Facultad Regional Concepcin del Uruguay

MODELO NEURO-DIFUSO DE PARMETROS DE FUNCIONAMIENTO DE PRENSA PELLETIZADORA DE ALIMENTOS BALANCEADOS Autores: Juan Carlos Ansaldi - Jorge Antivero - Grupo de Investigacin Sobre Automatizacin (GISA)

1. Introduccin Este trabajo presenta la primer etapa del proyecto de investigacin "Control difuso de una Prensa Pelletizadora de Alimentos Balanceados", la implementacin de un modelo neuro-difuso de los parmetros principales de funcionamiento de la prensa: la temperatura de la mezcla y la intensidad de corriente del motor. El objetivo bsico del proyecto general es controlar los parmetros de funcionamiento de una prensa pelletizadora por medio de un control basado en lgica difusa. En la provincia de Entre Ros, Argentina, exiten 25 plantas que producen alimentos balanceados cuyo destino principal es la produccin avcola. El ritmo de crecimiento del sector, ha sido del orden del 2% anual, caracterizandose por una permanente mejora en la calidad de productos ofrecidos. Sin embargo, la antigedad de equipos, en particular de peleteadoras (o pelletizadoras), mezcladoras y enfriadoras tienen un promedio de 15 aos, con rangos comprendidos entre 1,5 y 29,5 aos, con marcadas carencias de equipos modernos y escasa automatizacin y computarizacin de los sistemas operativos, datos de una encuesta realizada sobre 11 molinos de la provincia (Suarez D. y otros, 1996). Este proyecto pretende resolver una parte de estos problemas: automatizacin de la pelletizadora, incorporando tecnologa nacional ante una demanda concreta de la empresa privada en el rea agroindustrial, la cual concentra el 65% de demandas de investigacin y desarrollo de las necesidades regionales (Rochin R y otros, 1998) Una prensa de este tipo consta en general de un acondicionador/alimentador al cual ingresa la mezcla de granos previamente molidos con los aditivos correspondientes y en donde se le adiciona vapor con motivo de elevar su temperatura y humedad. Esta mezcla hmeda ingresa a la prensa pelletizadora y una vez formados los pellets pasan por una enfriadora de flujo a contracorriente en la cual se le disminuye la temperatura, logrando de esta forma la consistencia deseada.

Ciencia y Tcnica

Para una formulacin de alimentos determinada, se debe ajustar la temperatura y caudal de vapor adicionado y el caudal con que se alimenta a la prensa, de manera de lograr que el producto final sea lo ms uniforme posible trabajando a la mxima capacidad con el menor consumo de energa posible, evitando la sobrecarga de la prensa.

2. Materiales y Mtodos La prensa sobre la que se trabajo es marca Giulliani, con una produccin promedio de 10 Tn/h y un motor de accionamiento de 150 CV. La adquisicin de datos se realiz utilizando mdulos de adquisicin y control de la serie ADAM 4000 de la firma Advantech. El mdulo 4017 presenta 8 canales analgicos de entrada de 14 bit de resolucin, configurables para 4-20 mA y 0-10 V. Los mdulos 4050 presentan canales de entrada digitales que se utilizaron para seleccionar el tipo de alimento que se est procesando. Dichos mdulos se conectan a la computadora Pentium II por medio de una interfaz RS 232 / RS 485, (ADAM 4520). Se utilizaron termorresistencias con transductores de 4-20 mA para sensar las temperaturas de la mezcla que ingresa a la prensa y la temperatura del pellet a la salida de la enfriadora, un transductor de corriente 0-300 A / 4-20 mA para registrar la variacin de la corriente del motor de 150 CV de la prensa. El caudal de vapor adicionado a la mezcla se obtuvo de manera emprica, ya que se midi el grado de apertura de la vlvula de vapor utilizando un potencimetro multivueltas. El caudal de alimentacin de la prensa se obtuvo tambin empricamente registrando la frecuencia del variador de velocidad que comanda el motor de accionamiento del acondicionador/alimentador. Se utiliz el software TAURUS Active Scada Control, Versin 5.2 de Nivaltec para la adquisicin de los datos, ejecutndose en un entorno con sistema operativo MS Windows NT Ver 2000. El software scada utilizado es un Servidor de E/S ActiveX, que permite implementar aplicaciones en ambientes de desarrollo visual para Windows. En este caso en particular, utilizamos como ambiente de desarrollo el software Visual Basic Ver 6.0. Se registraron los siguientes datos: Temperatura de la mezcla Temperatura del pellet luego del enfriador

Facultad Regional Concepcin del Uruguay

Caudal de vapor adicionado a la mezcla Velocidad de alimentacin de la prensa Intensidad de corriente del motor de la prensa Temperatura y humedad ambientes Tipo de mezcla utilizada Se tomaron registros diarios durante el mes de octubre a partir de los cuales se obtuvieron los datos para el desarrollo del modelo. El intervalo de registros se fijo en 2 segundos. Se realiz un preprocesado de los datos para eliminar valores redundantes y resolver posibles conflictos que se presenten en los mismos, sobre todo en los momentos de arranque y parada del sistema. Como el sistema modelado es un sistema de mltiples entradas, mltiples salidas (MIMO), se descompuso el mismo en dos modelos de mltiples entradas, simple salida (MISO), de manera de simplificar el mtodo a utilizar (Babuska, R., 1998). De esta forma se generaron dos subsistemas que se interconectaron en una estructura multicapa, convirtindose la salida de una regla en entrada de otra, reducindose sustancialmente el nmero de reglas difusas a utilizar. Se utiliz la estructura neuro-difusa ANFIS (Adaptive Neuro-Fuzzy Inference Systems) propuesta por Roger Jang (Jang, Jyh-Shing Roger, 1993, 1995) implementada en MatLab Versin 5.3 para obtener el modelo de la temperatura de la mezcla y de la intensidad de corriente del motor. La arquitectura de ANFIS est basada en el modelo difuso de Takagi-Sugeno, TS, (Takagi, T and Sugeno, M., 1985) que permite generar un sistema de inferencia difusa partiendo de un conjunto de datos de entrada-salida. Una regla difusa tpica en este tipo de modelos tiene la forma: If x is Ai and y is Bi and z is Ci then ui=fi(x,y,z) i=1;2;3;...;k En la identificacin de este sistema no lineal, se utilizaron reglas de inferencia de primer orden, con lo que resulta: ui=fi(x,y,z)=pi x+qi y + ri z +ci i=1;2;3;...;k

Ciencia y Tcnica

Se aplic el mtodo de entrenamiento hbrido, para determinar los valores de los coeficientes, el cual combina los mtodos del gradiente descendente y de estimacin por mnimos cuadrados. Las funciones de pertenencia utilizadas para la generacin de los conjuntos difusos fueron en todos los casos campanas de Gauss generalizadas. Se seleccionaron las variables de entrada de un conjunto de 12 posibles, reduciendo su nmero basndonos en que los modelos ANFIS con pequeos errores medios cuadrticos reducen despus del primer entrenamiento sustancialmente el error RMS, comparado con los posteriores entrenamientos, lo cual nos result razonable en nuestra aplicacin. El mtodo aplicado es el mtodo propuesto por Jang (Jang, Jyh-Shing Roger, 1998), y utilizado en la determinacin del modelo de concentracin de CO2 de los gases de escape de una caldera en funcin del flujo de entrada de aire, partiendo de 24 posibles modelos de varias combinaciones de las entradas, y seleccionando como mejor aquel que presenta el menor error de entrenamiento. En el caso en cuestin, para realizar el modelo de la temperatura de la mezcla tm(t), se seleccionaron como posibles entradas: tm(t-1);tm(t-2);tm(t-3);tm(t-4);Qv(t-1);Qv(t-2);Qv(t-3);Qv(t-4); Qm(t-1); Qm(t-2); Qm(t-3); Qm(t-4) Para la corriente del motor: tm(t-1);tm(t-2);tm(t-3);tm(t-4);Im(t-1);Im(t-2);Im(t-3); Im(t-4); Qm(t-1); Qm(t-2); Qm(t-3); Qm(t-4) tm: Temperatura de la mezcla Qv: Caudal de vapor Qm: Caudal de mezcla Im : Intensidad de corriente del motor prensa. De esta manera se construyeron 64 modelos con distintas combinaciones de variables de entrada, para cada una de los dos parmetros a modelar, los cuales se entrenaron utilizando 1000 registros de datos de las mediciones en la planta y otros 1000 registros para validar los modelos obtenidos.

Facultad Regional Concepcin del Uruguay

Esto nos permiti seleccionar el modelo que presenta el menor error de entrenamiento y de validacin. Una vez seleccionado el modelo, se procedi a su validacin por medio de registros de datos de das diferentes al utilizado para el desarrollo del modelo. 3. Resultados

Se crearon 27 reglas difusas para cada uno de los parmetros modelados, obteniendo finalmente 54 reglas difusas para el modelo propuesto. El modelo obtenido para la temperatura de la mezcla presenta un error medio cuadrtico RMEStrn = 0,30 para los datos de entrenamiento, y RMESchk= 0,31 para los datos de validacin utilizados en su construccin, mientras que para el modelo de la intensidad de corriente los errores medios cuadrticos son RMEStrn = 2,10 y RMESchk = 3,31. El mayor error obtenido al evaluar el modelo resultante para la intensidad de corriente del motor de la prensa, se debe a la variacin de la potencia consumida por la distribucin no uniforme de la mezcla en la matriz de la prensa. En las grficas de las figuras 1 y 2, de la prxima pgina, se observan los resultados obtenidos luego de 100 ciclos de entrenamiento.

Fig. 1: Modelo ANFIS de la Temperatura de la Mezcla.

Ciencia y Tcnica

Fig. 2: Modelo ANFIS de la Int. de Cte.

4. Conclusiones El sistema propuesto ha resultado til para simular la evolucin trmica de la mezcla y la variacin de la potencia consumida por la prensa para diferentes condiciones de trabajo. Se lograron aumentos de aproximadamente 10% de produccin debido a la utilizacin de este modelo y al anlisis de los datos registrados. La aplicacin de estos resultados permitir en la prxima etapa de este proyecto el desarrollo de un controlador difuso para la prensa pelletizadora sobre la base de la utilizacin de control inverso, a implementarse primeramente como una aplicacin DDE con el sistema SCADA y posteriormente llevarla a una arquitectura basada en microcontroladores PIC, aplicando para este punto de la implementacin el software FuzzyTech (Von Altrock, C., 1995).

5. Referencias Abonyi, Janos; Babuska, Robert y otros. Fuzzy modeling and model based control whith use of a priori knowledge. 1999. Abonyi, Janos and Nagy, Lajos. Adaptive Fuzzy Inference System and its Application in Modelling and Model Based Control, 1999. Babuska, R.; Verbruggen, H.B. and Hellendoorn,H. Promising Fuzzy Modeling and Control Methodologies for Industrial Appications, 1998.

Facultad Regional Concepcin del Uruguay

Jang, Jyh-Shing Roger. Input Selection for ANFIS Learning ,1998. Jang, Jyh-Shing Roger. ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Transactions on Systems, Man and Cibernetycs 23(03) 665-685, 1993. Jang, Jyh-Shing Roger and Sun, Chuen-Tsai. NeuroFuzzy Modeling and Control. The Proceeding of IEEE, 83(3): 378-406, 1995. Johansen,T. A. ; Shorten, R. and MurraySmith, R. On the Interpretation and Identification of Dynamic TakagiSugeno Fuzzy Models, 1999. Kosko, Bart. Neural Networks anf Fuzzy Systems. Prentice Hall, Englewood Ciffs, NJ, 1993. Rochn, R.; Riley, H; Fienup, D. Sistemas Agro-Alimentarios en Entre Ros, Argentina: Evaluacin de retos y Oportunidades. Instituto de Investigacin Julin Zamora. Universidad Estatal de Michigan (1998). Ross, Thimothy J. Fuzzy Logic With Engineering Applications, Mc Graw-Hill, Inc, 1995. Suarez, D.; Lamelas, K.; Schang, J y Trindidad, J. Relevamiento Fsico y Tecnolgico de Plantas Elavoradoras de Alimentos Balancedos para Pollos Parrilleros en la Provincia de Entre Ros. Secretara de Agricultura, Pesca y Alimentacin (1996) Takagi, T and Sugeno, M. Fuzzy Identificacin of Systems and its Applications to Modeling and Control. IEEE Transactions on Systems, Man and Cybernetics, 15:116 132, 1985. Von Altrock, Constantin. Fuzzy Logic and NeuroFuzzy Applications Explained, Prentice Hall, Englewood Ciffs, NJ, 1995.