CARRERA DE INGENIERA EN ELECTRNICA EN

AUTOMATIZACIN Y CONTROL

Control Inteligente
2053
Diseo de Controlador Neuronal Para la
Unidad Air Flow Temperature Control
System
Profesor:
Ing. Victor Proao

Elaborado por:

Jos Arteaga
Jonathan Borja
Patricio Vsconez
Daniel Zurita

Junio 2014

NRC:

Control Neuronal
Tabla de contenido
1.

Tema............................................................................................................................. 3

2.

Objetivos...................................................................................................................... 3

3.

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

4.

Especficos................................................................................................................... 3

5.

Descripcin del Modelo Matemtico del Sistema.........................................................3

6.

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

CONCLUSIONES................................................................................................................ 25
ANEXO A........................................................................................................................... 26
ASIGNACIN DE DIGNIDADES....................................................................................... 26
ANEXO B........................................................................................................................... 26
CRONOGRAMA DE ACTIVIDADES................................................................................... 26

Ilustracin 1: respuesta de la planta con Vin=2.................................................................5

Ilustracin 2: seal utilizando Curve Fitting Tool................................................................6
Ilustracin 3: configuracin del filtrado de la seal............................................................6
Ilustracin 4: comparacin de la seal original con relacin a la seal filtrada..................7
Ilustracin 5: respuesta filtrada de la planta con Vin=2..................................................7
Ilustracin 6: comparacin de la respuesta de la planta con su equivalente aproximacin
de primer orden.................................................................................................................. 8
Ilustracin 7: respuesta de la planta con Vin=2.5..............................................................8
Ilustracin 8: comparacin de la seal original con relacin a la seal filtrada Vin =2.5. . .9
Ilustracin 9: comparacin de la respuesta de la planta con su equivalente aproximacin
de primer orden Vin =2,5................................................................................................... 9
Ilustracin 10: respuesta de la planta con Vin=3.............................................................10
Ilustracin 11: comparacin de la seal original con relacin a la seal filtrada Vin =3. .10
Ilustracin 12: respuesta filtrada de la planta con Vin=3..............................................11
Ilustracin 13:comparacin de la respuesta de la planta con su equivalente aproximacin
de primer orden Vin =3.................................................................................................... 11
Ilustracin 14: respuesta de la planta con Vin=3,5..........................................................12
Ilustracin 15: comparacin de la seal original con relacin a la seal filtrada Vin =3,512
Ilustracin 16:comparacin de la respuesta de la planta con su equivalente aproximacin
de primer orden Vin =3.5................................................................................................. 13
Ilustracin 17: respuesta de la planta con Vin=4.............................................................13
Ilustracin 18:comparacin de la seal original con relacin a la seal filtrada Vin =4. . .14
Ilustracin 19: respuesta filtrada de la planta con Vin=4..............................................14
Ilustracin 20: comparacin de la respuesta de la planta con su equivalente
aproximacin de primer orden Vin =4.............................................................................. 15
Ilustracin 21: respuesta de la planta con Vin=4,5..........................................................15
Ilustracin 22: comparacin de la seal original con relacin a la seal filtrada Vin =4.516
Ilustracin 23: respuesta filtrada de la planta con Vin=4,5...........................................16

Seminarios AC

Pgina 1

Control Neuronal
Ilustracin 24: comparacin de la respuesta de la planta con su equivalente
aproximacin de primer orden Vin =4.5...........................................................................17
Ilustracin 25: respuesta completa de la planta con Vin=5.............................................17
Ilustracin 26: respuesta delimitada a 85s de la planta con Vin=5..................................18
Ilustracin 27:comparacin de la seal original con relacin a la seal filtrada Vin =5. . .18
Ilustracin 28: respuesta filtrada de la planta con Vin=5..............................................18
Ilustracin 29: comparacin de la respuesta de la planta con su equivalente
aproximacin de primer orden Vin =5.............................................................................. 19
Ilustracin 30: entrenamiento de la red neruonal.............................................................22
Ilustracin 31: respuesta de la planta (superior) y controlador (inferior) con SP=30C....23
Ilustracin 32: respuesta de la planta (superior) y controlador (inferior) con SP=40C....24
Ilustracin 33: respuesta de la planta (superior) y controlador (inferior) con SP=50C....24

Figura
Figura
Figura
Figura

1: modelo de la planta en simulink..........................................................................6

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

Seminarios AC

Pgina 2

Control Neuronal

1. Tema
Diseo de Controlador Neuronal para la Unidad Air Flow Temperature Control System.

2. Objetivos
3. General
Realizar el diseo y experimentacin de controladores neuronales para la unidad de
temperatura AIR FLOW TEMPERATURE CONTROL SYSTEM, mediante la utilizacin de las
herramientas de Simulick de Matlab, y tarjetas de adquisicin de datos.

4. Especficos

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 trminos de error de
estado estable y velocidad de respuesta y contrastarlos entre ellos.

5. Descripcin del Modelo Matemtico 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 conveccin, es decir, se
transfiere energa 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 travs de la niquelina y el conducto, a
esto se lo denomina conveccin interna forzada y la transferencia de calor viene descrita
por la ley de Newton del enfriamiento:

Q=h A s (T T )
Donde:
Seminarios AC

Pgina 3

Control Neuronal
h

= Coeficiente de transferencia de calor por conveccin.

As

= rea superficial a travs 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 rgimen transitorio, es decir, la temperatura

no cambia slo con la posicin del cilindro, sino que tambin cambia con el tiempo.
El calor acumulado dentro del cilindro viene dado por la siguiente frmula:

C=mC p

( dTd )

= Masa del fluido.

Cp

= Calor especfico del fluido (aire).

= Temperatura del fluido.

= Tiempo.

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

h A s ( T T )=mC p
mC p

( dTd )

( dTd )h A (T T )=0

t=T T ;

dT dt
=
d d

dt h A s
+
t=0
d m C p
dt h A s
=
t
d m C p
hA

dtt = mC s d
p

ln ( t )=

h A s
+ ln ( a 1)
mC p

Seminarios AC

Pgina 4

Control Neuronal
ln ( T T )=

h A s
+ln ( a1 )
mC p

a1=T T
Condicionesiniciales :=0 ; T =T 0
ln ( T T )=

ln

h A s
+ ln ( T T )
mC p

h A s
T T
=

mC p
T T 0

h As

( mC )t
T T
=e
T T 0
p

Entonces se obtiene la ecuacin que describe el comportamiento de la temperatura en

funcin del tiempo del sistema como se observa en la Figura 2:

T =T (T

h As
t
mC p

( )
T ) e

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
cdigo aproxima siguiente el siguiente modelo de simulink:

Figura 1: modelo de la planta en simulink

Seminarios AC

Pgina 5

Control Neuronal
Se presenta los resultados obtenidos a todos los datos obtenidos para diferentes voltajes
de entrada
Para el voltaje de entrada Vin=2.

Ilustracin 1: respuesta de la planta con Vin=2

Ilustracin 2: seal utilizando Curve Fitting Tool

Seminarios AC

Pgina 6

Control Neuronal

Ilustracin 3: configuracin del filtrado de la seal

Ilustracin 4: comparacin de la seal original con relacin a la seal filtrada

Seminarios AC

Pgina 7

Control Neuronal

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

Entonces se obtiene la aproximacin de primer orden:

K = 17.6207
tau = 26.3223

Ilustracin 6: comparacin de la respuesta de la planta con su equivalente aproximacin de

primer orden

Para el voltaje de entrada Vin=2.5

Seminarios AC

Pgina 8

Control Neuronal

Ilustracin 7: respuesta de la planta con Vin=2.5

Ilustracin 8: comparacin de la seal original con relacin a la seal filtrada Vin =2.5

Entonces se obtiene la aproximacin de primer orden:

K = 16.1604
tau = 27.0778

Seminarios AC

Pgina 9

Control Neuronal

Ilustracin 9: comparacin de la respuesta de la planta con su equivalente aproximacin de

primer orden Vin =2,5

Para el voltaje de entrada Vin=3

Ilustracin 10: respuesta de la planta con Vin=3

Seminarios AC

Pgina 10

Control Neuronal

Ilustracin 11: comparacin de la seal original con relacin a la seal filtrada Vin =3

Ilustracin 12: respuesta filtrada de la planta con Vin=3

K = 15.1940
tau = 27.7246

Seminarios AC

Pgina 11

Control Neuronal

Ilustracin 13:comparacin de la respuesta de la planta con su equivalente aproximacin de

primer orden Vin =3

Para el voltaje de entrada Vin=3.5

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

Seminarios AC

Pgina 12

Control Neuronal

Ilustracin 15: comparacin de la seal original con relacin a la seal filtrada Vin =3,5

K = 14.4510
tau = 27.7939

Ilustracin 16:comparacin de la respuesta de la planta con su equivalente aproximacin de

primer orden Vin =3.5

Para el voltaje de entrada Vin=4

Seminarios AC

Pgina 13

Control Neuronal

Ilustracin 17: respuesta de la planta con Vin=4

Ilustracin 18:comparacin de la seal original con relacin a la seal filtrada Vin =4

Seminarios AC

Pgina 14

Control Neuronal

Ilustracin 19: respuesta filtrada de la planta con Vin=4

K = 13.9415
tau = 28.1705

Ilustracin 20: comparacin de la respuesta de la planta con su equivalente aproximacin de

primer orden Vin =4

Para el voltaje de entrada Vin=4.5

Seminarios AC

Pgina 15

Control Neuronal

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

Ilustracin 22: comparacin de la seal original con relacin a la seal filtrada Vin =4.5

Seminarios AC

Pgina 16

Control Neuronal

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

K = 13.4370
tau = 27.7919

Ilustracin 24: comparacin de la respuesta de la planta con su equivalente aproximacin de

primer orden Vin =4.5

Para el voltaje de entrada Vin=5

Seminarios AC

Pgina 17

Control Neuronal

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

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

Seminarios AC

Pgina 18

Control Neuronal

Ilustracin 27:comparacin de la seal original con relacin a la seal filtrada Vin =5

Ilustracin 28: respuesta filtrada de la planta con Vin=5

K = 12.7581
tau = 27.5087

Seminarios AC

Pgina 19

Control Neuronal

Ilustracin 29: comparacin de la respuesta de la planta con su equivalente aproximacin 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
2
2,5
3
3,5
4
4,5
5

K
17,62
16,16
15,19
14,45
13,94
13,43
12,75

tau
26,32
27,07
27,72
27,79
28,17
27,79
27,5

A medida que se incrementa el voltaje de entrada las caractersticas de la planta varan

lo cual nos indica que es necesario realizar el cambio de estos parmetros al momento
de entrenar la red neuronal que realizara el control.
EL cdigo utilizado para obtener los parmetros 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)

Seminarios AC

Pgina 20

Control Neuronal

function error=aproximacion(par)
global K tau T0 temp U
K=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 on
load Dato_V25
error=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 off
end

Entrenamiento de la red neuronal

La red neuronal que servir 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 cdigo para realizar el entrenamiento, teniendo en cuenta la

variacin de parmetros de la planta en relacin al voltaje que ingresa a sta.
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

Seminarios AC

Pgina 21

Control Neuronal
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];
i
end
Tm=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);

Seminarios AC

Pgina 22

Control Neuronal

Ilustracin 30: entrenamiento de la red neruonal

Terminado el entrenamiento se genera el bloque utilizado el siguiente cdigo

gensim(net)

Figura 3: bloque de la red neuronal entranda

El cual se utilizara para controlar la planta de temperatura.

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

Seminarios AC

Pgina 23

Control Neuronal
En el bloque Matlab fcn se ejecuta el siguiente cdigo:
function y = funcion(u)
global K tau
if 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;
end
y(3) = u;
y(2)= tau;
y(1)= K;

El cual vara los parmetros de la planta de acuerdo a la salida de control.

Finalizado los anteriores pasos se comprueba su funcionamiento.
SP temperatura= 30

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

SP temperatura= 40
Seminarios AC

Pgina 24

Control Neuronal

Ilustracin 32: respuesta de la planta (superior) y controlador (inferior) con SP=40C

SP temperatura= 50

Ilustracin 33: respuesta de la planta (superior) y controlador (inferior) con SP=50C

CONCLUSIONES
1.

Mediante el presente proyecto se a logrado satisfactoriamente el control en tiempo real

Seminarios AC

Pgina 25

Control Neuronal
2.

Para la implementacin de controles neuronales es necesario un modelo matemtico que describa la dinmica real

3.

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

4.
5.

planta de primer orden como el de la planta , donde se pudo controlar el tiempo de establecimiento
La red total que se obtuvo al final del proyecto es tambin compuesta por la red de identificacin y la red de control
Para la implementacin de los controladores neuronales es necesario primero realizar el modelamiento matemtico
del sistema real. En este caso las redes neuronales son aplicadas para optimizar lo valores de control que se

6.

reajusten la salida del proceso.

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 desempeo del control. El controlador neuronal inverso
es muy fue muy eficiente dados los resultados tericos mostrados

Seminarios AC

Pgina 26

Control Neuronal

ANEXO A
ASIGNACIN DE DIGNIDADES
NOMBRE

DIGNIDAD

Daniel Zurita
Jonathan Borja
Patricio Vsconez
Jos Arteaga

LDER
INGENIERO EN CONTROL
INGENIERO EN SOFTWARE
INGENIERO ELECTRNICO

ANEXO B
CRONOGRAMA DE ACTIVIDADES

Seminarios AC

Pgina 27

Control Neuronal

NOM

1
2
3
4
CONTRIBUCIO
CONTRIBUYE
CONTRIBUYE
CONTRIBUYE AL TRABAJA ACTIVA Y
N A LAS
AL LOGRO DE OCASIONALMEN LOGRO DE LAS CONSIDERADAMEN
METAS DEL
LAS METAS
TE AL LOGRO
METAS SIN QUE TE PARA EL LOGRO
GRUPO
CUANDO SE LE DE LAS METAS
SE LE PIDA
DE LAS METAS
PIDE
ACEPTANDO Y
ACEPTANDO Y
CUMPLIENDO
CUMPLIENDO SU
SU ROL DENTRO ROL DENTRO DEL
DEL GRUPO
GRUPO
CONSIDERACI NECESITA QUE
MUESTRA
DEMUESTRA Y
DEMUESTRA
N A LOS
SE LE
CUIDADO CON
EXPRESA
SENSIBILIDAD
DEMS
RECUERDE
LOS
SENSIBILIDAD
HACIA LOS
OCASIONALME
SENTIMIENTO
HACIA LOS
SENTIMIENTOS Y
NTE SER
DE LOS DEMS
DEMS
NECESIDADES DE
CUIDADOSO
ALENTNDOLOS
APRENDIZAJE DE
CON LOS
A PARTICIPAR
LOS DEMS.
SENTIMIENTOS
VALORA EL
DE LOS DEMS
CONOCIMIENTO Y
HABILIDADES DE
LOS OTROS
MIEMBROS DEL
GRUPO
ALENTNDOLOS A
PARTICIPAR
CONTRIBUCI CONTRIBUYE
CONTRIBUYE
CONTRIBUYE
CONTRIBUYE
N DE
CON
CON
CON
CONSISTENTE Y
CONOCIMIEN INFORMACIN
INFORMACIN INFORMACIN Y ACTIVAMENTE CON
TOS
SOLAMENTE
OCASIONALMEN
HABILIDADES
INFORMACIN,
CUANDO SE LE TE CUANDO SE SIN TENER QUE
OPINIONES Y
PIDE
LE PIDE O SE LE
PEDRSELO
HABILIDADES SIN
RECUERDA
TENER QUE
HACERLO
SOLICITARLO
TRABAJO Y
PARTICIPA EN
PARTICIPA
PARTICIPA
AYUDA AL GRUPO
HABILIDAD
REALIZAR LOS OCASIONALMEN VOLUNTARIAME A IDENTIFICAR LOS
PARA
CAMBIOS
TE EN REALIZAR
NTE EN
CAMBIOS
COMPARTIR
NECESARIOS
LOS CAMBIOS
REALIZAR LOS
NECESARIOS Y
CON LOS
SOLAMENTE
NECESARIOS
CAMBIOS
ALIENTA AL GRUPO
DEMS
CUANDO SE LE CUANDO SE LE GENERALMENTE
PARA
PIDE PERO
PIDE PERO
REALIZA EL
REALIZARLOS.
SIEMPRE O
SIEMPRE
TRABAJO
SIEMPRE REALIZA
CASI SIEMPRE
NECESITA QUE
ASIGNADO Y
EL TRABAJO
DEJA QUE LOS
SE LE
POCAS VECES
ASIGNADO Y
DEMS HAGAN RECUERDE LO
NECESITA QUE
NUNCA NECESITA
EL TRABAJO
QUE DEBE
SE LO
QUE SE LO
HACER
RECUERDEN
RECUERDEN

Seminarios AC

Pgina 0

ARTEAGA
JOS

BORJA
JHONNATAN