Documentos de Académico
Documentos de Profesional
Documentos de Cultura
a UniversidadAutónoma del Estado de Hidalgo, CITIS-ICBI, Carretera Pachuca-Tulancingo, Km. 4.5, Mineral de la Reforma, Hidalgo, México.
b Universidad
Politécnica de Pachuca, Carretera Pachuca-Cd. Sahagún, Km. 20, Rancho Luna, Ex-Hacienda de Sta. Bárbara, Zempoala, Hidalgo, México.
c Universidad la Salle Pachuca, Campus La Concepción, Av. San Juan Bautista de La Salle No. 1. San Juan Tilcuautla, San Agustı́n Tlaxiaca, Hidalgo, México.
Resumen
En el presente artı́culo se muestra un esquema de identificación y control que sintoniza en lı́nea las ganancias proporcional,
integral y derivativa de un controlador PID discreto aplicado a un sistema dinámico SISO. Esto se logra empleando una red neuronal
de base radial con funciones de activación wavelet hijas Morlet (wavenet) adicionalmente en cascada un filtro de respuesta infinita
al impulso (IIR). Dicho esquema es aplicado en tiempo real para controlar la velocidad de un motor de inducción de CA trifásico
del tipo jaula de ardilla (MIJA) alimentado con un variador de frecuencia trifásico, de esta forma se muestra cómo este esquema de
identificación y control en lı́nea, puede ser implementado en este tipo de plantas que son ampliamente utilizadas en la industria, sin
la necesidad de obtener los parámetros del modelo matemático del conjunto variador de frecuencia-motor de inducción trifásico.
Se presentan los resultados obtenidos en simulación numérica y experimentales, empleando para esto la plataforma de LabVIEW.
Copyright c 2013 CEA. Publicado por Elsevier España, S.L. Todos los derechos reservados.
Palabras Clave: Control de motores, Controlador PID, Redes neuronales wavelets, Algoritmos auto-ajustables.
© 2013 CEA. Publicado por Elsevier España, S.L. Todos los derechos reservados
http://dx.doi.org/10.1016/j.riai.2013.05.002
270 L.E. Ramos Velasco et al. / Revista Iberoamericana de Automática e Informática industrial 10 (2013) 269–278
del motor de CA. Dichos motores son mejor conocidos como y(k) y la señal de referencia yre f (k), mientras que e(k) es el error
los caballos de batalla de la industria (Bocker and Mathapati, de identificación definiéndose como la diferencia entre la señal
2007), son muy utilizados debido a sus ventajas como la fiabili- de salida y(k) y la señal de salida de la red wavenet ŷ(k), u(k)
dad, eficiencia y bajo costo en comparación a otros motores uti- es la señal de control y Γ̂(k) es la función que se emplea para
lizados en aplicaciones similares. Existen algunas técnicas para adaptar las ganancias p(k), i(k) y d(k) del controlador PID. A
regular la velocidad de estás maquinas eléctricas como el con- continuación se describen cada una de estas etapas.
trol de campo-orientado o también llamado control-vectorial,
el control sin sensores y algunos basados en redes neuronales,
entre otros (Bocker and Mathapati, 2007; Holtz, 2002; Mera-
bet A. and Bui, 2006). En las estrategias de control clásicas
para el diseño de controladores de velocidad para motores de
CA, se requiere del modelo matemático con los parámetros ob-
tenidos de forma experimental, lo que implica realizar pruebas
de: rotor bloqueado, sin carga y de corriente directa (Chapman,
2012). Estas pruebas requieren de equipo de medición y la ma-
nipulación fı́sica del motor, tareas no evidentes de realizar por
los ingenieros de mantenimiento y automatización en lı́neas de
producción industrial. Ası́ que, en el presente trabajo se propo-
ne un algoritmo que evita realizar las pruebas de identificación
Figura 1: Esquema a bloques del controlador PID auto-sintonizado mediante
paramétrica que implican tiempo de desarrollo y evidentemen-
una red neuronal wavenet para un sistema dinámico SISO.
te incremento de costos, para esto se propone un algoritmo de
identificación y control en lı́nea para el conjunto motor de CA y
variador de frecuencia, como una opción que ayude a los inge- 2.1. Identificación del sistema
nieros de automatización y mantenimiento industrial a regular
la velocidad de motores de CA para procesos industriales. Pa- En el presente trabajo el proceso de identificación se ha-
ra aplicar el esquema de identificación y control mostrado en ce mediante una red neuronal de base radial donde las funcio-
el presente artı́culo, se utilizan solamente las mediciones de la nes de activación son wavelets hijas ψ j (τ) del tipo Morlet, una
entrada y salida del conjunto motor de CA y variador de fre- motivación para seleccionar este tipo de wavelet se muestra en
cuencia. En dicho esquema no se requiere el modelo matemáti- (Domı́nguez-Mayorga et al., 2012) donde se hace un estudio
co ni los parámetros de la máquina eléctrica en conjunto con el comparativo entre un grupo de doce wavelets en simulación
variador de frecuencia. Existen trabajos similares como (Islas- numérica y experimental. Para reducir los efectos inherentes de-
Gómez et al., 2010; Payakkawan et al., 2009), donde se muestra bido al ruido en las mediciones se le añadió a la salida de la red
la identificación y control wavenet de un motor de corriente di- wavenet un filtro IIR en cascada, que tiene como función po-
recta con imanes permanentes, en donde se obtienen resultados dar las neuronas que tienen poca contribución en el proceso de
experimentales con un buen desempeño en el control de velo- identificación, permitiendo con esto reducir el ruido y el núme-
cidad. Recientemente, se han venido aplicando las redes neuro- ro de iteraciones en el proceso de aprendizaje (Haykin, 2001).
nales wavelets en combinación con controladores PID (Wu and Dichos elementos se observan en las Figuras 2 y 3, respectiva-
Jhao, 2012; Farahani, 2012; Jahedi and Ardehali, 2012; Lin, mente. La función wavelet ψ(k) es llamada madre, porque a
2009), obteniéndose resultados alentadores.
El artı́culo está organizado de la siguiente manera: la des-
cripción del esquema de identificación y control que se propone
se da en la Sección 2. En la Sección 3 se presentan los resulta-
dos de las simulaciones numéricas en lazo cerrado. En la Sec-
ción 4 se describen los resultados experimentales, mientras que
en la Sección 5 se dan los resultados experimentales aplican-
do una perturbación a la planta. Finalmente, las conclusiones y
trabajo futuro sobre los resultados obtenidos se presentan en la
Sección 6. Figura 2: Esquema de una red neuronal wavenet con filtro IIR, donde las
wavelets hijas están definidas de la siguiente manera ψ1 = ψa1 ,b1 . . . ψl =
ψal ,bl . . . ψL = ψaL ,bL .
2. Controlador PID wavenet
La arquitectura propuesta en este artı́culo concierne a un partir de ella se generan wavelets hijas con los parámetros de
controlador PID wavenet que se muestra en la Figura 1, la cual dilatación o contracción y translación, representadas matemáti-
incluye tres etapas en donde se pueden observar las siguientes camente como (Daubechies, 1992):
variables: r(k) que representa el ruido en la medición de la señal
1
de salida, v(k) es una señal persistente, ε(k) es el error de segui- ψal ,bl (k) = √ ψ(τl ) (1)
miento y se define como la diferencia entre la salida del sistema al
L.E. Ramos Velasco et al. / Revista Iberoamericana de Automática e Informática industrial 10 (2013) 269–278 271
La señal aproximada por la wavenet con filtro IIR ŷ(k) puede ∂ψl (τl ) 1
= [ω0 sen(ω0 τl )e−0.5τl + τl ψl (τl )]
2
(19)
ser calculada como: ∂bl al
M
N
La actualización de los parámetros debe cumplir con la siguien-
ŷ(k) = ci z(k − i)u(k) + d j ŷ(k − j)v(k) (3) te regla (Cruz-Tolentino et al., 2010; Sedighizadeh and Rezaza-
i=0 j=1
deh, 2008)
donde ∂E
L
Δθ(k) = − (20)
z(k) = wl ψl (k) (4) ∂θ(k)
l=1 θ(k + 1) = θ(k) + μθ Δθ(k) (21)
L es el número de wavelets hijas, wl son los pesos de cada neu-
donde θ representa los parámetros a ser ajustados: W(k), A(k),
rona en la wavenet, ci y d j son los coeficientes de adelanto y
B(k), C(k) y D(k). El valor de μθ ∈ R representa el coeficiente
atraso del filtro IIR, respectivamente, mientras que M y N son
de velocidad de aprendizaje para cada uno de los parámetros.
el número de los coeficientes de adelanto y atraso del filtro IIR,
respectivamente, v(k) es la señal de persistencia, que en este
2.2. Controlador PID discreto
artı́culo tiene la caracterı́stica de tener una amplitud máxima
de 0.1. Los parámetros de la wavenet, en forma vectorial están Se considera un sistema dinámico no lineal SISO represen-
dados por: tado por la siguiente ecuación de estado discreta (Levin and
Narendra, 1993, 1996)
A(k) [a1 (k), a2 (k), · · · , aL (k)]T (5)
x(k + 1) = f [x(k), u(k), k] (22)
B(k) [b1 (k), b2 (k), · · · , bL (k)]T (6)
y(k) = g[x(k), k] (23)
W(k) [w1 (k), w2 (k), · · · , wL (k)]T (7)
y los parámetros del filtro IIR, representados de la misma for- donde x(k) ∈ R , u(k), y(k) ∈ R y f, g ∈ C y se asumen que
n
alternativo de una planta con modelo analı́tico desconocido que donde Γ̂ es una parte de la ecuación de identificación del sistema
puede simplificar el algoritmo de la señal de control se obtiene descrita por (31), μ p , μi y μD son las constantes de ponderación
a partir de la siguiente expresión: de las ganancias del controlador PID discreto, para el caso de
estudio tratado en este artı́culo se proponen de forma heurı́stica,
y(k + 1) = Φ[Y(k), U(k)] + Γ[Y(k), U(k)] · u(k) (27) cuyos valores iniciales se dan en la Tabla 2.
Observación 1. El esquema de identificación y control mostra-
sı́ las funciones Φ y Γ son exactamente conocidas, el control do en la Figura 1 es aplicado para controlar la velocidad de un
u(k) que hace que la señal de salida y(k + 1) tienda a la salida MIJA, donde la salida y(k) es la velocidad del motor en rpm o
deseada yre f (k + 1) está dado por: rad/seg entregada por el sensor, ŷ(k) es la velocidad del motor
yre f (k + 1) − Φ[Y(k), U(k)] estimada por la red neuronal wavenet en rpm o red/seg, u(k)
u(k) = (28) es la señal de control que se aplica al variador de frecuencia
Γ[Y(k), U(k)] trifásico y está dada en volts. El error de estimación e(k) es la
Sin embargo, las funciones Φ y Γ son desconocidas, para deter- diferencia entre la velocidad del motor y la estimada por la red
minar éstos se utiliza una red neuronal wavenet (como la mos- y está dado en rpm, de forma similar el error de seguimiento
trada en la Figura 2) para aproximar las dinámicas del sistema ε(k) es la diferencia entre la velocidad de referencia yre f y la
(27) como: velocidad entregada por el sensor y(k) y está dado en rpm.
μc 0.1
2
μd 0.1 2
μp 0.01 1.5
1.5
μi 0.007
1
μD 0.009 1
0.5
−0.5 0
0 20 40 60 0 20 40 60
t (seg) t (seg)
1.5
Velocidad (rad/seg)
0.5
Salida estimada t=26 segundos, esto se debe al cambio de la señal de referencia
Salida real
en dicho instante.
0
0 10 20 30 40 50 60 3.3. Resultados de la auto-sintonización
t (seg)
La Figura 8 corresponde al comportamiento que presenta-
ron las ganancias del controlador PID discreto, auto-sintonizadas
Figura 4: Identificación del motor de CA, en lı́nea.
en lı́nea.
p i −3 d
la wavenet descritos en (5), (6) y (7). Y en la Figura 6 los coe- 0.022 0.025 3.2
x 10
ficientes de adelanto dados por (8) y atraso descritos por (9) del 0.02 0.02 3
filtro IIR. 0.018
0.015 2.8
0.016
3.2. Resultados del controlador PID wavenet 0.01 2.6
0.014
Una vez realizada la identificación y control del MIJA en 0.005 2.4
0.012
conjunto con el variador de frecuencia, se efectúa una variación 0 2.2
0.01
en la señal de referencia para verificar la adaptación en lı́nea
0.008 −0.005 2
ante cambios en las consignas. En la Figura 7(a), se presenta
la velocidad del motor y(k) para alcanzar la referencia deseada 0.006
0 50
−0.01
0 50
1.8
0 50
t (seg)
yre f (k). Como se puede observar al principio de la simulación se t (seg) t (seg)
0.3
Error (rad/seg)
0.2
1 0
Referencia 0.15
Salida real
0.5 0.1
−0.5
0.05
0 0
0 10 20 30 40 50 60 0 20 40 60 −1
t (seg) 0 20 40 60
t (seg) t (seg)
(a) Señal de salida y(k) y la señal de referencia yre f (k) (b) Señal de control u(k) y la señal del error ε(k).
4. Resultados experimentales
servar en las gráficas mostradas en las Figuras 4, 11 y 16, clara- W(k) B(k) A(k)
mente las dos señales: la salida real (velocidad del motor) y la 5 120 0
0.6
1
Identificación del sistema
70 0.4
0.2
Salida estimada 0.5
Salida real 0
Velocidad (rpm)
46.6
−0.2 0
0 20 40 60 80 0 20 40 60 80
t (seg) t (seg)
23.3
Figura 13: Comportamiento de los parámetros del filtro IIR C(k) y D(k).
0
0 10 20 30 40 50 60 70 80
t (seg) 5. Resultados experimentales con perturbaciones
Figura 11: Identificación del motor de CA, en lı́nea. En esta sección se presentan los resultados obtenidos de los
experimentos realizados en el laboratorio, aplicando como per-
que siguieron los parámetros que fueron auto-ajustados durante turbación una carga de 80 kilogramos en el tiempo t = 40 se-
el experimento para lograr la identificación del motor de CA. gundos.
Por un lado en la Figura 12 se observan los parámetros de la
wavenet dadas por las expresiones (5), (6) y (7). Y por el otro, 5.1. Resultados de la identificación del motor de CA
el comportamiento de los coeficientes de adelanto dado por (8) Los resultados de la identificación en lı́nea del motor de CA
y atraso por (9) del filtro IIR, los cuales aparecen en la Figura se muestra en las Figura 16.
13. Como se puede observar de los resultados experimentales la
identificación hecha por la red neuronal wavelet tiene un muy
4.3. Resultados del controlador PID wavenet buen desempeño aun en presencia de perturbaciones en la carga,
En la Figura 14(a) se presenta la trayectoria de seguimiento teniendo un error de estimación acotado. Además se presentan
de la salida del sistema y(k) para alcanzar la referencia deseada las trayectorias que siguieron los parámetros que fueron auto-
yre f (k). Se observa que se cumple el objetivo de seguimiento ajustados durante el experimento para lograr la identificación
a los 60 segundos. En la Figura 14(b) se observan la señal de del MIJA. Por un lado en la Figura 17 se observan los paráme-
control que experimentó la entrada de la planta u(k) y el com- tros de la wavenet dadas por las expresiones (5), (6) y (7). Y por
portamiento de la señal de error de seguimiento ε(k). Como se el otro, el comportamiento de los coeficientes de adelanto dado
puede observar de estas gráficas la señal de la ley de control es por (8) y atraso por (9) del filtro IIR, los cuales aparecen en la
una función suave. Figura 18.
4.4. Resultados de la auto-sintonización 5.2. Resultados del controlador PID wavenet
Por último en la Figura 15 se presenta la auto-sintonización
En la Figura 21(a) se presenta la trayectoria de seguimiento
de las ganancias del controlador PID, en lı́nea, durante el expe-
de la salida del sistema y(k) para alcanzar la referencia deseada
rimento.
276 L.E. Ramos Velasco et al. / Revista Iberoamericana de Automática e Informática industrial 10 (2013) 269–278
46.6 23.3
Referencia
Error (rpm)
0 −23.3
1
70 46.6
46.6
23.3
0.5
23.3
0
0
0 10 20 30 40 50 60 70 80 0 −23.3
t (seg) 0 20 40 60 80 0 20 40 60 80
t (seg) t (seg)
(a) Trayectoria que sigue la velocidad del MIJA (b) Señal de la ley de control u(k) y la señal del error ε(k)
0.021
0.02 0.02 46.6
0.02
Velocidad (rpm)
0.02
0.019 0.0199 23.3
0.02 0.018
0.0198 Salida estimada
0.017 0
0.02 Salida real
0.016
0.0197
0.02 −23.3
0.015
Figura 15: Comportamiento de las ganancias del controlador PID. Figura 16: Identificación del motor de CA, en lı́nea.
yre f (k). Se observa que se cumple el objetivo de seguimiento MATLAB versión R2012a para 64 bits, para sintonizar las ga-
a los 60 segundos. En la Figura 21(b) se observan la señal de nancias del controlador PID de forma automática, todo esto se
control que experimentó la entrada de la planta u(k) y el com- hace fuera de lı́nea con los datos de la respuesta al escalón.
portamiento de la señal de error de seguimiento ε(k). Una ca- Una vez obtenidas las ganancias se procedió a programar en
racterı́stica a ser destacada de este esquema de control es que la plataforma de LabVIEW el controlador PID y se realizaron
la ley de control es una señal suave a pesar de tener perturba- los experimentos en tiempo real, que se muestran en la Figu-
ciones en la carga, esto es gracias a que las funciones wavelets ra 20. Para esto se fijan dos distintas velocidades de referencia,
hijas empleadas también son funciones suaves. El hecho de que la primera a 2821 RPM y la segunda a 1689 RPM, de estos
la señal de control sea una señal suave ayuda a conservar en resultados, se observa que la variable controlada oscila alrede-
buenas condiciones del MIJA. dor de las referencias. Es importante mencionar que los resul-
tados arrojados se pueden mejorar realizando una sintonización
5.3. Resultados de la auto-sintonización a prueba y error, lo que no se hace con el algoritmo de Control
Por último en la Figura 19 se presenta la auto-sintonización PID wavenet que se propone en el presente trabajo.
de las ganancias del controlador PID, en lı́nea, durante el expe-
rimento. Como se puede observar dichas ganancias están aco- 6. Conclusiones y trabajo futuro
tadas y son constantes después del tiempo t = 50 segundos.
De los resultados presentados en este artı́culo se concluye
5.4. Resultados experimentales al aplicar un PID clásico que las aportaciones relevantes están en: la identificación y con-
En este apartado se presentan los resultados obtenidos al trol en tiempo real de un motor de inducción trifásico del tipo
aplicar una señal de excitación constante al conjunto variador jaula de ardilla conectado a un variador de frecuencia trifási-
de frecuencia-motor de inducción trifásico, de donde se obtu- co, todo esto sin hacer uso del modelo matemático del conjun-
vo la respuesta aproximada a un primer orden. Con la función to variador de frecuencia-motor de inducción trifásicos; las ga-
de transferencia parametrizada se utilizó la toolbox del PID de nancias del controlador PID que son auto-sintonizadas en cada
L.E. Ramos Velasco et al. / Revista Iberoamericana de Automática e Informática industrial 10 (2013) 269–278 277
A(k) −3 p −3 d
W(k) B(k) x 10 i x 10
5 110 0 7.03 0.01 7
Figura 17: Comportamiento de los parámetros de la wavenet W(k), B(k) y A(k). Figura 19: Comportamiento de las ganancias del controlador PID.
1 1.5
velocidad (rpm)
40
1 30 Salida real
0.5
Referencia
20
0 0.5
10
−0.5 0 0
0 20 40 60 0 20 40 60 0 20 40 60 80 100 120 140 160 180 200
t (seg) t (seg) t (seg)
Figura 18: Comportamiento de los parámetros del filtro IIR C(k) y D(k). Figura 20: Respuesta de un controlador PID clásico para regular la velocidad
del MIJA.
Error (rpm)
1
0 −23.3
0.8
70 46.6
Referencia 0.6
Salida real 23.3
46.6
0.4
23.3 0.2 0
0 0 −23.3
0 10 20 30 40 50 60 0 20 40 60 0 20 40 60
t (seg) t (seg) t (seg)
(a) Trayectoria que sigue la velocidad del MIJA (b) Señal de la ley de control u(k) y la señal del error ε(k)
Figura 21: Comportamiento de la velocidad del MIJA en lazo cerrado ante una perturbación en la carga.
speed of an AC three-phase induction motor supplied with a Haykin, S., 2001. Kalman Filtering and Neural Networks. Wiley, New York.
three-phase inverter. So in this way we show how the identifi- Holtz, J., 2002. Sensorlees control of induction motor drives. Procee-
ding of IEEE International Conference in Electric Machines and Drives,
cation and control scheme can be implemented in this type of IEDMC’07, Wuppertal, Germany, 1359–1394.
plants that are widely used in industry, without the need of mat- Islas-Gómez, O., Ramos-Velasco, L. E., Garcı́a-Lamont, J., 2010. Identificación
hematical model parameters of the induction motor. We present y control wavenet de un motor de CD. Congreso Anual de la Asociación de
numerical simulation and experimental results. México de Control Automático(AMCA), Puerto Vallarta, Jalisco, Mexico.
Jahedi, G., Ardehali, M., Octubre 2012. Wavelet based artificial neural net-
Keywords: work applied for energy efficiency enhancement of decoupled HVAC sys-
Motor control, PID controller, Wavelet neural networks, Self- tem. Energy Conversion and Management 54 (1), 47–56.
adaptive algorithms. Kuo, B., 1995. Digital Control Systems. Oxford University Press, USA.
Levin, A., Narendra, K., March 1993. Control of nonlinear dynamical systems
using neural networks: Controllability and stabilization. IEEE Transactions
Referencias on Neural Networks 4 (2), 192–206.
Levin, A., Narendra, K., January 1996. Control of nonlinear dynamical systems
Aguado-Behar, A., Martı́nez-Iranzo, M., 2003. Identificación y Control Adap- using neural networks - part II: Observability, identification, and control.
tativo. Prentice Hall, España. IEEE Transactions on Neural Networks 7 (1), 30–42.
Aström, K., 1997. Computer-Controlled Systems, Theory and Design. Pretince- Lin, C.-J., 2009. Nonlinear systems control using self-constructing wavelet net-
Hall, New York. works. Applied Soft Computing 9 (1), 71–79.
Aström, K., Hägglund, T., 2006. Advanced PID Control. ISA, The Instrumen- Merabet A., M. O., Bui, R., 2006. Neural generalized predictive controller for
tation, Systems, and Automation Society. induction motor. International Journal of Theoretical and Applied Computer
Bocker, J., Mathapati, S., 2007. State of the art of induction motor control. Pro- Sciences, 83–100.
ceeding of IEEE International Conference in Electric Machines and Drives, Ogata, K., 1995. Discrete-Time Control Systems. Pretince-Hall, New York.
IEDMC’07, 1459–1464. Payakkawan, P., Klomkarn, K., Sooraksa, P., 2009. Dual-line pid controller ba-
Chapman, S. J., 2012. Máquinas Eléctricas. Mc Graw Hill, México. sed on pso for speed control of dc motors. The 9th International Symposium
Cruz-Tolentino, J., Ramos-Velasco, L., Espejel-Rivera, M. A., 2010. A self- on Communication and Information Technologies (ISCIT), Incheon, Korea.
tuning of a wavelet PID controller. IEEE International Conference on Elec- Perez-Poloa, M., Albertos, P., Berna-Galiano, J., January 2008. Tuning of a pid
tronics Communications and Computers, 23–31. controlled gyro by using the bifurcation theory. Systems & Control Letters
Daubechies, I., 1992. Ten Lectures on Wavelets. SIAM, New Jersey. 57 (1), 10–17.
Domı́nguez-Mayorga, C. R., Espejel-Rivera, M. A., Ramos-Velasco, L. E., Sedighizadeh, M., Rezazadeh, A., 2008. Adaptive PID control of wind energy
Ramos-Fernández, J. C., Hernández, E. E., Diciembre 2012. Algoritmos conversion systems using RASP1 mother wavelet basis function network.
wavenet con aplicaciones en la aproximación de señales: un estudio com- Proceeding of World Academy of Science, Engineering and Technology,
parativo. Revista Iberoamericana Automática e Informática 9 (4), 347–358. 269–273.
Farahani, M., January 2012. Intelligent control of SVC using wavelet neural Wu, W., Jhao, D.-W., February 2012. Control of a direct internal reforming
network to enhance transient stability. Eng. Appl. Artif. Intell. 26 (1), 273– molten carbonate fuel cell system using wavelet network-based hammerstein
280. models. Journal of Process Control 22 (3), 653–658.