Sunteți pe pagina 1din 64

Informe final del curso de Sistemas

Avanzados de Control

Interpretacin y simulacin del estrategias de control avanzados


como examen final del curso de sistemas avanzados de control
Universidad Nacional Abierta y a Distancia- UNAD

Presentado a Carlos Alberto Vera Romero


Director Nacional del Curso de Sistemas Avanzados de Control
299018
Por lo estudiantes:
LUIS ALBERTO SANCHEZ CORREA Cd.: 16.786.134
ENVER RICARDO PIZO Cd.: 94517159

Grupo Colaborativo: 299018-6

25, Noviembre, 2015.

ii

Copyright 2015 por Carlos Alberto Vera Romero ESTA PAGINA ES


OPCIONAL Todos los derechos reservados.

iii
Dedicatoria
Trabajo colaborativo final dedicado al esfuerzo como equipo por el aprendizaje
constante por aprender mejores tcnicas de control Avanzado de procesos con mejores
tcnicas y software computacionales.

iv

Agradecimientos

Agradecemos al instructor, a la UNAD y a nosotros mismos porque hemos contado con


la oportunidad de esforzarnos y aprender ms y mejores conceptos en el campo ilimitado
y en constante crecimiento de los sistemas de control avanzado, como tambin disponer
y usar software de control como es el Mathlab que nos permiti aclarar y afianzar
conceptos tericos.

Abstract
En este documento trabajo final colaborativo hacemos diversos ejercicios con tcnicas de
control avanzado como objetivo de aprendizaje de este curso de la UNAD. El problema
inicial en todos los casos que se aplican las diversas tcnicas avanzadas de control es el
mismo que se sugiri inicialmente, que se caracteriza por buscar disear por diversos
modos y tcnicas controlar las variables de proceso temperatura y humedad en una
habitacin eficiente y moderna. Para lograr los diversos objetivos de aprendizaje se inicia
planteando el Modelo matemtico con las ecuaciones que soportan un sistema de control
de temperatura y humedad de una habitacin.
Con la gua del Instructor, de la informacin de las guas y otros materiales abundantes en
este moderno campo de la ciencia se logr elaborar las diversas prcticas requeridas
como aprendizaje en este curso de la Universidad Virtual y a Distancia UNAD de
Colombia.
Se plantean diferentes soluciones a la estructura elegida para el mejor ajuste del sistema.
En las tcnicas usadas de control se usan el ndice de rendimiento, Hamiltoniano para el
sistema propuesto, co-estado ptimo, trayectoria ptima, coste ptimo, reglas para un
control Fuzzy, Redes neuronales artificial, control robusto, y/o adaptativo y/o predictivo.
En cada uno de las tcnicas se utilizan herramientas de software principalmente Mathlab
diversas versiones y con el uso de las herramientas sisotools, Fuzzy, control robusto,
control adaptativo, PID designer, permite establecer sistemas de control que se adapten a
los requerimientos inicialmente establecidos de la optimizacin del sistema de control de
temperatura y humedad de la habitacin.
Se cont en muchos casos que los modelos de control ofrecen muchas ventajas unos por
su facilidad en el diseo como son los modelos de control Fuzzy, en los cuales despus
de tener las reglas de control propiamente identificadas el sistema logra funcionar
excelentemente, y en trminos generales el diseo de modelos Fuzzy puede concluirse
que no se requiere nivel avanzado en el campo de la Modelacin Matemtica, sin
embargo, en otros casos otros modelos de control presentan un grado de complejidad
matemtica alta y su planteamiento desde el punto de vista prctico se convierte en un
arte que muy pocos pueden plantear con facilidad, es el caso de los modelos de control
robusto y en cierto modo las redes de control neuronal en el cual las estrategias de
aprendizaje finalmente determinaran el comportamiento del Modelo de control final.

vi
Introduccin
En este curso de sistemas avanzados de control automtico para Ingeniera electrnica de
la Universidad UNAD, busco tener un conocimiento ms amplio de este campo de la
ciencia, que estudia, disea y permite simular procesos lgicos de control, con
programas y algoritmos sofisticados. Las herramientas de simulacin y programacin
estn unidas al sueo y constante construccin, pruebas y el deseo de crear sistemas que
nos permitan conocer mejor las bondades tecnolgicas. Con el aumento de mejores
procesadores, inteligencia artificial, visin artificial e interfaces hombre mquina, y
sistemas autnomos en un futuro no muy lejano se podrn hacer mejores simulaciones e
implementacin de procesos y de ser solo una idea ms de la ciencia ficcin.
En el diseo de un sistema de control para temperatura y humedad es necesario conocer
profundamente la dinmica de la planta, y cmo se comporta y reacciona ante estmulos.
La fase inicial es importante porque permite obtener un modelo de la planta que
reproduzca con suficiente precisin el comportamiento del proceso real requerido en este
proyecto. Existen dos mtodos para la obtencin de modelos de procesos de sistemas de
control plenamente estudiados, Mtodo terico en el que se hace un anlisis de las
relaciones que existen entre las variables de un proceso y se crean las ecuaciones
matemticas. Mtodo experimental en el que se simula un proceso con seales de
entrada y se observa el comportamiento del proceso, con uso de un software se evala
este comportamiento y como resultado obtener un modelo que se comporte lo ms
parecido al proceso real.
En el presente trabajo se desea obtener un modelo de un proceso de temperatura y
humedad de forma experimental, con ciertas seales de entrada y ver su comportamiento
para luego haciendo uso de un software procesar este comportamiento y obtener un
modelo que represente el comportamiento del proceso real y una vez obtenido el modelo
del proceso poder iniciar el proceso del diseo de un controlador. La solucin que
buscare es crear matemticamente ecuaciones que representen el comportamiento del
proceso real en el cuarto tanto de temperatura como de humedad. Construir un modelo
matemtico del proceso que represente el comportamiento del proceso real.

Para el anlisis de un sistema, en este caso el cuarto que vamos a controlar la temperatura
y la humedad, es un proceso necesario obtener un modelo matemtico que lo represente.
La identificacin de sistemas es la obtencin de un modelo matemtico que reproduzca
con suficiente exactitud genrica, para los fines acadmicos propuesto, las caractersticas
dinmicas del proceso objeto de estudio. El proceso de identificacin comprende los
siguientes pasos generales: obtencin de datos de entrada salida de temperatura y
humedad, eleccin de la estructura del modelo matemtico y conceptual, Obtencin de
los parmetros del modelo y variaciones, y validacin del modelo.

vii
Tabla de Contenidos
Objetivos ............................................................................................................................. 1
Objetivo General ............................................................................................................. 1
Especficos ...................................................................................................................... 1
Justificacin ........................................................................................................................ 2
Referente conceptual........................................................................................................... 3
Estrategia de control 1 segn el modelo planteado........................................................... 10
Estrategia de control 2 segn el modelo planteado........................................................... 14
Estrategia de control 3 segn el modelo planteado........................................................... 22
Estrategia de control 4 segn el modelo planteado........................................................... 26
Estrategia de control 4 segn el modelo planteado........................................................... 30
Descripcin del proceso segn el modelo planteado para el control de habitacin.......... 38
Descripcin de lo realizado en MatLab por el estudiante No.1 ........................................ 39
Descripcin de lo realizado en MatLab por el estudiante No.2 ........................................ 45
Descripcin de lo realizado en MatLab por el estudiante No.3 ....... Error! Bookmark not
defined.
Descripcin de lo realizado en MatLab por el estudiante No.4 ....... Error! Bookmark not
defined.
Descripcin de lo realizado en MatLab por el estudiante No.5 ....... Error! Bookmark not
defined.
Lista de referencias bibliogrficas .................................................................................... 50
Anexos .............................................................................................................................. 51

viii
Lista de tablas
Tabla 1. El ttulo debe ser breve y descriptivo...................Error! Bookmark not defined.

ix
Lista de figuras
Figura 1. Formas y descripcin de las formas. ..................Error! Bookmark not defined.

Objetivos
Objetivo General
Realizar las actividades de aprendizaje prcticas y tericas correspondientes de la
Unidades del Curso de Sistemas avanzados de Control.

Especficos
 Disear mediante variables de estado y tcnicas de identificacin paramtrica
aplicado al control de temperatura y humedad de una habitacin.
 Disear Modelo matemtico para un sistema de control de temperatura y
humedad de una habitacin. Determine a partir del modelo diseado
 Determinar cul es la optimizacin del sistema utilizando la menor cantidad
posible de energa.
 Generar reglas de control Fuzzy para el control de temperatura y humedad de la
habitacin
 Aplicar la aplicacin de una red neuronal artificial en el control de temperatura y
humedad de una habitacin.
 Aplicar al sistema de control de temperatura y humedad a travs del control
robusto, y/o adaptativo y/o predictivo.

Justificacin
El presente trabajo colaborativo se justifica como bsico elemento de aprendizaje de los
sistemas de control avanzado, debido a que para el campo de la ingeniera electrnica y
del control de procesos es fundamental conocer de las herramientas y tcnicas actuales
que permiten afianzarse en este campo novedoso de la ciencia del control y regulacin
automtica de procesos.

Referente conceptual
Modelado matemtico de la planta
El Modelo matemtico base de este trabajo acadmico, es un cuarto trmico donde se pretende
controlar la temperatura y la humedad. Supuestos:
La regulacin de temperatura en el cuarto trmico se da regulando el flujo de agua que pasa a
travs de tuberas desde un dispositivo enfriador de agua hasta el cuarto trmico, la temperatura
del agua es constante. Flujo de agua pasa por un radiador donde se hace la transferencia de
energa hacia el cuarto trmico. Esta transferencia de energa hace que el cuarto y la malta se
enfren hasta una temperatura determinada. La variable a controlar es la temperatura del cuarto
trmico y la variable manipulada va a ser el flujo de agua.
El Modelo matemtico de temperatura controlada y Humedad del Sistema de Aire
Acondicionado. Bajo el control de serpentn de agua refrigerada, calentador, y el humidificador
de la temperatura y la humedad del aire acondicionado controlado sistema, la zona con aire
Acondicionado es apropiado proveed con energa para mantener su temperatura y humedad
correspondiente a las condiciones establecidas.
El modelado del sistema del aire de salida, la mezcla de aire, tanque de agua fra, el calentador, y
componentes del humidificador. El diseo de la amplia modelo matemtica de una temperatura
controlada y el sistema de la humedad del aire acondicionado es poco prctico y razonable debido
a la complejidad. Por lo tanto el modelo matemtico se simplificar por los siguientes supuestos:
el calor y la densidad del aire especficos son constantes, no hay ninguna fuga de aire en el
proceso, el lmite es aislado, el aire es considerado como el gas ideal. La termodinmica recurre a
un enfoque global de balance energtico. La condicin de equilibrio de los sistemas trmicos
establece que el calor administrado a un sistema es igual al calor almacenado por el sistema ms
el calor liberado por el sistema y ms las prdidas del sistema.
Sistemas de control de humedad aadir o eliminar el vapor de agua del aire interior para
mantenerse dentro de los rangos de humedad adecuados. Control de humedad es importante por:
es un factor importante en el confort trmico de las personas, el exceso de humedad en un edificio
puede conducir a la formacin de moho, causando problemas de calidad del aire interior, se trata
de un usuario de energa grande. Solo des humidificacin puede ser un cuarto a un tercio de la
energa de refrigeracin en climas o temporadas hmedas. Cuanto ms caliente est el aire, ms
vapor de agua que puede contener. La humedad absoluta es la cantidad real de las molculas de
agua en el aire. Grficos psicomtrica ayudar a los datos de humedad con la temperatura de su
sitio para entender la cantidad de control de humedad.
Confort y Salud: Rangos de humedad confortable varan por la temperatura (la ms caliente es
la temperatura, menos humedad es cmodo), pero estn generalmente entre 35 % - 50 % de
humedad relativa. Para evitar el crecimiento de moho, ideal niveles de humedad por debajo del
40 %. La comodidad y eficiencia sern mejores cuando el control de la humedad es integrado con
control de temperatura. Los humanos son sensibles a humedad. La transpiracin se evapora de la
piel ms lentamente en condiciones de humedad que en condiciones ridas. Debido a que los
seres humanos perciben una baja tasa de transferencia de calor desde el cuerpo sea equivalente a

4
una temperatura del aire superior, el cuerpo experimenta una mayor angustia de la carga de calor
residual a alta humedad que en menor humedad, temperaturas iguales dadas.
Deshumidificacin mecnica: Deshumidificacin tpica se realiza por los sistemas que utilizan
los mismos mecanismos bsicos como acondicionadores de aire, ya menudo de aire
acondicionado solo deshumidificar el espacio. Son bombas de calor elctricas que deshumidificar
el aire enfrindolo. Deshumidificacin mecnica no es el ms eficaz de energa medios de
deshumidificacin, pero es el ms comn, ya que utiliza tecnologa ubicua estndar. El agua,
ahora en gotas, gotea de las bobinas del condensador para que ms vapor de agua pueda
condensarse all. Puede caer en un sumidero que drena a una corriente de aguas residuales, o se
vaca peridicamente por los ocupantes del edificio o del personal. En las unidades de ventana
montada en el exterior, a menudo simplemente gotea sobre lo que o quienquiera est por debajo.
La humedad relativa (HR) de una mezcla aire-agua se define como la relacin de la presin
parcial de vapor de agua (WA) en la mezcla a la presin de vapor de equilibrio del agua (PA) a
una temperatura dada.
Modelo de Entrada y salida de aire. Generalmente la introduccin del aire acondicionado
elevar refrigeracin en la zona de aire acondicionado, bajando la temperatura e incrementado la
humedad. Una adecuada cantidad de aire exterior puede diluirse en la zona de aire acondicionado,
lo que proporciona frescura necesaria de aire, y el control de la temperatura y la humedad del
lugar de trabajo y la mejora de la calidad del aire.
Modelo de refrigeracin. La energa en el aire se transfiere en el ciclo de agua fra, y el ciclo de
agua fra proporciona la energa para el evaporador. Cuando el aire de retorno pasa por el fro
tanque de agua, si la temperatura del agua enfriada es menor que el devolver la temperatura del
punto de roco del aire, el vapor en el aire hmedo se condensada para la des humidificacin. El
aire entra en el mixto batera de agua fra, tomando el calor sensible ( )y latente calor ( )
de aire de distancia. El aire enfriado y deshumidificado es alimentado al calentador. Si el tipo de
cambio de calor es del 100% cuando el aire pasa a travs de la bobina de agua enfriada, es flujo
constante proceso, y se retira la humedad condensada inmediatamente.
Modelo del Calentamiento del cuarto. El tanque de agua caliente utiliza el calentador de
temperatura controlada y el aire la humedad del aire acondicionado. Cuando se enciende la
temperatura es ms baja que el punto de ajuste. Al calentar el temperatura del aire suministrado
con el calentador, la energa trmica es trasladado a la zona de aire acondicionado, y dejar que la
temperatura alcanzar el punto de ajuste. El calentador est dividido en agua caliente calefaccin,
calentador elctrico y calefaccin de vapor. El agua pasa a travs de la bobina de calentamiento
para tomar el calor en el aire, y el aire calentado se alimenta al humidificador. La capacidad de
calefaccin del calentador es el calor sensible cambio, la potencia de salida del calentador ()
calienta el aire, y el relacin de humedad de la zona de aire acondicionado no se ver
influenciada. Si el proceso de calentamiento es el proceso de flujo constante, la energa relacin
conservacin de calentador.
Modelo del Humidificador. La potencia de salida del humidificador ( ) , convierte la energa
elctrica en calor latente , se aade la humedad en el sistema de humidificacin de vapor de modo
que la humedad de los cambios de suministro de aire , y el aire procesado sistema se alimenta en
la humidificacin del humidificador de aire acondicionado, terraza, plancha es la modificacin de
calor latente puro ; por tanto, slo la humedad cambios , y la temperatura de la zona de aire

5
acondicionado no es donde (SA RA), son la energa y vapor masa , respectivamente,
tomadas dentro o fuera de la sistema por diversos tipos de equipos en el armario de aire
acondicionado , por lo que se combinan con el modelo trmico de diversos equipos tipos de
sistema de aire acondicionado.
MODELACION DEL CUARTO DE CONTROL.
Inicialmente, se describe como la primera ley de la termodinmica. Qin - Q out = d (Q)/dt.
Dnde: Qin = Energa entrado al cuarto, Qout = Energa saliendo el cuarto, d (Q)/dt es la
proporcin de cambio de la energa almacenada. Se puede expresar de modo ms simple as: x =
ax + bu. Dnde: d es la temperatura ambiente, r seria la temperatura deseada, y k seria el
controlador, planta decide si calentar o enfriar

CONTROL PTIMO. El control ptimo es una rama del control moderno que se relaciona con
el diseo de controladores para sistemas dinmicos tal que se minimice una funcin de medicin
que se denomina ndice de desempeo o costo del sistema. En trminos ms formales, su objetivo
principal de la teora de control optimo es determinar las seales de control que causan a un
proceso el satisfacer las restricciones fsicas que se tengan y asimismo minimizar o maximizar
segn sea el caso cierto criterio de desempeo deseado. La solucin de algunos problemas de
control no es posible obtenerla usando mtodos de control clsicos. Esto puede ser ya sea debido
a su complejidad, o que se requieran satisfacer ciertos parmetros relacionados con su
desempeo. El problema de control optimo se puede representar matemticamente en las
siguientes partes: La descripcin del proceso a controlar (modelo del sistema). La descripcin de
las restricciones fsicas. La descripcin del objetivo buscado. La descripcin de algn criterio
para describir el desempeo ptimo (ndice de desempeo).

Trayectoria de Estado Es la solucin a las ecuaciones diferenciales del modelo las cuales
describen el modelo del sistema dinmico, en [t0,tf ].
Control Admisible y Trayectoria Admisible Un control admisible est dado por una ley
de control que satisface las restricciones en el intervalo [t0,tf ]. Una trayectoria admisible
es la trayectoria de estado que satisface las restricciones de variable de estado durante el
intervalo de tiempo [t0,tf ].
Conjunto objetivo Regin en el espacio X T donde se encuentra la trayectoria del
sistema. Un caso ms concreto de este trmino es la regin hacia donde se dirige la
trayectoria, por ejemplo en cierto caso se necesitara que un sistema no tenga que llegar
exactamente al origen, pero s a una vecindad del origen.
ndice de Desempeo J Tiempo mnimo: en donde tf es la variable a minimizar del
sistema.

LGICA BORROSA Fuzzy Lgica. Herramienta para el control de subsistemas y procesos


industriales complejos, tambin para la electrnica de entretenimiento y hogar, sistemas de
diagnstico y otros sistemas expertos. Con esta lgica se pretende representar de forma rigurosa
el significado de los enunciados imprecisos del lenguaje natural. Lo central en la lgica borrosa,
de modo distinto a la lgica clsica de sistemas, se orienta hacia la modelizacin de modos de
razonamiento imprecisos, los cuales juegan un rol esencial en la destacable habilidad humana de
trazar decisiones racionales en un ambiente de incertidumbre e imprecisin.
Habilidad de inferir una respuesta aproximada a preguntas basadas en un conjunto de
conocimiento que es inexacto, incompleto o no totalmente confiable, si la lgica clsica est
considerada como la ciencia de los principios formales y normativos del razonamiento, la lgica
borrosa define los principios del razonamiento aproximado, capaz de reproducirlos modos del
razonamiento humano basando la certeza en cuestin de grado. Conjuntos borrosos. Los
elementos fundamentales de la teora de sistemas borrosos son los conjuntos borrosos (Fuzzy).
Sobre ellos se pueden realizar operaciones, algunas de ellas semejantes a las que se realizan con
los conjuntos clsicos. La lgica borrosa est basada en combinaciones de conjuntos difusos
mediante las mencionadas operaciones. Los conjuntos borrosos, son conjuntos en los que se
define una funcin llamada "funcin de pertenencia", que asigna a cada elemento del conjunto, un
valor que representa el grado en que dicho valor pertenece al conjunto. A cada conjunto se le
asocia un cuantificador lingstico, como por ejemplo, mucho, poco, bastante etc., de forma que
relacionamos el modelo matemtico con el lenguaje humano.
Reglas Difusas. El tipo de sistema difuso que se utiliz para el controlador fue Mamdani, debido
a que este mtodo se basa en un mecanismo de inferencia basado en reglas se adapt fcilmente a
las condiciones planteadas basadas en el comportamiento del horno de la variables de entrada
respecto a la variable de salida, adicionalmente se utiliza el mtodo de fusificacin Centroide o
centro de gravedad por ser continuo.

CONTROL BASADO EN REDES NEURONALES. Una red neuronal artificial (RNA) es un


paradigma de tratamiento de la informacin que se inspira en la forma en que los sistemas
nerviosos biolgicos, como el cerebro, la informacin del proceso. El elemento clave de este
paradigma es la nueva estructura del sistema de procesamiento de informacin. Se compone de
un gran nmero de elementos de procesamiento altamente interconectadas (neuronas) que
trabajan al unsono para resolver problemas especficos. RNA, como las personas, aprender con el
ejemplo. Un ANN est configurado para una aplicacin especfica, tales como el reconocimiento
de patrones o la clasificacin de datos, a travs de un proceso de aprendizaje. El aprendizaje en
los sistemas biolgicos implica ajustes en las conexiones sinpticas que existen entre las
neuronas. Las redes neuronales, con su notable capacidad para entender el significado de los
datos complicado o impreciso, se pueden utilizar para extraer patrones y detectar tendencias que
son demasiado complejos para ser observado por los seres humanos o de otras tcnicas
informticas. Una red neuronal entrenada puede ser pensada como un "experto" en la categora de
informacin que se ha dado a analizar. Este experto puede ser utilizado para proporcionar
proyecciones dadas las nuevas situaciones de inters y "qu pasara si" las preguntas a responder.
 Aprendizaje adaptativo: La capacidad de aprender a hacer las tareas basadas en los datos
que se dan para la formacin o la experiencia inicial.

7
 Auto-organizacin: Una RNA puede crear su propia organizacin o representacin de la
informacin que recibe durante el tiempo de aprendizaje.
 Operacin Tiempo real: clculos ANN pueden llevarse a cabo en paralelo, y los
dispositivos de hardware especiales estn siendo diseados y fabricados, que se
aprovechan de esta capacidad.
 Tolerancia a fallos a travs de informacin redundante Codificacin: la destruccin
parcial de una red conduce a la degradacin correspondiente de rendimiento. Sin
embargo, algunas capacidades de la red pueden ser retenidas incluso con daos a la red
principal.
Una neurona artificial es un dispositivo con muchas entradas y una salida. La neurona tiene
dos modos de operacin; el modo de entrenamiento y el modo de usarlo. En el modo de
entrenamiento, la neurona puede ser entrenado para disparar (o no), para los particulares
patrones de entrada. En el modo de usar, cuando se detecta un patrn de entrada se ensea en
la entrada, su salida asociado se convierte en la salida de corriente. Si el patrn de entrada no
tiene cabida en la lista enseado de patrones de entrada, la regla de disparo se utiliza para
determinar si el despido o no. La regla de ejecucin es un concepto importante en las redes
neuronales y representa por su alta flexibilidad. Una regla de disparo determina cmo se
calcula si una neurona debe disparar para cualquier patrn de entrada. Se relaciona con todos
los patrones de entrada, no slo los que en la que se entren el nodo.
Cuando se usa la red, se identifica el patrn de entrada y trata de salida el patrn de salida
asociado. El poder de las redes neuronales cobra vida cuando un patrn que no tiene salida
asociado a l, se da como una entrada. En este caso, la red da la salida que corresponde a un
patrn de entrada enseado que es menos diferente del patrn dado. Feed-forward RNAs
permiten que las seales viajen de una sola manera; de entrada a salida. No hay comentarios
(bucles) es decir, la salida de cualquier capa no afecta a la misma capa. RNAs de
alimentacin directa tienden a ser sencillo redes que asocian las entradas con las salidas. Se
utilizan ampliamente en el reconocimiento de patrones. Este tipo de organizacin tambin se
le conoce como de abajo hacia arriba o de arriba hacia abajo.
Redes de realimentacin pueden tener seales que viajan en ambas direcciones mediante la
introduccin de bucles en la red. Redes de retroalimentacin son muy poderosas y pueden
llegar a ser extremadamente complicado. Redes de votos son dinmicas; su "estado" est
cambiando de forma continua hasta que llegan a un punto de equilibrio. Permanecen en el
punto de equilibrio hasta que cambie la entrada y un nuevo equilibrio tiene que ser
encontrado.

CONTROL ROBUSTO.

Control robusto es una rama de la teora de control cuyo


enfoque al controlador de diseo se ocupa explcitamente con la incertidumbre. Mtodos de
control robustos estn diseados para funcionar correctamente siempre que los parmetros
inciertos o trastornos se encuentran dentro de un conjunto (normalmente compacto). Mtodos
robustos tienen como objetivo lograr un rendimiento y / o estabilidad robusta en presencia de
errores de modelado acotadas. Los primeros mtodos de Bode y otros eran bastante robustos;
los mtodos de espacio de estado inventados en los aos 1960 y 1970 se encuentran a veces
carecer de solidez, que llev la investigacin para mejorarlos. Este fue el comienzo de la
teora de control robusto, que tom forma en los aos 1980 y 1990 y sigue activo en la

8
actualidad. En contraste con una poltica de control adaptativo, una poltica de control robusto
es esttica; en lugar de adaptar a las mediciones de las variaciones, el controlador est
diseado para trabajar suponiendo que ciertas variables sern desconocida, pero limitada.
Un controlador diseado para un determinado conjunto de parmetros se dice que es robusta
si tambin funcionara bien en un conjunto diferente de supuestos. Retroalimentacin de alta
ganancia es un simple ejemplo de un mtodo de control robusto; con suficientemente alta
ganancia, el efecto de las variaciones de los parmetros ser insignificante. A partir de la
funcin de transferencia de bucle cerrado perspectiva, de alta ganancia de bucle abierto
conduce a rechazo de perturbaciones sustancial en la cara del parmetro del sistema
incertidumbre. El principal obstculo para el logro de altas ganancias del bucle es la
necesidad de mantener la estabilidad en lazo cerrado del sistema. Conformacin de bucle que
permite el funcionamiento de bucle cerrado estable puede ser un desafo tcnico.
Sistemas de control robustos incorporan a menudo topologas avanzadas que incluyen
mltiples bucles de retroalimentacin y caminos de alimentacin directa. Las leyes de control
pueden ser representados por funciones de transferencia de alto orden requeridos para llevar a
cabo simultneamente el rendimiento rechazo de perturbaciones deseada con la operacin de
bucle cerrado robusto.
Incertidumbre control Robusto. Temas principales: Observabilidad, controlabilidad y
estabilidad. Observabilidad es la capacidad de observar todos los parmetros o variables de
estado del sistema. Controlabilidad es la capacidad de mover un sistema de cualquier estado
dado a cualquier estado deseado. Estabilidad a menudo se expres como la respuesta acotada
del sistema a cualquier entrada acotada. Cualquier sistema de control de xito tendr y
mantener los tres de estas propiedades. La incertidumbre representa un desafo de sistema de
control que trata de mantener estas propiedades utilizando informacin limitada.
Mtodos de control robusto buscan obligado la incertidumbre en lugar de expresarlo en forma
de una distribucin. Dado un salto en la incertidumbre, el control puede ofrecer resultados
que cumplan con los requisitos del sistema de control en todos los casos. Por lo tanto robusto
teora de control podra ser declarado como un mtodo de anlisis del peor caso en lugar de
un mtodo tpico caso.

CONTROL
ADAPTATIVO. El control adaptativo es el mtodo de control utilizado por
un controlador que debe adaptarse a un sistema controlado con los parmetros que varan, o
son inicialmente inciertos. Por ejemplo, como una aeronave vuela, su masa disminuir
lentamente como resultado del consumo de combustible; Se necesita una ley de control que
se adapta a las condiciones cambiantes. El control adaptativo es diferente de control robusto
en que no necesita una informacin a priori acerca de los lmites en estos parmetros inciertos
o variables en el tiempo; robustos garantas de control que si los cambios son dentro de los
lmites dados la ley de control no necesita ser cambiado, mientras que el control adaptativo
tiene que ver con la ley de control cambiarse a s mismos.
Control Adaptativo abarca un conjunto de tcnicas que proporcionan un enfoque sistemtico
para ajuste automtico de los controladores en tiempo real, con el fin de lograr o mantener un

9
nivel deseado de rendimiento del sistema de control cuando los parmetros de la planta
modelo dinmico son desconocidos y / o cambio en el tiempo.
Consideremos primero el caso cuando los parmetros del modelo dinmico de la planta son
para ser controlado desconocida, pero constante
El modelo dinmico de la planta puede ser identificado a partir de las mediciones de la planta
de salida / entrada obtenido en virtud de un protocolo experimental en abierto o en lazo
cerrado. Uno se puede decir que el diseo y puesta a punto del controlador se realiza a partir
de datos recogidos en el sistema. Un sistema de control adaptativo puede verse como una
implementacin de la diseo de arriba y procedimiento de ajuste en tiempo real. La afinacin
del controlador ser realiza en tiempo real de los datos recogidos en tiempo real en el sistema.
La informacin se procesa en tiempo real con el fin de ajustar el controlador para el logro de
las actuaciones deseadas va a caracterizar los diversos adaptacin tcnicas. Se ve claramente
que un sistema de control adaptativo es no lineal ya que los parmetros del controlador
dependern de las mediciones de variables del sistema a travs del bucle de la adaptacin.

CONTROL PREDICTIVO. Control predictivo de modelo (MPC) es un mtodo avanzado


de control de proceso que ha estado en uso en las industrias de proceso en plantas qumicas y
refineras de petrleo desde los aos 1980. En los ltimos aos tambin se ha utilizado en los
modelos de balance de la red de alimentacin. Controladores predictivos de modelos se basan
en modelos dinmicos del proceso, con mayor frecuencia lineal modelos empricos obtenidos
por la identificacin del sistema. La principal ventaja de MPC es el hecho de que permite que
el intervalo de tiempo actual a ser optimizado, mientras se mantenga intervalos de tiempo
futuros en cuenta. Esto se logra mediante la optimizacin de un horizonte de tiempo finito,
pero slo la aplicacin de la ranura de tiempo actual. MPC tiene la capacidad de anticipar los
acontecimientos futuros y puede tomar acciones de control en consecuencia. Controladores
PID y LQR no tienen esta capacidad predictiva.

Los modelos utilizados en MPC estn destinados generalmente para representar el


comportamiento de los sistemas dinmicos complejos. La complejidad adicional del
algoritmo de control MPC no es generalmente necesaria para proporcionar un control
adecuado de los sistemas simples, que son controlados a menudo bien por los controladores
PID genricos. Caractersticas dinmicas comunes que son difciles para los controladores
PID incluyen grandes retrasos de tiempo y la dinmica de alto orden. Modelos MPC predicen
el cambio en las variables dependientes del sistema de modelado que se debe a los cambios
en las variables independientes.

10

Estrategia de control 1 segn el modelo planteado

CONTROL OPTIMO
Tal como se observa en las siguientes grficas, se hace la identificacin, y se usa la
herramienta Mathlab para optimizacin de sistemas de control.

Se determina la especificacin del Modelo y su respuesta en el modelo de control

11

12

Design Configuration #1

Tunable Elements
C:
Parameter

Value

Gain

133.402252943856

Zeros

-0.964292762414591

Poles

13
F:
Parameter Value
Gain

Zeros

[]

Poles

[]

Fixed Elements
G:
Parameter

Value

Gain

18

Zeros

[]

Poles

[-8.19615242270663;2.19615242270663]

H:
Parameter Value
Gain

Zeros

[]

Poles

[]

14

Estrategia de control 2 segn el modelo planteado


MODELO CONTROL FUZZY
Se elige un controlador Mandami para este caso y el programa con las reglas se llama temp3.
Se crean 3 entradas que son Humedad, temperatura, setpoint Temperatura, setpoint Humedad,
y las salidas de Control el calentador, el aire acondicionado y el humidificador.

Se empieza con categorizar la entrada humedad en la escala de 0 -100 y se generan 3 rangos de


control como se puede observar en la grfica

15

Para la segunda variable temperatura se establecieron tres categoras, frio, normal y caliente
como se puede observar:

Para la tercera entrada de control es el setpoint deseado de control de temperatura, se definen


tres escalas bajo, medio y alto como se observa en la grfica:

16

La ltima variable de entrada de control es el setpoint de la humedad, y se categorizo en tres


seco, normal y hmedo.

La primera salida de control Fuzzy es el calentador que tiene 4 categoras apagado, bajo,
medio y alto como se observa en la grfica:

17

La segunda salida de control es el aire acondicionado que se categoriza en cuatro modos,


apagado, bajo, medio y algo como se observa en la grfica:

La tercera salida es el humidificador que se categoriza en apagado, suave, medio y rpido as:

18

Superficies de control, en este caso se observa la respuesta del calentador para la entrada
humedad y la entrada temperatura.

La respuesta del aire acondicionado a las entradas de control humedad y temperatura:

19

Respuesta del aire acondicionado a las variables de control setpoint temperatura y temperatura.

Diagrama en Simulink con la insercin del controlador Fuzzy modo operacin Mandami as:

20

21

22

Estrategia de control 3 segn el modelo planteado


CONTROL BASADO EN REDES NEURONALES
Se hace el diseo en Simulink de mathlab y se usa el modelo de referencia de la red
neuronal as:

Se usan herramientas de clculo para estimar los parmetros de la red neuronal y sus
perceptrn as:

23

24

25

Se encuentran los parmetros y la red est disponible para usarse como Modelo de
control avanzado de procesos.

26

Estrategia de control 4 segn el modelo planteado


CONTROL PREDICTIVO
Se usa la herramientas de mathlab para control predictivo as:

27

28

29

La herramienta de importacin del modelo de planta, se eligen los requerimientos de


diseo del modelo predictivo y el software realiza la construccin del Modelo de
control predictivo realizando los pazos configuracin de control y estimacin,
linearizando las entradas y las salidas, encontrando los puntos ptimos de operacin,
linearizando el modelo, y construyendo finalmente el controlador MPC requerido.

30
Estrategia de control 5 segn el modelo planteado

CONTROL ROBUSTO
Se usan las herramientas de control Robusto de Mathlab asi:

31

32

33

34

35

36

37

38

Descripcin del proceso segn el modelo planteado para


el control de habitacin
Modelo de
control
avanzado de
habitacin

Control
Optimo

Control
Lgica
Difusa Fuzzy

Control Basado
en Neuronal
Networks

Modelacin
Matemtica

Algoritmo de
optimizacin

Reglas de
control
humanas

Diversos modelos
y secuencias
concurrentes.

Ventajas

Permite
encontrar con
facilidad la
estabilidad del
sistema si los
requerimientos
son los
correctos

Permite
integrar
lgica de
control
humana con
algoritmos de
control

Permite encontrar
parmetros con los
cuales se modela
con facilidad
mltiples
complejos estados
de procesos de
control

Permite hacer
proyecciones
basado en los
comportamientos
histricos.

Aplicabilidad en
casos de estados de
procesos
desconocidos que se
requiera control
robusto.

Parmetros
deben
reajustarse con
cambios en los
requerimientos

Ninguna

Ninguna, siempre
que los eventos
anteriores sigan
teniendo
correlacin con los
eventos futuros

Complejidad en el
planteamiento
matemtico de las
ecuaciones de estados
y funciones de
transferencia

Usado para
frecuente
mejora de
procesos

Practico en su
uso no
requiere de
demasiados
clculos de
ingeniera

Los resultados de
las redes y sus
efectos conjuntos
de los perceptrn
no tienen muchos
casos explicaciones
racionales
Miles de
aplicaciones usan
actualmente
Neuronal networks,
es herramienta de
control preferida y
ptima.
Mathlab y otros
comerciales

Precisin alta en
procesos con alta
correlacin
secuencial entre
eventos.

En casos de amplio
desconocimiento del
estado del proceso.

Mathlab y algunos
DCS cuentan con
esta Toolbox

Mathlab, pero
desconocemos
software comercial

Desventajas

Aplicabilidad

Software
disponible

Experiencias
Personales, y
preferencia

Mathlab

Mathlab y
otros
comerciales

Control
Predictivo

Requiere uso de
Elementos de
series auto
regresivo y medias
mviles.

Control
Robusto

Sistema de
ecuaciones lineales

39

Descripcin de lo realizado en Mathlab por el


estudiante No.1
A=[0 1 ; 18 -6 ];
B= [1;0];
C=[0 1];
D= 0;
[num,den] = ss2tf(A,B,C,D)
S1= tf(num,den)
h = stepplot(S1)
rlocus (S1)
nyquist (S1)
bode (S1)
Respuesta Mathlab
num =
0 0 18
den =
1 6 -18
Transfer function: :

S= 18/( S^2+6S-18)

40

41

Convirtiendo a discreto
Td=2;
Gz=c2d(S1,Td)
margin(Gz)
Gmf = feedback(Gz,0.05)
DC = dcgain(Gmf)
Sampling time: 2
Transfer function:

Sampling time: 2

62.75 z + 17.08
--------------------z^2 - 77.69 z + 0.854

42

 rlocus (Gz)

43

44

45

Descripcin de lo realizado en Matlab por el estudiante


No.2
Aporte individual trabajare sobre el modelo matemtico propuesto en la fase 1 y 2 en
donde basaramos nuestro cuarto bajo la ecuacin:

Basado en la ecuacin matemtica para nuestro cuarto procedo hacer al montaje en


Matlab. Funcin de transferencia del sistema

Fuente:
En la figura muestra la ecuacin de transferencia obtenida

y las caractersticas que

esta presenta, tambin se la representar en manera de bloques. Cabe resaltar que la


ecuacin que se obtuvo es una ecuacin para simular el comportamiento de nuestra planta

46

Miramos la constante de tiempo de nuestro o los polos

Configuramos la prueba en control predictivo de Matlab

Configuramos las temperaturas en que vamos a probar

47

La planta funciona de manera que a los diferentes cambios de temperatura, me mantiene


climatizada la habitacin a 10 grados como la configure, partiendo de una temperatura
cero y demorndose 300 segundos en estabilizar el cuarto.

48

Conclusiones

El expresar matemticamente las relaciones de las funciones de control permiten


dilucidar los efectos fsicos directos e indirectos de estas y con el medio ambiente, as
mismo se puede evaluar su controlabilidad.
El modelo de control de temperatura y de humedad puede representarse simplemente por
un solo modelo, debido a que el grado de correlacin entre estas dos variables de control
es elevado.
El comportamiento del aire acondicionado, del Sistema de Calefaccin, Ventilacin
tiene una gran importancia en el consumo de energa como la calidad del aire.
El rendimiento del sistema de control ptimo en la fase de diseo, es necesario modelos
matemticos aproximados para los componentes del sistema.
Las estrategias de control ptimo y Fuzzy eficientes son esenciales en el desarrollo de
mejores sistemas de control de energa para edificios.
Los criterios ms importantes ptimos y de control Fuzzy para el diseo de plantas de
climatizacin son la eficiencia energtica y las condiciones ambientales interiores.
Combinacin eficiente de demanda y consumo da control adecuado de la planta.
Las funciones de cualquier sistema de climatizacin son proporcionar condiciones
satisfactorias interiores confortables (temperatura y humedad relativa) para edificios y
viviendas, para los seres humanos y equipo, y, al mismo tiempo, reducir al mnimo el
consumo total de energa al tiempo que proporciona temperaturas agradables y la
humedad para los ocupantes.
Sistema de climatizacin optimo utiliza para compensar la carga trmica y la carga de
humedad en una zona trmica y para mantener puntos de ajuste deseable para parmetros
de condiciones de comodidad, tales como temperatura, humedad relativa, contenido de
CO2, y la velocidad del aire de acuerdo al diseo.
Diferentes parmetros, la temperatura y la humedad relativa tienen una influencia directa
en el rendimiento de sistemas de aire acondicionado en las aplicaciones.
El diseo de controladores ptimos y Fuzzy de xito para los sistemas de climatizacin
depende de la disponibilidad de modelos dinmicos de los sistemas y ecuaciones
matemticas que describen su comportamiento.
Temas como la eficiencia energtica, recientemente, tienen inters en modelado
matemtico de sistemas de HVAC y componentes.
El comportamiento lineal del sistema, y de componentes del HVAC son importantes
debido a que da lugar a una accin de control ptimo y Fuzzy vlido y satisfactorio.
Mejores tcnicas de control no lineal es posible tratar el comportamiento no lineal de los
sistemas de climatizacin por medio de algoritmos de control Moderno con mejores
capacidad de procesos y ms sofisticado.
El trabajo colaborativo permiti unificar esfuerzos, ideas y compromisos entre los
miembros del grupo.
Hay una preocupacin por los extremos de la operacin de un sistema de control
integrado que tiene implicaciones de seguridad. Es en estos extremos que la
incertidumbre es alta y mtodos robustos de control pueden ser de servicio.

49

Los buenos modelos de sistemas son difciles de construir. Requieren una variedad de
habilidades de la fsica, la ingeniera elctrica, mecnica y equipo para disear y poner en
prctica.
Un gran volumen de investigacin en control robusto en los ltimos 15 aos ha llevado a
un crecimiento en las tcnicas.
Las tcnicas de control robusto han sido criticados por su accesibilidad al ingeniero
practicante, el tedio de los mtodos, la aplicacin general a los sistemas normales y el
conservadurismo que a menudo presentes.
En la industria en general, existe el desarrollo de una gran variedad de herramientas de
control que se han desarrollado.
Con el alto nivel de investigacin dedicado al control robusto la brecha entre robusta
teora de control y su aplicacin se puede cerrar.
El comportamiento del aire acondicionado, del Sistema de Calefaccin, Ventilacin
tiene una gran importancia en el consumo de energa como la calidad del aire.
Combinacin eficiente de demanda y consumo da control adecuado de la planta.
Las funciones de cualquier sistema de climatizacin son proporcionar condiciones
satisfactorias interiores confortables (temperatura y humedad relativa) para edificios y
viviendas, para los seres humanos y equipo, y, al mismo tiempo, reducir al mnimo el
consumo total de energa al tiempo que proporciona temperaturas agradables y la
humedad para los ocupantes.
Diferentes parmetros, la temperatura y la humedad relativa tienen una influencia directa
en el rendimiento de sistemas de aire acondicionado en las aplicaciones.
El diseo de controladores para los sistemas de climatizacin depende de modelos
dinmicos de los sistemas y ecuaciones matemticas.
La eficiencia energtica, recientemente, tienen inters en modelado matemtico de
sistemas de HVAC y componentes.
Mejores tcnicas de control no lineal es posible tratar el comportamiento no lineal de los
sistemas de climatizacin por medio de algoritmos de control Modernos.

50

Lista de referencias bibliogrficas






























https://en.wikibooks.org/wiki/Control_Systems/System_Modeling
http://wikis.controltheorypro.com/Reaction_Cancellation_Example
http://www.cds.caltech.edu/~murray/courses/cds101/fa04/caltech/am04_ch2-3oct04.pdf
http://ocw.mit.edu/courses/mechanical-engineering/2-004-systems-modeling-and-controlii-fall-2007/lecture-notes/
http://www.mathworks.com/help/pdf_doc/control/get_start.pdf
http://ctms.engin.umich.edu/CTMS/index.php?example=Introduction&section=SystemM
odeling
https://www.pearsonhighered.com/assets/hip/us/hip_us_pearsonhighered/samplechapter/0
136156738.pdf
http://www.mathworks.com/help/control/ug/control-system-modeling-with-modelobjects.html
Mantz. R., J. (2003). Introduccin al Control ptimo. Universidad nacional de La Plata.
Facultad de Ingeniera. Departamento de Electrotecnia. Ctedra de Control moderno.
Pginas 1-19.
Kouro, S., & Musalem, R. (2002). Control mediante lgica difusa. Tcnicas modernas
automticas, (1-7)-7.
Pastelleto. S. (2010). Matemtica del control fuzzy. Depto. Control- Escuela de
electrnica FCEIA-UNR. Pginas 1-20.
https://en.wikibooks.org/wiki/Control_Systems/System_Modeling
http://wikis.controltheorypro.com/Reaction_Cancellation_Example
http://www.cds.caltech.edu/~murray/courses/cds101/fa04/caltech/am04_ch2-3oct04.pdf
http://ocw.mit.edu/courses/mechanical-engineering/2-004-systems-modeling-and-controlii-fall-2007/lecture-notes/
http://www.mathworks.com/help/pdf_doc/control/get_start.pdf
http://ctms.engin.umich.edu/CTMS/index.php?example=Introduction&section=SystemM
odeling
https://www.pearsonhighered.com/assets/hip/us/hip_us_pearsonhighered/samplechapter/0
136156738.pdf
http://www.mathworks.com/help/control/ug/control-system-modeling-with-modelobjects.html
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html#What is a Neural
NetworkMantz. R., J. (2003).
http://www.zwallpix.com/artificial-neural-network-example.html
https://en.wikipedia.org/wiki/Adaptive_control
https://en.wikipedia.org/wiki/Model_predictive_control
https://en.wikibooks.org/wiki/Control_Systems/System_Modeling
http://www.mathworks.com/help/mpc/examples/designing-a-model-predictive-controllerin-simulink.html
http://www.mathworks.com/help/control/getstart/siso-design-tool.html#f2-1031158
http://www.mathworks.com/help/mpc/examples.html

51

Anexos

Programa del controlador Fuzzy:


[System]
Name='temp3'
Type='mamdani'
Version=2.0
NumInputs=4
NumOutputs=3
NumRules=25
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
[Input1]
Name='Humedad'
Range=[0 100]
NumMFs=3
MF1='Bajo':'trimf',[0.396825396825399 20.2645502645503 37.9645502645503]
MF2='medio':'trimf',[37.1693121693122 56.5 72.9]
MF3='Alto':'gauss2mf',[12.8 102.26455026455 12.8 129.26455026455]
[Input2]
Name='Temperatura'
Range=[5 45]
NumMFs=3
MF1='Frio':'gauss2mf',[3.7 -0.111904761904762 3.18 7.43809523809524]
MF2='Normal':'trimf',[14.8 23.042328042328 30]
MF3='Caliente':'trimf',[30 38.0687830687831 44.8]
[Input3]
Name='SetTemp'
Range=[5 45]
NumMFs=3
MF1='Bajo':'trimf',[5.27 13.2010582010582 18.5]
MF2='Alto':'trimf',[32.2 38.7037037037037 45]
MF3='Medio':'trimf',[18.5 25 32.1]
[Input4]
Name='SetHumedad'
Range=[0 100]
NumMFs=3
MF1='Seco':'trimf',[-39.7 0.265 25.2645502645503]
MF2='humedo':'trimf',[65.4761904761905 100 140]
MF3='Normal':'trimf',[25.3 48.2804232804233 66.3]
[Output1]
Name='Calentador'

52
Range=[0 100]
NumMFs=4
MF1='Apagar':'trapmf',[-38 -0.804 4.63 4.8941798941799]
MF2='Medio':'trimf',[37.4137566137566 56.6137566137566 71.8253968253968]
MF3='Alto':'trapmf',[73.4 98.5 98.7 132]
MF4='Bajo':'trimf',[4.89 21.3 37.962962962963]
[Output2]
Name='AireCondicionado'
Range=[0 100]
NumMFs=4
MF1='Apagar':'gbellmf',[6.22 3.28 -0.00370370370370221]
MF2='Baja':'trimf',[9.26190476190476 28.1619047619048 39.7619047619048]
MF3='Alto':'gaussmf',[17 106.068253968254]
MF4='Medio':'trimf',[34.1 54.3650793650793 72.9]
[Output3]
Name='Humidificador'
Range=[0 100]
NumMFs=4
MF1='seco':'gauss2mf',[1.12 -1.76915343915344 1.12 5.69084656084656]
MF2='suave':'trimf',[7.41 23.1481481481481 37.9]
MF3='Medio':'trimf',[36.994708994709 58.894708994709 70.994708994709]
MF4='Rapido':'gbellmf',[16.7 3.12 101.321957671958]
[Rules]
1 1 1 1, 2 1 1 (1) : 1
1 2 1 1, 4 2 1 (1) : 1
1 3 2 2, 4 4 1 (1) : 1
1 2 1 3, 4 4 3 (1) : 1
2 1 1 1, 1 1 2 (1) : 1
2 2 1 3, 2 4 3 (1) : 1
2 3 2 2, 2 3 3 (1) : 1
2 3 1 3, 4 3 4 (1) : 1
3 2 2 3, 2 4 3 (1) : 1
3 3 2 3, 2 4 3 (1) : 1
3 0 2 2, 2 3 4 (1) : 1
3 0 2 3, 2 4 3 (1) : 1
1 1 3 3, 3 2 2 (1) : 1
2 3 3 3, 2 4 3 (1) : 1
2 3 3 3, 2 4 2 (1) : 1
3 3 3 3, 4 4 3 (1) : 1
2 3 3 3, 2 4 4 (1) : 1
3 1 2 3, 3 4 2 (1) : 1
2 3 2 3, 2 3 4 (1) : 1
2 3 3 2, 2 4 3 (1) : 1
3 2 3 3, 3 2 4 (1) : 1
2 3 3 2, 2 4 2 (1) : 1
2 3 3 2, 4 3 3 (1) : 1
3 2 2 2, 3 4 2 (1) : 1
3 3 3 3, 4 3 3 (1) : 1

53

RED NEURONAL
Parmetros de una red en este caso 4 entradas de control que son la entrada del sensor de
temperatura, la entrada del set point de temperatura, la entrada del sensor de humedad y
la entrada del set point de humedad. Y por el lado de las salidas de la red neuronal
tenemos la salida del control de calor, la salida del control de humedad, la salida de
control de ventilacin. 4 capas den la red, 24 perceptrn en capa dos, y 12 en la capa
tres. Los parmetros calculados por capa y los pesos de las neuronas son siguiente tabla:
[Application]
Name=Visual Gene Developer Neural Network
[Topology]
Total input= 4
Total output= 3
Total layer= 4
Transfer function=Mod. Sigmoid
[Training information]
learning rate= .01
momentum coefficient= .1
[Total node]
layer=total node
02= 24
03= 12
[Threshold value]
layer-node=threshold value
01-01= 0
01-02= 0
01-03= 0
01-04= 0
02-01=-1.75019585204505
02-02=-6.47563704270661
02-03=-8.27042477581578
02-04= .0862981890900636
02-05= 1.17743055855144
02-06=-.0780398510721011
02-07=-.368156439267503
02-08= 2.78403401694887
02-09= 1.89649293257698
02-10= .672788868312284
02-11= 6.6930924363714
02-12=-.974286104313331
02-13= 1.58122512559528
02-14= 2.43152032193611
02-15=-1.17468298759803
02-16=-1.15841023767558
02-17= 1.68253179019415
02-18= 2.39456108886327
02-19= 11.3304567925595
02-20= 3.48555192585567
02-21= 1.81662704332877
02-22=-2.1059585939773
02-23= 3.04790612919575
02-24= 10.3818693968883
03-01= 1.33962768475871
03-02= 10.7611145707882
03-03=-14.1584333931923
03-04=-.0720407957336854
03-05=-5.35404453116505

02-04-21=-.562009657859007
02-04-22= 3.2167054193724
02-04-23= 1.179805119488
02-04-24=-5.73946803367713
03-01-01= 2.16846657395465
03-01-02=-9.96760489511066
03-01-03= 1.9125089603212
03-01-04=-.758438062856434
03-01-05=-2.16224135781709
03-01-06= .635768304205871
03-01-07=-2.08230427732448
03-01-08= .15384176979699
03-01-09= .943233285291459
03-01-10=-.746095205042225
03-01-11=-1.62297360255997
03-01-12=-.272861558248618
03-02-01= 4.08260871351128
03-02-02= 3.17991688908688
03-02-03=-10.9510091440059
03-02-04= .467898578541563
03-02-05= 3.35903453898293
03-02-06= 3.81497946654904
03-02-07=-1.22536827581375
03-02-08=-3.03581925247742
03-02-09=-.525260651787915
03-02-10= .338254176087928
03-02-11= .595838244095398
03-02-12= 1.69546129901446
03-03-11= .139048651675796
03-03-12=-1.86204991611663
03-04-01=-1.18849763448459
03-04-02=-2.12538844534965
03-04-03=-3.41652243119717
03-04-04=-.76754468932447
03-04-05= .0313336170738165
03-04-06=-1.17136452881976
03-04-07= .737155719597608
03-04-08=-.507271558631321
03-04-09= 1.7935894179362
03-04-10=-1.75190917783255
03-04-11= .323272537089091
03-04-12=-.0243994310076128
03-05-01=-.448719837093368
03-05-02= .639502415897222
03-05-03= 6.84733716304229
03-05-04= .46961978091167
03-05-05=-1.62338190655662
03-05-06=-3.28421820488357
03-05-07=-1.49931286221288
03-05-08= 2.48317620363065
03-05-09= 2.31155525749026
03-05-10=-1.65539765478212
03-05-11= .597078214916271
03-05-12= .920207072483448

03-14-06=-.754132047441227
03-14-07=-.51629679167439
03-14-08= .677975288354328
03-14-09= .277080576344895
03-14-10= 1.22624873817814
03-14-11= .385945013251949
03-14-12= 1.20140842418788
03-15-01=-1.05080194066467
03-15-02=-3.1878809245183
03-15-03= 3.97290798209513
03-15-04= .290918985772122
03-15-05= .220090659485785
03-15-06= .0759573131213909
03-15-07= .928828846359748
03-15-08= 1.37234647801744
03-15-09=-.194313290893815
03-15-10=-.864599428632854
03-15-11= .0282857311103218
03-15-12= .221727876926427
03-16-01=-.293291999135427
03-16-02=-8.3348641789018
03-16-03= 9.95316224910945
03-16-04= 1.0060852916924
03-16-05=-1.0695930875572
03-16-06=-.463346922000974
03-16-07= .440611822950814
03-16-08= 1.47839532354753
03-16-09= 3.14140735113906
03-16-10=-.831577005967154
03-16-11=-1.42574954419469
03-16-12= 1.28561143451952
03-17-01= 1.30610124934447
03-17-02= 7.31979097551539
03-17-03=-7.20914443542092
03-17-04= .945728109028996
03-17-05= 1.70584042531861
03-17-06=-2.56242155915601
03-17-07=-5.38763655796576
03-17-08=-2.25162620352081
03-17-09=-.465976762633192
03-17-10= 2.94621140584576
03-17-11=-1.97764817771508
03-17-12= 1.14631946612971
03-18-01= 1.49110798397848
03-18-02= 6.31904156639843
03-18-03= 2.88681540973433
03-18-04= .784363010074828
03-18-05= 1.44284432849547
03-18-06= .283810755523142
03-18-07=-1.38998060608482
03-18-08=-.0244857434517091
03-18-09=-.68135624096206
03-18-10= .91587930127173
03-18-11= .16410706407184

54
03-06=-.534988706705644
03-07=-2.22561358544724
03-08=-1.11553270959761
03-09= 4.73259880716159
03-10=-1.21225641769931
03-11= .0487181720225616
03-12= .957010639979969
04-01= 1.32052230026613
04-02= 1.53368859544006
04-03= 1.71272996839653
[Weight factor]
layer-node(layer n-1)-node(layer
n)=weight factor
02-01-01=-3.21230492041501
02-01-02= 4.89517002186317
02-01-03= 3.24240623807732
02-01-04=-5.05795278268497
02-01-05=-3.1453047160263
02-01-06= 1.02168887892237
02-01-07= 3.92618837137947
02-01-08= 4.17846393873989
02-01-09= 2.05822795712125
02-01-10= 2.57721332418624
02-01-11=-.661066573590535
02-01-12=-2.343295031674
02-01-13=-2.66639706949525
02-01-14=-2.88686347272612
02-01-15= 3.20416108676058
02-01-16= 4.78728448427478
02-01-17= .774637511668042
02-01-18= .291997063875224
02-01-19= 5.85649154864252
02-01-20= 1.59418875033404
02-01-21=-.815868030675837
02-01-22= 2.00166840672347
02-01-23= .497370155977912
02-01-24=-8.33261335172447
02-02-11=-18.709301988148
02-02-12= 9.25400510924328
02-02-13=-5.81595671713873
02-02-14=-5.62292201504229
02-02-15= 2.88948350926832
02-02-16= 7.57022145866442
02-02-17=-12.9649216670872
02-02-18=-6.28006791972043
02-02-19=-15.8031402966826
02-02-20=-8.17128942577495
02-02-21=-5.53857145659854
02-02-22=-1.76402043488886
02-02-23=-18.1679281963751
02-02-24=-15.6953194225883
02-03-01=-2.11670505425886
02-03-02= 8.21437783478693
02-03-03=-.865888808700821
02-03-04= 4.67548423493577
02-03-05=-8.06008784497928
02-03-06=-7.17125995424779
02-03-07=-4.92888830348712
02-03-08=-11.2144492031212
02-03-09=-2.47580505688736
02-03-10=-7.28115879620653
02-03-11=-1.58710592866194
02-03-12=-6.57239238166646
02-03-13= 3.15092267451818
02-03-14=-3.64905840110013
02-03-15=-2.90052054838997

03-06-01=-1.06891545293033
03-06-02= 3.5263142769139
03-06-03= 7.86103801347127
03-06-04= 1.23321029145542
03-06-05= 1.11009566474028
03-06-06=-2.12602494002673
03-06-07=-.150146512905853
03-06-08= .356628635359084
03-06-09=-1.0627904348919
03-06-10= 2.63498457432811
03-06-11= .561487369783802
03-06-12=-.21583882554
03-07-01= .909250037916919
03-07-02=-3.30640442626676
03-07-03= 5.49193369946619
03-07-04= .146920650136623
03-07-05=-.712341462051319
03-07-06= 1.44428015386016
03-07-07= .720699328853234
03-07-08= 3.27077278833001
03-07-09=-1.00044602879109
03-07-10=-2.2194241444002
03-07-11=-.543671411153322
03-07-12=-.784558765317895
03-08-01= 2.48717571156638
03-08-02= 9.8740553318387
03-08-03= 7.6692878778281
03-08-04=-1.68132915602038
03-08-05=-.333104525747905
03-08-06=-2.64759063935988
03-08-07=-3.53554684391646
03-08-08=-1.11481059096308
03-08-09= .351797920587419
03-08-10= 2.76762359345644
03-08-11=-.077201239949255
03-08-12= .0276567130874248
03-09-01= 1.59525256950714
03-09-02= 3.83199532335164
03-09-03= .993218803630829
03-09-04= .759804988858107
03-09-05= 1.55370435473985
03-09-06= 1.1237418966542
03-09-07=-1.51220353327197
03-09-08= .818412348189178
03-03-01=-9.86413231896151
03-03-02= 7.21750398073027
03-03-03= 4.13099302456092
03-03-04= .616098873451798
03-03-05= 3.30423932348835
03-03-06= .0424286730618694
03-03-07= 6.91350114947114
03-03-08= 1.81985491930485
03-03-09=-3.19908379030418
03-03-10=-5.29968126810794
03-09-09=-2.24931302098878
03-09-10= .179462203491221
03-09-11= .507673809675214
03-09-12= .741294992874434
03-10-01= .377482876831516
03-10-02= 5.82243590890546
03-10-03= 5.71859628183311
03-10-04=-.343589640578262
03-10-05= 1.57219880677516
03-10-06=-1.60294509898672
03-10-07=-.840782993939335
03-10-08=-1.09734380580218
03-10-09=-.463506360657627

03-18-12= .830877939486624
03-19-01=-9.00922217545009
03-19-02= 20.1099476729462
03-19-03= 4.62559485484988
03-19-04= .320989890056933
03-19-05= 6.03352849443119
03-19-06= 4.22817919341394
03-19-07= 9.08687459423327
03-19-08=-.290597170191291
03-19-09=-4.88492614179489
03-19-10=-5.64379800345186
03-19-11=-.779833126511847
03-19-12=-3.34390370386231
03-20-01= 2.11827115702382
03-20-02= 9.08332348640825
03-20-03= 1.12795996750855
03-20-04= 1.44349990238851
03-20-05= 1.73083881128682
03-20-06= 1.17670370941564
03-20-07=-.43909119843236
03-20-08= 1.18890564503614
03-20-09=-2.02695115461687
03-20-10= 1.93247367711191
03-20-11= 1.43106665913908
03-20-12= 1.17245215159386
03-21-01= 1.35089138500413
03-21-02= 6.21689256020818
03-21-03=-1.94185904875268
03-21-04= .637080879115936
03-21-05= .66701246005145
03-21-06= .322802674459679
03-21-07=-.266943347825786
03-21-08= .272407570957461
03-21-09=-.353959549758887
03-21-10= .986115227204827
03-21-11= .197147478464764
03-21-12= .279850747838625
03-22-01=-.0675325820071615
03-22-02= 1.50633769132711
03-22-03=-4.6102424124457
03-22-04= .781218324491232
03-22-05= .486211142065193
03-22-06= .887782886924837
03-22-07=-.122236806145817
03-22-08=-2.54993363715031
03-22-09= .23363291969721
03-22-10= 2.30077895008499
03-22-11= .0804296051888801
03-22-12= 1.39264031548186
03-23-01=-.38790421139279
03-23-02= 12.124396854788
03-23-03=-3.50979459242502
03-23-04=-1.64581196077838
03-23-05=-.0180762248749971
03-23-06=-5.25315907403116
03-23-07=-1.86301207325771
03-23-08= 4.68540757465419
03-23-09= 1.1405867626308
03-23-10=-1.20001142061191
03-23-11=-.296610752504981
03-23-12=-.530911688608992
03-24-01= 1.83080926125452
03-24-02= 8.03884876644228
03-24-03= 9.59430466486498
03-24-04=-1.77085078827853
03-24-05=-1.91547952738791
03-24-06= 7.61006620817018

55
02-03-16=-9.49472658379046
02-03-17= 10.0217131847037
02-03-18=-3.45714319131165
02-03-19=-26.5967740234811
02-03-20=-3.53467220865515
02-03-21= .390186741711543
02-03-22= 3.88496781776133
02-03-23= 4.12041282231975
02-03-24=-11.3181285152235
02-02-01= 9.47347240495447
02-02-02=-1.95040909385981
02-02-03=-7.05072534012705
02-02-04= 2.71616658818866
02-02-05= 1.95153828308863
02-02-06=-3.46804299247225
02-02-07= 3.19800028927832
02-02-08=-10.9270615323338
02-02-09=-4.15451828466781
02-02-10=-5.9749819603796
02-04-01= 2.36413454977352
02-04-02= 10.6130754770493
02-04-03= 20.1121626358989
02-04-04=-.312053017493657
02-04-05= 3.90043479238296
02-04-06= 6.7737742127016
02-04-07=-2.37215674663286
02-04-08= 4.27752954825753
02-04-09=-2.69391888858789
02-04-10= 4.7783982969201
02-04-11=-2.63479822892417
02-04-12= 1.71022782871772
02-04-13= .385627198510778
02-04-14= 1.93788133170159
02-04-15=-.0345897146099115
02-04-16=-2.18867572010159
02-04-17=-6.27058143787
02-04-18=-.206854300806461
02-04-19= 1.37757995845774
02-04-20=-2.98864474452343

03-10-10= 2.37278096648638
03-10-11=-.305928212470517
03-10-12=-.887013002800887
03-11-01= .121339178746476
03-11-02= 19.636914204107
03-11-03= 1.22300095005329
03-11-04= 2.39856117025044
03-11-05= .437740977883397
03-11-06=-1.76026683305792
03-11-07=-.742285772960334
03-11-08= 4.21735737200485
03-11-09=-.929103850007859
03-11-10= .978887210874895
03-11-11= .819138106720404
03-11-12= 1.3891779380607
03-12-01= 2.88472444198551
03-12-02=-8.89570846448329
03-12-03= 5.46775691081992
03-12-04= .264910044528475
03-12-05=-2.33204992083166
03-12-06= 1.07010764619744
03-12-07=-3.48941498910492
03-12-08=-.233978707590207
03-12-09= .495668539300409
03-12-10= .525523624052335
03-12-11=-1.01292589010863
03-12-12= 1.219164320017
03-13-01= .332204640248555
03-13-02= 6.65238432905963
03-13-03=-5.16624086113085
03-13-04= .66854391807845
03-13-05= 1.95431966886782
03-13-06=-.657127787453181
03-13-07=-.772244802328888
03-13-08=-1.21978344504625
03-13-09=-.8444371114186
03-13-10= 2.15493909872803
03-13-11=-.326852916196546
03-13-12= .17243072512843
03-14-01= .700115671212826
03-14-02= 6.18510446942879
03-14-03= 2.31056407054945
03-14-04= 1.58735795520065
03-14-05= 1.3790046189536

03-24-07= 6.99780240355012
03-24-08=-4.47181615555565
03-24-09= 3.41003824026307
03-24-10=-4.26584355402662
03-24-11= 4.56780293998045
03-24-12=-.291156353510062
04-01-01=-1.81597860530824
04-01-02= .24554449046523
04-01-03=-.579747044109422
04-02-01= .937233315933275
04-02-02=-.446942888765512
04-02-03= .126142751911653
04-03-01=-.810741726367268
04-03-02= .42017775294259
04-03-03=-.07622284721937
04-04-01=-.38674160462269
04-04-02=-.170575326116265
04-04-03=-1.49857925636236
04-05-01= 1.17404845806547
04-05-02=-.258047742660253
04-05-03=-.027757414587177
04-06-01= 2.17848993304015
04-06-02=-.426362730075637
04-06-03= .830535960959169
04-07-01=-1.42052106299017
04-07-02= .457531349661082
04-07-03=-.21179290604912
04-08-01= 1.10588576387874
04-08-02=-.163929098444708
04-08-03= .842287415417905
04-09-01= 1.55631164759525
04-09-02=-.454153763990341
04-09-03=-.397901538453179
04-10-01= .518093370435213
04-10-02=-.141669926801495
04-10-03= .866246516810642
04-11-01= .665558855909002
04-11-02=-.234812198735711
04-11-03=-.0274069089862611
04-12-01= 1.54525717731481
04-12-02= .549959495109851
04-12-03= .549492020581661

Con estos parmetros se puede crear una red neuronal de 4 niveles para control de
temperatura y humedad.

S-ar putea să vă placă și