informe actividad 19

CARRERA DE INGENIERÍA EN ELECTRÓNICA EN AUTOMATIZACIÓN Y CONTROL

Control Inteligente NRC: 2053

Profesor:

Ing. Victor Proaño

Elaborado por:

José Arteaga Jonathan Borja Patricio Vásconez Daniel Zurita

Junio 2014

Diseño de Controlador Neuronal Para la Unidad Air Flow Temperature Control System

Tabla de contenido

1. Tema..............................................................................................................................................................3

2. Objetivos........................................................................................................................................................3

3. General..........................................................................................................................................................3

4. Específicos.....................................................................................................................................................3

5. Descripción del Modelo Matemático del Sistema.........................................................................................3

6. Resultados del Experimento..........................................................................................................................5

CONCLUSIONES...................................................................................................................................................25

ANEXO A..............................................................................................................................................................26

ASIGNACIÓN DE DIGNIDADES.........................................................................................................................26

ANEXO B..............................................................................................................................................................26

CRONOGRAMA DE ACTIVIDADES.....................................................................................................................26

Ilustración 1: respuesta de la planta con Vin=2.....................................................................................................5Ilustración 2: señal utilizando Curve Fitting Tool..................................................................................................6Ilustración 3: configuración del filtrado de la señal...............................................................................................6Ilustración 4: comparación de la señal original con relación a la señal filtrada.....................................................7Ilustración 5: respuesta filtrada de la planta con Vin=2......................................................................................7Ilustración 6: comparación de la respuesta de la planta con su equivalente aproximación de primer orden.......8Ilustración 7: respuesta de la planta con Vin=2.5..................................................................................................8Ilustración 8: comparación de la señal original con relación a la señal filtrada Vin =2.5.......................................9Ilustración 9: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =2,5........................................................................................................................................................................9Ilustración 10: respuesta de la planta con Vin=3.................................................................................................10Ilustración 11: comparación de la señal original con relación a la señal filtrada Vin =3......................................10Ilustración 12: respuesta filtrada de la planta con Vin=3..................................................................................11Ilustración 13:comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =3.........................................................................................................................................................................11Ilustración 14: respuesta de la planta con Vin=3,5..............................................................................................12Ilustración 15: comparación de la señal original con relación a la señal filtrada Vin =3,5...................................12Ilustración 16:comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =3.5......................................................................................................................................................................13Ilustración 17: respuesta de la planta con Vin=4.................................................................................................13Ilustración 18:comparación de la señal original con relación a la señal filtrada Vin =4.......................................14Ilustración 19: respuesta filtrada de la planta con Vin=4..................................................................................14Ilustración 20: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =4.........................................................................................................................................................................15Ilustración 21: respuesta de la planta con Vin=4,5..............................................................................................15Ilustración 22: comparación de la señal original con relación a la señal filtrada Vin =4.5...................................16

Seminarios AC Página 1

Ilustración 23: respuesta filtrada de la planta con Vin=4,5...............................................................................16Ilustración 24: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =4.5......................................................................................................................................................................17Ilustración 25: respuesta completa de la planta con Vin=5................................................................................17Ilustración 26: respuesta delimitada a 85s de la planta con Vin=5......................................................................18Ilustración 27:comparación de la señal original con relación a la señal filtrada Vin =5.......................................18Ilustración 28: respuesta filtrada de la planta con Vin=5..................................................................................18Ilustración 29: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =5.........................................................................................................................................................................19Ilustración 30: entrenamiento de la red neruonal...............................................................................................22Ilustración 31: respuesta de la planta (superior) y controlador (inferior) con SP=30ºC.......................................23Ilustración 32: respuesta de la planta (superior) y controlador (inferior) con SP=40ºC.......................................24Ilustración 33: respuesta de la planta (superior) y controlador (inferior) con SP=50ºC.......................................24

Figura 1: modelo de la planta en simulink.............................................................................................................6Figura 2:modelo de la planta en simulink............................................................................................................21Figura 3: bloque de la red neuronal entranda.....................................................................................................23Figura 4: inserción de la red neuronal entrenada en el sistema de control.........................................................23


1. Tema

Diseño de Controlador Neuronal para la Unidad Air Flow Temperature Control System.

2. Objetivos

3. General Realizar el diseño y experimentación de controladores neuronales para la unidad de temperatura AIR FLOW TEMPERATURE CONTROL SYSTEM, mediante la utilización de las herramientas de Simulick de Matlab, y tarjetas de adquisición de datos.

4. Específicos Estudiar y analizar el funcionamiento y proceso del control neuronal con modelo de referencia y

control neuronal con modelo inverso. Analizar los sistemas con variaciones de temperatura, en términos de error de estado estable y

velocidad de respuesta y contrastarlos entre ellos.

5. Descripción del Modelo Matemático del Sistema

En la siguiente figura se describen los componentes de la planta de temperatura.

Figura 1.Unidad Air Flow Temperature Control System.

El objetivo es conocer la forma en que responde la temperatura de salida, a los cambios en el voltaje de la niquelina en la entrada.

El flujo de calor en el sistema de temperatura se da por convección, es decir, se transfiere energía entre una superficie, que es la niquelina, y un fluido que se mueve sobre esta que en este caso es el aire.

Mediante el ventilador se fuerza al aire a fluir a través de la niquelina y el conducto, a esto se lo denomina convección interna forzada y la transferencia de calor viene descrita por la ley de Newton del enfriamiento:

Q=h A s(T∞−T )

Donde:


h = Coeficiente de transferencia de calor por convección.A s = Área superficial a través de la cual tiene lugar la transferencia de calor.T ∞ = Temperatura de la niquelina.T = Temperatura del aire.

La transferencia de calor del sistema es en régimen transitorio, es decir, la temperatura no cambia sólo con la posición del cilindro, sino que también cambia con el tiempo.

El calor acumulado dentro del cilindro viene dado por la siguiente fórmula:

C=mCp( dTdθ )m = Masa del fluido.C p = Calor específico del fluido (aire).T = Temperatura del fluido.θ = Tiempo.

Entonces igualamos las dos ecuaciones antes obtenidas y resolvemos para llegar a la ecuación que describe el sistema.

h A s (T∞−T )=mC p( dTdθ )

mCp( dTdθ )−h A s (T ∞−T )=0

t=T ∞−T ; dTdθ

= dtdθ

dtdθ

+h A smC p

t=0

dtdθ

=−h A smC p

t

∫ dtt

=−∫ h A smC p

dθ

ln ( t )=−h A smC p

+ln (a1)

ln (T ∞−T )=−h A smCp

+ ln (a1)

a1=T∞−T

Condiciones iniciales :θ=0 ;T=T0

ln (T ∞−T )=−h A smCp

θ+ ln (T ∞−T )

ln ( T∞−T

T ∞−T0 )=−h A smCp

θ


T∞−T

T∞−T 0=e

−( hA smC p)t

Entonces se obtiene la ecuación que describe el comportamiento de la temperatura en función del tiempo del sistema como se observa en la Figura 2:

T=T ∞−(T ∞−T 0)e−( h AsmCp) t

Figura 2.Comportamiento de la temperature en function del tiempo.

6. Resultados del Experimento

Tratamiento de los datos obtenidos

En esta parte primeramente se elimina el ruido de los datos obtenidos mediante la herramienta cftool. Para luego obtener las constantes del modelo en primer orden con el código “aproxima” siguiente el siguiente modelo de simulink:

Figura 1: modelo de la planta en simulink

Se presenta los resultados obtenidos a todos los datos obtenidos para diferentes voltajes de entrada

Para el voltaje de entrada Vin=2.


Ilustración 1: respuesta de la planta con Vin=2

Ilustración 2: señal utilizando Curve Fitting Tool


Ilustración 3: configuración del filtrado de la señal

Ilustración 4: comparación de la señal original con relación a la señal filtrada


Ilustración 5: respuesta filtrada de la planta con Vin=2

Entonces se obtiene la aproximación de primer orden:

K = 17.6207

tau = 26.3223

Ilustración 6: comparación de la respuesta de la planta con su equivalente aproximación de primer orden

Para el voltaje de entrada Vin=2.5


Ilustración 7: respuesta de la planta con Vin=2.5

Ilustración 8: comparación de la señal original con relación a la señal filtrada Vin =2.5

Entonces se obtiene la aproximación de primer orden:

K = 16.1604

tau = 27.0778


Ilustración 9: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =2,5

Para el voltaje de entrada Vin=3



Ilustración 11: comparación de la señal original con relación a la señal filtrada Vin =3


K = 15.1940

tau = 27.7246


Ilustración 13:comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =3


Ilustración 14: respuesta de la planta con Vin=3,5


Ilustración 15: comparación de la señal original con relación a la señal filtrada Vin =3,5

K = 14.4510

tau = 27.7939

Ilustración 16:comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =3.5




Ilustración 18:comparación de la señal original con relación a la señal filtrada Vin =4



K = 13.9415

tau = 28.1705

Ilustración 20: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =4



Ilustración 21: respuesta de la planta con Vin=4,5

Ilustración 22: comparación de la señal original con relación a la señal filtrada Vin =4.5


Ilustración 23: respuesta filtrada de la planta con Vin=4,5

K = 13.4370

tau = 27.7919

Ilustración 24: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =4.5



Ilustración 25: respuesta completa de la planta con Vin=5

Ilustración 26: respuesta delimitada a 85s de la planta con Vin=5


Ilustración 27:comparación de la señal original con relación a la señal filtrada Vin =5


K = 12.7581

tau = 27.5087


Ilustración 29: comparación de la respuesta de la planta con su equivalente aproximación de primer orden Vin =5

Luego de realizar los pasos anteriores y obtener las constantes del modelo de primer orden, se puede observar que la ganancia de la planta es diferente para cada voltaje de entrada tal como se aprecia en la siguiente tabla.

U K tau2 17,62 26,32

2,5 16,16 27,073 15,19 27,72

3,5 14,45 27,794 13,94 28,17

4,5 13,43 27,795 12,75 27,5

A medida que se incrementa el voltaje de entrada las características de la planta varían lo cual nos indica que es necesario realizar el cambio de estos parámetros al momento de entrenar la red neuronal que realizara el control.

EL código utilizado para obtener los parámetros de primer orden es el siguiente:

global K tau T0 temp U K=10;tau=20;T0=25;U=2.5; Res = fminsearch(@aproximacion, [K tau T0]); K = Res(1)tau = Res(2)


function error=aproximacion(par)global K tau T0 temp UK=par(1);tau=par(2);T0=par(3);tsim=100;sim('entren',tsim);rango_time=1:10*tsim;plot(temp.time(rango_time),temp.signals.values(rango_time),'r')hold onload Dato_V25error=sum((Dato_V25.y(rango_time)-temp.signals.values(rango_time)).^2);figure(100) plot(Dato_V25.x(rango_time),Dato_V25.y(rango_time)) pause(0.01) hold offend

Entrenamiento de la red neuronal

La red neuronal que servirá como controlador se entrena en base al siguiente diagrama en simulink

Figura 2:modelo de la planta en simulink

Con un paso de tiempo de 0.2 segundos.

∆T=0.2

Se tiene el siguiente código para realizar el entrenamiento, teniendo en cuenta la variación de parámetros de la planta en relación al voltaje que ingresa a ésta.

UV=[2:0.5:5];T=[20:0.5:65];Pm=combvec(T,UV);dTV=[];K=17.62;tau=26.32;for i=1:length(Pm) U=Pm(2,i); T0=Pm(1,i); if U==2 K=17.62; tau=26.32; end if U==2.5


K=16.16; tau=27.07; end if U==3 K=15.19; tau=27.72; end if U==3.5 K=14.45; tau=27.79; end if U==4 K=13.94; tau=28.17; end if U==4.5 K=13.43; tau=27.79; end if U==5 K=12.75; tau=27.5; end sim('Entrena',0.2); dT=Temp-T0; dTV=[dTV dT]; iendTm=Pm(2,:);Pm1(1,:)=dTV;Pm1(2,:)=Pm(1,:);net = newff(minmax(Pm1),[8 1],{'tansig' 'purelin'},'trainlm');Y = sim(net,Pm1);net.trainParam.epochs = 400;net.trainParam.goal=1e-7;net = train(net,Pm1,Tm);Y = sim(net,Pm1);


Ilustración 30: entrenamiento de la red neruonal

Terminado el entrenamiento se genera el bloque utilizado el siguiente código

gensim(net)

Figura 3: bloque de la red neuronal entranda

El cual se utilizara para controlar la planta de temperatura.

Figura 4: inserción de la red neuronal entrenada en el sistema de control


En el bloque Matlab fcn se ejecuta el siguiente código:

function y = funcion(u)global K tauif u<=2 K=17.62; tau=26.32;elseif u<=2.5 K=16.16; tau=27.07;elseif u<=3 K=15.19; tau=27.72;elseif u<=3.5 K=14.45; tau=27.79;elseif u<=4 K=13.94; tau=28.17;elseif u<=4.5 K=13.43; tau=27.79;elseif u<=5 K=12.75; tau=27.5;endy(3) = u;y(2)= tau;y(1)= K;

El cual varía los parámetros de la planta de acuerdo a la salida de control.

Finalizado los anteriores pasos se comprueba su funcionamiento.

SP temperatura= 30

Ilustración 31: respuesta de la planta (superior) y controlador (inferior) con SP=30ºC


SP temperatura= 40


SP temperatura= 50



CONCLUSIONES 1. Mediante el presente proyecto se a logrado satisfactoriamente el control en tiempo real 2. Para la implementación de controles neuronales es necesario un modelo matemático que describa la dinámica real

del sistema 3. Como podemos observar el modelo de referencia es un modelo que imita un comportamiento similar al de una

planta de primer orden como el de la planta , donde se pudo controlar el tiempo de establecimiento4. La red total que se obtuvo al final del proyecto es también compuesta por la red de identificación y la red de control5. Para la implementación de los controladores neuronales es necesario primero realizar el modelamiento

matemático del sistema real. En este caso las redes neuronales son aplicadas para optimizar lo valores de control que se reajusten la salida del proceso.

6. En el control por redes neuronales: por modelo de referencia, y red neuronal inversa, donde la diferencia radica en el procedimiento de entrenamiento principalmente en el desempeño del control. El controlador neuronal inverso es muy fue muy eficiente dados los resultados teóricos mostrados


ANEXO A

ASIGNACIÓN DE DIGNIDADES

NOMBRE DIGNIDAD

Daniel Zurita LÍDER

Jonathan Borja INGENIERO EN CONTROL

Patricio Vásconez INGENIERO EN SOFTWARE

José Arteaga INGENIERO ELECTRÓNICO

ANEXO B

CRONOGRAMA DE ACTIVIDADES


NOMBRES

1 2 3 4 ARTEAGA JOSÉBORJA

JHONNATANVASCONEZ PATRICIO ZURITA DANIEL

CONTRIBUCION A LAS METAS DEL GRUPO

CONTRIBUYE AL LOGRO DE LAS

METAS CUANDO SE LE PIDE

CONTRIBUYE OCASIONALMENTE AL LOGRO DE LAS

METAS

CONTRIBUYE AL LOGRO DE LAS

METAS SIN QUE SE LE PIDA

ACEPTANDO Y CUMPLIENDO SU ROL DENTRO DEL

GRUPO

TRABAJA ACTIVA Y CONSIDERADAMENTE

PARA EL LOGRO DE LAS METAS ACEPTANDO Y CUMPLIENDO SU ROL DENTRO DEL GRUPO

CONSIDERACIÓN A LOS DEMÁS

NECESITA QUE SE LE RECUERDE

OCASIONALMENTE SER CUIDADOSO

CON LOS SENTIMIENTOS DE

LOS DEMÁS

MUESTRA CUIDADO CON LOS

SENTIMIENTO DE LOS DEMÁS

DEMUESTRA Y EXPRESA

SENSIBILIDAD HACIA LOS DEMÁS ALENTÁNDOLOS A

PARTICIPAR

DEMUESTRA SENSIBILIDAD HACIA LOS SENTIMIENTOS Y

NECESIDADES DE APRENDIZAJE DE LOS DEMÁS. VALORA EL CONOCIMIENTO Y

HABILIDADES DE LOS OTROS MIEMBROS DEL

GRUPO ALENTÁNDOLOS A

PARTICIPARCONTRIBUCIÓN

DE CONOCIMIENTOS

CONTRIBUYE CON INFORMACIÓN

SOLAMENTE CUANDO SE LE

PIDE

CONTRIBUYE CON INFORMACIÓN

OCASIONALMENTE CUANDO SE LE PIDE O SE LE RECUERDA

HACERLO

CONTRIBUYE CON INFORMACIÓN Y HABILIDADES SIN

TENER QUE PEDÍRSELO

CONTRIBUYE CONSISTENTE Y

ACTIVAMENTE CON INFORMACIÓN,

OPINIONES Y HABILIDADES SIN

TENER QUE SOLICITARLO

TRABAJO Y HABILIDAD PARA COMPARTIR CON

LOS DEMÁS

PARTICIPA EN REALIZAR LOS

CAMBIOS NECESARIOS SOLAMENTE

CUANDO SE LE PIDE PERO

SIEMPRE O CASI SIEMPRE DEJA

QUE LOS DEMÁS HAGAN EL

PARTICIPA OCASIONALMENTE EN REALIZAR LOS

CAMBIOS NECESARIOS

CUANDO SE LE PIDE PERO SIEMPRE

NECESITA QUE SE LE RECUERDE LO QUE DEBE HACER

PARTICIPA VOLUNTARIAMENTE

EN REALIZAR LOS CAMBIOS

GENERALMENTE REALIZA EL TRABAJO

ASIGNADO Y POCAS VECES NECESITA

QUE SE LO RECUERDEN

AYUDA AL GRUPO A IDENTIFICAR LOS

CAMBIOS NECESARIOS Y ALIENTA AL GRUPO PARA REALIZARLOS. SIEMPRE REALIZA EL

TRABAJO ASIGNADO Y NUNCA NECESITA QUE

SE LO RECUERDEN

TRABAJO


informe actividad 19

Documents

Transcript of informe actividad 19