INSTITUTO TECNOLÓGICO SUPERIOR DE URUAPAN

INGENIERÍA MECATRÓNICA
9° Semestre, Grupo “A”

CONTROL DE PROCESOS

“MÉTODO DEL MODELO DE REFERENCIA”

DOCENTE: ING ROGELIO ESQUEDA GARCIA

INTEGRANTES:
Alves Flores Isidro
Coria Rivera Jesús Alejandro
León Martínez Alejandra
Santoyo Rivas Luis Alberto
Virrueta Martínez Enrique
URUAPAN, MICHOACÁN, A 5 DE SEPTIEMBRE DEL 2016.
El control con modelo de referencia es una generalización de los
reguladores predictivos a d pasos. Lo que se intenta hacer en este
caso es contemplar en el diseño la dinámica de la referencia, es
decir, el modelo a seguir. Se puede tener dos visiones del problema:
una determinista y otra estocástica según sea el modelo de la
planta.

 Control con Modelo de Referencia

 Control con Modelo de Referencia Adaptativo
 Control con Modelo de Referencia Estocástico
Método del modelo de referencia

De los métodos de identificación de sistemas conceptualmente

uno de los mas simples, al mismo tiempo que es el mas flexible, es
el referente al modelo de referencia o también llamado modelos de
aprendizaje. La idea básica de su enfoque esta representada en la
figura.
 y(t)
UNKNOWN SYSTEM

+
PARAMETER ADJUSTMENT Error
W(t) COMPUTE

ý(t)
MODEL
Una entrada conocida, o clase de entrada, es aplicada a un sistema
desconocido y a un modelo que simula el sistema. La diferencia entre
las dos salidas es usada para ajustar el modelo, y el procedimiento se
vuelve a repetir. Normalmente el modelo tiene una forma fija, y solo
un numero finito de parámetros deben ser ajustados. Este
procedimiento puede ser usado para dividir la señal de entrada en
registros de tiempo finitos y llevar a cabo una identificación después
de cada uno de estos registros. Si el sistema desconocido actual es
muy difícil para experimentación, debería ser reemplazado por un
registro de entradas y salidas almacenadas.
En la aplicación de este procedimiento, existen varios problemas
prácticos que deben ser considerados. Estos incluyen:

1. Como seleccionar la estructura del modelo

2. Las posibilidades de la escala de tiempo
3. Errores de criterio
4. Condiciones iniciales
5. Estrategia de ajuste

El problema de selección del modelo es parte integral de los

métodos de identificación.
La técnica del ajuste de parámetros es probablemente la parte más
difícil del método del modelo de referencia. Las fuentes de esta
dificultas son:

1. Existencia de múltiples puntos mínimos

2. Extrema sensibilidad o insensibilidad de parámetros
3. Convergencia pobre de algunos modelos
4. Falta de ortogonalidad
 Modelo de referencia adaptativa (MRAC)

El sistema de control adaptativo es un sistema que en forma continua y

automática, mide las características dinámicas deseadas, y usa la
diferencia para variar los parámetros ajustables del sistema, o para
generar una señal actuante, de modo que se mantenga el desempeño
optimo, independientemente de las modificaciones ambientales.

Si un sistema de control cambia su comportamiento, debido a cambios

de los parámetros de proceso, entonces alguien debe ajustarlos.
Modelo de referencia adaptativa (MRAC)
La idea general detrás de modelo de referencia Control Adaptativo
(MRAC, también conocido como un MRAS o Sistema Adaptativo
modelo de referencia) es crear un controlador de bucle cerrado con
los parámetros que se pueden actualizar para cambiar la respuesta
del sistema. La salida del sistema se compara con una respuesta
deseada de un modelo de referencia. Los parámetros de control
son actualización basada en este error.

El objetivo es que los parámetros que convergen a valores ideales

que hacen que la respuesta de la planta para que coincida con la
respuesta del modelo de referencia.
Por ejemplo
• Usted puede estar tratando de controlar la posición de un brazo
de robot, éste vibra de forma natural. En realidad se desea que
el brazo del robot para hacer movimientos rápidos con poca o
ninguna vibración. Usando MRAC, se puede elegir un modelo
de referencia que pudiera responder rápidamente a una
entrada escalón con un corto tiempo de respuesta. A
continuación, podría crear un controlador que se adaptara para
hacer el movimiento del brazo del robot al igual que el modelo.
 Modelo de Referencia Estocástico

El modelo de referencia Estocástico significa ser o tener una

variable aleatoria. Un modelo estocástico es una herramienta
para la estimación de distribuciones de probabilidad de los
posibles resultados por lo que permite la variación al azar en una
o más entradas en el tiempo. La variación aleatoria se basa
generalmente en las fluctuaciones observadas en los datos
históricos para un período seleccionado utilizando técnicas de
series de tiempo estándar. Las distribuciones de resultados
potenciales se derivan de un gran número de simulaciones
estocásticas (proyecciones) que reflejan la variación aleatoria en
la entrada (s).
Control Adaptativo por Modelo de Referencia Neural

El siguiente ejemplo está orientado a describir cómo funciona el

control adaptativo por modelo de referencia que ofrece Matlab.
Esta herramienta hace uso de las redes neuronales para poder
optimizar y adecuar las variables de control de nuestro proceso a
las variaciones que podría sufrir el sistema.
 Redes Neuronales Artificiales

Las redes neuronales artificiales (RNA) están basadas en el

funcionamiento del sistema nervioso, se agrupan las neuronas
para la realización de tareas inteligentes, con organización en
capas siendo estas supervisadas o no supervisadas.

Mediante algoritmos de entrenamiento se realiza el ajuste de los

pesos y umbrales hasta que la función de error sea inferior a un
mínimo.
Redes Neuronales Artificiales
 ¿Por qué usar RNA para el control?
Como ya sabemos el controlador adaptativo ajusta los
parámetros del proceso y/o las ganancias que varían por
perturbaciones al proceso.

Mediante el uso de redes neuronales artificiales se garantiza que

se logrará una estabilidad en el sistema.

Para asegurar la eficiencia de las RNA se lleva a cabo la etapa

de aprendizaje a partir de ejemplos, permitiendo la
generalización y la tolerancia a fallos. El conocimiento se
encuentra distribuido en el conjunto de las neuronas y sus
interconexiones.
Se utilizará la herramienta Simulink de Matlab y las librerías de redes
neuronales orientadas al control de sistemas, utilizando el controlador
“Model Reference Controller ”
Sea la ecuación:

Creamos la función en Simulink:

Creamos nuestro modelo de referencia, el cual suponiendo por algún
motivo tiene una ganancia negativa.
Ahora con esos dos diagramas creamos nuestro diagrama principal:
Tenemos incluido el controlador de modelo de referencia neural de
Matlab siendo este sistema de lazo cerrado. A continuación hacer doble
clic sobre este controlador y veremos el siguiente panel:
Después haciendo clic en el botón “Plant Identificaction” llegamos a
este panel:

• Desde aquí seleccionamos el

máximo y mínimo de entradas,
tiempo de intervalos del sistema y el
número de capas ocultas y
buscamos nuestro modelo de planta.

• Para obtener una buena cantidad de

datos escogemos 6000 puntos.

• Hacemos clic en "Generate Training

Data“.
Se generará una gráfica así con los parámetros configurados
anteriormente para la planta.
Seleccionamos “Accept Data” y volveremos a la ventana anterior,
colocamos el número de épocas en 300 y hacemos clic en "Train
Network" esto debería intentar minimizar el error en 300 intentos.
Nos abrirá una gráfica de efecto resultante, de igual modo nos mostrará
los parámetros que modificamos. Seleccionamos ok, volvemos al panel
anterior.
Volvemos a las opciones del Modelo de Referencia, debemos cargar el
tiempo para nuestro control deseado en el modo del sistema. Generará
una gráfica con el tiempo ajustado.
Hacemos clic en “Accept Data” y volviendo a las opciones de Modelo
de Referencia se escogen 100 épocas y finalmente hacemos clic en
entrenar controlador.

100
Después de que el sistema haya sido entrenado obtenemos el gráfico
de reducción de error y otro gráfico de entradas y salidas del
controlador.
El sistema está ahora entrenado, pues el sistema deseado y el
controlador Neuronal están ambos enlazados.
La línea azul (el controlador N) sigue al controlador deseado (línea
amarilla) eso representa un buen resultado.
Cabe señalar que la entrada es de color purpura. Se observa que el
sistema sigue una entrada tipo rampa como se puede notar.
Como se puede observar este controlador resulta muy óptimo para
reducir el error en nuestras funciones, sin embargo los entrenamientos
y su procesamiento en Matlab dura a veces un tiempo excesivo,
dependiendo del equipo de cómputo y el número de épocas asignadas
al controlador.