Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 DERIVACIÓN DE REGLAS DE CONTROL MIMO PARA UN CONTROLADOR FUZZY SIN CONOCIMIENTO EXPERTO Sergio L. Martínez 1,2 , Enrique E. Tarifa 1 y Víctor D. Sánchez Rivero 1,2 smartinez@arnet.com.ar, eetarifa@arnet.com.ar, ivansr100@arnet.com.ar RESUMEN El control de equipos y procesos es una actividad indispensable en numerosos ámbitos, especialmente en la industria. Usualmente los sistemas de control convencionales requieren un conocimiento muy preciso del sistema sobre el que se aplican, ya que, cuando operan sobre un modelo necesitan de los datos que el sistema genera. La obtención de tal modelo no es siempre posible. Por otra parte, los controladores basados en lógica fuzzy (FLC) utilizan heurísticas de control que no requieren específicamente de un modelo del proceso, pero la estrategia de control en la que se basan está sustentada por el conocimiento de un experto a partir del cual, se derivan las reglas de control. En este trabajo, se considera que el conocimiento experto no está disponible, por lo tanto la construcción de la base de reglas del controlador fuzzy se basa en el sentido común de ingeniería y la experiencia en control por lógica fuzzy, partiendo de un conjunto de meta reglas que completa y complementa a la tabla de decisión genérica de MacVicar – Whelan. El controlador descrito se aplica a un proceso que requiere control MIMO (Multiple Input Multiple Output), de mediana complejidad y muy utilizado en la industria. Específicamente, este proceso es un mezclador de caudales que se alimenta con un flujo frío y uno caliente, para producir un flujo combinado a una temperatura y un caudal prefijado por el usuario. Los resultados se comparan con los valores óptimos generados por las ecuaciones exactas del modelo inverso, mostrando que el control fuzzy basado en meta reglas genéricas y sin conocimiento experto puede ser tan eficiente como el control determinístico. Palabras clave: sistema MIMO, mezclador de caudales, control fuzzy, metarreglas MacVicar – Whelan. ABSTRACT The processes control is an essential activity in many areas, including industry. Usually, conventional control requires a precise knowledge of the industrial system, which it applies on. Because of that, processes control currently operates systems using a model and experimental data. However, a suitable model is not always easy to obtain. For example, fuzzy logic based controllers (FLC) use control heuristic technology that does not specifically require a model. Instead of that, these controllers are based on expert knowledge. In this work, it is considered that the expert knowledge is not available. Therefore, fuzzy controllers building is based on engineering common sense and fuzzy logic control expertise. Particularly, the controller is initiated on a set of meta-rules that completes and complements the generic MacVicar - Whelan decision table. Additionally, the studied controller was applied to a flow mixer that was fed with cold and hot streams to produce a combined flow, adjustable by temperature and by flow. The experiment was a middle complexity process that requires MIMO control and is widely used in industry. Finally, the results are compared with optimal values obtained from an inverse model and show that developed fuzzy controllers can be as efficient as deterministic controllers. Keywords: MIMO system, flow mixer, fuzzy control, MacVicar – Whelan meta-rules. 2 INTRODUCCIÓN En muchos procesos industriales se requieren mezclas de corrientes de flujos para producir una nueva corriente con las propiedades deseadas (caudal, presión, temperatura y composición). Típicamente, esto se puede lograr con dispositivos conocidos como mezcladores de flujos. Este tipo de dispositivo, al formar parte de diversos procesos, suele estar sometido a dinámicas exigentes en sus parámetros de referencia, que podrían ser reguladas por un operario experto, o cuando la dinámica de cambios es compleja, por un sistema de control automático. Los continuos avances en el campo de la inteligencia artificial, ha permitido generar diversos modelos de sistemas de control, en general de tipo adaptivo y basados en conocimiento, que rápidamente están reemplazando a los sistemas de control tradicionales. En la bibliografía pertinente (Labiod et al., 2005; Chen, 2009; Chen et al, 2011), se analizan algunos de estos tipos como casos típicos de control MIMO. Pese a que los dispositivos mezcladores se presentan como sistemas relativamente simples, se puede poner de manifiesto su importancia a través de referencias específicas como por ejemplo el control de la coloración de una mezcla de fluidos en un tanque mediante controladores fuzzy (Iriarte Lanas et al, 1999); la optimización del mezclado de fluidos con controladores basados en metamodelos (Mohamed Sultan et al, 2009); o un extenso análisis sobre control MIMO lineal y no lineal aplicado a procesos industriales de mezclado en una tesis de maestría (Yan Deng, 2002). En este trabajo se diseña e implementa un controlador fuzzy de tipo MIMO, aplicado a un modelo de mezclador de corrientes líquidas, configurado sobre el entorno Simulink® de Matlab®. Se considera que el conocimiento experto no está disponible, por lo tanto la construcción de la base de reglas del controlador fuzzy se basa en el sentido común de ingeniería y la experiencia en control por lógica fuzzy, partiendo de un conjunto de meta reglas que completa y complementa a la tabla de decisión genérica de MacVicar – Whelan (Cheong, 2008). Para comparar la actividad del controlador propuesto, se deduce e implementa el modelo inverso del mezclador de flujos que actúa como controlador ideal. SISTEMA A CONTROLAR El sistema a controlar es un mezclador de flujos en línea de distintas temperaturas, usualmente utilizado industrialmente con agua para obtener un caudal preestablecido a una determinada temperatura. La corriente fría tiene un caudal máximo Ff y una temperatura Tf. Esta corriente es regulada por la apertura xf de la válvula Vf. La corriente caliente tiene un caudal máximo Fc y una temperatura Tc. Esta corriente es regulada por la apertura xc de la válvula Vc. La corriente combinada a la salida del sistema tiene caudal F y temperatura T que dependen de los parámetros de las corrientes de entrada. Un esquema del sistema se muestra en la Figura 1. Vf Vc Ff, Tf F, T Fc, Tc Figura 1. Esquema del mezclador en línea. A partir del esquema anterior, las ecuaciones (1) a (3) siguientes, definen al modelo del mezclador en línea: f f c cF = x F + x F (1) f f f c c c f f c c x F T + x F T T = x F + x F (2) f c0 x 1; 0 x 1 (3) donde el caudal F y la temperatura T de la corriente de salida dependen de las condiciones de las corrientes de entrada {Ff, Tf, Fc, Tc} y de las aperturas xf y xc de sus respectivas válvulas. 3 Modelo inverso del sistema a controlar Invirtiendo el modelo del mezclador de flujos planteado, se obtiene la salida de un sistema de control ideal para una referencia (setpoint) FSP para el caudal y TSP para la temperatura. Este control es del tipo MIMO ya que posee dos variables controladas (F y T) y dos variables manipuladas (xf y xc). Las ecuaciones asociadas a este modelo inverso son las siguientes: sp c sp f f c f F T T x F T T (4) sp sp f c c c f F T T x F T T (5) f sp c sp max; 0T T T F F (6) La cota superior Fmax es función de la temperatura de referencia Tsp. Para encontrar esta funcionalidad se resuelve el siguiente problema de optimización: f c sp sp , , sp f f c c f f f c c c sp f f c c f c Max s.a: 0 1 0 1 x x F F F x F x F x F T x F T T x F x F x x (7) Este problema de optimización se puede resolver analíticamente. Primero se despeja la apertura xf de la segunda restricción dada en (7): c c c sp f f spf F x T T x F T T (8) reemplazando en la primera restricción de (7), se obtiene: c c c sp sp sp f F x T T F T T (9) por lo tanto, el máximo valor del caudal se consigue cuando xc es máximo. La cota superior de esta apertura es 1, pero se debe recordar que xf está en función de xc, y que esta última también debe ser menor que 1. De ambas consideraciones se obtienen las siguientes restricciones: c0 1x (10) f sp f c c c sp 0 F T T x F T T (11) Como puede apreciarse, xc tiene dos posibles cotas superiores, siendo el valor de Tsp el que activará una u otra restricción de la siguiente manera: 4 c max f sp f f f c c sp max f cc c sp 0 si 1 en otro caso x x F T T F T F T T x F FF T T (12) reemplazando xc por xmax en la ecuación (9), se obtiene: f c f f f c c sp c sp f c max c c f sp f si en otro caso F T T F T F T T T T F F F F T T T T (13) Con la expresión obtenida para Fmax se completa el modelo de control ideal. Simulación de los modelos directo e inverso Los modelos presentados en las secciones anteriores fueron empleados para implementar los correspondientes simuladores. La implementación fue realizada sobre el entorno Simulink® de Matlab®. En este entorno, los modelos se implementan en forma circuital, mediante diagramas de bloques. La Figura 2 muestra la implementación realizada para el mezclador en línea. La Figura 3 muestra la implementación realizada para el modelo inverso que actuará como controlador ideal. Figura 2. Modelo del mezclador en línea en Simulink®. Figura 3. Modelo inverso del mezclador en línea en Simulink®. CONTROLADORES FUZZY En la actualidad, para la mayoría de los procesos industriales de cierta complejidad, las exigentes condiciones de regulación de flujos requieren la asistencia de sistemas de control especializados. En estos casos, el campo de la inteligencia artificial puede proveer modelos más eficientes y adaptables a las condiciones del proceso, tales como controladores basados en lógica fuzzy y controladores basados en redes neuronales. Para este caso de estudio basado en el mezclador de corrientes líquidas, el sistema de control requiere de una estructura tipo MIMO, ya que necesita al menos de dos variables de entrada para una con-figuración a lazo abierto (Figura 4), o al menos cuatro variables de entrada para una configuración a lazo cerrado (Figura 5), y actuar sobre las variables que regulan las aperturas de las válvulas de corriente fría (xf) y corriente caliente (xc). En el caso de los sistemas de lazo abierto, la acción de control es independiente de la salida debido a que no hay realimentación. A cada entrada de referencia le corresponde una condición de operación fija y la precisión del sistema depende de la calibración. Por otra parte, los sistemas de lazo cerrado o realimentados mantienen una relación preestablecida entre la entrada y la salida, comparándolas y utilizando la diferencia como parámetro de control. Presentan un comportamiento más conveniente en presencia de perturbaciones ya que utilizan la realimentación para reducir el error del sistema. 5 Ff, Tf Fc, Tc F, T Vc Vf Fsp Tsp xf xc SISTEMA DE CONTROL (lazo abierto) F SP TSP x c x f CONTROLADOR FUZZY (lazo cerrado) + +- - err(F) err(T) F f , T f F c , T c F , T V fVc Figura 4. Esquema de control a lazo abierto. Figura 5. Esquema de control a lazo cerrado. La mayoría de las soluciones en control lineal y no lineal desarrolladas en las últimas tres décadas han estado basadas en los modelos matemáticos precisos de los sistemas a controlar. Muchos de estos sistemas son difíciles –a veces imposible– de describir mediante relaciones matemáticas convencionales, por lo que aquellos controladores basados en este enfoque pueden generar resultados poco satisfactorios (Al-Odienat & Al-Lawama, 2008). Tomando este concepto en consideración, en este trabajo se diseña e implementa un controlador basado en lógica fuzzy que no requiere un conocimiento experto ni un conocimiento preciso del sistema a controlar –de hecho, en este caso el modelo del sistema a controlar se deduce e implementa solo a los fines de soportar y evaluar la acción del controlador diseñado–. Los controladores basados en lógica fuzzy utilizan un modo de razonamiento aproximado que se asemeja al proceso de toma de decisiones de un humano experto, basándose en un conjunto de reglas lingüísticas. Como estructura organizacional general de un sistema de inferencia fuzzy actuando como controlador, se puede destacar (Figura 6): Fuzzyficación: proceso mediante el cual las variables de control convierten sus valores instanciados en valores de pertenencia dentro de un intervalo [0, 1] a través de un conjunto de funciones de pertenencia definidas para cada variable. Base de reglas: conjunto de reglas condicionales que establecen las relaciones entre las variables de control y las variables controladas, de acuerdo al proceso sobre el que se apliquen. Motor de inferencia: estructura lógica que relaciona los hechos iniciales del proceso, a través de las reglas fuzzy, para determinar las condiciones que asumen las variables de control. Defuzzyficación: proceso que reconvierte los resultados fuzzy de la composición de todas las reglas ejecutadas a valores nítidos para ser asignados a las variables de control que actuarán sobre el proceso. V a ri a b le s c o n tr o la d a s V a ri a b le s d e c o n tr o l Base de Reglas Motor de Inferencia F u z z y fi c a c ió n D e fu z z y fi c a c ió n Figura 6. Estructura interna general de un controlador fuzzy. Como se puede advertir del esquema anterior, el componente más representativo del controlador fuzzy lo constituye la base de reglas, pues allí reside el conocimiento que requiere este sistema para realizar la acción de control. Particularmente, en la configuración a lazo cerrado del sistema de control fuzzy equivalente a un modelo PD (proporcional-derivativo) convencional, las variables utilizadas se configuran con las desviaciones de los valores requeridos por el sistema a controlar (el error ek) y sus cambios respectivos (la variación del error ek = ek – ek-1), para tener referencia del estado en que se encuentra el sistema controlado y producir la variación de la variable de control (la salida uk), como se observa en el esquema de la Figura 7. 6 Controlador fuzzy Planta Z-1 + _ Z-1 +_ F err(F k ) err(T k-1 ) +_ +_ T F SP T SP xf k xc k err(F k-1 ) err(F k ) err(T k ) err(T k ) Figura 7. Sistema de control fuzzy a lazo cerrado tipo PD. Implementación de la base de reglas Para configurar la base de reglas requerida por el controlador fuzzy se utiliza la tabla de decisión propuesta por MacVicar-Whelan (Cheong, 2008) que constituye una base estándar de reglas configurada sobre la teoría de lógica fuzzy y el sentido común en ingeniería. Considerando que las variables de entrada al controlador son el error ek y su variación ek, y la variable de salida es la variación de la salida de control uk, tal base de reglas puede ser sustentada por los criterios establecidos por las siguientes metarreglas: Si el error y la variación del error son cero, entonces la variación de la salida de control es cero. Si el error tiende a cero a un ritmo satisfactorio, entonces la variación de la salida de control es cero. Si el error no se corrige, entonces la variación en la salida de control no es cero y depende del signo y la magnitud del error y de la variación del error. Con estos criterios se pueden formular las reglas generales para conformar una base genérica de conocimiento aplicable a un controlador fuzzy. En las tablas siguientes (Tabla 1, Tabla 2 y Tabla 3) se muestra el conjunto dereglas generados para tres, cinco y siete particiones de las variables de entrada ek y ek con una variable de salida uk, bajo un esquema de etiquetas lingüísticas estándares. Tabla 1. Tabla de decisión de MacVicar-Whelan de 3x3 particiones. Tabla 2. Tabla de decisión de MacVicar-Whelan de 5x5 particiones. PZN P Z N N PPZ PZN ZN e e N = Negativo || Z = cero || P = Positivo PGPPZNPNG PG PP NP Z NG NG ZNPNGNG NG PPZNPNP NG PGPPZNP NP PGPPPPZ Z PGPGPGPP e e NG = Negativo Grande NP = Negativo Pequeño Z = Cero PP = Positivo Pequeño PG = Positivo Grande Tabla 3. Tabla de decisión de MacVicar-Whelan de 7x7 particiones. ZN ZP ZN ZP PGPPZNPNG PG PP NP Z NG NG NPNGNGNG NG ZNNPNPNP NG ZZNZNNP NG ZPZZNNP NP ZPZPZZN e e ZZN ZPZ PPZP PGPP PGPP ZN PPPPZPZ Z PGPGPPZP PGPP PGPG NG = Negativo Grande NP = Negativo Pequeño ZN = Cero Negativo Z = Cero ZP = Cero Positivo PP = Positivo Pequeño PG = Positivo Grande 7 La interpretación específica de las reglas, a partir de las tablas anteriores –por ejemplo para el formato de 3x3 particiones–, sería: R1 → Si e N y e N entonces u N R2 → Si e N y e Z entonces u N R3 → Si e N y e P entonces u Z R4 → Si e Z y e N entonces u N R5 → Si e Z y e Z entonces u Z R6 → Si e Z y e P entonces u P R7 → Si e P y e N entonces u Z R8 → Si e P y e Z entonces u P R9 → Si e P y e P entonces u P La base de reglas definida constituye un conjunto razonablemente lógico que puede ser ajustado excluyendo, modificando o agregando nuevas reglas de control basadas en las condiciones específicas del problema de control en consideración. CASO DE ESTUDIO Para mostrar la actividad del sistema de reglas genéricas propuesto por MacVicar-Whelan (Cheong, 2008) aplicado a un controlador fuzzy tipo MIMO, se utiliza el modelo del mezclador de corrientes en línea mostrado en la Figura 1 y definido por las ecuaciones (1) a (3). Asimismo, se compara la actividad del controlador fuzzy propuesto con el modelo inverso del sistema mezclador (Figura 3 y ecuaciones (4) a (6)) que actúa como un controlador ideal. Las variables de control utilizadas son la desviación del caudal (eF) de la corriente de salida F y la desviación (eT) de la temperatura T, respecto de sus correspondientes valores de referencia FSP y TSP; juntamente con las variaciones de sus errores eF y eT: 0 200 /F SPe F F con F l s (14) 25 70T SPe T T con T C (15) ( ) ( ) ( 1)F F Fe k e k e k (16) ( ) ( ) ( 1)T T Te k e k e k (17) Para ser configuradas como variables fuzzy se particionan en un determinado número de términos lingüísticos, que para este caso se selecciona la mínima cantidad, de acuerdo a la Tabla 1. La Figura 8 muestra las funciones de pertenencia asociadas que responden a un formato triangular clásico. Así también, las variables de control configuradas como variaciones xf y xc que actúan sobre las válvulas de corriente fría Vf y corriente caliente Vc, correspondientes a las salidas del controlador, se configuran en el contexto fuzzy bajo el mismo esquema, como se muestra en la Figura 9. -1 1 0 -0.5 0.5 1 N Z P e F e T e F e T -1 1 0 -0.5 0.5 1 N Z P x f x c Figura 8. Particiones fuzzy para las variables [eF, eF, eT, eT] de entrada al controlador. Figura 9. Particiones fuzzy para las variables [xf, xc] de salida del controlador. 8 Nótese que el alcance de todas las variables fuzzy asignadas al controlador (Figura 8 y Figura 9) se establece en el entorno [+1, -1], que constituye una simplificación más para la configuración del sistema. Luego, la valoración efectiva de cada uno de los alcances es ajustada a través de coeficientes de ganancia que se adicionan en el modelo controlador–planta (Figura 10). El esquema de base de reglas propuesto, corresponde a una estructura de tipo MISO (dos entradas y una salida en este caso). Para poder aplicarse al controlador fuzzy requerido, de tipo MIMO, las reglas del sistema se organizan en cuatro grupos –aparentemente independientes–, disponiendo dos pares de variables de entrada, actuando sobre cada una de las variables de salida, como se indica: Grupo 1: ( , )f F Fx e e f Rh → Si eF [N, Z, P] y eF [N, Z, P] entonces xf [N, Z, P] Grupo 2: ( , )c F Fx e e f Ri → Si eF [N, Z, P] y eF [N, Z, P] entonces xc [N, Z, P] Grupo 3: ( , )f T Tx e e f Rj → Si eT [N, Z, P] y eT [N, Z, P] entonces xf inv([N, Z, P]) Grupo 4: ( , )c T Tx e e f RK → Si eT [N, Z, P] y eT [N, Z, P] entonces xc [N, Z, P] con (h, i, j, k) = 1, ... , 9 (18) Nótese que casi todos los grupos de reglas se configuran en forma directa de acuerdo a la tabla de decisión mostrada en la Tabla 1, excepto el grupo de reglas Rj que hace uso de la tercera metarregla de MacVicar- Whelan. En este caso, las acciones de control son opuestas para las variables de entrada al controlador, por lo que la tabla de decisión se aplica en forma invertida para ese grupo de reglas. Los cuatro grupos de reglas que se definieron en las ecuaciones (18) responden a un esquema MISO, aparentemente en forma independiente, pero en realidad trabajan en forma conjunta dado que se componen dentro del contexto de inferencia fuzzy para configurar un esquema de control tipo MIMO. El sistema completo controlador–planta, implementado como un modelo de simulación en el entorno Simulink® de Matlab®, se muestra en la Figura 10. En tal esquema el controlador fuzzy se activa mediante los conmutadores SW1 respecto de las entradas de control que pueden activarse manualmente a los fines comparativos. Sobre el mismo esquema, en el sector de REFERENCIAS, se disponen las entradas de set- point conmutables para establecer diferentes condiciones para el punto de operación del conjunto. CAUDAL FRÍO CAUDAL CALIENTE MEZCLADOR DE CAUDALES CON SET POINT TEMPERATURA FRIA TEMPERATURA CALIENTE Temperatura de salida T (°C) Caudal de salida F (l/m) eF eT xf xc DeF DeT Dxf Dxc CONTROLADOR FUZZY Apertura válvula caliente (modelo inverso) Apertura válvula fría (modelo inverso) VISUALIZACIÓN REFERENCIAS (set-point) SW1 SW1 Variables controladas Variables de control ganaciaslimitadores 0.5xf 0.5xc 1/z retardo T 1/z retardo F Visor TEMPERATURA Visor CAUDAL1/z 1/z 1/z 1/z 45 Tsp 25 Tf 70 Tc 45.5 SP_TSP_F -K- -K- -K- .5 -K- .5 20Fsp100Ff 100Fc FLC36x3 94.4 Figura 10. Sistema controlador-planta del mezclador de flujos configurado sobre Simulink®. 9 Operación del sistema controlador–planta Para estudiar la respuesta del sistema mezclador de flujos bajo control fuzzy, se realizaron pruebas en dos etapas. En una primera etapa se activan las entradas de referencia de caudal FSP y temperatura TSP en forma discreta, aplicando un valor fijo y una variación de tipo escalón. Se capturaron las salidas y su efectividad fue calculada mediante el estimador RECM (raíz del error cuadrático medio) respecto de la salida producida por el controlador ideal (Tabla 4). En una segunda etapa, las entradas de referencia se activan en forma continua aplicando una variación sinusoidal con un valor fijo y se mide la respuesta nuevamente a través del RECM (Tabla 5). El ajuste de los alcances de las variables fuzzy de entrada [eF, eF, eT, eT] y de las variables nítidas de salida [xf, xc] se ha realizado manualmente, quedando fijados en los siguientes valores [0.5, 0.01, 0.5, 0.01] para las entradas y [0.05, 0.05] para las salidas. Tabla 4. Variación discreta de parámetros de referencia y raíz de error cuadrático medio de respuesta. Fsp (l/m) Tsp (°C) RMSEFigura F=50 Tinic=65 Tfin=30 rmse(F) = 0.7382 rmse(T) = 3.4193 11 Finic=10 Ffin=80 T=45 rmse(F) = 9.0329 rmse(T) = 0.4641 12 Finic=70 Ffin=25 Tinic=40 Tfin=60 rmse(F) = 4.8640 rmse(T) = 1.5783 13 a) 0 100 200 300 400 500 600 700 800 900 1000 40 45 50 55 60 F ( l/ m ) F SP F CAUDAL b) 0 100 200 300 400 500 600 700 800 900 1000 20 30 40 50 60 70 80 T ( °C ) T SP T TEMPERATURA Figura 11. Control fuzzy para a) Fsp fijo y b) variación escalón decreciente para Tsp. a) 0 100 200 300 400 500 600 700 800 900 1000 0 20 40 60 80 F ( l/ m ) F SP F CAUDAL b) 0 100 200 300 400 500 600 700 800 900 1000 20 30 40 50 60 70 80 T ( °C ) T SP T TEMPERATURA Figura 12. Control fuzzy para a) variación escalón creciente de Fsp y b) Tsp fija. a) 0 100 200 300 400 500 600 700 800 900 1000 0 20 40 60 80 F ( l/ m ) F SP F CAUDAL b) 0 100 200 300 400 500 600 700 800 900 1000 30 40 50 60 70 T ( °C ) T SP T TEMPERATURA Figura 13. Control fuzzy para a) variación escalón decreciente de Fsp y b) creciente de Tsp. La tabla y figura anteriores resumen las pruebas realizadas con las variaciones discretas de las variables de referencia del conjunto controlador–planta. El ajuste del controlador se puede considerar bastante aceptable como se observa en las gráficas. Algunos valores elevados del RECM se atribuyen a las condiciones iniciales del proceso que parten de cero en todos los casos y la relativa lentitud del controlador para seguir las variaciones del escalón, que son propias de este tipo de sistemas de control. 10 Tabla 5. Variación continua de parámetros de referencia y raíz de error cuadrático medio de respuesta. Fsp (l/min) Tsp (°C) RMSE Figura F=80 Tmax=65 Tmin=25 rmse(F) = 3.2420 rmse(T) = 1.3555 14 Fmax=70 Fmin=30 T=50 rmse(F) = 2.1371 rmse(T) = 0.3408 15 Fmax=100 Fmin=0 Tmax=70 Tmin=25 rmse(F) = 4.2005 rmse(T) = 2.1930 16 a) 0 100 200 300 400 500 600 700 800 900 1000 60 65 70 75 80 85 90 F ( l/ m ) F SP F CAUDAL b) 0 100 200 300 400 500 600 700 800 900 1000 20 30 40 50 60 70 T ( °C ) T SP T TEMPERATURA Figura 14. Control fuzzy para a) Fsp fijo y b) variación sinusoidal para Tsp. a) 0 100 200 300 400 500 600 700 800 900 1000 30 40 50 60 70 F ( l/ m ) F SP F CAUDAL b) 0 100 200 300 400 500 600 700 800 900 1000 40 45 50 55 60 T ( °C ) T SP T TEMPERATURA Figura 15. Control fuzzy para a) variación sinusoidal de Fsp y b) Tsp fijo. a) 0 100 200 300 400 500 600 700 800 900 1000 0 20 40 60 80 100 F ( l/ m in ) F SP F CAUDAL b) 0 100 200 300 400 500 600 700 800 900 1000 20 30 40 50 60 70 T ( °C ) T T SP TEMPERATURA Figura 16. Control fuzzy para a) variación sinusoidal de Fsp y b) variación sinusoidal de Tsp. En la tabla y gráficas anteriores se resume el comportamiento del conjunto controlador–planta para variaciones continuas de las variables de referencia (set-point). Las curvas muestran un buen ajuste del controlador que puede seguir las variaciones continuas. Algunos de los valores elevados del estimador RECM son atribuibles, como en el caso anterior, a las condiciones iniciales nulas del sistema y a la influencia de la variación una variable sobre la otra que genera leves oscilaciones respecto del valor de referencia. CONCLUSIONES Se configurado e implementado un controlador fuzzy tipo PD, que responde a una estructura MIMO, con variables fuzzy de tres particiones. Para la configuración de su base de reglas se utilizó una base estándar sustentada sobre la teoría de lógica fuzzy y el sentido común en ingeniería propuesta por MacVicar-Whelan, que no requiere conocimiento experto específico de la planta a controlar. Para poder operar el controlador fuzzy, se desarrolló analíticamente e implementó el modelo directo de un mezclador de caudales en línea –ampliamente utilizado en la industria–, deduciéndose también a través de un problema de optimización el correspondiente modelo inverso que se utilizó como controlador ideal en comparación con el modelo fuzzy. Todos los modelos se implementaron sobre el entorno Simulink® de Matlab®. Para la operación dinámica del conjunto controlador fuzzy–planta se han utilizado dos tipos de variaciones de las variables de referencia (setpoint) –una variación discreta mediante funciones escalón y una variación continua mediante funciones sinusoidales–, que el controlador ha ajustado convenientemente estando resumidos los resultados en la Tabla 4 y Tabla 5 anteriores. Se puede concluir que los errores de ajuste del controlador son aceptables, considerando que su diseño no ha requerido un conocimiento preciso del proceso a controlar y se han utilizado variables fuzzy mínimamente particionadas. 11 REFERENCIAS Al-Odienat A. I., Al-Lawama A. A., The Advantages of PID Fuzzy Controllers Over The Conventional Types, American Journal of Applied Sciences 5 (6), pp. 653-658, 2008. Chen C.S., Dynamic structure adaptive neural fuzzy control for MIMO uncertain nonlinear systems, Information Sciences, Volume 179, Issue 15, 2676–2688, 2009. Chen J., He Z.F., Qi X., A new control method for MIMO first order time delay non-square systems, Journal of Process Control, Volume 21, Issue 4, 538–546, 2011. Cheong F., A hierarchical fuzzy system with high input dimensions for forecasting foreign exchange rates. Int. J. Artificial Intelligence and Soft Computing, Vol. 1, No. 1, 2008. Iriarte Lanas A., G.L. Mota, R. Tanscheit, M.M. Vellasco & J.M. Barreto, Proceedings of the Eighth International Fuzzy Systems Association World Congress, V. 2, 1999. Labiod S., M.S. Boucherit & T.M. Guerra, Adaptive fuzzy control of a class of MIMO nonlinear systems, Fuzzy Sets and Systems, Volume 151, Issue 1, 59–77, 2005. Mohamed Sultan M., A. Shahrum Sha & C. Osman David, Controllers optimization for a fluid mixing system using metamodeling approach, International Journal of Simulation Modelling, V.8, Nº 1, pp. 48–59, 2009. Yan Deng S., Nonlinear & Linear MIMO Control of an Industrial Mixing Process, Tesis de Maestría, McGill University, Montreal, Canadá, 2002.
Compartir