ASIGNACIN DEL 2 CORTE

INTEGRANTES: JUAN PABLO LPEZ SANGUINO 1091667645 JAIR ELIAS ARAUJO VARGAS 1106306474

PROFESOR: ROCCO TARANTINO ALVARADO

UNIVERSIDAD DE PAMPLONA SEDE DE VILLA DEL ROSARIO 2.010

1. INTRODUCCIN

El control automtico desempea un papel importante en los procesos de manufactura, industriales, navales, aeroespaciales, robtica, econmicos, biolgicos, etc. El tipo de control que se implementa en cada caso depende de varios factores, entre ellos si el sistema a controlar es lineal o no lineal, estable o inestable, etc. Hasta hace pocos aos el control de sistemas lineales se realizaba principalmente mediante reguladores Proporcional, Integral, derivativo o una combinacin de estos. Para el caso de sistemas no lineales, en especial de varias entradas y salidas, era comn utilizar variables de estado. Hoy en da cada vez es ms comn utilizar controles inteligentes para realizar estas tareas. En este trabajo se presenta la implementacin de un controlador mediante Redes Neuronales Artificiales (RNA), que se comporte como un controlador PID. Adems, realizaremos la comparacin entre estos dos tipos de controladores, para determinar sus ventajas y desventajas, frente a las diferentes condiciones que pueden presentarse en el proceso de produccin. Al Reconocimiento de patrones llamado tambin lectura de patrones, identificacin de figuras y reconocimiento de formas1 consiste en el reconocimiento de patrones de seales. Los patrones se obtienen a partir de los procesos de segmentacin, extraccin de caractersticas y descripcin dnde cada objeto queda representado por una coleccin de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categora o clase (conjunto de entidades que comparten alguna caracterstica que las diferencia del resto). Para poder reconocer los patrones se siguen los siguientes procesos: 1. adquisicin de datos 2. extraccin de caractersticas 3. toma de decisiones

El punto esencial del reconocimiento de patrones es la clasificacin: se quiere clasificar una seal dependiendo de sus caractersticas. Seales, caractersticas y clases pueden ser de cualquiera forma, por ejemplo se puede clasificar imgenes digitales de letras en las clases A a Z dependiendo de sus pxeles o se puede clasificar ruidos de cantos de los pjaros en clases de rdenes aviares dependiendo de las frecuencias. Un sistema completo de reconocimiento de patrones incluye un sensor que recoja fielmente los elementos del universo a ser clasificado, un mecanismo

de extraccin de caractersticas cuyo propsito es extraer la informacin til, eliminando la informacin redundante e irrelevante, y finalmente una etapa de toma de decisiones en la cual se asigna a la categora apropiada los patrones de clase desconocida a priori.

Figura 0 : Sistema de Reconocimiento de Patrones

OBJETIVOS GENERALES

1. Disear una red neuronal que se comporte como un controlador PI, en un sistema de control instrumentado de un proceso industrial. 2. Disear el SSDF del proceso. 3. Realizar un sistema de reconocimiento de patrones.

OBJETIVOS ESPECFICOS

1. Asimilar el proceso de entrenamiento de una implementacin, en el control de procesos industriales.

red

neuronal

su

2. Entender el comportamiento de una red neuronal a medida que avanza su entrenamiento y comprender los factores que influyen en el mismo. 3. Analizar los factores que generan un buen entrenamiento. 4. Estudiar el comportamiento de un controlador RNA con y sin perturbaciones, ruidos y fallas en comparacin con un controlador PI Formal. 5. Analizar por medio de redes neuronales el SDDF del proceso simulado.

DESARROLLO 1. Controlador PI y SDDF en un tanque de almacenamiento: Datos del proceso : SP (L): = 8 m (t): 10 m3/min Set Point (Seal de referencia de nivel) (Caudal mximo de entrada)

: 1 min : 0.1 min : 10 min

Constante del tiempo de la vlvula Constante del tiempo del transmisor Constante del tiempo del proceso

h (t): Altura del lquido instantnea LT (t): Transmisor de nivel 8m (Altura total del tanque) A: 5 m2 (rea de la base del tanque) Seal Estndar del transmisor: 4-20 ma dc (Altura promedio) (Del tubo de salida del tanque) (En el equilibrio) Datos del controlador: 6,012 por mtodo aprox. de Dhalin 2,051 por mtodo aprox. de Dhalin Bias = 12 Datos de entrenamiento: Potencia del ruido gaussiana para entrenamiento = (0.01 a 0.1) Potencia del ruido en produccin = 0.001 Se recomienda 200 UT de simulacin

Error = (0.007 a 0.01)

Esquema del proceso instrumentado:

El proceso consta de un tanque cilndrico, con control de nivel e instrumentacin asociada. El tanque mide 8 m de altura con un rea en la base de 5 m2 y constante geomtrica 5 del tubo de salida del tanque. El sistema de control est conformado de tres elementos: vlvula de control, proceso y transmisor de nivel. Este sistema est regulado por un controlador del tipo PID, que debe mantener el nivel del lquido alrededor del set point. El controlador enva la seal a la vlvula, la cual se abre o cierra dependiendo de las indicaciones ste, y proporciona el caudal al elemento de proceso. A su vez la salida del proceso es enviada a travs del elemento transmisor, que enva la seal al controlador, el cual compara esta seal con la seal del set point, la regula y repite el proceso.

Figura 1: Planta a la cual se le realizar el proceso de control.

Modelado matemtico en el tiempo

ESCALADOR
L (t) 20

Sp(ma)

4 0 Sp(mt) 8

H (mt)

Figura 2: Grfica de Modelado del Escalador.

Ec(1)

MODELO DEL PROCESO: Ec(2) Ec(3)

Ec(4) Reemplazando Ec(3) y Ec(4) en Ec(1), obtenemos:

Ec(5)

Ec(6)

MODELO DEL TRANSMISOR DE NIVEL:

h(t) 8

0 4 20

LT(t)

Figura 3 : Grfica para el modelamiento del transmisor. Ec(7) Despejando LT(t) obtenemos:

Ec(8) Asignando dinmica de primer orden: [ ] Ec(9) Modelo dinmico del transmisor:

Reemplazando Ec(8) en Ec(9), se tendr: Ec(10)

Ec(11) MODELO DEL CONTROLADOR:

Para Hallar Kp y Ki, realizamos:

Ec(12)

= 4.759

= 2.1721

K=

= (

= 0.66 )

Ec(13) Ec(14)

MODELO VLVULA DE CONTROL:

Qi (t) 20

0 4 20

u(t)

Figura 4: Grfica para el modelamiento de la vlvula de control.

Ec(15) Despejando de Ec(15), Qi(t), obtenemos: Ec(16) Aplicando dinmica a la Ec(16) : Ec(17)

Ec(18)

Arquitectura de red: La arquitectura de la red ms comnmente utilizada conjuntamente con el algoritmo backpropagation es la red feedforward multicapa. Esta es una red unidireccional que utiliza el algoritmo de retropropagacin del error, por lo cual resulta adecuada para este tipo de problema. La red posee tres capas, una capa de entrada, una capa de salida y una capa oculta.

Parmetros de entrenamiento utilizados: 6 neuronas en la 1 capa 20 neuronas en la segunda capa 1 neurona en la 3 capa Error: 0.00001 Potencia del ruido gaussiano para entrenamiento = (0.05) 6 retrasos (delays) en la data de entrada (error)

Algoritmo de entrenamiento: El algoritmo utilizado fue Trainlm, que actualiza los pesos y las ganancias de acuerdo a la optimizacin de Levenberg-Marquardt. Es el algoritmo ms rpido para redes Backpropagation; tiene la desventaja de requerir de un set de entrenamiento lo ms estndar posible, pues de otra forma solo aproximar correctamente valores que se encuentren dentro de los patrones de aprendizaje. Si el set de entrenamiento es muy extenso, se recomienda reducir el Jacobiano. La sintaxis de este algoritmo es la siguiente: net.trainParam.epochs: Mximo nmero de iteraciones del entrenamiento. net.trainParam.goal: Error deseado. net.trainParam.lr: Rata de aprendizaje. net.trainParam.max_fail: Mximo nmero de veces que falla el valor de Mu. net.trainParam.mem_reduc: Factor de fraccionamiento de Jacobiano para ahorrar memoria.

net.trainParam.min_grad: Mnimo rendimiento del gradiente. net.trainParam.show: Intervalo de visualizacin de los resultados. net.trainParam.time: Mximo tiempo de entrenamiento en segundos. tr.mu: Valor del Mu adaptivo.

DIAGRAMA EN BLOQUE DEL MODELADO PLANTA CON CONTROLADOR PI-RNA

Figura 5: Diagrama en bloques de la planta con controlador PID.

DIAGRAMA EN BLOQUE DEL MODELADO DEL TANQUE:

Figura 6: Diagrama en bloque del tanque de almacenamiento.

DIAGRAMA EN BLOQUE DEL MODELADO DEL TRANSMISOR DE NIVEL:

Figura 7: Diagrama en bloques del transmisor de nivel. DIAGRAMA EN BLOQUE DEL MODELADO DEL CONTROLADOR PID:

Figura 8: Diagrama del controlador PID con Bias.

DIAGRAMA EN BLOQUE DEL MODELADO VLVULA DE CONTROL:

Figura 9: Diagrama en bloques del elemento final de control. ESCALADOR:

Figura 10: Diagrama en bloques del escalador.

PASOS ENTRENAMIENTO DE LA RED NEURONAL: Workspace:

Figura 11: Tabla de data almacenada por el workspace Algoritmo de entrenamiento:

Figura 12: Algoritmo de entrenamiento utilizado en las RNA

Salida del tanque con controlador PI:

Figura 13: Salida de tanque con controlador PI

Salida del tanque con controlador PI-RNA :

Figura 14: Salida del tanque con controlador PI-RNA

Salida del tanque con controlador PI sometido a ruido :

Figura 15: Grfica de salida del tanque con controlador PI sometido a ruido. Salida del tanque con controlador PI-RNA sometido a ruido:

Figura 16: Grfica de salida del tanque con controlador PI-RNA sometido a ruido.

DIAGRAMA EN BLOQUE DEL SDDF PARA LA VLVULA : Para el SDDF de la vlvula, primero procedemos a clonar mediante red neuronal nuestro elemento, para que luego por medio de un anlisis comparativo entre la salida real ( Vlvula ) y la salida virtual ( RNA Valvula), puedo observar la falla en la vlvula.

Figura 16: Diagrama en bloque del SDDF de la valvula

Figura 17: Salida de comparacin entre RNA VALVULA y Vlvula, si haber falla alguna.

Figura 18: Salida de comparacin RNA VALVULA y Vlvula, habiendo un falla en la Vlvula. Se observa que la diferencia no es cero, debido a que alteramos la ganancia en la vlvula.

DIAGRAMA EN BLOQUE DEL SDDF PARA LOS TRANSMISORES: Para el SDDF en los transmisores colocamos tres sumadores para hacer una diferencia y asi saber si estn fallando. El resultado de la diferencia tiene que ser si no es asi tenemos una falla en algn transmisor luego para la deteccin

Figura N19diagrama en bloque de ccomo se saco el residual del transmisor

Figura N20. Diagrama en bloque de cmo se entreno la neurona con doferentes setpoint

Figura N21 digrama en bloque de la deteccin de fallas en todos lo transmisores

2. RECONOCIMIENTO DE PATRONES: En este ejercicio debemos reconocer un patrn en un universo minimo de 10 patrones distintos, en nuestro caso, tratamos de reconocer mediante el uso de redes neuronales utilizando GATOR el patrn dado por la letra A en sus diferentes formas de escritura. Los patrones de entrada dada cada letra fue el siguiente:

1 1 1 1 1

1 0 0 1 0

1 0 0 1 0

1 0 0 1 0

1 1 1 1 1

0 0 1 1 1

0 1 0 1 0

1 0 0 1 0

0 1 0 1 0

0 0 1 1 1

0 1 1 1 0

1 0 0 0 1

1 0 0 0 1

0 1 1 1 1

0 0 0 1 1

1 0 1 1 1

1 0 1 0 1

1 0 1 0 1

1 0 1 0 1

1 1 1 1 1

1 1 1 1 1

1 1 0 0 0

0 0 1 0 0

0 0 0 1 1

1 1 1 1 1

1 1 1 1 1

1 0 1 0 1

1 0 1 0 1

1 0 1 0 1

1 0 0 0 1

Utlizando el modelo de perceptrn simple, obtuvimos en GATOR la red neuronal que nos reconoce el patrn de la letra A.

Figura : Diagrama de red neuronal utilizada para el reconocimiento de patrones.

En la hoja de Excel, los patrones de la letra A, sern interpretados como IDENTIFICADO y los no reconocidos como NO IDENTIFICADO. Los parmetros de entrenamiento utilizados fueron: Rata de aprendizaje: 0,8 Factor de momento: 0,7 Cantidad de Ciclos: 60000

GRAFICA DE ERROS VS CICLO:

Figura : Grafica de Erros contra Ciclos.

CONCLUSIONES CONCLUSIONES JUAN PABLO: El controlador presenta una buena robustez al ruido, ya que fue entrenado con un ruido mayor al que se enfrenta en produccin Para realizar una identificacin parametrica la planta RNA debe entrenarse a lazo abierto, para as conocer la respuesta natural del sistema La desventaja de la red neuronal es que su entrenamiento es difcil de realizar, consume mucho tiempo y depende de diversos factores como la potencia de mquina.

CONCLUSIONES JAIR: El desempeo de la red neuronal depende en gran medida de la cantidad y la calidad de la data de entrenamiento, ya que a mayor cantidad de data la red puede aprender ms de ese sistema, y si la data viene con mucho ruido es ms complicado el aprendizaje. El controlador PI-RNA se desestabiliza al realizarle un cambio en el set point, ya que fue entrenado con un valor diferente al que se le esta colocando.