See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/318834946

Diseño de un Controlador Neuronal basado en Arduino

Article · September 2016

CITATIONS READS

0 1,851

5 authors, including:

J. Jesús Cano Morales Salomon Dominguez

Instituto Tecnologico Superior de Huichapan Anáhuac University
1 PUBLICATION   0 CITATIONS    3 PUBLICATIONS   11 CITATIONS   

SEE PROFILE SEE PROFILE

Cruz Ramirez
Instituto Tecnologico Superior de Huichapan
4 PUBLICATIONS   2 CITATIONS   

SEE PROFILE

All content following this page was uploaded by J. Jesús Cano Morales on 01 August 2017.

The user has requested enhancement of the downloaded file.

INSTITUTO TECNOLÓGICO SUPERIOR DE HUICHAPAN
Diseño de un Controlador Neuronal basado en Arduino.

J. Jesús Cano Morales1, Salomón Domínguez de la Cruz2, María Guadalupe Cruz Ramírez3
1
Departamento de Ciencias Básicas, Instituto Tecnológico Superior de Huichapan, Domicilio Conocido
El Saucillo, S/N, C.P. 42411, jjcano@iteshu.edu.mx, 2Departamento de Ciencias Básicas, Instituto
Tecnológico Superior de Huichapan, Domicilio Conocido El Saucillo, S/N, C.P. 42411,
sdominguez@iteshu.edu.mx, 3Departamento de Ciencias Básicas, Instituto Tecnológico Superior de
Huichapan, Domicilio Conocido El Saucillo, S/N, C.P. 42411, Huichapan, Hidalgo, México,
mgcruz@iteshu.edu.mx

Resumen— El control inteligente es actualmente una

de las áreas de investigación y desarrollo ingenieril
que más interés ha despertado en la comunidad
científica-tecnológica debido a que contribuye en gran
manera a la optimización de diferentes procesos,
altamente no lineales, ofreciendo ventajas tales como:
precisión, adaptabilidad a entornos inciertos,
tolerancia a fallas y perturbaciones. Debido a lo
anterior, en el presente trabajo, se propone desarrollar
una metodología basada en un Controlador Neuronal
Auto-sintonizable (CNA) implementado en Arduino;
utilizando como herramienta de diseño el simulador
ISIS. El regulador es empleado para controlar un horno
virtual. Se realizó un estudio comparativo de respuesta
asintótica y transitoria del sistema con relación al PID
discreto. Los resultados muestran una alta
confiabilidad del CNA que promedia: un error en
estado estacionario de 0.08ºC, sobrepaso al escalón de
1.93%, sobrepaso a una perturbación de 0.57%, gran
rapidez de respuesta conforme evoluciona con el paso
del tiempo.
Abstract— Intelligent control is currently one of the
areas of research and engineering development that
has sparked more interest in the scientific and
technological community as it contributes greatly to
the optimization of different processes, highly
nonlinear, offering advantages such as accuracy,
adaptability to uncertain environments, fault tolerance
and disturbance. Because of this, in this paper, aims to
develop a methodology based on a Self-tunable Neural
Controller (SNC) embedded in Arduino, using the
design tool as ISIS simulator. The controller is used to
control a virtual oven. We performed a comparative
study of asymptotic and transient response of the
implemented system with respect to discrete PID. The
results show high reliability CNA averaging: a steady-
state error of 0.08°C, step Override 1.93%, to a
disturbance overshoot of 0.57%, much faster response
as it evolves over time.
Palabras clave — Controlador Inteligente,
Controlador Neuronal Auto-sintonizable, Simulador
ISIS, PID discreto, Arduino.
I. INTRODUCCIÓN
Entre las técnicas de control clásico el PID de
ganancia fija, es en muchos casos la alternativa
para regular sistemas dinámicos, debido a la
rapidez de respuesta que proporciona; sin
embargo tiende a degradarse con el paso del
tiempo a consecuencia de cambios en el entorno,
en ocasiones introduce oscilaciones cuando se
presentan retardos en la planta. Presenta
sensibilidad a señales no lineales, difícilmente
caracterizables en una ecuación, de ruido y
perturbaciones; debido a que asume relaciones
lineales, intrínsecas en su modelado.
El control inteligente es desarrollado como
una opción a las carencias del PID clásico, está
conformado por el control neuronal, el control
difuso, los algoritmos genéticos y la inteligencia
artificial clásica.
En la literatura es posible encontrar algunos
trabajos relacionados: como el que desarrolla,
Leyva-Soto [1] propone un CNA basado en
FPGA (Field Programmable Gate Array) para un
servomotor, simulado en VHDL (Very High
Speed Integrated Circuit Hardware Description
Language), Fuentes-Silva y Noriega-Ponce [2]
implementan un CNA para un proceso de
fabricación de fibra óptica polimérica sobre una
plataforma LabView, Cano-Morales [3] sugiere
un CNA, así como un controlador difuso basado
en un microcontrolador para procesos térmicos.
Robayo, Barrera y Polanco [4] proponen el
desarrollo de un control neuronal basado en el
modelo inverso para un sistema hidráulico
multivariable de nivel y caudal, implementado en
Arduino, de la Universidad Surcolombiana, que
optimiza el error en estado estacionario, el
sobreimpulso y tiempo de establecimiento.
Morales-Mancilla, et al [5] desarrolla el modelo
INSTITUTO TECNOLÓGICO SUPERIOR DE HUICHAPAN
de un sistema neuro-difuso para el cultivo y
producción del insecto Niij (Llaveia Axin), para
controlar la humedad del suelo y temperatura
ambiental dentro del vivario, los algoritmos se
desarrollan en Matlab e implementan en
Arduino.
Debido a la complejidad inherente en el
desarrollo de sistemas de control inteligente,
específicamente el neuronal; en el presente
artículo se tiene como objetivo y contribución,
proponer una metodología de diseño para una
aplicación virtual de un CNA implementado en
Arduino, compararlo con el PID discreto, con
ayuda del entorno de simulación ISIS. El
Arduino es utilizado en las universidades, centros
de investigación e industria por su bajo costo y
sencillez. En el esquema de control que se
sugiere, el proceso de adaptación es en tiempo
real.
II. DESARROLLO
A. Metodología del controlador neuronal auto-
sintonizable.
El presente trabajo, se desarrolla en el Edificio
F, Sala de Docentes del Instituto Tecnológico
Superior de Huichapan.
Rumelhart y Hinton [6] redescubren el método
de retropropagación, resolviendo las
incapacidades iniciales de las redes neuronales y
sugieren la regla delta generalizada para el
entrenamiento de redes neuronales multicapa,
que es una formalización canónica de la ley de
aprendizaje por el descenso más rápido.
El algoritmo recibe tal nombre debido a que
las derivadas del error se calculan en dirección
opuesta a la señal de propagación.
Fig. 1 Diagrama a bloques de un proceso regulado por CNA.
De las aplicaciones que se han hecho, sin
duda, la relativa a identificación y control de
procesos es de las más importantes en la
industria.
Los métodos de control neuronal o neuro-
control se pueden clasificar en: indirectos y
directos. Los métodos indirectos son aquellos en
los que se requiere generalmente una
identificación del proceso a controlar utilizando
un modelo neuronal, que sirve para calcular los
parámetros del controlador.
Aguado [7] comenta que los métodos directos
son aquellos en los que se obvia la etapa de
identificar un modelo y se ajustan directamente
los parámetros del controlador neuronal (pesos),
a partir del error de regulación.
El CNA, que se muestra en la figura 1, ajusta
de manera permanente el error de salida del
proceso, por medio de una estrategia de
adaptación, no de entrenamiento, basada en
retropropagación.
Las entradas del CNA son errores ey(t) en
diferentes estados de tiempo, se sugieren tres o
cuatro. La salida del controlador es u(t); wij, vjk
son los pesos sinápticos. La entrada al sistema es
la referencia yr(t) y la señal medida y(t).
Cui y Shin [8] demuestran que es posible, bajo
ciertas restricciones, obviar la paradoja del
enfoque directo por el desconocimiento del error
de salida de la red. Las técnicas de neuro-control
se pueden enlistar como: Control simple
mediante el Modelo Inverso (CMI), controlador
neuronal combinado con un PID, control
predictivo, control predictivo neuro-genético y el
método directo del Controlador Neuronal Auto-
sintonizable (CNA).
Fig. 2 Diagrama de flujo del CNA en código Processing
para Arduino.
En la figura 2, se representa el diseño del
algoritmo del CNA codificado en lenguaje
Processing para Arduino a ser implementado y
simulado en ISIS.
B. Implementación y simulación del CNA en
ISIS.
INSTITUTO TECNOLÓGICO SUPERIOR DE HUICHAPAN
Se decide implementar el algoritmo del CNA
en el Arduino, por su capacidad de memoria
RAM (Random Access Memory), Flash y
versatilidad.
Un potenciómetro de 1kΩ, conectado a la
alimentación y tierra en sus extremos, se utiliza
como la REFERENCIA del sistema a partir de
su derivación central, hacia el canal de
conversión A/D A1 del Arduino.
Para la señal de retroalimentación se construye
un acondicionador de señal formado por dos
resistencias R3 y R4, a manera de un divisor de
voltaje con salida hacia el canal de conversión
A/D A0, debido a que la resolución de la terminal
T del HORNO es de 1ºC/V.
La potencia hacia el calentador, parte de la
terminal 13 del Arduino en forma de un PWM
(Pulse Width Modulation) a un milisegundo en
ciclo de servicio, habilita un MOSFET de alta
potencia IRF510; que a su vez activa la planta y
la mantiene en el estado deseado de regulación.
Se añade una fuente de alimentación BAT1 de
12V que alimenta al HORNO OV1 y otra
llamada PERTURBACIÓN de 24V para
realizar pruebas.
Las condiciones de la planta y sintonía del
PID discreto, pueden encontrarse en García [9].
El diagrama del sistema de control diseñado,
implementado y la simulación en ISIS, se
presenta en la figura 3.
Fig. 3 Esquemático y gráfica de la aplicación virtual del
CNA.
Para la obtención de las señales generadas por
cada regulador, se utiliza la herramienta
INTERACTIVE ANALYSIS, del icono
GRAPH MODE; se define la sonda de
temperatura SM y el tiempo de la aplicación.
III. RESULTADOS
Se aplican diferentes escalones de referencia
al sistema, utilizando el CNA; así como el
regulador PID discreto con tiempos de muestreo
de uno y cien milisegundos, de acuerdo con el
criterio de Nyquist. Los resultados obtenidos se
pueden apreciar en la gráfica de la figura 4.
110
Respuestas de Regulación
100
90
80
Temperatura(ºC)
 PERTURBACIÓN
70
60
50
40
30
REFERENCIA
PID con Ts=1ms
PID con Ts=100ms
20
0 20 40 60 80 100 120 140
CNA
160 180 200
Tiempo(s)
Fig. 4 Respuestas obtenidas de la planta regulada para
diferentes escalones.
Para el análisis de las señales generadas por
los reguladores, se utiliza EXPORT DATA, del
submenú GRAPH, de la herramienta
INTERACTIVE ANALYSIS.
Se guarda la información (muestras) en
archivos de texto. Los archivos generados
pueden ser abiertos y analizados con ayuda de
Matlab.
Tabla 1. Mediciones obtenidas.
La comparación de las mediciones de estado
estacionario y transitorio, para los reguladores
utilizados en el análisis, se enlistan en la tabla 1.
IV. CONCLUSIONES
De acuerdo con los datos recabados de las
mediciones, respecto a la regulación de la planta,
el CNA es en promedio más exacto, en relación
al estado estacionario, que el PID en ambos
casos. Cuando el sistema es sujeto a
perturbaciones, con el CNA básicamente
permanece inmutable, robusto respecto a
cambios en el entorno. El transitorio es
mayormente amortiguado y de respuesta suave
en el sistema con la utilización del PID discreto,
muestreado a un milisegundo. La respuesta más
rápida se obtiene con el PID discreto muestreado
a cien milisegundos, por lo menos en los
primeros escalones. Se puede apreciar que con el
paso del tiempo el CNA se va adaptando (en
línea) y respondiendo de manera más eficiente a
los cambios, respecto a sus adversarios. Tanto el
 INSTITUTO TECNOLÓGICO SUPERIOR DE HUICHAPAN
Arduino como el entorno ISIS, son muy
intuitivos en sus funciones, lo que facilita el
diseño y simulación de aplicaciones
automatizadas. Se recomienda realizar pruebas
con sistemas de mayor complejidad.
REFERENCIAS
[1] G. Leyva-Soto, “Implementación de una red neuronal
auto-ajustable en FPGA para un servomotor”, Tesis de
maestría, Universidad Autónoma de Querétaro,
Santiago de Querétaro, México, 2008.
[2] C. Fuentes-Silva, A. Noriega-Ponce, “Control
neuronal auto-ajustable en tiempo real de un proceso
de producción de fibra óptica polimérica”, Ingeniería,
Investigación y Tecnología, FIUNAM, Vol. XIII, No.
2, pp. 175-184, 2012.
[3] J. Cano-Morales, “Diseño de controladores neuronales
y difusos, basado en microcontrolador, mediante
simulador ISIS”, Memorias en extenso 12° Congreso
View publication stats
Nacional de Mecatrónica. Asociación Mexicana de
Mecatrónica, A.C., 2013, p. 8.
[4] F. Robayo, A. Barrera, y L. Polanco, “Desarrollo de un
Controlador basado en Redes Neuronales para un
Sistema Multivariable de Nivel y Caudal”, Revista
Ingeniería y Región, Vol. 14, No. 2, pp. 43-54, 2015.
[5] J. Morales, H. Guerra, A. Cossío, F. Suárez, J. Gómez,
y J. Orozco, “Modelo Neuro-difuso para el control de
temperatura ambiental y humedad del suelo para
cultivar el insecto Niij (Llaveia Axin)”, Revista
Tecnología Digital, Vol. 5, No. 1, pp. 115-127, 2015.
[6] D. Rumelhart, G. Hinton, “Learning representations
by back-propagating errors”, Nature, London, 1986.
[7] A. Aguado-Behar, Temas de Identificación y Control
Adaptable, La Habana, Cuba: Instituto de Cibernética,
Física y Matemática, 2000.
[8] X. Cui, K. Shin, “Direct Control and Coordination
Using Neural Networks”, IEEE Transactions on
Systems, Man and Cybernetics, Vol. 23, No. 3, pp.
686-697, 1992.
[9] E. García, Compilador C CCS y simulador PROTEUS
para Microcontroladores PIC, 1a Ed., México:
Alfaomega Grupo Editor, 2008.