Professional Documents
Culture Documents
ACTIVIDAD FINAL
TRABAJO INDIVIDUAL
LUIS ALBERTO SANCHEZ CORREA
Cdigo: 16.786.134
INTRODUCCION
OBJETIVOS
Generales
Especficos
INTRODUCCION
El sistema de control para temperatura y humedad que hemos venido modelando desde la unidad
1 de esta materia sistemas avanzados de control es necesario conocer la dinmica de la planta, y
cmo se comporta y reacciona ante estmulos externos y buscar su estabilidad y controlabilidad.
Durante la fase inicial se obtuvo un modelo de la planta que reproduzca con suficiente precisin
el comportamiento del proceso real requerido en este proyecto.
Existen dos mtodos para la obtencin de modelos de procesos de sistemas de control
plenamente estudiados:
Mtodo terico: Anlisis de relaciones que existen entre variables de proceso y se crea las
ecuaciones matemticas.
Mtodo experimental: Se simula proceso con
se obtuvo un modelo matemtico que reproduce con exactitud para fines acadmicos
las
energa
entrada
energa
salida
{prdidas
}=
energa
acumulada
sistema
La eficiencia energtica de des humidificacin: Mide en litros de agua extrados del aire por kWh
de energa consumida. Un factor ms alto significa mayor eficiencia, con un rendimiento que van
desde 1 L / kWh a ms de 4 L / kWh. La interaccin compleja de la temperatura del aire, significa la
temperatura, la velocidad del aire radiante y la humedad con el ambiente trmico humano. Se analiza el
efecto de la manipulacin de la humedad relativa HR del ambiente en un cuarto en el confort trmico y
sensacin trmica ocupantes humanos. El estudio utiliza anlisis termodinmicos y psicomtricas, para
incorporar el efecto de cambiar RH junto con la temperatura de bulbo seco en el confort humano. El efecto
de controlar la RH junto con la temperatura en la zona de confort trmico se traduce en:
El aumento de la humedad relativa final en el cuarto reduce la cantidad de calor rechazado por lo
tanto haciendo que el sistema de aire acondicionado eficiente en consumo de combustible.
El control de la humedad relativa en el cuarto cuenta con el valor RH, como valor de humedad
relativa inicial alta conduce a una mayor cantidad de rechazo de calor.
Sistema de refrigeracin por evaporacin utiliza controlar la humedad relativa del cuarto.
Donde:
Donde:
( [
()* +)*
Donde:
,* ( $*-
()! +!
#$%&
#'
!"
#$"
5 #'
= ()!
,! ($)-
(2)
Dnde:
Ch = Mxima capacidad del humidificador =0.63 kJ/C
Th = Temperatura del aire de suministro (en el Humidificador) in (C)
7"
#*"
#'
"('/
+!
(3)
Donde:
Vh = Volumen total del Humidificador=0.44 m3
Wh = Relacion del suministro de aire / humedad en el humidificador en kg/kg(Aire seco)
Donde:
G
I ( J 9 /
GH
(LB 9@ /
FK FK
;= (9/ = E
I (JD JK/ , ;@ (9/ =
GH
MH
;@ (9/ =
( KNO @ /
L 9=
, ;= ( / =
,
MH
M_Q
91 = J, 9= = T ,
?@ ( / =
9@ = T=
S (/
M
FQ H
; (9/
0
;= (/
= U 0 W = X;= (9/Y < + U 0 W <=
?@ (9/
;@ (/
0
De aqu se calcula:
Z = S ( / =
[1 = S= ( / = @
; (9/
^(/ = E
;@ (/
;=
I
0
M = ^3 ( /_ ( / + ^3 ( /M
M = ^3 ( /[ M _ ( /]
De aqu:
=
\
(
/
_
b S (9 /
0
I=a =
_ ( / = E
d = e f
_= (9/
0
\c = ( /
1
M
0
g@
I [E
I = E I
M=E
_g= g
M=
g g@
h@ = ij hj = M=
i = S(l/ = 9
i= = ;
i@ = S= (/ = 9@
ij = ;@
Donde las variables controladas V1 y V2 son capaces de controlar los estados as:
x = ax + bu
Estructura ms apropiada para la identificacin del sistema que se ajusta a los datos de entradasalida registrados:
Donde:
d es la temperatura ambiente,
r seria la temperatura deseada,
k seria el controlador, planta decide si calentar o enfriar
Mathlab Solucion:
A=[0 1 ; 18 -6 ];
B= [1;0];
C=[0 1];
D= 0;
[num,den] = ss2tf(A,B,C,D)
S1= tf(num,den)
h = stepplot(S1)
rlocus (S1)
nyquist (S1)
bode (S1)
Respuesta Mathlab
num =
den =
0 0 18
1 6 -18
Transfer function:
18 / s^2 + 6 s - 18
Convirtiendo a discreto
Td=2;
Gz=c2d(S1,Td)
margin(Gz)
Gmf = feedback(Gz,0.05)
DC = dcgain(Gmf)
Sampling time: 2
Transfer function
62.75 z + 17.08
rlocus (Gz)
CONTROL PTIMO. El control ptimo es una rama del control moderno que se relaciona con el diseo de
controladores para sistemas dinmicos tal que se minimice una funcin de medicin que se denomina
ndice de desempeo o costo del sistema. En trminos ms formales, su objetivo principal de la teora de
control optimo es determinar las seales de control que causan a un proceso el satisfacer las restricciones
fsicas que se tengan y asimismo minimizar o maximizar segn sea el caso cierto criterio de desempeo
deseado. La solucin de algunos problemas de control no es posible obtenerla usando mtodos de control
clsicos. Esto puede ser ya sea debido a su complejidad, o que se requieran satisfacer ciertos parmetros
relacionados con su desempeo. El problema de control optimo se puede representar matemticamente
en las siguientes partes: La descripcin del proceso a controlar (modelo del sistema). La descripcin de las
restricciones fsicas. La descripcin del objetivo buscado. La descripcin de algn criterio para describir el
desempeo ptimo (ndice de desempeo).
Trayectoria de Estado Es la solucin a las ecuaciones diferenciales del modelo las cuales describen
el modelo del sistema dinmico, en [t0,tf ].
Control Admisible y Trayectoria Admisible Un control admisible est dado por una ley de control
que satisface las restricciones en el intervalo [t0,tf ]. Una trayectoria admisible es la trayectoria de
estado que satisface las restricciones de variable de estado durante el intervalo de tiempo [t0,tf ].
Conjunto objetivo Regin en el espacio X T donde se encuentra la trayectoria del sistema. Un caso
ms concreto de este trmino es la regin hacia donde se dirige la trayectoria, por ejemplo en
cierto caso se necesitara que un sistema no tenga que llegar exactamente al origen, pero s a una
vecindad del origen.
ndice de Desempeo J Tiempo mnimo: en donde tf es la variable a minimizar del sistema.
LGICA BORROSA Fuzzy Lgica. Herramienta para el control de subsistemas y procesos industriales
complejos, tambin para la electrnica de entretenimiento y hogar, sistemas de diagnstico y otros
sistemas expertos. Con esta lgica se pretende representar de forma rigurosa el significado de los
enunciados imprecisos del lenguaje natural. Lo central en la lgica borrosa, de modo distinto a la lgica
clsica de sistemas, se orienta hacia la modelizacin de modos de razonamiento imprecisos, los cuales
juegan un rol esencial en la destacable habilidad humana de trazar decisiones racionales en un ambiente de
incertidumbre e imprecisin.
Habilidad de inferir una respuesta aproximada a preguntas basadas en un conjunto de conocimiento que es
inexacto, incompleto o no totalmente confiable, si la lgica clsica est considerada como la ciencia de los
principios formales y normativos del razonamiento, la lgica borrosa define los principios del razonamiento
aproximado, capaz de reproducirlos modos del razonamiento humano basando la certeza en cuestin de
grado. Conjuntos borrosos. Los elementos fundamentales de la teora de sistemas borrosos son los
conjuntos borrosos (Fuzzy). Sobre ellos se pueden realizar operaciones, algunas de ellas semejantes a las
que se realizan con los conjuntos clsicos. La lgica borrosa est basada en combinaciones de conjuntos
difusos mediante las mencionadas operaciones. Los conjuntos borrosos, son conjuntos en los que se define
una funcin llamada "funcin de pertenencia", que asigna a cada elemento del conjunto, un valor que
representa el grado en que dicho valor pertenece al conjunto. A cada conjunto se le asocia un cuantificador
lingstico, como por ejemplo, mucho, poco, bastante etc., de forma que relacionamos el modelo
matemtico con el lenguaje humano.
Reglas Difusas. El tipo de sistema difuso que se utiliz para el controlador fue Mamdani, debido a que este
mtodo se basa en un mecanismo de inferencia basado en reglas se adapt fcilmente a las condiciones
planteadas basadas en el comportamiento del horno de la variables de entrada respecto a la variable de
salida, adicionalmente se utiliza el mtodo de fusificacin Centroide o centro de gravedad por ser continuo.
CONTROL BASADO EN REDES NEURONALES. Una red neuronal artificial (RNA) es un paradigma de
tratamiento de la informacin que se inspira en la forma en que los sistemas nerviosos biolgicos, como el
cerebro, la informacin del proceso. El elemento clave de este paradigma es la nueva estructura del
sistema de procesamiento de informacin. Se compone de un gran nmero de elementos de
procesamiento altamente interconectadas (neuronas) que trabajan al unsono para resolver problemas
especficos. RNA, como las personas, aprender con el ejemplo. Un ANN est configurado para una
aplicacin especfica, tales como el reconocimiento de patrones o la clasificacin de datos, a travs de un
proceso de aprendizaje. El aprendizaje en los sistemas biolgicos implica ajustes en las conexiones
sinpticas que existen entre las neuronas. Las redes neuronales, con su notable capacidad para entender el
significado de los datos complicado o impreciso, se pueden utilizar para extraer patrones y detectar
tendencias que son demasiado complejos para ser observado por los seres humanos o de otras tcnicas
informticas. Una red neuronal entrenada puede ser pensada como un "experto" en la categora de
informacin que se ha dado a analizar. Este experto puede ser utilizado para proporcionar proyecciones
dadas las nuevas situaciones de inters y "qu pasara si" las preguntas a responder.
Aprendizaje adaptativo: La capacidad de aprender a hacer las tareas basadas en los datos que se
dan para la formacin o la experiencia inicial.
Auto-organizacin: Una RNA puede crear su propia organizacin o representacin de la informacin
que recibe durante el tiempo de aprendizaje.
Operacin Tiempo real: clculos ANN pueden llevarse a cabo en paralelo, y los dispositivos de
hardware especiales estn siendo diseados y fabricados, que se aprovechan de esta capacidad.
Tolerancia a fallos a travs de informacin redundante Codificacin: la destruccin parcial de una
red conduce a la degradacin correspondiente de rendimiento. Sin embargo, algunas capacidades
de la red pueden ser retenidas incluso con daos a la red principal.
Una neurona artificial es un dispositivo con muchas entradas y una salida. La neurona tiene dos modos
de operacin; el modo de entrenamiento y el modo de usarlo. En el modo de entrenamiento, la
neurona puede ser entrenado para disparar (o no), para los particulares patrones de entrada. En el
modo de usar, cuando se detecta un patrn de entrada se ensea en la entrada, su salida asociado se
convierte en la salida de corriente. Si el patrn de entrada no tiene cabida en la lista enseado de
patrones de entrada, la regla de disparo se utiliza para determinar si el despido o no. La regla de
ejecucin es un concepto importante en las redes neuronales y representa por su alta flexibilidad. Una
regla de disparo determina cmo se calcula si una neurona debe disparar para cualquier patrn de
entrada. Se relaciona con todos los patrones de entrada, no slo los que en la que se entren el nodo.
Cuando se usa la red, se identifica el patrn de entrada y trata de salida el patrn de salida asociado. El
poder de las redes neuronales cobra vida cuando un patrn que no tiene salida asociado a l, se da
como una entrada. En este caso, la red da la salida que corresponde a un patrn de entrada enseado
que es menos diferente del patrn dado. Feed-forward RNAs permiten que las seales viajen de una
sola manera; de entrada a salida. No hay comentarios (bucles) es decir, la salida de cualquier capa no
afecta a la misma capa. RNAs de alimentacin directa tienden a ser sencillo redes que asocian las
entradas con las salidas. Se utilizan ampliamente en el reconocimiento de patrones. Este tipo de
organizacin tambin se le conoce como de abajo hacia arriba o de arriba hacia abajo.
Redes de realimentacin pueden tener seales que viajan en ambas direcciones mediante la
introduccin de bucles en la red. Redes de retroalimentacin son muy poderosas y pueden llegar a ser
extremadamente complicado. Redes de votos son dinmicas; su "estado" est cambiando de forma
continua hasta que llegan a un punto de equilibrio. Permanecen en el punto de equilibrio hasta que
cambie la entrada y un nuevo equilibrio tiene que ser encontrado.
CONTROL ROBUSTO.
un simple ejemplo de un mtodo de control robusto; con suficientemente alta ganancia, el efecto de
las variaciones de los parmetros ser insignificante. A partir de la funcin de transferencia de bucle
cerrado perspectiva, de alta ganancia de bucle abierto conduce a rechazo de perturbaciones sustancial
en la cara del parmetro del sistema incertidumbre. El principal obstculo para el logro de altas
ganancias del bucle es la necesidad de mantener la estabilidad en lazo cerrado del sistema.
Conformacin de bucle que permite el funcionamiento de bucle cerrado estable puede ser un desafo
tcnico. Sistemas de control robustos incorporan a menudo topologas avanzadas que incluyen
mltiples bucles de retroalimentacin y caminos de alimentacin directa. Las leyes de control pueden
ser representados por funciones de transferencia de alto orden requeridos para llevar a cabo
simultneamente el rendimiento rechazo de perturbaciones deseada con la operacin de bucle cerrado
robusto.
Mtodos de control robusto buscan obligado la incertidumbre en lugar de expresarlo en forma de una
distribucin. Dado un salto en la incertidumbre, el control puede ofrecer resultados que cumplan con
los requisitos del sistema de control en todos los casos. Por lo tanto robusto teora de control podra
ser declarado como un mtodo de anlisis del peor caso en lugar de un mtodo tpico caso.
CONTROL
ADAPTATIVO. El control adaptativo es el mtodo de control utilizado por un controlador
que debe adaptarse a un sistema controlado con los parmetros que varan, o son inicialmente
inciertos. Por ejemplo, como una aeronave vuela, su masa disminuir lentamente como resultado del
consumo de combustible; Se necesita una ley de control que se adapta a las condiciones cambiantes. El
control adaptativo es diferente de control robusto en que no necesita una informacin a priori acerca
de los lmites en estos parmetros inciertos o variables en el tiempo; robustos garantas de control que
si los cambios son dentro de los lmites dados la ley de control no necesita ser cambiado, mientras que
el control adaptativo tiene que ver con la ley de control cambiarse a s mismos.
Control Adaptativo abarca un conjunto de tcnicas que proporcionan un enfoque sistemtico para
ajuste automtico de los controladores en tiempo real, con el fin de lograr o mantener un nivel
deseado de rendimiento del sistema de control cuando los parmetros de la planta modelo dinmico
son desconocidos y / o cambio en el tiempo. Consideremos primero el caso cuando los parmetros del
modelo dinmico de la planta son para ser controlado desconocida, pero constante
El modelo dinmico de la planta puede ser identificado a partir de las mediciones de la planta de salida
/ entrada obtenido en virtud de un protocolo experimental en abierto o en lazo cerrado. Uno se puede
decir que el diseo y puesta a punto del controlador se realiza a partir de datos recogidos en el sistema.
Un sistema de control adaptativo puede verse como una implementacin de la diseo de arriba y
procedimiento de ajuste en tiempo real. La afinacin del controlador ser realiza en tiempo real de los
datos recogidos en tiempo real en el sistema. La informacin se procesa en tiempo real con el fin de
ajustar el controlador para el logro de las actuaciones deseadas va a caracterizar los diversos
adaptacin tcnicas. Se ve claramente que un sistema de control adaptativo es no lineal ya que los
parmetros del controlador dependern de las mediciones de variables del sistema a travs del bucle
de la adaptacin.
Los modelos utilizados en MPC estn destinados generalmente para representar el comportamiento de
los sistemas dinmicos complejos. La complejidad adicional del algoritmo de control MPC no es
generalmente necesaria para proporcionar un control adecuado de los sistemas simples, que son
controlados a menudo bien por los controladores PID genricos. Caractersticas dinmicas comunes
que son difciles para los controladores PID incluyen grandes retrasos de tiempo y la dinmica de alto
orden. Modelos MPC predicen el cambio en las variables dependientes del sistema de modelado que se
debe a los cambios en las variables independientes.
CONTROL OPTIMO
Tal como se observa en las siguientes grficas, se hace la identificacin, y se usa la herramienta
Mathlab para optimizacin de sistemas de control.
Design Configuration #1
Tunable Elements
C:
Parameter
Value
Gain
133.402252943856
Zeros
-0.964292762414591
Poles
F:
Parameter Value
Gain
Zeros
[]
Poles
[]
Fixed Elements
G:
Parameter
Value
Gain
18
Zeros
[]
Poles
[-8.19615242270663;2.19615242270663]
Gain
Zeros
[]
Poles
[]
Para la segunda variable temperatura se establecieron tres categoras, frio, normal y caliente
como se puede observar:
La primera salida de control Fuzzy es el calentador que tiene 4 categoras apagado, bajo,
medio y alto como se observa en la grfica:
La tercera salida es el humidificador que se categoriza en apagado, suave, medio y rpido as:
Superficies de control, en este caso se observa la respuesta del calentador para la entrada
humedad y la entrada temperatura.
Diagrama en Simulink con la insercin del controlador Fuzzy modo operacin Mandami as:
Se usan herramientas de clculo para estimar los parmetros de la red neuronal y sus
perceptrn as:
Se encuentran los parmetros y la red est disponible para usarse como Modelo de control
avanzado de procesos.
CONTROL PREDICTIVO
Se usa la herramientas de mathlab para control predictivo as:
CONTROL ROBUSTO
Se usan las herramientas de control Robusto de Mathlab asi:
Control
Optimo
Control
Lgica
Difusa - Fuzzy
Control Basado
en Neuronal
Networks
Control
Predictivo
Control
Robusto
Modelacin
Matemtica
Algoritmo de
optimizacin
Reglas de control
humanas
Diversos
modelos y
secuencias
concurrentes.
Requiere uso de
Elementos de series
auto regresivo y
medias mviles.
Sistema de
ecuaciones lineales
Permite
encontrar con
facilidad la
estabilidad del
sistema si los
requerimientos
son los
correctos
Permite integrar
lgica de control
humana con
algoritmos de
control
Permite hacer
proyecciones
basado en los
comportamientos
histricos.
Aplicabilidad en casos
de estados de
procesos
desconocidos que se
requiera control
robusto.
Parmetros
deben
reajustarse con
cambios en los
requerimientos
Ninguna
Ninguna, siempre
que los eventos
anteriores sigan
teniendo
correlacin con los
eventos futuros
Complejidad en el
planteamiento
matemtico de las
ecuaciones de estados
y funciones de
transferencia
Usado para
frecuente
mejora de
procesos
Practico en su
uso no requiere
de demasiados
clculos de
ingeniera
Precisin alta en
procesos con alta
correlacin
secuencial entre
eventos.
En casos de amplio
desconocimiento del
estado del proceso.
Mathlab y algunos
DCS cuentan con
esta Toolbox
Mathlab, pero
desconocemos
software comercial
Ventajas
Desventajas
Aplicabilidad
Software
disponible
Experiencias
Personales, y
preferencia
Mathlab
Mathlab y otros
comerciales
Permite
encontrar
parmetros con
los cuales se
modela con
facilidad
mltiples
complejos
estados de
procesos de
control
Los resultados
de las redes y
sus efectos
conjuntos de los
perceptrn no
tienen muchos
casos
explicaciones
racionales
Miles de
aplicaciones
usan
actualmente
Neuronal
networks, es
herramienta de
control preferida
y ptima.
Mathlab y otros
comerciales
CONCLUSIONES
BIBLIOGRAFIA
Kouro, S., & Musalem, R. (2002). Control mediante lgica difusa. Tcnicas modernas
automticas, (1-7)-7.
Pastelleto. S. (2010). Matemtica del control fuzzy. Depto. Control- Escuela de electrnica
FCEIA-UNR. Pginas 1-20.
https://en.wikibooks.org/wiki/Control_Systems/System_Modeling
http://wikis.controltheorypro.com/Reaction_Cancellation_Example
http://www.cds.caltech.edu/~murray/courses/cds101/fa04/caltech/am04_ch23oct04.pdf
http://ocw.mit.edu/courses/mechanical-engineering/2-004-systems-modeling-andcontrol-ii-fall-2007/lecture-notes/
http://www.mathworks.com/help/pdf_doc/control/get_start.pdf
http://ctms.engin.umich.edu/CTMS/index.php?example=Introduction§ion=Syste
mModeling
https://www.pearsonhighered.com/assets/hip/us/hip_us_pearsonhighered/samplech
apter/0136156738.pdf
http://www.mathworks.com/help/control/ug/control-system-modeling-with-modelobjects.html