Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Control neuronal tipo MIMO aplicado a un mezclador de corrientes líquidas Sergio L. Martínez 1 , Enrique E. Tarifa 1, 2 & Víctor D. Sánchez Rivero 1 (1) Facultad de Ingeniería, Universidad Nacional de Jujuy. smartínez@fi.unju.edu.ar, eetarifa@fi.unju.edu.ar & ivansr100@arnet.com.ar (2) CONICET eetarifa@arnet.com.ar RESUMEN: En el campo industrial, innumerables procesos requieren mezclas de corrientes líquidas o ga- seosas con determinadas condiciones de caudal, presión, temperatura y composición. Los equipos que reali- zan tales operaciones se conocen como mezcladores de corrientes o flujos. Para generar las condiciones requeridas por un proceso, estos equipos pueden ser manipulados por un operario experto, pero cuando los requerimientos obedecen a una dinámica compleja, es necesario aplicar controladores automáticos. En este trabajo se desarrolla y simula el modelo de un mezclador de corrientes líquidas, sobre el que se implementa un controlador ideal, conjuntamente con un controlador neuronal tipo MIMO, que muestra la excelente capacidad de control bajo condiciones de variación discreta y continua de las variables de referencia. 1 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 dispositi- vos conocidos como mezcladores de flujos. Este tipo de dispositivo, al formar parte de diver- sos 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 inteli- gencia 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 pre- senten 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 (Iriar- te Lanas et al, 1999); la optimización del mezcla- do de fluidos con controladores basados en me- tamodelos (Mohamed Sultan et al, 2009); o un extenso análisis sobre control MIMO lineal y no lineal aplicado a procesos industriales de mezcla- do en una tesis de maestría (Yan Deng, 2002). En este trabajo se diseña e implementa un contro- lador neuronal de tipo MIMO, aplicado a un mo- delo de mezclador de corrientes líquidas, imple- mentado sobre el entorno Simulink® de Matlab® en comparación con el modelo inverso actuando como controlador ideal. 2 PROCESO A CONTROLAR La Fig. 1 presenta el sistema para el que se des- arrollará un sistema de control MIMO basado en redes neuronales. El sistema a controlar es un mezclador en línea de agua de distintas tempera- turas. 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 tempe- ratura Tc. Esta corriente es regulada por la apertu- ra xc de la válvula Vc. La corriente mezcla tiene caudal F y temperatura T. 3 MODELO DE MEZCLADOR EN LÍNEA Considerando el esquema del mezclador en línea mostrado en la Fig. 1, el modelo para tal disposi- tivo es el siguiente: f f c c F 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) f0 1 x (3) c0 1 x (4) De acuerdo al modelo, el caudal F y la temperatu- ra T de la corriente de salida dependen de las condiciones de las corrientes de entrada y de las aperturas xf y xc de sus respectivas válvulas. Figura 1. Esquema del mezclador en línea. 4 MODELO DEL CONTROL IDEAL Invirtiendo el modelo 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). El modelo asocia- do a este controlador es el siguiente: sp c sp f f c f F T T x F T T (5) sp sp f c c c f F T T x F T T (6) f sp c T T T (7) sp max0 F F (8) Para completar el modelo inverso, se determina la cota superior Fmax que es función de la temperatu- ra de referencia Tsp, a través de un problema de optimización, obteniéndose: 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 (9) 5 SIMULADORES PARA EL CASO DE ESTUDIO Los modelos presentados en las secciones anterio- res fueron empleados para implementar los co- rrespondientes simuladores. La implementación fue realizada sobre el entorno Simulink® de Ma- tlab®. En este entorno, los modelos se implemen- tan en forma gráfica, mediante un diagrama de bloques. La Fig. 2 muestra la implementación reali- zada para el mezclador en línea. La Fig. 3 muestra la implementación realizada para el control ideal. Figura 2. Modelo del mezclador en línea en Simulink®. Figura 3. Modelo del control ideal en Simulink®. 6 SISTEMAS DE CONTROL En la actualidad, en 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 artifi- cial 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, el sistema de control para el mezclador de corrientes líquidas requiere de una estructura tipo MIMO, ya que necesita al Vf Vc Ff, Tf F, T Fc, Tc menos de dos variables de entrada para una con- figuración a lazo abierto (Fig. 4), o al menos cuatro variables de entrada para una configura- ción a lazo cerrado (Fig. 5), y actuar sobre las variables que regulan las aperturas de las válvulas de corriente fría y corriente caliente. Ff, Tf Fc, Tc F, T Vc Vf Fsp Tsp xf xc SISTEMA DE CONTROL (lazo abierto) Figura 4. Esquema de control a lazo abierto. Ff, Tf Fc, Tc F, T VcVf Fsp Tsp xf xc SISTEMA DE CONTROL (lazo cerrado) Figura 5. Esquema de control a lazo cerrado. Considerando el caso de los controladores neuro- nales, diferentes arquitecturas de redes neuronales artificiales (RNA) pueden ser utilizadas como controladores no lineales de un proceso, tales como la clásica arquitectura del perceptrón multicapa, la arquitectura feedforwar–feedback (recurrentes) o arquitecturas de tipo SOM-Kohonen, además de otros sistemas híbridos como la arquitectura neu- ro–fuzzy o arquitectura neuro–wavelet. 6.1 Redes neuronales como procesadores no lineales Las redes neuronales artificiales (RNA), se pue- den considerar como modelos matemáticos que emulan –a nivel básico– la actividad cerebral, dotados de la capacidad de aprender, “memori- zar” y generalizar la información aprendida, bajo un esquema de elevada tolerancia al ruido. Su estructura general consiste de unidades de procesamiento –las neuronas artificiales– confi- guradas como un modelo simplificado de las neuronas biológicas, concebidas para operar en forma paralela, y organizadas en estratos o capas. Cada entrada de una neurona artificial es ponde- rada por un coeficiente –llamado peso sináptico–,de tal forma que sobre el conjunto de todos ellos se asienta el conocimiento aprendido por la RNA. Desde un punto de vista general se puede conside- rar que las RNA se especializan en asociar patro- nes entrada–salida bajo diferentes condiciones, según sea su arquitectura, configuración de las neuronas y proceso de aprendizaje. De acuerdo a la forma del agrupamiento y al tipo de interconexión se obtienen diferentes arquitecturas de redes, algu- nas de propósito general, y otras concebidas para aplicaciones específicas (Galushkin, 2007). Considerando un esquema típico de red neuronal feedforward de tres capas, con M neuronas de entrada, L neuronas en la capa oculta y N neuro- nas de salida (Fig. 6), la RNA puede realizar un mapeo no lineal de los patrones de entrada–salida, de acuerdo con las siguientes ecuaciones: Para la capa oculta 0 1 con 1,..., M l l lm m m y g w w x l L (10) Para la capa de salida 0 1 con 1,..., L n n nl l l z h v v y n N (11) donde xm es la m-ésima componente del patrón de entrada X = (x1,…, xm,…, xM), wlm es el peso de conexión entre la neurona l de la capa oculta y la neurona m de la capa de entrada, vnl es el peso de conexión entre la neurona n de la capa de salida y la neurona l de la capa oculta, (w0l, v0n) son los pesos de ajuste (conocidos como bias) de las neu- ronas de la capa oculta y de salida, respectivamen- te; g(·) es la función de transferencia de las neuro- nas ocultas, h(·) es la función de transferencia de las neuronas de salida y zn es la n-ésima compo- nente del patrón de salida Z = (z1,…, zn,…, zN). 6.2 Controlador neuronal En el control de sistemas no lineales, el diseño del controlador es un aspecto bastante crítico. Conside- rando la utilización de redes neuronales para reali- zar esta actividad, se pueden adoptar dos enfoques generales para la implementación. En un primer enfoque, si se tiene algún conoci- miento previo del sistema, secuencias históricas o muestras de ejemplo con sus correspondientes salidas, estos datos se pueden utilizar para el entrenamiento de la red. w11 wl1 wLM wlM wlm w01 -1 w0l -1 w0L -1 x1 xm xM v11 v1n vNM vnL wnl v01 -1 v0n -1 v0N -1 z1 zn zN y1 yl yL .. . .. . Figura 6. Perceptrón multicapa genérico. En un segundo enfoque, se puede considerar el sistema inverso de la planta a controlar, de modo que los pares salida–entrada de la planta constitu- yen los datos requeridos para el entrenamiento de la red. Si bien, este segundo enfoque pareciera presentarse como el más conveniente, requiere de algunas consideraciones adicionales respecto al primer enfoque. En primer lugar, no siempre es posible obtener el modelo inverso de una planta a controlar. Además, siendo P la función de transferencia del modelo real, con la función de transferencia P–1 del modelo inverso se debe satisfacer la relación PP–1 = 1; lo que significa que no deben existir factores de incertidumbre en el modelo real para evitar ambigüedades en la transformación inversa (He et al., 2009). En este trabajo, ambos modelos –el directo y el inverso– están disponibles, de modo que cualquie- ra de los dos enfoques para el diseño del controla- dor neuronal es viable. Sin embargo, como no siempre es posible contar con el modelo inverso, para el desarrollo experimental se empleó el mode- lo directo. De esta manera, se aplicó así el primer enfoque para el diseño del controlador, el cual implica la generación analítica y el preprocesa- miento de datos para el entrenamiento de la red. 7 DESARROLLO EXPERIMENTAL Considerando el mezclador en línea presentado en la Fig. 1, el modelo experimental se ha instancia- do con los siguientes valores: Corriente fría: caudal de entrada Ff = 100 l/min, temperatura Tf = 25 ºC. Corriente caliente: caudal de entrada Fc = 100 l/min, temperatura Tc = 70 ºC. Se ha implementado un control neuronal a lazo cerrado similar al que se observa en la Fig. 5, utilizando una arquitectura neuronal de tipo per- ceptrón de tres capas con cuatro variables de entrada y dos variables de salida constituyendo un sistema de control tipo MIMO. 7.1 Generación de datos Para la generación de los datos de entrenamiento se utilizó el modelo directo del mezclador, defini- do por las ecuaciones (1)-(4), de forma tal que las variables de entrada del modelo son las aperturas xf con 0 ≤ xf ≤ 1, correspondiente a válvula regu- ladora de la corriente fría y xc con 0 ≤ xc ≤ 1, correspondiente a la válvula reguladora de la corriente caliente. Por otra parte, la salida del modelo son las variables F y T, correspondiente al caudal de la corriente mezcla y su temperatura, respectivamente. Para conseguir una adecuada resolución en el conjunto de datos de entrenamiento, el rango de valides de las aperturas xf y xc fueron particiona- das en intervalos del 10%, calculándose todos los estados posibles de la combinación de valores de aperturas. La tabla completa de datos contiene 121 líneas que resultan de la combinación de 11 puntos de muestra para cada apertura; la Tabla 1 presenta parcialmente los estados obtenidos. Tabla 1. Primera secuencia de datos de entrenamiento. # xf xc F (l/min) T (ºC) 1 0,0 0,0 0,00 ¿--- 2 0,0 0,1 10,00 70,00 … 56 0,5 0,0 50,00 25,00 57 0,5 0,1 60,00 32,50 … 120 1,0 0,9 190,00 46,32 121 1,0 1,0 200,00 47,50 Luego, los valores de las variables de caudal de salida F y de temperatura de salida T, al ser obte- nidos directamente del modelo, se pueden consi- derar como valores de referencia (setpoint), por lo que son redefinidos como Fsp y Tsp. Para completar la secuencia de datos de entrena- miento, se realizó una nueva combinación de cada línea de la Tabla 1 con todos los valores de las variables de caudal de salida F y temperatura de salida T, con el agregado de dos nuevas variables calculadas, F y T, que representan la desvia- ción del sistema al cambiar el punto de operación, y se definen como: sp F F F (12) sp T T T (13) Estas desviaciones representan a las variables que se realimentan al controlador neuronal para de- terminar los valores correspondientes de las aper- turas xf y xc, en el nuevo punto de operación. La nueva secuencia de datos de entrenamiento para la RNA, se configura como se muestra par- cialmente en la Tabla 2. Tabla 2. Secuencia completa de datos de entrenamiento. # xf xc Fsp (l/min) Tsp (ºC) F (l/min) T (ºC) 1 0,0 0,0 0,00 --- 0,00 --- 2 0,0 0,0 0,00 --- -10,00 --- 3 0,0 0,0 0,00 --- -20,00 --- … 7320 0,5 0,5 100,00 47,50 10,00 2,50 7321 0,5 0,5 100,00 47,50 0,00 0,00 7322 0,5 0,5 100,00 47,50 -10,00 -2,05 … 14639 1,0 1,0 200,00 47,50 20,00 2,50 14640 1,0 1,0 200,00 47,50 10,00 1,18 14641 1,0 1,0 200,00 47,50 0,00 0,00 La Tabla 2, que en su totalidad estaría formada por 14641 muestras, contiene todas las posibles combinaciones de valores entre las variables Fsp, Tsp, F y T para todos los pasos de apertura defini- dos de xf y xc de las válvulas reguladoras. De hecho, este método de generación de datos de entrenamiento para el controlador neuronal es bastante práctico, aunque pueden objetarse un par de situaciones que deben ser consideradas antes de utilizar estos valores. El primer inconveniente se observa en las líneas iniciales de la Tabla 2, y se deduce de la ecuación (2). Está relacionado con una indeterminación del valor de la temperatura cuando ambas válvulas están cerradas; ya que al no existir flujo a la sali- da del mezclador, no es posible definir un valor de temperatura. Una primera solución sería imponer al sistema nuevos puntos de operación con todos los valores de temperatura posibles dentro del rango defini- do, pero esto agregaría una gran cantidadde datos ambiguos que deben ser procesados. Una segunda solución sería eliminar todos los puntos de opera- ción con condiciones nulas, sustentándose en la capacidad de inferencia de la RNA para deducir los valores adecuados en esos puntos de operación. Se ha adoptado este último criterio por considerár- selo más conveniente, obteniéndose una reducción del conjunto de entrenamiento de 14641 a 14520 patrones de entrada–salida. El segundo inconveniente se debe a la gran canti- dad de valores obtenidos en el proceso de combi- nación de datos. Esto incrementaría notablemente la cantidad de parámetros internos de la RNA, generando un elevado costo computacional en el proceso de entrenamiento. Para minimizar este inconveniente, considerando que la cantidad de neuronas ocultas de una red neuronal está relacionada con la cantidad de pa- trones de entrenamiento estadísticamente inde- pendientes (Manry et al., 2001), se ha calculado la correlación entre todos los vectores de entrena- miento, para descartar aquellos que superen un determinado nivel, utilizando la siguiente ecuación: 1 2 2 1 1 . K i i i K K i i i i u u v v r u u v v (14) donde u y v son dos patrones de dimensionalidad K, y r es el coeficiente de correlación que se en- cuentra en el intervalo [–1, 1] y toma el valor cero cuando ambos vectores son independientes (Chat- field, 2004). Para el conjunto de datos bajo análisis, se ha confrontado cada patrón del conjunto con todos los restantes, eliminándose aquellos que superen el nivel |r| > 0,1. El conjunto de entrenamiento resultante se redujo de 14520 a 5034 patrones de entrada–salida, que se han utilizado para el entre- namiento de la RNA. 7.2 Implementación de la RNA Para el control del mezclador en línea se ha utiliza- do una RNA de tipo perceptrón multicapa con tres capas, donde la capa de entrada recibe como datos los valores de referencia para el caudal Fsp y la temperatura Tsp, y el error o desviación del sistema F y T definidos por las ecuaciones (12) y (13). La salida se configura con dos neuronas activadas por una función lineal, para generar las aperturas de las válvulas reguladoras a través de las variables xf y xc limitadas el intervalo [0, 1], que comandan directamente al modelo del mezclador en línea. La capa oculta se configura en forma tentativa con 5, 10 y 15 neuronas para hacer una primera aproximación de la estructura, utilizando como funciones de activación la sigmoide bivaluada. Luego de un primer entrenamiento, se advierte que con 10 neuronas ocultas la RNA responde con un error bastante aceptable. Para determinar el mejor ajuste de la red, se disponen 10 estructu- ras en paralelo, que son reinicializadas 25 veces y se selecciona la RNA de mejor comportamiento. La RNA de mejor desempeño produce un error cuadrático medio en la fase de aprendizaje de 1,7710-10. La comprobación se realiza aplicando todos los patrones restantes eliminados por la correlación, produciendo un error cuadrático medio de comprobación de 3,7710-5. La RNA descrita se integra al modelo del mez- clador en línea para actuar como un controlador a lazo cerrado como se observa en el esquema de la Fig. 7. F F Fsp Tsp xcxf RNA (controlador) MEZCLADOR +- +- T T Figura 7. Esquema de control para el mezclador en línea. 7.3 Operación del conjunto controlador–planta Para mostrar la operatividad del conjunto contro- lador–planta, se ha integrado el controlador neu- ronal al modelo del mezclador implementado en Simulink®. Para evaluar su desempeño, se inte- gra también el modelo del controlador ideal. Me- diante un conmutador se puede activar cualquiera de los dos controladores, como se observa en la Fig. 8. La evaluación del sistema de control neuronal se realiza en dos etapas. En la primera etapa se ana- liza la respuesta del sistema (Figs. 9, 10 y 11) cuando los valores de referencia Fsp y Tsp son reasignados en forma discreta mediante funciones de tipo escalón, indicándose en la Tabla 3 la for- ma de variación y el valor del error cuadrático medio que resulta de tales reasignaciones. Tabla 3. Variación discreta de parámetros de referencia y error cuadrático medio de respuesta. Fsp Tsp mse F=50 Tinic=65 Tfin=30 mse(F) = 0.0338 mse(T) = 0.0414 Fig. 9 Ffin=80 Finic=10 T=45 mse(F) = 0.0001 mse(T) = 0.0067 Fig. 10 Finic=70 Ffin=25 Tfin=60 Tinic=40 mse(F) = 0.0003 mse(T) = 0.0063 Fig. 11 Figura89. Control neuronal para Fsp fijo y variación escalón decreciente para Tsp. Figura98. Modelo del mezclador con controladores ideal y neuronal conmutables. Figura 10. Control neuronal para variación escalón creciente de Fsp y Tsp fija Figura 11. Control neuronal para variación escalón decreciente de Fsp y creciente de Tsp. En la segunda etapa se analiza la respuesta del sistema (Figs. 12, 13 y 14) cuando los valores de referencia Fsp y Tsp varían en forma continua, me- diante funciones sinusoidales. La Tabla 4 muestra la forma de variación aplicada y el error cuadrático medio que resulta del proceso de control. Tabla 4. Tipos de variación de parámetros de referencia y error cuadrático medio de respuesta. Fsp Tsp mse F=80 Tmax=65 Tmin=25 mse(F) = 0.0002 mse(T) = 0.0172 Fig. 12 Fmax=70 Fmin=30 T=50 mse(F) = 0.0423 mse(T) = 0.0001 Fig. 13 Fmax=100 Fmin=0 Tmax=70 Tmin=25 mse(F) = 0.0224 mse(T) = 0.3815 Fig. 14 Figura 12. Control neuronal para Fsp fijo y variación sinusoidal para Tsp. Figura 13. Control neuronal para Tsp fija y variación sinusoidal para Fsp. Figura 14. Control neuronal para variaciones sinusoidales de Fsp y Tsp. 8 CONCLUSIONES Se ha desarrollado analíticamente el modelo di- recto de un mezclador de corrientes líquidas, deduciéndose el correspondiente modelo inverso, siendo ambos implementados sobre el entorno de simulación Simulink® de Matlab® que ha permi- tido verificar su correcto funcionamiento. Para ejecutar un proceso de control dinámico, se ha desarrollado un controlador neuronal de tipo MIMO (4 entradas y 2 salidas), basado en una estructura de tipo perceptrón multicapa que se ha incorporado al modelo del mezclador en línea, conjuntamente con el modelo inverso –que repre- senta a un controlador ideal–, pudiendo operar uno u otro a través de un conmutador. Para el aprendizaje del controlador neuronal, haciendo uso de las ecuaciones del modelo direc- to, se ha generado un conjunto amplio de datos de entrenamiento, que posteriormente fueron depu- rados a través de un método que elimina patrones correlacionados, posibilitando una importante reducción de la cantidad de datos iniciales, sin perjuicio del aprendizaje de la RNA. En la operación dinámica del mezclador en línea con sistema de control, se ha comparado el des- empeño de su modelo inverso actuando como controlador ideal a lazo abierto, juntamente con un controlador neuronal a lazo cerrado. Los resul- tados han mostrado un desempeño muy satisfac- torio del controlador neuronal, que tiene la venta- ja de ser tolerante a las variaciones de los paráme- tros del sistema y presentar una muy buena capa- cidad de generalización con datos desconocidos. 9 REFERENCIAS Chatfield C., The Analysis of Time Series - An Introduction, Ed. Chapman & Hall/CRC, New York, 2004. 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. Galushkin A. I., Neural Networks Theory, Ed. Springer, New York,2007. He X. & S. Xu, Process Neural Networks - Theory and Applications, Ed. Springer-Verlag, Berlín, 2009. 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, Adap- tive fuzzy control of a class of MIMO nonlinear systems, Fuzzy Sets and Systems, Volume 151, Issue 1, 59–77, 2005. Manry M. T., H. Chandrasekaran & C. H. Hsieh, Signal processing using multilayer perceptron (Cap. 2), en Handbook of Neural Network Sig- nal Processing, CRC Press, USA, 2001. Mohamed Sultan M., A. Shahrum Sha & C. Os- man 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