CONTROL NEUROBORROSO EN RED.

APLICACIN AL PROCESO DE TALADRADO DE ALTO RENDIMIENTO

Agustn Gajate Martn Instituto de Automtica Industrial (CSIC) N-III Km. 22,800. 28500. Madrid. agajate@iai.csic.es Rodolfo E. Haber Guerra Instituto de Automtica Industrial (CSIC) N-III Km. 22,800. 28500. Madrid. rhaber@iai.csic.es

Resumen
Este trabajo muestra el diseo y la implementacin de un sistema neuroborroso para el modelado y control en red de un proceso de taladrado de alto rendimiento. El sistema neuroborroso considerado en este estudio es el conocido como Adaptive Network based Fuzzy Inference System (ANFIS), en el que las reglas borrosas se obtienen a partir de datos entrada/salida. En el diseo del sistema de control se ha elegido el paradigma del control por modelo interno. Los resultados obtenidos son muy positivos tanto en la simulacin como en la aplicacin en tiempo real al control en red de la fuerza de corte. Este buen comportamiento del sistema de control neuroborroso basado en control por modelo interno se ha verificado por medio de varias cifras de mrito. Palabras Clave: sistemas neuroborrosos, ANFIS, control por modelo interno, optimizacin, control en red, taladrado de alto rendimiento.

las brocas) a travs de la aplicacin de tcnicas de control. Por otra parte, las tcnicas de Inteligencia Artificial (IA) y los mtodos de inspiracin biolgica y fsica estn influyendo de forma decisiva en los caminos utilizados para disear e implementar nuevos sistemas de supervisin y control en red para optimizar procesos de fabricacin como el taladrado. Estos temas estn recibiendo, por separado, un impulso extraordinario. Sin embargo, es necesario desarrollar mtodos que aprovechen la sinergia entre tcnicas de Inteligencia Artificial, mtodos computacionales avanzados, software para tiempo real y comunicaciones. De este modo se puede propiciar la materializacin de sistemas de supervisin y control en red y su aplicacin a la mejora de estos procesos. En la ltima dcada, en el campo de las tcnicas de IA, la hibridacin ha producido novedosos sistemas neuroborrosos. Sistemas conocidos por sus acrnimos como ANFIS, FuNN, REFuNN, DENFIS, HyFIS, TWNFI, tienen prestaciones que facilitan tareas como el modelado y el control de sistemas no lineales y de gran complejidad [2,6,12,14,16,21]. Una de las ventajas de estas estrategias es que combinan la transparencia semntica y la robustez intrnseca de los sistemas borrosos con la capacidad de aprendizaje de las redes neuronales. Entre todos, el sistema neuroborroso conocido como Adaptive Network based Fuzzy Inference System (ANFIS) es, adems del trabajo pionero, el ms sencillo computacionalmente y viable para aplicaciones en tiempo real. La aplicacin de los sistemas neuroborrosos al control pasa necesariamente por la utilizacin de un mtodo de diseo que satisfaga los requisitos del mismo. El paradigma del Control por Modelo Interno (CMI) constituye un enfoque bien establecido para el diseo de controladores, que utiliza explcitamente al

INTRODUCCIN

Los procesos de fabricacin constituyen por su variedad y complejidad un sector industrial con un gran impacto en el PIB de las naciones desarrolladas. La actividad de fabricacin en Europa representa aproximadamente el 22% del PIB. Entre las tareas bsicas de estos procesos de fabricacin estn las de arranque de material, conformado, soldado y ensamblado. El proceso de taladrado constituye uno de los ms intensamente utilizados en la industria. Sin embargo es uno de los que menos atencin ha recibido con vistas a su optimizacin (e.g., mayores tasas de arranque de material, maximizacin de la vida til de

modelo del proceso en el diseo del sistema de control [8,13]. En general, la inversin de modelos no lineales no es una tarea fcil, y pueden no existir soluciones analticas, de modo que las soluciones tienen que calcularse numricamente. Otro problema es que la inversin del modelo del proceso puede conducir a controladores inestables cuando el sistema es de fase no mnima [3]. La utilizacin de sistemas ANFIS en el control por modelo interno tuvo sus primeras realizaciones a mediados de los aos 90 [4]. Varios investigadores han desarrollado aplicaciones para el control de variables de procesos continuos tales como pH [20] o temperatura en el interior de un horno [23]. La aplicacin de redes neuronales y controladores borrosos basados en CMI ha tenido muy buenos resultados en el control de procesos de fresado [9,10]. Sin embargo estas aplicaciones no se han extendido al taladrado. Este trabajo est dirigido hacia la optimizacin del proceso de taladrado mediante el CMI neuroborroso de la fuerza de corte a travs de una red PROFIBUS. El objetivo es maximizar la tasa de arranque de material y maximizar la vida til de la herramienta. La variable controlada es medida directamente de una plataforma dinamomtrica, mientras que la accin de control es enviada a travs de la red. Esto conlleva ineludiblemente la aparicin de retardos. En este trabajo se trata el diseo considerando la existencia de un retardo mximo que incluye tanto la dinmica propia del proceso como la red. Este artculo est organizado en seis apartados. En el apartado 2 se hace una breve descripcin del proceso de taladrado de alto rendimiento. En el apartado 3 se explica el sistema neuroborroso ANFIS para posteriormente, en el apartado 4, mostrar el paradigma del Control por Modelo Interno basado en este sistema. En el apartado 5 se muestran y analizan los resultados de la simulacin y la evaluacin experimental del control neuroborroso en red. Por ltimo, en el apartado 6 se presentan las conclusiones.

directamente con una mayor tasa de arranque de material en el menor tiempo posible, sin daar la herramienta de corte (rotura o aceleracin del desgaste) y sin perder calidad en el acabado. Se trata de un proceso de taladrado de alto rendimiento cuando se trabaja a muy altas velocidades de corte considerando restricciones del material, la herramienta y la mquina herramienta. De todas las variables que influyen de forma determinante en el proceso de taladrado, la fuerza de corte es la ms importante. El incremento en la tasa de arranque de material guarda relacin directa con el mantenimiento de la fuerza constante en toda la operacin. Maximizar la fuerza de corte en la operacin produce un incremento en la tasa de arranque de material pero acelera el desgaste de la herramienta de corte, su posible rotura, y se pueden producir daos en la calidad de la pieza entre otros. De este modo, no solo es importante mantener la fuerza de corte constante, tambin hay que obtener un comportamiento dinmico a lazo cerrado (sin oscilaciones ni sobrepaso). As se alarga la vida til de la herramienta de corte. A partir del anlisis sistmico del proceso y del conocimiento tcnico del mismo se considera el sistema de una entrada y una salida. Como entrada se tiene la velocidad de avance (f) a la que se hizo referencia anteriormente, y como salida, la fuerza media de corte (F) cuya importancia ya fue explicada. Para llevar a cabo el estudio se ha utilizado una representacin aproximada del comportamiento del proceso [5]. El modelo lineal representado a travs de una funcin de transferencia de tercer orden queda expresado como:

G p ( s) =

F ( s) 1958 = f ( s ) s 3 + 17.89 s 2 + 103.3s + 190.8

(1)

donde f(s) es la velocidad de avance, F(s) es la fuerza de corte y Gp(s) es la funcin de transferencia del proceso en el dominio de Laplace. En ese trabajo se comprob experimentalmente que la fuerza de corte tiene una relacin directa a la velocidad de avance y que el proceso tiene una ganancia cuya magnitud depende del material de la pieza con el que se este trabajando y del dimetro de la broca.
2.1 PROTOCOLO MPI. ESTRUCTURA DEL SISTEMA EN RED

EL PROCESO DE TALADRADO DE ALTO RENDIMIENTO

El taladrado es uno de los procesos ms intensamente utilizados en la fabricacin de componentes aeronuticos, del automvil y, en general, en la fabricacin de moldes y matrices. Debido a la feroz competencia por los mercados, uno de los principales objetivos de las empresas es reducir al mximo los tiempos de fabricacin y aumentar la calidad de sus productos. La reduccin de los tiempos de ciclo en un proceso de taladrado est relacionada

PROFIBUS es uno de los buses de campo ms ampliamente utilizados en la industria que opera en base a relaciones maestro-esclavo entre dispositivos

conectados a la red. A cada maestro se le asigna un conjunto de esclavos que peridicamente llevan a cabo la exploracin. Los sistemas de control basados en PROFIBUS estn afectados por el jitter debido a la retransmisin de datos y a la actividad asincrnica llevada a cabo por los maestros. El estado de la tcnica est evolucionando rpidamente con las nuevas versiones sincrnicas de PROFIBUS y las investigaciones relacionadas con los retardos y su modelado [24]. El protocolo multipunto MPI (multipoint interface) es una interfaz de programacin para SIMATIC S7 muy semejante a PROFIBUS. La interfaz fsica es idntica a la de PROFIBUS con una velocidad de 187.5 Kbits/s. Esta velocidad se puede incrementar hasta 12 MB/s. La arquitectura del sistema en red se muestra en la figura 1. El sistema dispone de dos maestros, el control hombre-mquina (MMC) con el ncleo del control numrico (NCK) y el PC con la interfaz MPI, y dos esclavos, a saber: el panel del operador (OP) y la unidad numrica de control (NCU).

SISTEMA ANFIS

NEUROBORROSO

El sistema ANFIS es uno de los primeros sistemas neuroborrosos conocidos [12]. Su principio se basa en la extraccin de reglas borrosas en cada nivel de una red neuronal. Una vez obtenidas las reglas, stas deben proporcionar la informacin necesaria del comportamiento global del proceso. ANFIS implementa el modelo de Takagi-Sugeno para la estructura de las reglas If-Then del sistema borroso. La arquitectura de ANFIS dispone de cinco capas, tal y como se muestra en la figura 3. Los nodos representados con cuadrados son nodos cuyos parmetros son ajustables, mientras que los nodos representados por crculos son nodos fijos.

Figura 3: Arquitectura del sistema ANFIS A continuacin se presenta ANFIS para el caso particular de un sistema de una entrada y una salida [6]. En la primera capa se produce el emborronado (2). La salida de cada nodo se representa por Ol,i, donde i es el i-simo nodo de la capa l.
O1,i = Ai ( f )

Figura 1: Esquema del sistema en red A partir de los ensayos experimentales realizados y de acuerdo al modelo obtenido por [5], el mximo retardo estimado es de 0.4 segundos, incluyendo tanto el tiempo muerto del proceso como el retardo inducido por la red. En la figura 2 se muestra una respuesta del sistema (fuerza de corte) ante un escaln en la entrada (velocidad de avance).

(2)

f es la entrada al nodo y Ai es el conjunto borroso asociado al nodo. Si utilizamos una funcin Gaussiana como funcin de pertenencia borrosa obtendramos la siguiente expresin, donde ai, bi y di son los parmetros antecedentes ajustables:

A ( f ) =
i

1 1 + [(( f d i ) / ai ) 2 ]bi

(3)

Figura 2: Respuesta del proceso y del modelo ante una entrada en escaln

En la segunda capa se multiplican las seales de entrada y la salida es el resultado de aplicar la regla del mximo. La tercera capa normaliza la importancia de cada regla (ver Ec. 4 y 5).

O2,i = wi = Ai ( f )

(4) (5)

O3,i = wi =

wi w1 + w2 + ...

CONTROL POR MODELO INTERNO BASADO EN ANFIS

La cuarta capa calcula el consecuente, o lo que es lo mismo, la funcin de Takagi-Sugeno para cada regla borrosa, donde mi y ci son los parmetros consecuentes.

O 4,i = wi Fi = wi ( m i f + ci )

(6)

Desde el punto de vista clsico, el control por modelo interno utiliza un esquema de control en lazo cerrado en el que intervienen tanto un modelo directo (GM) del proceso a controlar (GP) situado en paralelo con ste, as como un modelo inverso (GM). El retardo est representado por L y las perturbaciones por d (figura 4).

Por ltimo, la quinta capa realiza el desemborronado computando la salida general como la suma de las seales de entrada.

O5,1

w F = w F = w
i i i i i i i

(7) Figura 4: Esquema de control por modelo interno La utilizacin de paradigma de CMI garantiza tericamente robustez y estabilidad del sistema de control. El filtro Gf se incluye en el sistema de control con el objetivo de reducir la ganancia de alta frecuencia y mejorar la robustez del sistema. Tambin sirve para suavizar los cambios rpidos y bruscos en las seales, mejorando la respuesta del controlador.

ANFIS utiliza como estrategia de aprendizaje la retro-propagacin o propagacin hacia atrs de los errores para determinar el antecedente de las reglas. El consecuente de la regla se estima por medio del mtodo de los mnimos cuadrados. En el primer paso o paso hacia delante, los modelos de entrada son propagados y los consecuentes ptimos son estimados por un procedimiento iterativo de mnimos cuadrados, mientras que los antecedentes permanecen fijos. En el segundo paso o paso hacia atrs se utiliza el procedimiento de retropropagacin de errores para modificar los antecedentes mientras los consecuentes permanecen constantes. Este procedimiento se repite hasta que se alcanza la condicin de parada (criterio de error). Cuando los valores de los antecedentes son fijos, la salida general del sistema puede expresarse como una combinacin lineal de los consecuentes (8). Por otra parte, los antecedentes son actualizados por un criterio de gradiente-descendente (10), siendo el ratio de aprendizaje para aij. m1 c 1 m F = [ w1 f w1 w2 f w2 w3 f w3 ] 2 = f W c2 m3 c3 (8) Si f es una matriz invertible

GF ( z ) =

1 k2 z k1

(11)

donde k1 y k2 son parmetros de diseo y usualmente k1 = k2. Un esquema de CMI puede ser implementado usando un sistema neuroborroso ANFIS. Primeramente el sistema ANFIS se entrena para que aprenda la dinmica del proceso por medio de datos entradasalida. De este modo se obtiene el llamado modelo directo. Otro sistema ANFIS es entrenado para aprender la dinmica inversa del proceso y funcionar como controlador no lineal. De este modo se obtiene el llamado modelo inverso. A continuacin describimos ambos procedimientos. En este trabajo se han utilizado datos reales de fuerza de corte y velocidad de avance obtenidos experimentalmente. Para el modelo directo se ha considerado como variable de entrada la velocidad de avance y como variable de salida la fuerza de corte media. Con el objetivo de realizar un mejor ajuste del modelo, se introducen al sistema neuroborroso un

W = f 1 F E aij ( t + 1) = aij ( t ) aij

(9) (10)

conjunto de datos de entrenamiento para crear un modelo neuroborroso inicial. Posteriormente, se utiliza otro conjunto de datos para ajustar los parmetros del sistema creado inicialmente. Los datos experimentales se obtuvieron todos ellos de pruebas realizadas sobre probetas de fundicin nodular GGG40, material altamente utilizado en la industria aeroespacial. Las condiciones nominales de operacin fueron velocidad de giro de 870 rpm, velocidad de avance inicial de 100 mm/min, y profundidad de corte de 15 mm. En la fase de obtencin de los modelos son modificables ciertos parmetros tales como el nmero de funciones de pertenencia en el emborronado, la clase o tipo de dichas funciones, as como el orden de las reglas Takagi-Sugeno de desemborronado. Asimismo, se puede mejorar la precisin del modelo cambiando los parmetros del proceso de aprendizaje (aprendizaje hbrido o retropropagacin del error, nmero de iteraciones, tamao del paso, etc.). La eleccin de las variables correctas y los parmetros ptimos se ha realizado en base a obtener un equilibrio entre el criterio de error de la raz cuadrada del error cuadrtico medio (RMSE) y la respuesta dinmica del modelo. Del estudio realizado se obtuvo que los modelos directo e inverso que mejor ajustan la respuesta del sistema son los que utilizan dos funciones de pertenencia en la fase de emborronado, siendo dichas funciones del tipo campana de Gauss (3), y con reglas de Takagi-Sugeno de orden cero o constantes (figura 5). Tal y como se ha comentado anteriormente, la obtencin del modelo inverso no se ha realizado invirtiendo el modelo, sino que se ha realizado otro entrenamiento del sistema ANFIS pero esta vez con la fuerza media como entrada y la velocidad de avance como salida.

Regla 1: Si Velocidad de Avance es baja entonces Fuerza Media es baja Regla 2: Si Velocidad de Avance es alta entonces Fuerza Media es alta

Funciones Takagi-Sugeno de salida: Veloc. Avance (baja) = 12.42 mm/min Veloc. Avance (alta) = 127.4 mm/min Regla 1: Si Fuerza Media es baja entonces Velocidad de Avance es baja Regla 2: Si Fuerza Media es alta entonces Velocidad de Avance es alta Figura 5: Funciones de pertenencia, reglas y salidas del a) modelo directo ANFIS y del b) modelo inverso ANFIS Los parmetros de entrenamiento fueron 100 iteraciones del algoritmo (un mayor nmero de iteraciones provoca un sobreentrenamiento y, como resultado de ste, picos indeseados en la salida del sistema), modo de entrenamiento hbrido (nicamente con retropropagacin del error no se alcanza el valor de salida deseado) y tamao del paso de 0.01 (el aumento de este valor no produce una mejora significativa de la salida y si un mayor cmputo de operaciones). A pesar de que se han elegido modelos que, a priori, tienen un error medio cuadrtico porcentual mayor que otros modelos, la eleccin se ha basado en que su comportamiento dinmico es mejor (respuestas sin oscilaciones) y son muy sencillos. Un requisito fundamental del modelo directo es que la respuesta transitoria es buena por la influencia negativa que tiene el sobrepaso en la vida til de la broca. Las respuestas de los modelos directo e inverso aparecen representadas en la figura 6. El error medio cuadrtico (RMSE) para ambos casos aparece resumido en la tabla 1.

Funciones Takagi-Sugeno de salida: Fuerza Media (baja) = 173.8 N Fuerza Media (alta) = 931.5 N

d (t ) = A (sin( 2wt ) + sin(3wt ) + sin( 4wt ) + sin(5wt ) ) (12)

siendo w = 7.61. Esta frecuencia se corresponde con la mayor de las frecuencias de los polos del sistema de tercer orden que modela el proceso de taladrado. La amplitud de la perturbacin es A = 10. La figura 7 muestra el estudio mediante simulacin del comportamiento del sistema de control por modelo interno en el que est actuando la perturbacin (12), con un retardo de L = 0.4 segundos y un valor de referencia de FR = 1000 N. En el estudio comparativo se ha incluido un regulador PID por su amplia utilizacin en el mundo industrial [11]:
f [k] = fp[k]+ fi [k]+ fd [k] fp[k] = Kp e[k] K h fi [k] = fi [k 1]+ p e[k] Ti K T N Td fd [k] = fd [k 1]+ p d ( e[k]e[k 1]) Td + N h Td + N h

(13)

Figura 6: a) Respuesta del modelo directo y b) Respuesta del modelo inverso Tabla 1: Errores RMSE de los modelos creados
Modelo RMSE - datos de entrenamiento 27.29 % 29.99 % RMSE - datos de verificacin 42.48 % 45.28 %

e[k] = Fr F[k]

donde N = 10 es el coeficiente del filtro para la componente derivativa y h = 0.069 s es tiempo de muestreo. Los parmetros del regulador PID utilizados en el estudio comparativo fueron: Kp = 0.1086, Ti = 0.1483, Td = 0.0219 (Ziegler Nichols- ZN). Adems en el estudio se ha incluido un segundo regulador PID cuyos parmetros son Kp = 0.01086, Ti = 0.01483, Td = 0.00219 (ganancias x 0.1). La eleccin de reguladores PID diseados utilizando el mtodo de Ziegler-Nichols se ha hecho teniendo en cuenta trabajos previos relacionados con el control en red [18].

Directo Inverso

SIMULACIN Y EVALUACIN EXPERIMENTAL

Una vez creados los modelos neuroborrosos directo e inverso se debe estudiar el comportamiento del sistema mediante simulacin utilizando el modelo (1) y el retardo mximo de 0.4 segundos. El principal objetivo es obtener una respuesta transitoria buena sin sobrepasos (Ovt = 0%), con un tiempo de establecimiento de 2 segundos y utilizando como condiciones nominales las proporcionadas por el manual para la combinacin dada de material y broca. En la fase de simulacin se ha incluido un retardo entre la accin de control y la entrada al modelo, tal y como sucede en el proceso de taladrado real. A su vez, se ha introducido en el esquema una perturbacin o ruido para alterar la salida con el fin de obtener un proceso industrial real. La perturbacin d(t) tiene la forma:

5.1

RESULTADOS EXPERIMENTALES

Los ensayos reales se han llevado a cabo en una fresadora Kondia HS1000 equipada con un CNC abierto Sinumerik 840D. En los experimentos se ha utilizado una broca de dimetro 10 mm Sandvik R840-1000-30-A0A de metal duro integral con recubrimiento de TiN/TiAlN.

Figura 7: Simulacin del sistema: a) respuesta del sistema ante un escaln y b) accin de control correspondiente Desde el punto de vista prctico la existencia de una condicin inicial en la velocidad de avance de 100 mm/min., aade a los requisitos a cumplir en la respuesta transitoria y en el tiempo de establecimiento una mayor dificultad. Si analizamos la respuesta dinmica a lazo cerrado se obtiene un Tiempo de subida (tr) = 2.34 segundos, un tiempo de pico (tp) = 2.48 segundos y un sobreimpulso mximo (Ovt) = 2.96 %. A la vista de los resultados la respuesta dinmica es excelente ya que prcticamente el mximo sobrepaso es nulo y los tiempos de subida y de pico son muy reducidos. El comportamiento del sistema a lazo cerrado nos permite concluir que se trata de un control robusto, estable y relativamente rpido. Para analizar el sistema de control en ms condiciones, se han realizado diversas simulaciones con distintos retardos obtenindose los resultados mostrados en la tabla 2, en los cuales se utiliza, entre otros, el criterio de error de la integral absoluta del error a travs del tiempo (ITAE). En esta tabla tambin se muestran valores obtenidos por el control PID estndar, ajustado tal y como se indic anteriormente. Una vez realizadas todas las pertinentes simulaciones, se procede a implantar el sistema de control por modelo interno mediante ANFIS a un proceso de taladrado de alto rendimiento real. Tabla 2: Cifras de mrito de los sistemas analizados mediante la simulacin
Controlador PID ZN PID ZN modificado ANFIS-CMI ITAE 11.88 ITSE 3.01 IAE 10.57 Ovt. (%) 22.41

Figura 8: Arquitectura del control ANFIS-CMI en un proceso real El control en red se ha realizado a travs de un PC que se encuentra conectado al CNC a travs de la red (ver figura 8). Para comprobar la eficacia del sistema de control desarrollado se han realizado diversos ensayos con las condiciones nominales de velocidad de avance f = 100 mm/min, velocidad de giro n = 870 rpm y 15 mm en la profundidad de corte. La fuerza se mide a travs de una plataforma dinamomtrica Kistler 9257B. Los valores de velocidad de giro, velocidad de avance y dems parmetros aportados por el CNC se trasmiten a travs de la red. Los resultados de los ensayos experimentales se muestran en la figura 9. Se puede observar como a pesar de la exigente condicin inicial y del retardo, el sistema neuroborroso CMI es capaz de cumplir los requisitos de diseo con una respuesta rpida (tiempo de establecimiento de 2 segundos) y sin sobrepaso. Con el sistema de control se consigue aumentar la tasa de arranque de material. Adems, la calidad en la respuesta transitoria y la no existencia de sobrepasos y picos en la respuesta contribuyen desde el punto de vista industrial a un mejor aprovechamiento de la vida til de la herramienta.

39.40 11.18

5.67 4.12

15.62 11.44

14.46 2.96

En todo caso, en el estudio comparativo, no se pretende mostrar una superioridad de estas tcnicas neuro-borrosas con respecto a las tcnicas clsicas ya que, ni el PID utilizado en la comparativa de este estudio es ptimo, ni el sistema propuesto aqu est optimizado. La utilizacin de mtodos de ajuste de parmetros en lnea as como el desarrollo de otras tcnicas de inteligencia artificial sern objeto de trabajos futuros en la busqueda de una mayor optimizacin del proceso de taladrado y otros procesos de mecanizado.
Agradecimientos

Al proyecto DPI2005-04298 Sistema de Control y Supervisin en Red Basado en Tcnicas de Inteligencia Artificial para Optimizar Procesos de Mecanizado a Alta Velocidad (COREMAV). A los ingenieros Pedro Villena y Fernando Martnez por la ayuda prestada para la realizacin de los experimentos. Figura 9: a) Respuesta del sistema real y b) Accin de control Tabla 3: Cifras de mrito de los sistemas reales
Controlador PID ZN PID ZN modificado ANFIS-CMI ITAE 16.61 13.22 ITSE 3.58 3.38 IAE 14.85 13.73 Ovt. (%) 18.37 17.73 Referencias

[1] Abu-Mahfouz, I., (2003) Drilling wear detection and classification using vibration signals and artificial neural network, International Journal of Machine Tools & Manufacture, 43, pp. 707-720. [2] Babuka, R., Verbruggen, H., (2003) Neurofuzzy methods for nonlinear system identification, Annual Reviews in Control, 27, pp. 73-85. [3] Carotenuto, R., (2001) An iterative system inversion technique, International Journal of Adaptive Control and Signal Processing, 15, pp. 85-91. [4] Dash, P. K., Panda, S.K., Lee, T.H., Xu, J.X., (1997) Fuzzy and neural controllers for dynamic systems: An overview, Proc. IEEE Int. Conf. Power Elec. Drive Syst., pp. 810816. [5] Del Toro, R.M., Schmittdiel, M.C., Haber, R.E., Haber, R.H., (2007) System identification of the high performance drilling process for network-based control, Biennial conference on mechanical vibration and noise, 34307. [6] Dena, M.A., Palis, F., Zeghbib, A., (2006) Modeling and control of non-linear systems using soft computing techniques, Applied Soft Computing.

14.11

4.01

15.46

0.00

CONCLUSIONES

Este trabajo muestra los resultados del diseo e implementacin de un sistema de control neuroborroso ANFIS, basado en el paradigma de control por modelo interno, aplicado a un sistema en red. El sistema ha sido aplicado con xito obtenindose la optimizacin del proceso de taladrado de alto rendimiento a travs del incremento en la tasa de arranque de material, teniendo como restriccin la vida til de la herramienta de corte. A su vez, el sistema de control ha cumplido con creces los objetivos propuestos obteniendo adems una respuesta dinmica mejor que la aportada por otros controladores. Tanto la respuesta del sistema real como la accin de control presentan unas curvas comparativamente ms suaves, lo cual favorece la calidad del acabado, el rendimiento del controlador y la ya comentada vida til de la herramienta.

[7] Furness, R.J., Tsao, T. C., Rankin, J. S., (1999) Torque control for a form tool drilling operation, IEEE Transactions on Control Systems Technology, 7(1), pp. 22-30. [8] Goodwin, G.C., Graebe, S.F., Salgado, M.E., (2001) Control System Design, pp. 567-582. Prentice Hall, NJ, USA. [9] Haber, R. E., Alique, J. R., (2004) Nonlinear internal model control using neural networks: an application for machining processes, Neural Computing & Applications, 13, pp. 47-55. [10] Haber, R. E., Alique, J. R., Alique, A., Haber, R. H., (2005) Controlling a complex electromechanical process on the basis of neurofuzzy approach, Future Generation Computer Systems, 21, pp. 1083-1095. [11] Haber-Haber, R., Haber Guerra, R., Schmittdiel, M., Del Toro, R.M., (2007) A classical solution for the control of a high-performance drilling process, International Journal of Machine Tool and Manufacture (in press). [12] Jang, J. S. R., (1993) ANFIS: AdaptiveNetwork-Based Fuzzy Inference System, IEEE Trans. on systems, man & cybernetics, Vol. 23, No. 3. [13] Kambhampati, C., Craddock, R.J., Tham, M., Warwick, K., (2000) Inverse model control using recurrent networks. Mathematics and Computers in Simulation, 51, pp. 181-199. [14] Kasabov, N. K., (1996) Learning fuzzy rules and approximate reasoning in fuzzy neural networks and hybrid systems, Fuzzy Sets and System, 82, pp. 135-149. [15] Kim, J. B., Lee, S. J., Park, Y. P., (1994) Stable and efficient drilling process by active control of the thrust force, Mechanical Systems and Signal Processing, 8, pp. 585-595. [16] Kim, J., Kasabov, N., (1999) HyFIS: adaptive neuro-fuzzy inference system and their application to nonlinear dynamical systems, Neural Networks, 12, pp. 1301-1319. [17] Landers, R. G., Ulsoy, A. G., Ma, Y. H., (2004) A comparison of model-based machining force control approaches, International Journal of Machine Tools & Manufacture, 44, pp. 733748.

[18] Lee, K. C., Lee, S., Lee, M. H., (2003) Remote fuzzy logic control of networked control system via PROFIBUS-DP, IEEE Transactions on Industrial Electronics, 4, pp. 784-792. [19] Nygaard, G., Naevdal, G., (2006) Stable Nonlinear model predictive control scheme for stabilizing annulus pressure during oil well drilling, Journal of Process Control, 16, pp. 719-732. [20] Saludes, S., Fuente, M. J., (2007) Control IMC no lineal tolerante a fallos, Revista Iberoamericana de Automtica e Informtica Industrial, 4, Nm. 2. [21] Song, Q., Kasabov, N., (2006) TWNFI - a transductive neuro-fuzzy inference system with weighted data normalization for personalized modelling, Neural Networks, 19, pp. 15911596. [22] Stone, R., Krishnamurthy, K., (1996) A neural network thrust force controller to minimize delamination during drilling of graphite-epoxy laminates, International Journal of Machine Tools & Manufacture, 36, pp. 985-1003. [23] Vieira, J., Morgado, F., Mota, A., (2004) Artificial neural networks and neuro-fuzzy systems for modelling and controlling real systems: a comparative study, Engineering Applications of Artificial Intelligence, 17, pp. 265-273. [24] Vitturi, S., (2004) Stochastic model of the PROFIBUS-DP cycle time, IEE Proceedings on Science Measurement Technology, 5, pp. 335-342.