View
75
Download
0
Category
Preview:
DESCRIPTION
DISEÑO E IMPLEMENTACIÓN DE SISTEMAS DE CONTROL NEURONAL DE TEMPERATURA UTILIZANDO EL SOFTWARE NEUROSYSTEMS DE SIEMENS. Patricio Suquillo Q. Introducción. Neurocontroladores (Diseño y Simulación) Patrones de entrenamiento. Se implementaran tres tipos de neurocontroladores: - PowerPoint PPT Presentation
Citation preview
DISEÑO E IMPLEMENTACIÓN DE SISTEMAS DE CONTROL
NEURONAL DE TEMPERATURA UTILIZANDO EL SOFTWARE
NEUROSYSTEMS DE SIEMENS.
Patricio Suquillo Q.
Se implementaran tres tipos de neurocontroladores:◦ Con modelo de Referencia.◦ Con red neuronal inversa. ◦ Con identificación de un
controlador.
Introducción
• Neurocontroladores (entrenamiento)
• Generación de módulos neuronales
• Desarrollo de Interfaz HMI en WinCC.
• Cargar Aplicaciones NeuroSystems
• Acondicionamiento de señales.
• Obtención de variables.
• Neurocontroladores (Diseño y Simulación)
• Patrones de entrenamiento.
• Control de temperatura con neurocontroladores desarrollados.
Neurona BiológicaSinapsis.- Conexión entre neuronas: *Eléctrica descargas en el soma o cuerpo. *Química intercambio de neurotransmisores.
Funcionalmente se puede establecer
una similitud a procesadores
sencillos con un canal de entrada de
información, las dendritas un
órgano de computo, el soma y un canal de salida, el axón.
Aprendizaje.- establecimiento de nuevas conexiones, ruptura de otras, ponderación de las intensidades sinápticas (plasticidad), o incluso mediante muerte neuronal.
Célula elemental del
sistema nervioso.
Consiste en aproximar mediante una red neuronal la dinámica inversa de la planta.
Es una estructura de estado estable, la cual puede ser usada para control siempre que el proceso sea monótono
Diseño: Controlador con red neuronal inversa.
IdentificaciónDe la Planta
u
E stadoControlador
Con red neuronal Inversa u
Dtem p
E stado
Dtem p
a) b)
G¯¹(s) G(s)
E stado
x y
P lan taModelo
I n ver so RNA
Planta
Neurocontrolador Red Neuronal
Inversa
u
uc
Dtem p
Estado Inicial+
-
Ajustar la señal de control de una forma estable para que la salida de la planta tienda a la salida del modelo de referencia.
El error entre la salida del modelo y la respuesta de la planta es usado como señal de retroalimentación para el controlador.
Para entrenar: Pesos sinápticos de la planta “Fijos” Pesos sinápticos del Controlador “Modifican” Se ajustan por retropropagación del error.
Diseño: Controlador con modelo de referencia lineal.
Modelo de Referencia
LRM
Controlado con RNAs
Modelo de laPlanta con
RNAs
Señal deEntrada
+-
Modelo de Referencia Lineal
Consiste en usar una red neuronal para identificar un controlador existente.
Si se tratase de modelar un controlador PID, la red neuronal requiere a parte del error instantáneo entre el punto de operación y la salida del proceso, la integral y la derivada del error. Alternativamente, se puede entrenar una red neuronal con los errores y/o las salidas del controlador.
Diseño: Controlador con Identificación de un controlador ya existente.
u cCtrlPID
Identificación Ctrl PID
RNAs
un
+-
Diferencia de Temp
Modelamiento de la Planta
𝑇asa de calor transferida. seg
𝑇asa de calor acumulado.
(−0.41)𝑋 2+(3.2 ) X+0.8
Diseño y Entrenamiento de los neurocontroladoresCreación de la Red Neuronal
NCtrl con red neuronal inversa.
NCtrl con modelo de referencia.
NCtrl con Identificación de PID.
Estructura Neuronal
Entrenamiento
Entrenamiento Ctrl_Inv
La curva de aprendizaje converge a partir de la iteración 3000, presentando un
error de 4.4 %.
Inicio
· Obtención del modelo matemático del modulo de temperatura PCT-2 (Planta).
· Obtención de los patrones de entrenamiento de la planta.
· Reordenamiento de patrones según el modelo inverso cnet_inv-txt.
Planta.mdl
cnet_INV.m
Patrones de entrenamiento
• Se deberá diseñar y obtener una red neuronal que presente un comportamiento inverso al de la planta.
Entrenamiento Ctrl_InvDistribución estadística de los valores en las variables en el archivo de entrenamiento
Indica el número de muestras para cada valor de las variables, mostrando en el eje X el valor de la variable, eje y cantidad de muestras para ese valor
Relevancia de entradas.
Indica la relevancia de la variable “Dtemp” en el proceso de control.
Entrenamiento Ctrl_InvSimulación y Desempeño de la red neuronal entrenada.
Varia las entradas y genera los posibles escenarios , obteniendo la señal de control en rojo
[-10 12]
En el eje Z, se grafica la señal de control dentro del área de entrenamiento.
Entrenamiento Ctrl_Mref
Inicio
· Obtención del modelo matemático del modulo de temperatura PCT-2 (Planta).
· Obtención de los patrones de entrenamiento del modelo de la planta.
· Entrenamiento y obtención de la red neuronal que imita a la planta.
· Estructura y Definición del Modelo de Referencia Lineal (LRM)
· Obtención de patrones de entrenamiento del LRM.· Definición de estructura y entrenamiento de la red
total tnet· Definición de estructura y entrenamiento de la red
parcial controladora cnet· Generación del controlador cnet
· Inserción del controlador cnet junto al modelamiento de la planta
planta.mdl
· Obtención de los patrones del comportamiento del controlador con modelo de referencia cnet, generación del archivo Mref2.txt.
planta_RNAs.m
LRM.mdl
Ctrl_RNAs
Mref_patrones.mdl
Mref_patrones.m
· Modificación de archivo de entrenamiento mediante la suma de un offset, generación del archivo Mrefoff.txt.
Mref_off.m
Patrones de entrenamiento
La salida de la planta deberá tender a la salida del modelo de referencia.
LRM deberá describir el comportamiento ideal del sistema controlado. (Controlador + Planta)
La curva de aprendizaje converge a partir de la iteración 100 presentando un error
de 3.39 %.
Entrenamiento Ctrl_MrefDistribución estadística de los valores de las variables en el archivo de entrenamiento
Indica el número de muestras para cada valor de las variables, mostrando en el eje X el valor de la variable, eje y cantidad de muestras para ese valor
Relevancia de entradas.
Indica la relevancia de la variable “Estado” en el proceso de control.
Entrenamiento Ctrl_MrefSimulación y Desempeño de la red neuronal entrenada.
Varia las entradas y genera los posibles escenarios , obteniendo la señal de control en rojo
[-0.2 8]
En el eje Z, se grafica la señal de control dentro del área de entrenamiento.
Entrenamiento Ctrl_Id_PIDSe deberá obtener la identificación del controlador PID, usando redes neuronales, verificando su entrenamiento y posterior funcionalidad
Patrones de entrenamiento
Inicio
· Obtención del modelo matemático del modulo de temperatura PCT-2 (Planta).
· Sintonización e Inserción del controlador PID junto a la planta.
planta.mdl
· Identificación del controlador PID.· Archivo copiapid10.txt
PID_Ctrl.mdl
Modelado_PID.m La curva de aprendizaje converge a partir de la iteración 500 presentando
un error de 19 %.
Para reducir el error proporcionar la integral o derivada del error.
Entrenamiento Ctrl_Id_PIDAnálisis de Patrones de Entrenamiento
• Se grafican todos los patrones de entrenamiento que contiene el archivo de aprendizaje, y en rojo la salida proporcionada por la red neuronal entrenada.
• La variable Dtemp representa el error instantáneo que ingresa al bloque PID
• La variable U es la salida del controlador PID
Entrenamiento Ctrl_Id_PIDSimulación y Desempeño de la red neuronal entrenada.
Varia las entradas y genera los posibles escenarios , obteniendo la señal de control en rojo [0 10]
Diagrama Funcional.[entrada1 entrada2 salida]Controlador
Con red neuronalInversa
PlantaPCT-2
UPAW 272
Dtem pMD 4
E stadoPEW 272
E stadoMD 0
+-S etP oi n t
MD 8
ControladorCon Modelo de
ReferenciaPlanta
UPAW 272
E stadoPEW 272
E stadoMD 0
S etP oi n tMD 8
Identificación de
Controlador PID
PlantaPCT-2
UPAW 272
E stadoPEW 272
S etP oi n tMD 8
+
-
Dtem pMD 4
Neurocontrolador con Identificación de controlador PID.
Neurocontrolador con red neuronal inversa.
Neurocontrolador con modelo de referencia.
Procedimiento Hardware24 VDC
GND
PLC S7-300
CPU 315F-2 PN/DP
SM 334 AI4/AO2
Micro Memory Card
Computador PG-PC
Modulo de Temperatura,
Cable Ethernet Industrial
CAT6.
Conectores E/S
Analógicas.
Dispositivos Utilizados
Diagrama de Conexión
Siemens
Step7
Administrador Simatic
HW Config
Editor de Símbolos
KOP/AWL/FUP
NeuroSystems
WinCC Graphics Designer
Procedimiento Software
Graphics Designer
Vinculación de entradas a la RNA con variables WinCC Ctrl_Inv
Vinculación de entradas a la RNA con variables WinCC Ctrl_Mref
Vinculación de entradas a la RNA con variables WinCC Ctrl_Id_PID
Dependiendo del controlador entrenado la vinculación de las entradas varia por lo cual se proporcionan tres imágenes que marcan la diferencia en la funcionalidad de cada neurocontrolador.
Graphics DesignerPermitirá grabar 1 en la variable trigger necesario para la visualización.
Los resultados obtenidos por el bloque NeuroSystems necesitan ser vinculados con la variable externa “U”
Desempeño de los Neurocontroladores 5060 °C.
Ctrl_Inv, error 0.94 °C
Ctrl_Mref, error 0.9 °C
Ctrl_Id_PID, error 1.42 °C
Perturbaciones posición 1 4 a 45°C.
Ctrl_Mref, error 0.29 °C
Ctrl_Inv, error 0.62 °C
Ctrl_Id_PID, error 0.74 °C
Análisis de resultados.
Del análisis realizado en las pruebas efectuadas a los diferentes controladores se puede determinar:
Área de funcionamiento óptima ubicada en rangos de temperatura cercanos a los 50°C.
La perturbación genera un incremento del error.
El neurocontrolador con red neuronal inversa presenta la acción de control mas rápida.
Análisis de resultados.
CONCLUSIONES Y RECOMENDACIONES
Los neurocontroladores presentan una respuesta bastante apropiada para el control de temperatura y perturbaciones inesperadas.
Se presento un error en estado estable aproximado
de 2°C, por modelamiento matemático empírico. El tiempo de muestreo es un parámetro crítico en la
obtención de patrones de entrenamiento.
En el controlador con modelo de referencia lineal, surgieron falencias para decrementos de temperatura con tiempos prolongados y sin alcanzar el descenso de temperatura requerido.
Conclusiones
La zona de más importancia y que mejor definida debe estar, es la zona comprendida entre de diferencia de temperatura .
Cuando el entrenamiento cae en un mínimo local sin satisfacer el porcentaje de error permitido se puede considerar: cambiar la topología de la red, modificar los parámetros de aprendizaje o presentar los patrones en otro orden.
La estructura idónea está constituida por 4 capas
con 8 y 12 neuronas en la capa 2 y 3 respectivamente.
Conclusiones
Sistema operativo Windows XP SP2. Instalación de AuthorSW para poder migrar la
licencia desde el disco de hacia un disco duro con interfaz USB 2.0 y luego poder transferirla a la PC.
Direccionamiento de la red permita la comunicación entre los dispositivos y la maquina virtual, por lo que se recomienda la configuración del adaptador de red o puente entre el host y la maquina virtual.
Recomendaciones.
Extremo cuidado con el modulo analógico SM334, debido a que la inversión de la polaridad en la alimentación de las entradas analógicas produce la destrucción de los 4 canales de entradas, ya que no están separados galvánicamente.
La nueva tecnología TIA Totally Integrated
Automation que proporciona una forma sencilla a través de una sola pantalla, una sola plataforma de programación y configuración.
Para cargar los neurocontroladores al PLC, se recomienda la adquisición de Simatic SoftNet S7/PB junto a la interface MPI—USB ya disponible.
Recomendaciones.
Recommended