediante el algoritmo Backpropagation, el mismo sentación óptima al sistema. En general, si realizamos un ex-
que se encargara de realizar el ajuste de los pesos óptimos para perimento en que aplicamos ciertos valores a las entradas del
1
sistema, obtendremos ciertas respuestas en sus salidas; de ese
modo, dando los mismos valores que en el experimento a las
variables independientes de nuestro modelo, podemos esperar
que después de resolver el conjunto de ecuaciones, la respuesta
del modelo debe tener respuestas similares a aquellas salidas
del sistema fı́sico. La DATA experimental nos da la siguiente
curva que se muestra en la Figura 3.
2
armónica fundamental de la salida respecto a la entrada, cuan- ( )
N p2 a2
do se aplica una entrada senoidal.
Y1 = ∑ aqk pk 1 − k
6
(9)
k=1
Y1
N= ∠θ1 (3)La amplitud de la senoide de entrada es X = a y el desfase
X
Donde, N= Función descriptiva, X = amplitud de la senoide siempre que se cumpla (pk e) < π /4, ya que esta condición
2 2
de entrada Y1 = amplitud de la primera armónica de la salida, y hace a la función impar, entonces consideramos θ1 = 0. Final-
θ1 = desplazamiento de fase de la primera armónica de salida. mente, reemplazando las ecuaciones (9), (3) y obteniendo ası́ la
Consideremos en el control una red neuronal multicapa, que función descriptiva para el Neurocontrolador dado por:
se puede aproximar a un elemento no lineal. La ley de control N { }
(p2k a2 )
está dada por: N = Φ(a) = ∑ pk qk 1 − (10)
k=1 6
N
u= ∑ qk tanh(pk e) (4) Donde (pk a)2 < π 2 /4 es el máximo valor para el argumento de
k=1 cada función de activación de la red multicapa.
Donde pk son los pesos de la capa oculta y qk son los pesos
de la capa de salida mientras que el horizonte N representa el Predicción de Ciclos Limites
número de neuronas ocultas. El sistema de control de la Figu-
Para hallar los ciclos lı́mites del Neurocontrolador tenemos que
ra 6, muestra a una red neuronal de estructura (1, 3, 1) reem-
resolver la ecuación:
plazando al controlador no lineal.
−1
G( jω ) = (11)
Φ(a)
Reemplazando (10) en (11) obtenemos:
−1
G( jω ) = { } (12)
(p2 a2 )
∑ pk qk 1− k
6
la función tanh(x), tenemos: Entonces, para que haya ciclo lı́mite se tiene que cumplir la
siguiente condición:
x3 2x5 17x7
tanh(x) = x − + − +··· (5)
3 15 315 N
1
Si |x| < π /2, es una función impar. Si tomamos sólo dos térmi- ∑
pk qk >
|G( jω )|
(14)
k=1
nos de la serie, es decir para x = pk e, podemos reemplazar en
la ecuación (5): La amplitud a del ciclo lı́mite se puede predecir con este méto-
do cuando:
(pk e) 3
( )
tanh(pk e) = pk e − (6) 6 ∑ pk qk − |G(1jω )|
3 π2
0< < (15)
Esta aproximación es válida para |pk e| < π /2. Luego la ∑ pk qk
3 4pm
ecuación (4) puede expresarse como:
Donde pm = máx{p2k }.
N ( )
(pk e)3
u = ∑ qk pk e − (7) Para aproximar a un controlador no lineal reemplazaremos la
3
k=1 variable s por jω en la función de transferencia (1) de nuestra
Para obtener la función descriptiva de la red neuronal, el error planta. Analizando el criterio de Nyquist a nuestra planta de
e se reemplaza por a sin(ω t) en la ecuación (7). Luego obten- segundo orden, surge un único punto común entre los dos
emos: contornos que ocurre cuando ω = ∞, esta es una situación de
frontera que requiere un estudio adicional. Si consideramos
( ) un desfase adicional que solo se puede observa a muy altas
N p2k a2 p2k a2 cos(2ω t) frecuencias, surge el efecto de reproducir una intersección que
u = ∑ qk pk 1 − + a sin(ω t) (8)
k=1 6 2 este ligeramente a la izquierda del origen. Por lo tanto el origen
de la reproducción del ciclo limite será un tanto defectuosa, de
Donde la amplitud de la primera armónica es: modo que se obtiene un ciclo limite de amplitud muy pequeña
3
y frecuencia muy alta. función descriptiva para ver su rendimiento tal como se muestra
en la Figura 7.
Aproximaremos la planta prototipo de segundo orden a una de
Analisis de los Ciclos Límites con el Diagrama de Nyquist
tercer orden, mediante la inclusión de un polo, el mismo que no 1
G
−1/N
debe alterar la respuesta dinámica de nuestro sistema. Escoger- 0.8
emos un polo que aporte una respuesta rápida, es decir un polo 0.6
ganancia de la planta dada en (1) por el valor del polo añadido −0.2
G(s) = (16)
s2 + 9.945 × 106 s + 1.025 × 109
−4 −3.5 −3 −2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5
Hallaremos nuestra frecuencia critica de la entrada senoidal Figura 7: No existe ciclo lı́mite para una función saturación de
para el entrenamiento de nuestra red, para ello usaremos las amplitud 0.5.
siguientes lı́neas de código Matlab:
[n,d]=tfdata(G,’v’);
n=poly2sym(n,’s’); Implementando el Neurocontrolador
d=poly2sym(d,’s’);
G=n/d; Luego del análisis de predicción de los ciclos limites, procede-
syms s w mos a entrenar la red neuronal multicapa mediante el algorit-
G=subs(G,’s’,i*w); mo Backpropagation que ha sido desarrollado mediante pro-
G=collect(G,w); gramación grafica de LabVIEW (ver Figura 8).
G=expand(G);
G=vpa(G,4);
Gi=(1.126*10^9*w^3 - 1.12*10^16*w);
Gi=vpa(Gi,4);
w=solve(Gi)
4
Figura 9: Neurocontrolador con acción integral.
En el diseño de la acción integral, calculáremos la ganancia Ki Figura 10: Salida del Neurocontrolador con acción integral de-
de la acción integral desde la ecuación caracterı́stica del sistema bido a entradas arbitrarias.
dado por:
5
tiempo real. nulo. La ley de control se comporta como un sobre impulso en
el primer segundo, justo cuando en sistema cambia su ampli-
tud, esto es natural debido a que la ley de control obedece a
posibles cambios que van ocurriendo en la evolución del com-
portamiento del sistema. Finalmente tenemos la respuesta de la
señal de error que se muestra en al Figura 14. Esta señal mide
la buena performance del Neurocontrolador y no hace más que
comprobar la eficiencia de la señal de control.
Figura 12: Diagrama de bloques para la simulación en tiempo
real.
Figura 13: Salida controlada para una señal cuadrada de entra- [5] Simon Haykin, “Neural Networks”. Prentice Hall, Sec-
da. ond Edition, 2001.
[6] Funahashi, K, “On the approximate realization of contin-
El sistema de control es capaz de que la variable siga la evolu- uous mappings by neural networks”. Neural Networks, 2,
ción de la referencia constante con mı́nimo sobre impulso, 183-192, 1989
mı́nimo tiempo de estabilización y error en estado estacionario