La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Patricio Suquillo Q.. Se implementaran tres tipos de neurocontroladores: Con modelo de Referencia. Con red neuronal inversa. Con identificación de un.

Presentaciones similares


Presentación del tema: "Patricio Suquillo Q.. Se implementaran tres tipos de neurocontroladores: Con modelo de Referencia. Con red neuronal inversa. Con identificación de un."— Transcripción de la presentación:

1 Patricio Suquillo Q.

2 Se implementaran tres tipos de neurocontroladores: Con modelo de Referencia. Con red neuronal inversa. Con identificación de un controlador. 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.

3 Sinapsis.- 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.

4 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

5 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. Modelo de Referencia Lineal

6 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.

7

8 Creación de la Red Neuronal NCtrl con red neuronal inversa. NCtrl con modelo de referencia. NCtrl con Identificación de PID. Estructura Neuronal EntrenamientoEntrenamiento

9 La curva de aprendizaje converge a partir de la iteración 3000, presentando un error de 4.4 %. Patrones de entrenamiento Se deberá diseñar y obtener una red neuronal que presente un comportamiento inverso al de la planta.

10 Distribución 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.

11 Simulación 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.

12 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 %.

13 Distribución 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.

14 Simulación 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.

15 Se deberá obtener la identificación del controlador PID, usando redes neuronales, verificando su entrenamiento y posterior funcionalidad Patrones de entrenamiento 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.

16 Análisis 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

17 Simulación y Desempeño de la red neuronal entrenada. Varia las entradas y genera los posibles escenarios, obteniendo la señal de control en rojo [0 10]

18 [entrada1 entrada2 salida] Neurocontrolador con Identificación de controlador PID. Neurocontrolador con red neuronal inversa. Neurocontrolador con modelo de referencia.

19 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

20 SiemensStep7 Administrador Simatic HW Config Editor de Símbolos KOP/AWL/FUPNeuroSystemsWinCC Graphics Designer

21 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.

22 Permitirá 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

23

24

25 Ctrl_Inv, error 0.94 °C Ctrl_Mref, error 0.9 °C Ctrl_Id_PID, error 1.42 °C

26 Ctrl_Mref, error 0.29 °C Ctrl_Inv, error 0.62 °C Ctrl_Id_PID, error 0.74 °C

27

28 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.

29

30 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.

31

32

33 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 MPIUSB ya disponible.


Descargar ppt "Patricio Suquillo Q.. Se implementaran tres tipos de neurocontroladores: Con modelo de Referencia. Con red neuronal inversa. Con identificación de un."

Presentaciones similares


Anuncios Google