Adquisici on de Datos y Control Neuronal usando LabVIEW

Ricardo Rodr guez Bustinza robust@uni.edu.pe

Abstract
The design of a system of control in determined processes in the industry is the main problem of the engineers. Since we obtain the input and output data of a determined process, we can know their answer of the system, the same one that helps us to study a prototype of model and using the theory of the nonlinear control to predict the cycles limit we can propose a function descriptive whose parameters will be necessary for implement the Neurocontroller that will be trained with the Backpropagation algorithm. In our case, we board the design and implementation of a Neurocontroller in a environment of the graphic program LabVIEW using the Simulation Module Toolkit. Our application is the control of a system physical prototype whose model can represent systems of rst and second order. The model of the dynamics of the process in experimental form was obtained, for it we made use the parameters identication theory using the method of curve adjustment by linear interpolation in the frequency domain. The accuracy of the model has been fundamental for the analysis of the descriptive function and consequently the adaptation of a model neural network. The experimental results show that the control signal designed can do that the output of the system prototype follow to arbitrary references efcient with minimum overshoot and null steady-state error.

una estructura neuronal como se muestra en la Figura 1, [4],[5].

Figura 1: Estructura neuronal para el control en tiempo real.

II. Adquisici on de Datos

La adquisici on de datos es el proceso que involucra la recopilaci on de informaci on de una forma automatizada a partir de fuentes de medici on an alogas y digitales como sensores y dispositivos bajo prueba. La adquisici on de datos utiliza una combinaci on de medici on de hardware y software basado en PC para proporcionar un sistema de medici on exible y denido por el usuario.

on de los datos y dise no del controlador se lleKey words: Physical plant, Data acquisition, Neurocontroller, La adquisici var a a cabo mediante las herramientas del lenguaje graco de Design and implementation. LabVIEW que nos permite implementar el sistema de control, manejando las entradas/salidas an alogas en forma conveniente I. Introducci on tal como se muestra en la Figura 2. Los sistemas de control an alogo han sido usados en ambientes industriales por a nos. En un determinado proceso se puede usar muchos controladores, que en conjunto conforma planta entera. Estos controladores son independientes y suelen ser operados y monitoreados por operadores humanos. Hoy en d a las t ecnicas emergentes basadas en redes neuronales, est an siendo desarrolladas y aplicadas en ambientes industriales, debido a que presentan poderosos algoritmos de optimizaci on programados desde software de uso industrial como lo es la Figura 2: Sistema de adquisici on de datos. programaci on graca de LabVIEW. El problema en estudio es el control del voltaje de un proceso (planta f sica) que previamente ha sido identicado por la t ecnica de ajuste de la curva por interpolaci on lineal [2]. El algoritmo de control debe ser ejecutado en una computadora que interact ua con la tarjeta de adquisici on de datos NIDAQ USB6008 que se comunica por el puerto USB. El dise no del sistema de control neuronal que llamaremos Neurocontrolador, ha sido desarrollado mediante el algoritmo Backpropagation, el mismo ptimos para que se encargara de realizar el ajuste de los pesos o 1 El procedimiento experimental de la Figura 2, nos conduce a obtener la DATA del sistema, la misma que ser a analizara para los nes de la identicaci on del proceso. Por identicaci on se entiende la formulaci on de un modelo que permita representar al sistema con todas sus propiedades y caracter sticas relevantes. Un modelo matem atico es un conjunto de ecuaciones que envuelven las variables del sistema proporcionando una repre ptima al sistema. En general, si realizamos un exsentaci on o perimento en que aplicamos ciertos valores a las entradas del

sistema, obtendremos ciertas respuestas en sus salidas; de ese modo, dando los mismos valores que en el experimento a las variables independientes de nuestro modelo, podemos esperar que despu es de resolver el conjunto de ecuaciones, la respuesta del modelo debe tener respuestas similares a aquellas salidas del sistema f sico. La DATA experimental nos da la siguiente curva que se muestra en la Figura 3.

Figura 3: Respuesta de la DATA experimental.

Figura 4: Esquema de un aproximador no lineal por una red multicapa.

La curva de la Figura 3, es de caracter stica sobre amortiguada y es una curva adecuada en su forma para aplicarle el algoritmo de identicaci on de par ametros denominado ajuste de la curva por interpolaci on lineal, de este modo, obtenemos la funci on de transferencia del proceso identicado dado por: (s) = G 225200 (s + 111.6)(s + 1836.4) (1)

como es el m etodo de la funci on descriptiva. Este m etodo permite estudiar la estabilidad de las situaciones de control no lineales desde el punto de vista del dominio de la frecuencia, pero no da informaci on exacta sobre las caracter sticas de respuesta temporal. La funci on descriptiva es una t ecnica aproximada para el estudio de sistemas no lineales. La idea es aproximar los componentes no lineales en un sistema de control por equivalentes lineales. Consideremos el sistema no lineal.

del Controlador Neuronal III. Diseno

Las redes neuronales han sido utilizadas en control por su capacidad de aproximar cualquier funci on no lineal, como lo x = Ax + Bu demuestra el teorema de Funahashi, [6]. Entonces, se puede y = Cx entrenar a una red neuronal para que se comporte como un controlador no lineal. Es as que nace el Neurocontrolador, que u = (r y) (2) es la aproximaci on de un controlador no lineal, por lo que su on no lineal, r la referencia, y es la salida an alisis es muy similar a cuando tenemos sistemas de control Siendo (.) una funci del sistema y el modelo en variables espacio de estado cuyas no lineales, en este caso utilizamos el m etodo de la funci on matrices de estado son ( A, B, C, D). El sistema presenta dos descriptiva. partes: el sistema din amico lineal invariante en el tiempo conSe ha demostrado matem aticamente una red neuronal multica- formado por (A, B, C, D), y el controlador del sistema no lineal on no lineal (.). En la Figura 5, nos muestra el pa puede aproximar cualquier funci on no lineal. Este teorema es una funci lazo de realimentaci on del sistema, en el se aprecia el bloque es solamente de existencia, pues prueba que la red existe pero de la funci o n no lineal (.) que relaciona la se nal de control no indica c omo construirla. La Figura 4 es una representaci on con la se n al de error, [1]. graca para aproximaci on de funciones no lineales con redes neuronales multicapa.

Funci on Descriptiva del Neurocontrolador

No existe un m etodo general para afrontar todos los sistemas no lineales, porque las ecuaciones diferenciales no lineales carecen de un procedimiento general de soluci on. Como no Figura 5: Sistema con realimentaci on unitaria. hay un procedimiento general, se puede tomar cada ecuaci on no lineal, o grupo de ecuaciones similares, en forma individual, para intentar desarrollar un m etodo de an alisis que se pueda Si aplicamos una entrada senoidal a un elemento no lineal su aplicar satisfactoriamente a ese grupo particular. salida generalmente no es senoidal pero si peri odica, con el mismo per odo que la entrada. En el an alisis de la funci on desUna forma de analizar y dise nar un grupo determinado de sis- criptiva se supone que s olo la primera arm onica de la salida es temas de control no lineal, en el que el grado de no linealidad signicativa. La funci on descriptiva de un elemento no lineal sea peque no, es utilizar t ecnicas de linealizaci on equivalente, est a denida como la relaci on compleja entre la componente 2

arm onica fundamental de la salida respecto a la entrada, cuando se aplica una entrada senoidal. N= Y1 1 X (3)

Y1 =

k=1

) ( p2 a2 aqk pk 1 k 6

(9)

La amplitud de la senoide de entrada es X = a y el desfase 2 2 on Donde, N = Funci on descriptiva, X = amplitud de la senoide siempre que se cumpla ( pk e) < /4, ya que esta condici hace a la funci o n impar, entonces consideramos = 0. Final1 de entrada Y1 = amplitud de la primera arm onica de la salida, y la 1 = desplazamiento de fase de la primera arm onica de salida. mente, reemplazando las ecuaciones (9), (3) y obteniendo as funci o n descriptiva para el Neurocontrolador dado por: Consideremos en el control una red neuronal multicapa, que { se puede aproximar a un elemento no lineal. La ley de control N 2 } ( p2 ka ) est a dada por: N = (a) = pk qk 1 (10) 6 k=1 u=
k=1

qk tanh( pk e)

(4)

Donde ( pk a)2 < 2 /4 es el m aximo valor para el argumento de cada funci on de activaci on de la red multicapa.

Donde pk son los pesos de la capa oculta y qk son los pesos Predicci on de Ciclos Limites de la capa de salida mientras que el horizonte N representa el n umero de neuronas ocultas. El sistema de control de la FiguPara hallar los ciclos l mites del Neurocontrolador tenemos que ra 6, muestra a una red neuronal de estructura (1, 3, 1) reemresolver la ecuaci on: plazando al controlador no lineal. 1 G( j ) = (11) (a) Reemplazando (10) en (11) obtenemos: G( j ) = pk qk Figura 6: Sistema con realimentaci on con el aproximador no lineal. { 1 } (12)

( p2 a2 ) 1 k 6

Supongamos que G( j ) = |G( j )|, luego reemplazamos en la ecuaci on (12) y despejamos a. ( ) 1 6 pk qk |G( j )| Nuestro objetivo es encontrar la se nal de control del Neurocona2 = (13) 3 pk qk trolador, para ello usaremos la serie de Taylor para desarrollar la funci on tanh(x), tenemos: Entonces, para que haya ciclo l mite se tiene que cumplir la x3 2x5 17x7 tanh(x) = x + + 3 15 315 siguiente condici on: (5)
N

1 pk qk > (14) Si |x| < /2, es una funci on impar. Si tomamos s olo dos t ermi|G( j )| k=1 nos de la serie, es decir para x = pk e, podemos reemplazar en La amplitud a del ciclo l mite se puede predecir con este m etola ecuaci on (5): do cuando: ( pk e)3 ( ) tanh( pk e) = pk e (6) 6 pk qk |G(1 3 2 j )| (15) 0< < 3 4 pm Esta aproximaci on es v alida para | pk e| < /2. Luego la pk qk ecuaci on (4) puede expresarse como: Donde pm = m ax{ p2 k }. ( ) N 3 ( pk e) u = qk pk e (7) Para aproximar a un controlador no lineal reemplazaremos la 3 k=1 variable s por j en la funci on de transferencia (1) de nuestra Para obtener la funci on descriptiva de la red neuronal, el error planta. Analizando el criterio de Nyquist a nuestra planta de nico punto com un entre los dos e se reemplaza por a sin( t ) en la ecuaci on (7). Luego obten- segundo orden, surge un u on de contornos que ocurre cuando = , esta es una situaci emos: frontera que requiere un estudio adicional. Si consideramos un desfase adicional que solo se puede observa a muy altas ( ) N 2 2 p2 p2 frecuencias, surge el efecto de reproducir una intersecci on que ka k a cos(2 t ) + a sin( t ) (8) u = qk pk 1 este ligeramente a la izquierda del origen. Por lo tanto el origen 6 2 k=1 de la reproducci on del ciclo limite ser a un tanto defectuosa, de modo que se obtiene un ciclo limite de amplitud muy peque na Donde la amplitud de la primera arm onica es:

y frecuencia muy alta. Aproximaremos la planta prototipo de segundo orden a una de tercer orden, mediante la inclusi on de un polo, el mismo que no debe alterar la respuesta din amica de nuestro sistema. Escogeremos un polo que aporte una respuesta r apida, es decir un polo no dominante que sea 3 veces el polo menos dominante, siendo el polo menos dominante de valor 1836.4, luego ponemos el polo en s = 5000 . Ahora hallaremos la ganancia que permite aproximar a la respuesta de la planta, para ello multiplicamos la ganancia de la planta dada en (1) por el valor del polo a nadido resultando K = 1.126 109 . La planta aumentada resulta: G(s) = 1.126 109 s2 + 9.945 106 s + 1.025 109 (16)

funci on descriptiva para ver su rendimiento tal como se muestra en la Figura 7.

Analisis de los Ciclos Lmites con el Diagrama de Nyquist 1 G 1/N 0.8

0.6

0.4

0.2

0.2

0.4

0.6 4 3.5 3 2.5 2 1.5 1 0.5 0 0.5 1 1.5

Hallaremos nuestra frecuencia critica de la entrada senoidal Figura 7: No existe ciclo l mite para una funci on saturaci on de para el entrenamiento de nuestra red, para ello usaremos las amplitud 0.5. siguientes l neas de c odigo Matlab: [n,d]=tfdata(G,v); n=poly2sym(n,s); d=poly2sym(d,s); G=n/d; syms s w G=subs(G,s,i*w); G=collect(G,w); G=expand(G); G=vpa(G,4); Gi=(1.126*10^9*w^3 - 1.12*10^16*w); Gi=vpa(Gi,4); w=solve(Gi) Desde la salida del c odigo obtenemos la frecuencia cr tica = 3153.6 rad/seg que es un valor de frecuencia alto que verica el problema de frontera cuyo valor ser a probado en el dise no del Neurocontrolador. Usando la ecuaci on para la funci on descriptiva: (a) = tica = 3153.6 1/G( j ) y resolviendo para la frecuencia cr rad/seg con un periodo de oscilaci on T = 0.00063 seg. Luego, obtenemos que la funci on descriptiva resulta (a) = 60. Solo se est an considerando las ra ces positivas y diferentes a cero ya que para = 0 no da una soluci on peri odica. Podemos elegir Figura 8: Diagrama de bloques del algoritmo BP para la red de la no linealidad signo como funci on no lineal a aproximar con estructura 1-3-1. la red neuronal.

Implementando el Neurocontrolador
Luego del an alisis de predicci on de los ciclos limites, procedemos a entrenar la red neuronal multicapa mediante el algoritmo Backpropagation que ha sido desarrollado mediante programaci on graca de LabVIEW (ver Figura 8).

Elecci on de la Funci on No Lineal

Una vez obtenida nuestros par ametros queda a un por elegir el tipo de funci on no lineal, la cual linealizaremos por el m etodo de funci on descriptiva, para nuestro caso se decidi o por la opci on de funci on de saturaci on dado por: de la Acci ( ) Diseno on Integral ( ) 1 1 2 1 sinh + (17) Para el dise (a) = 1 2 no del controlador se hace necesario incluir en el a a a dise no una acci on integral, la misma que se encargara de reLa amplitud de la se nal seno de entrada es a = 0.0083. Si la ducir el offset del error d andole as al Neurocontrolador una planta presentara ciclo l mite tendr amos que entrenar al Neuro- mejor performance en la respuesta del sistema cuando se tenga controlador para que responda en base a esos par ametros, pero que implementar el Neurocontrolador en tiempo real. El diade los diagramas de Nyquist podemos analizar que no existe grama de bloques en donde se presenta la acci on integral se ciclo l mite por lo que podemos escoger cualquier valor de la muestra en la Figura 9. 4

ptimos: El entrenamiento nos da siguientes pesos o 327.558 0.00258 pk = 9.2037 , qk = 6.55587 254.771 0.0045

Figura 9: Neurocontrolador con acci on integral.

En el dise no de la acci on integral, calcul aremos la ganancia Ki de la acci on integral desde la ecuaci on caracter stica del sistema dado por: E (s) = s3 + 1948s2 + 205000s + 225200Ki

Figura 10: Salida del Neurocontrolador con acci on integral debido a entradas arbitrarias.

(18) la evoluci on de las se nales en el tiempo.

Dado que el tiempo de establecimiento de nuestra planta sin on del control del sistema en tiempo real se ning un tipo de control es ts = 0.02 seg supondremos que nues- Para la realizaci utiliz o el programa LabVIEW que es un ambiente de progratra acci on integral introducir a un tiempo de establecimiento maci o n gr a co amigable para el usuario. Tiene muchas carac(aun m as r apido) a nuestro sistema igual al 10 % de nuestro ts . ter sticas para trabajar con las tarjetas de adquisici on de datos comerciales como la NIDAQ USB 6008 que es una tarjeta de Una vez indicados el tiempo de establecimiento y la ecuaci on adquisici o n de datos peque n a que est a conectado con el comcaracter stica podemos hallar nuestra ganancia integral, el valputador a trav e s del puerto USB (posee capacidades de conor del tiempo de establecimiento nos da a conocer uno de los versi o n A/D y D/A, entradas y salidas digitales (digital I/O) y polos, es decir s = 3.7/0.002 = 1850. Resultando entonces la contadores-timers (Counter/Timers), [3]. ecuaci on: E1 (s) = (s + 1850)(s + p1 )(s + p2 ) Despejando la ecuaci on (19) obtenemos: E1 (s) = s3 + ( p1 + p2 + 1850)s2 + . . . ( p1 p2 + 1850( p1 + p2 ))s + 1850 p1 p2 (20) Comparando las ecuaciones (19) y (20) t ermino a t ermino obtenemos un sistema de ecuaciones de orden 3 3 de manera que al resolverlo nos da la siguiente ganancia integral Ki = 194.6936. Para simular la respuesta del sistema implementamos el diagrama de la Figura 9, usando la herramienta del Toolkit de Simulaci on de LabVIEW. Los resultados son mostrados en la Figura 10, observamos la evoluci on de la se nal de salida que le sigue a la entrada de referencia arbitraria (VI Vertical Slide) validando as la performance de nuestro Neurocontrolador. Figura 11: Implementaci on del sistema de control en tiempo real. El diagrama de bloques de la simulaci on en tiempo real (ver Figura 12), ha sido desarrollado usando la herramienta Toolkit Module Simulation de LabVIEW que presenta una interface interactiva y hace posible el manejo de los datos de entrada/salida de un manera sencilla, solamente se tiene que realizar una adecuada conguraci on de la DAQ para que la comunicaci on este dentro de los par ametros permitidos por el dispositivo. Adem as se ha previsto el uso de un saturador (previamente escalado) para la se nal de control debido a que la se nal de control presenta valores por encima de los 5V permitiendo as que la DAQ pueda enviar la se nal sin problemas. (19)

IV. Implementaci on

La implementaci on real del sistema prototipo se muestra en la Figura 11. Los componentes f sicos (hardware) del sistema de control son: el proceso construido en base a amplicadores operacionales y dispositivos electr onicos. La tarjeta de adquisici on de datos NIDAQ USB 6008 encargada de la comunicaci on de los datos de entrada/salida del sistema on en tiempo real se vario la ganancia inexterno (PS2) y una PC con microprocesador Pentium de En la implementaci 1.8GHz. Una fuente de alimentaci on externa para alimentar al tegral de 194.6936 a 200 de tal manera que se pudo obtener circuito y un osciloscopio de 100MHz para la visualizaci on de mejor resultado tal como lo demostraron las simulaciones en el 5

tiempo real.

nulo. La ley de control se comporta como un sobre impulso en el primer segundo, justo cuando en sistema cambia su amplitud, esto es natural debido a que la ley de control obedece a posibles cambios que van ocurriendo en la evoluci on del comportamiento del sistema. Finalmente tenemos la respuesta de la se nal de error que se muestra en al Figura 14. Esta se nal mide la buena performance del Neurocontrolador y no hace m as que comprobar la eciencia de la se nal de control.

Figura 12: Diagrama de bloques para la simulaci on en tiempo real.

Factor de Escalamiento del Saturador

Los valores de escalamiento para el saturador uniforme para cada consigna de referencia se muestran en la tabla. L mite superior de saturaci on 0.1200 0.6800 1.0275 1.3800 Referencia 0.10 0.50 0.75 1.00 Factor de Escala 1.2 1.36 1.37 1.38 Figura 14: Evoluci on de la se nal de error.

Para realizar este trabajo de investigaci on, se ha tenido que implementar el proceso anal ogico compuesto por dispositivos electr onicos. El dise no del sistema de control usando un Neurocontrolador no ha requerido directamente del modelo del proceso ya que basto solamente adquirir la DATA del proceso y usando la t ecnica de identicaci on .Ajuste de la Curva por Interpolaci on Linealse ha procedido a analizar la predicci on de los ciclos limites y por medio de la funci on descriptiva se ha dise nado el Neurocontrolador, cumpliendo este control con las metas impuestas en este trabajo como son, m nimo sobrepaso, y error en estado estacionario nulo, los que se han vericado meV. Resultados Experimentales diante las simulaciones en tiempo real y validando as la t ecnica En este primer experimento se considera la entrada de referen- de control desarrollada en este articulo. cia escal on cuadrada de amplitud 0.5V y un periodo de 0.2s. Mientras que la conguraci on para el lazo de simulaci on es en tiempo inicial 0, tiempo nal innito, m etodo de soluci on ODE Referencias Runge Kutta 1 y un tama no de paso de 0.001. Los resultados [1] A. Delgado, Inteligencia Articial en Minirobots.. de la simulaci on en tiempo real se muestran en la Figura 13. ECOE Ediciones. 1998. [2] TECNIA, Dise no e Implementaci on del Control FST Aplicado a un Sistema Identicado de Segundo Orden usando la NIDAQ USB-6008. Vol. 16 N 1, 2006. [3] National Instruments. User Guide 6008/6009. Guia de usuario, 2005. [4] Narendra Kumpati S., Parthasarathy, Identication and Control of Dynamical Systems Using Neural Networks. IEEE Transactions on Neural Networks Vol. 1 No. Figura 13: Salida controlada para una se nal cuadrada de entrada. El sistema de control es capaz de que la variable siga la evoluci on de la referencia constante con m nimo sobre impulso, m nimo tiempo de estabilizaci on y error en estado estacionario 6 [5] Simon Haykin, Neural Networks. Prentice Hall, Second Edition, 2001. [6] Funahashi, K, On the approximate realization of continuous mappings by neural networks. Neural Networks, 2, 183-192, 1989

Se tiene un rango de factores de escalamiento pero lo ideal ser a tener un solo factor de escalamiento con el cual nuestro sistema ptima, para lograrlo se hizo pruebas tenga una performance o con los valores del rango de factores de escalamiento mostrados (ver tabla 1), un dato adicional que nos ayudar a a encontrar dicho factor universal para cualquier consigna, es que nuestra planta tiene una ganancia aproximada de 1.24, se comenz oa probar experimentalmente los valores cercanos a este y se comprob o que una factor de escalamiento universal de 1.2 es el mas adecuado para el buen desempe no de nuestro sistema.

VI. Conclusiones