UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA

“ANTONIO JOSÉ DE SUCRE”

VICERRECTORADO BARQUISIMETO
DIRECCIÓN DE INVESTIGACIÓN Y POSTGRADO

Actividad 1

Control Neuronal NARMA-L2

AUTOR:
EDUARDO BUENDÍA C.I: 24.160.741
Correo: ejbtoc@gmail.com
Sistema en estudio

El sistema a estudiar se trata de dos tanques acoplados con alturas H1 y H2 expresadas en metros y se desea controlar la
altura H2 del segundo tanque. El primer tanque recibe un flujo de entrada 𝑞0 y a su vez, tiene un flujo de salida 𝑞1 que
alimenta al tanque dos mientras que el tanque dos posee un flujo de salida 𝑞2 . En este sistema, el nivel H1 siempre será
mayor al nivel H2 en el mismo instante de tiempo.
Determinación de valores de estado estacionario

Se determinan los valores en estado estacionario para los niveles H1 y H2 con un flujo de entrada de 0,002 𝑚3 /𝑠 (2 L/s)

Figura 1. Estado estacionario nivel H1. Figura 2. Estado estacionario nivel H2.

Valor en estado estacionario H1: 2,22 m Valor en estado estacionario H2: 1,24 m
Determinación de tiempo de estabilización

Se aplica un flujo de entrada de 0,003 𝑚3 /𝑠 (3 L/s) para observar la respuesta dinámica del sistema y estimar el tiempo de
estabilización para el nivel H2

Figura 3. Nivel H1 para cambio en flujo de entrada Figura 4. Nivel H2 para cambio en flujo de entrada
Para el nivel H2 se obtuvo un tiempo de estabilización aproximado de 20000 segundos. A partir de este tiempo de
estabilización se calculan la constante de tiempo del sistema y el periodo de muestreo.

• Constante de tiempo = 20000 s / 5 = 4000 s

• Periodo de muestreo = 4000 s / 10 = 400 s
Modelo en Simulink utilizado para la identificación

Para la identificación de la planta se incluyo un bloque de entrada para única entrada del sistema, la entrada de flujo 𝑞0 y un
bloque de salida para la variable controlar, el nivel H2. Se colocó un terminador en la salida del nivel H1 para mejorar el
rendimiento de la simulación.

Figura 5. Modelo utilizado para entrenamiento de

red neuronal.
Parámetros de diseño y de identificación del sistema de control neuronal NARMA-L2

Parámetros de diseño e
identificación. NARMA-L2
Tamaño de capa oculta 40
Intervalo de muestreo 400 s
Número de retardos de
10
entrada
Número de retardos de
10
salida
Cantidad de muestras
4000
para entrenamiento
Valor máximo de entrada 0,0025 m3/s
Valor mínimo de entrada 0 m3/s
Intervalo máximo 30000 s
Intervalo mínimo 1200 s
Épocas de entrenamiento 1000
Función de
trainlm
entrenamiento

Tabla 1. Parámetros de diseño e Figura 6. Captura de ventana de

identificación. NARMA-L2 identificación de planta para NARMA-L2
Datos de entrenamiento, validación y pruebas

Figura 7. Datos de entrenamiento. Figura 8. Datos de validación. Figura 9. Datos de prueba.

Modelo en Simulink en lazo cerrado con controlador NARMA-L2

Figura 10. Diagrama de control en lazo cerrado.

Respuestas ante cambios de referencia
Para el valor de referencia de H2, se aplicó una entrada escalón con un valor inicial de 0,5 m y un valor final de 1,5 m.

Figura 11. Respuesta de H1 para cambios en referencia. Figura 12. Respuesta de H2 para cambios en referencia.

De ambas respuestas se observa como los niveles poseen oscilaciones importantes cuando la referencia de H2 pasa de su valor en estado estacionario a 0,5
m. Sin embargo, el nivel de H2 logra estabilizarse en 0,5 m alrededor de los 12000 s y el nivel H1 se estabiliza en 0,89 m también alrededor e los 12000 s.
Cuando la referencia de H2 cambia de 0,5 m a 1,5 m se observa una respuesta con un pequeño sobreimpulso tanto en H1 como H2 y ambas se estabilizan en
su valor final en un tiempo de aproximadamente 22000 s. El sobreimpulso para H1 fue de 2,42 % y el de H2 de 0,27 %.
Análisis y conclusiones

• El modelo produjo valores en estado estacionario que corresponden a los valores esperados dados en el documento
complementario del sistema de tanques.
• Es posible hacer una estimación grafica de la constante de tiempo del sistema a partir del tiempo de estabilización
realizando un cambio de referencia en el sistema de lazo abierto.
• La generación de los datos de entrenamiento para la red neuronal es de vital importancia para el rendimiento del
controlador NARMA-L2. Valores de entrada máximos en el rango de 0,3 m a 0,5 m generaban un controlador con
rendimiento muy pobre, el cual nunca lograba estabilizar el nivel del tanque.

• El método de ensayo y error demostró ser un método valido para la selección de los datos de diseño y
entrenamiento, sin embargo, debido al tiempo relativamente largo que toma la generación de los datos de
entrenamiento, encontrar los valores óptimos puede ser un proceso que tome bastante tiempo.

• La red neuronal fue entrenada con éxito y fue capaz de replicar la respuesta de la planta con un error máximo
alrededor de 0,02 m.

• El controlador neuronal NARMA-L2 diseñado mostro un rendimiento aceptable, aunque con un amplio margen de
mejora. Las oscilaciones mostradas para el primer cambio de referencia son significativas y podrían generar un grave
problema en un sistema real de tanques acoplados donde se desea mantener un nivel constante.