CONTROL PI DE UN SISTEMA DE FLUJO IDENTIFICADO MEDIANTE REDES

NEURONALES

Gianni Pezzotti , Nelson Londoo & Jaime Valencia

Universidad de Antioquia

ipazzi@starmedia.com ;nlondono@udea.edu.co; jvanlenci@udea.edu.co

Resumen: Se presenta un sistema de control de Flujo identificando sus parmetros,

mediante redes Neuronales, y se propone un algoritmo de control PI discreto (diseado
por el mtodo de asignacin de polos) para controlar el proceso en los diferentes rangos
de trabajo, utilizando los parmetros identificados previamente. Se dan los resultados de
su implementacin, en un sistema de flujo de una planta de Etanol, y por ltimo se
resumen los resultados obtenidos comparando los valores reales con los simulados
mediante el programa Matlab.
Palabras claves: Redes Neuronales Artificiales, Control PI, Identificacion.

1.

INTRODUCCIN

Aprender en sistemas biolgicos involucra la

modificacin de la interconectividad entre las
neuronas. En las Redes Neuronales Artificiales (ANN- Artificial Neural Networks ) el proceso es
similar, y se puede decir que, al igual que sus
Homlogas Biolgicas, pueden aprender a partir de
ejemplos. Como es bien sabido, las Redes
Neuronales presentan las siguientes caractersticas:
Son robustas y tolerantes a fallos; son flexibles;
trabajan con informacin borrosa, incompleta, con
ruido aleatorio o inconsistente; sus procesamiento es
masivo y paralelo.
En este trabajo, se utiliza una de las Redes
Neuronales ms relevantes para aplicaciones de
control, teniendo en cuenta las caractersticas de la
planta y las posibilidades que ofrece la red Utilizada
para identificar, en los diferentes rangos de trabajo,
un proceso tan complejo como el control de Flujo.
En trminos generales, el sistema contempla dos
pasos fundamentales:

Identificacin de la planta: mediante una Red

Neuronal que se entrena para determinar los
parmetros del sistema de flujo, de acuerdo a los
resultados obtenidos al aplicar seales de entrada
conocidas.
Calculo del controlador PI: con base en mtodos
no paramtricos clsicos.
Este procedimiento tiene la gran ventaja que propicia
la implementacin de cualquier tipo de controlador
diseado por mtodos no paramtricos, utilizando la
misma Red Neuronal que identifica la planta.
Dado el gran desarrollo de las redes Neuronales en
los ltimos tiempo, fue posible elegir, entre un
abanico muy grande de opciones, la que se ajust a
las caractersticas y exigencias del proceso. En el
caso de sistema de flujo, se tomaron algunos criterios
para definir la Red, lo cual no necesariamente
garantizaban la mejor eleccin. No obstante, los
resultados, como se comentar mas adelante, son
altamente satisfactorios

2. ANALISIS
2.1. Criterios de Eleccin de la Red Neuronal
Mecanismo
de
aprendizaje:
Aprendizaje
supervisado; mediante el cual es posible obtener los
parmetros de la planta ante seales de entradas y
salida conocidas. Se proporcionan parejas de
patrones Entrada-Salida y la Red Neuronal aprende a
asociarlos.

Profesor
Patrn de
Entrenamiento

Fig 1. Diagrama Esquemtico de un Sistema de

Entrenamiento Supervisado
Topologa: Redes Multicapa; elegida debido a las
caractersticas no lineales del sistema de Flujo. Con
ello es posible garantizar buen comportamientos en
los diferentes puntos de operacin.
Arquitectura:
Backpropagation
(Retro_propagacin): Pues es posible conocer los valores de salida
y aplicarlos en sentido inverso para calcular los
pesos. Este tipo de redes, que trabajan bajo el
algoritmo de retropropagacin del error, han sido
desarrolladas por un basto nmero de investigadores
[Amari, 67], [Bryson, 69], [Werbos, 74], [Parker,
82], [Rumelhart, 86]. En este trabajo, se utilizo el
descrito formalmente por Werbos y posteriormente
por Parker, Rumelhart y McClelland, diseado para
que funcione como una red multicapa con
propagacin hacia delante y empleando un
aprendizaje supervisado.
En resumen, la Red Neuronal Utilizada es la
Backpropagation Multicapa Supervisada, que es en
realidad de propagacin hacia adelante, cuyo
algoritmo de aprendizaje es el de Retropropagacin
del error. Una red de este tipo, consiste de mnimo 3
capas (capa de entrada, intermedia u oculta y de
salida), como se ilustra en la Fig. 2.
2.2 Algoritmo de Aprendizaje

Fig. 2. Vista de la topologa de la Red Neuronal

tpica.
Para el aprendizaje de la Red se utiliza el algoritmo
Backpropagation de la referencia [Demuth, 93],
donde se define la actualizacin de los pesos
mediante:

w ijk +1 = w ijk + . j .y i + w ij (k )

Donde:
= Rata de aprendizaje
j= Gradiente local
yj = Entrada a la neurona mediante los pesos
= Momentum
Al utilizar el algoritmo se aplicaron en su iniciacin
los parmetros sugeridos en el programa y se obtuvo
un buen comportamiento. Se trabaj el algoritmo
que incluye rata de aprendizaje adaptable.
2.3 Identificacin Mediante Redes Neuronales y
Diseo de un Controlador PI por mtodos no
paramtricos.
Como se comento anteriormente, primero se
identific el proceso utilizando un modelo Neuronal,
el cual sirve para calcular los parmetros del
controlador; en este caso, la identificacin del
modelo se hizo off-line. Luego, se calcul el
controlador PI por mtodos no paramtricos.
Aprendizaje del
modelo [K,Q,P]

R(t)

C(t)
Controlador P

Conocidas las entradas, salidas y parmetros del

proceso en los diferentes puntos de operacin, se
entrena la Red (Calculo de pesos) de tres capas. Se le
adiciona un elemento procesador a cada capa (bias)
mediante el cual la red puede ser entrenada logrando
que la convergencia sea ms rpida, como se ilustra
en la Fig. 2.

Planta

Fig. 3 Esquema de aprendizaje de modelo y

controlador.

2.3.1 Identificacin No Paramtrica de la Planta

En Primera instancia, se aplico el mtodo de
respuesta transitoria, para lo cual se asumi que la
planta presenta un comportamiento de primer orden
con retardo:
- ' S
G (s ) = Ke
S +1

C(t)

'+ / 3 = t1

63.2%

Fig. 5 Proceso de Flujo y su Instrumentacin

para el Control

'+ = t 2
K= C
m

28.2%

t
t1

Escaln de
Entrada
30% a 40%

T2
40% a 50%

Fig. 4 Curva de reaccin.

50% a 60%

2.3.2. Control por Asignacin de Polos y Ceros

60% a 70%

Conocida la planta (Identificada mediante RN), y

asumiendo:
q z + q1
Un controlador PI: D ( z ) = 0
z 1
0 .6 0 .9

70% a 80%

z e

WnT

20 57.33Wn T 1 2 60

Se calculan los polos deseados del sistema

controlado. De esta manera, conocidos los
parmetros de la planta, y los polos del sistema, se
calculan los parmetros del controlador PI.

Planta Continua

0.5798e 0.3635s
s +1
.
19452
0.9701e 0.3914 s
G ( s) =
2.3351s + 1
G ( s) =

e 0.4234 s
.
11212
2.216s + 1
e 0.2978 s
.
11590
G ( s) =
2.9070s + 1
1135
. e 0.3583s
G ( s) =
2.5175s + 1
G ( s) =

Planta Discretizada
z + 0.0781
01213
.
z 2 0.656z
z + 01246
.
.
01627
G( z) =
z 2 0.7039z

G ( z) =

G ( z) =

z + 0163
01837
.
.
z 2 0.6907 z

G ( z) =

z + 0.0943
.
01906
z 2 0.7542 z

G( z) =

z + 01254
01902
.
.
z 2 0.722 z

Tabla 1 Plantas identificadas para el sistema de flujo

2.4.2. Proceso Referencia
Como punto de referencia, se tom una planta
conocida la cual present un buen comportamiento
ante un control PI, previamente diseado mediante el
mtodo de asignacin de polos. La funcin de
transferencia de dicha planta es:
Gp(s) =

1.014e 0.5527 S
2.7127 S + 1

2.4. Anlisis del Proceso y Clculos

discretizada con un T= 0.82 :
2.4.1 Proceso Real
En la Fig. 5 se ilustra el esquema general de la planta
donde se incluye el sistema de control y la sensorica
utilizada.
Se implemento un programa en C++ para la
adquisicin y procesamiento de datos, tomados
mediante la tarjeta PCL718. Los resultados obtenidos
se resumen en la tabla 1.

HG ( z ) =

Se asumi:
Luego:

0.22312 Z + 0.41432
Z( Z 0.739085)

= 0 .8

t S = 4 T = 0.82

Wn = 3.074

De donde se deduce: Z = 0.9349 y = 86.7156

Por lo cual la ecuacin caracterstica es:

Z 2 0.987 Z + 0.050

compuesta por seis entradas y tres salidas, con

una capa oculta.

3. ENTRENAMIENTO DE LA RED
Para entrenar la red se utiliz el Matlab 4.2c,
especficamente el Toolbox para Redes Neuronales.

3.1 La Red Neuronal

Se emple el Perceptrn Multicapa compuesto por

dos capas ocultas y se entren con el algoritmo
BackPropagation (funcion trainbpx de Matlab) con
funcin de activacin sigmoidal (logsig), Fig. 7 y 8.

X=1

Umbral
Error

Salida

Y
Salida
Deseada

Y
Y
Entradas

Fig. 6 Estructura de la Red Neuronal

La primera capa est conformada por seis neuronas
que reciben seis entradas. La siguiente capa se
compone de tres neuronas cuyas salidas representan
los parmetros de la planta (R, Q, P), as:
Rz + Q
HG ( z ) = 2
z Pz
La entrada a la Red es una matriz de [6 X 60] (Tres
datos de la Entrada de la planta, Tres datos de la
Salida de la planta )
Las salidas deseadas, una matriz de [3 X 60]
(salidas P, Q, R )
Funcin de activacin: sigmoidal
Algoritmo, BACKPROPAGATION rpido con
factor adaptable de aprendizaje
Adems se defini el error mnimo al que se desea
llegar (0.01).
La red utilizada, de acuerdo a los conceptos
anteriores, se ilustra en Fig. 7 y 8:
Neuronas

Pesos

U
U
R

Pesos

Fn de
Activacin
(sigmoidal)

Fig. 8 Descripcin de una neurona con funcin de

activacin sigmoidal y algoritmo de aprendizaje
Backpropagation
En conclusin, la principal funcin de la Red
Neuronal es discretizar el sistema al convertir, con
los pesos ya calculados, entradas continuas en las
salidas R, Q, P que son los parmetros de la planta
discretizada.
Es importante anotar que la matriz P se normaliz
para ser aplicada a la funcin de activacin
sigmoidal.
4. CONTROLADOR PI POR ASIGNACIN
DE POLOS
Se implemento un programa en Matlab que permite
calcular el controlador con base en los parmetros
identificados de la planta, para ello se tienen en
cuenta los siguientes clculos:
El sistema controlado debe cumplir con la ecuacin
caracterstica: 1 + D ( z ) HG ( z ) = 0
q z + q1 Rz + Q
Por tanto:
1+ 0
2
=0
z 1
z Pz
Lo que implica:

z 3 + (q0 R 1 P )z 2 + (q0 Q + P + q1 R )z + q1Q = 0

Conociendo los polos deseados (p1, p2) y asumiendo

un tercer polo (a); la funcin de transferencia deseada
cumplir la ecuacin caracterstica:

(Z2+mZ+n)(Z+a) =0

Entradas

Por tanto:
Capas Ocultas

Fig. 7 Descripcin de una red neuronal

("feedfoward"),

Salidas

z 3 + (q 0 R 1 P )z 2 + (q 0 Q + P + q 1 R )z + q 1 Q =
(z 2 + mz + n)(z + a)

En conclusin:

6. SIMULACIN Y RESULTADOS

(q0 R 1 P ) = a + m
(q0 Q + P + q1 R ) = n + a
q1Q = na

a =

( )

(n P )* 1 (m + 1 + P )* 1
Q

1 m * 1 + n * 1 * 1 * R
R
Q
Q Q

( )

( R)

q 0 = (a + m + 1 + P )* 1
q1 = na 1
Q

5. SISTEMA DE CONTROL

Despus de entrenada la red y calculados los

parmetros del controlador, mediante el Matlab, se
someti el sistema a verificacin utilizando los
resultados obtenidos para el proceso real y el
identificado mediante la Red Entrenada, aplicando a
ambos un controlador PI. Dichos resultados se
consignas en las Fig. 10 y 11. En ellas se presentan
los resultados de los Valores Reales Vs. Valores
Simulados para escaln del 40% y 50%
respectivamente.
Los resultados obtenidos son altamente satisfactorios,
puesto que para ambos casos la variable sigue
fielmente al Set-Poirnt con un pequeo error propio
del sistema.

Para la implementacin del sistema de control, se

dise un programa en C++ que permite calcular y
ejecutar el control del sistema con base en los
resultados obtenidos de la Red (Pesos y Umbrales).El
diagrama de flujo de este programa se ilustra en la
Fig. 9.

I
Conf. Pclab -718
Adq. Escalon, salidas
S1=[u,y][W1n]+B1n
(a)

Y1=sigmoidal(S1)
S2=[Y1][W2n]+B2n
[R,Q,P]=sigmoidal(S2)
E.deseada asig polos
Z2 + mZ + n (Z + a )

[qo,q1]=f(R,Q,P,m,n,a)
Ley de control
Mk=qo*ek+q1*ek1+p*Mk1
Fig. 9 Algoritmo para calculo del controlador
PI.

(b)
Fig. 10 Valores Reales (a) y Valores Simulados (b)
con escaln del 40%.

mtodos tradicionales y controlar en los diferentes

puntos de trabajo, lo cual demando una gran cantidad
de recursos. Con este proyecto, se demuestra que es
posible obtener, con mucho menos esfuerzos y
recursos, sistemas de control menos complejos para
procesos tan difciles de controlar como el del
trabajo. Todo lo anterior evidencia la gran ventaja del
control implementado por Redes Neuronales, para lo
cual el diseador no necesariamente debe conocer la
dinmica del sistema.
Con las Redes Neuronales se pueden desarrollar otros
esquemas de control diferentes al presentado en este
caso, para lo cual se tienen diseado trabajos futuros
en el marco de un proyecto de aplicaciones de dichas
Redes en procesos industriales.
(a)

AGRADECIMIENTOS
El montaje practico para la realizacin de este trabajo
se hizo en la planta de etanol del Instituto Politcnico
Jaime Isaza Cadavid y fue parte del proyecto de
grado del estudiante Gianni Pezzotti. Los autores
agradecen al Instituto por su apoyo logstico.
BIBLIOGRAFA
[Amari,97]: Amari, S-I. "A theory of adaptive
pattern classifiers". IEEE Transactions on
Electronic Computers. 1967.
[Bruson, 69]:
Bryson, A. & Ho, Y. "Applied
Optimal Control". Blaisdell. New York. 1969.

(b)
Fig. 11 Valores Reales (a) y Valores Simulados (b)
con escaln del 50%.

CONCLUSIONES
Como era de esperarse, los resultados obtenidos,
ofrecen una gran posibilidad para el control de
procesos con caractersticas no lineales y promete ser
uno de los campos de trabajo e investigacin con
mayores opciones de ser desarrollados en gran
cantidad de procesos industriales.
Comparando los resultados obtenidos con los
simulados, se puede observar que es posible,
mediante una Red Neuronal bien entrenada, lograr
los mismos resultados que cuando se controla un
proceso por mtodos tradicionales. Este ultimo
demand muchos trabajos de investigacin y
desarrollo pues se hizo necesario identificar por

[Werbos, 74]:
Werbos, P. "Beyond regression:
New tools for prediction and analysis in the
behavioral sciences". Ph. D. Dissertation, Harvard
University. 1974.
[Parker, 85]: D. B. Parker Learning-Logic: casting
the cortex od the human brain in silicon,
technical report TR-47, center for computatinal
researchn in economics and Manegement science,
MIT, Cambridge, MA, 1985.
[Rumelhart, 86]: Rumelhart, D. Hinton, G. &
Williams, R. "Learning representations
backpropagation errors". Neture. 1986.

by

[Demuth, 93]: Demuth, H; Beale, M. Neural

Network Toolbox: For use with Matlab, the
MathWorks Inc. , September, 1993