Este documento presenta el diseño de un controlador neuronal inverso para un sistema de control de temperatura de flujo de aire. Describe el modelo matemático del sistema, el entrenamiento de la red neuronal utilizando datos de la planta, y la implementación del controlador neuronal en Simulink. Los resultados muestran que el controlador logra estabilizar la temperatura de forma rápida, aunque con oscilaciones de hasta 2 grados debido a variaciones en las condiciones ambientales.

1. DEPARTAMENTO DE ELÉCTRICA Y ELECTRÓNICA
CARRERA DE INGENIERÍA EN ELECTRÓNICA EN
AUTOMATIZACIÓN Y CONTROL
CONTROL INTELIGENTE
AUTORES:
EVELYN LEMA
DAYANA OCHOA
CARLOS MENDOZA
DIEGO FLORES
TEMA: “DISEÑO DE CONTROLADOR NEURONAL
PARA LA UNIDAD AIR FLOW TEMPERATURE
CONTROL SYSTEM”
ING. VÍCTOR PROAÑO
SANGOLQUÍ, JULIO 2014

2. UNIVERSIDAD DE FUERZAS ARMADAS “ESPE”
DEPARTAMENTO DE ELÉCTRICA Y ELECTRÓNICA
ASIGNATURA: CONTROL INTELIGENTE
Actividad No 19 “Diseño de controlador neuronal para la unidad Air Flow Temperature Control
System”
1. INTEGRANTES Y DIGNIDADES
Nuestro equipo de trabajo estará conformado por las siguientes personas:
1. Evelyn Gabriela Lema.
2. Dayana Carolina Ochoa.
3. Carlos Eduardo Mendoza
4. Diego Miguel Flores.
Una vez establecido el equipo de trabajo se estableció las dignidades en base a la afinidad presentada en
el grupo de trabajo y se definió las tareas que deberá realizar cada persona dentro de la dignidad
asignada.
Dignidad Responsable Tareas
Líder • Coordinar al equipo de trabajo asignando roles y
responsabilidades, con base a la descripción del proyecto
asignado
• Supervisar el desarrollo del proyecto asignado, conforme al
calendario establecido y en su caso realizar los ajustes
necesarios para su cumplimiento.
• Promover y conducir reuniones con el equipo de trabajo para
garantizar el avance del proyecto asignado.
• Coordinar y supervisar que la documentación de las
actividades realizadas en las fases de requerimientos, de
análisis y diseño sean realizadas con éxito.
Ingeniero Electrónico • Desarrollar prototipos de la aplicación a construir.
• Conocer metodologías de diseño y documentación de
aplicaciones
Ingeniero Control • Realizar estudios de factibilidad, planeación, diagnóstico,
análisis, diseño, implementación, pruebas y seguimiento de
los sistemas de control.
• Conocer metodologías para el diseño de controladores
Ingeniero Software Diego Flores. • Experiencia en el uso de herramientas para el desarrollo del
proyecto mediante sólidos conocimientos.

3. 2. ACTIVIDADES ESTABLECIDAD PARA EL DESARROLLO DEL PROYECTO:
 Recopilación de información.
Act1.- En esta actividad se procedió a investigar a través de las diferentes fuentes que disponemos, ya sea
de internet, libros, acerca del control de temperatura con redes neuronales, para una planta física.
Act1.1 Una vez recopilada la información, se realizó la clasificación de la información que
verdaderamente nos iba a ayudar en el desarrollo del proyecto.
Act1.2 Con la recopilación de datos necesarios se inició el proyecto primero creando el software en
Matlab, tanto para el entrenamiento de la red neuronal, el controlador de la red neuronal así como el
diagrama en Simulink.
 Reconocimiento del área de trabajo.
Actividad 2.- Se procedió a reconocer el lugar donde se a realizar el proyecto, así como la planta física de
temperatura, la computadora donde se va a simular nuestro controlador y la tarjeta de adquisición.
Actividad 2.1.- Se observó la conexión correcta conexión de los materiales que se van a utilizar.
Asignación de dignidades y tareas.
Actividad 3.- Se asignó funciones determinadas a cada uno de los integrantes del grupo, para que el
objetivo del proyecto se realice correctamente
 Obtención de datos de la planta
Actividad 4.-Este procedimiento es uno de los más importantes ya que de esto dependerá que nuestro
control esté funcionando correctamente, para lo cual se tomó varias medidas de la planta, así como de la
función de transferencia.
Obtención de la planta del sistema mediante la herramienta ident.
Actividad 5.- Esta herramienta es de gran ayuda, ya que nos permitió determinar los valores correctos de
la planta
Actividad 5.1.-Una vez identificada y modelada la planta se y con los programas respectivos, se
procederá a la última actividad.
 Realización de pruebas y funcionamiento.
Actividad 6.- Se utilizó primero el controlador propuesto en clases para observar correctamente el control
de temperatura y ver los resultados que debemos obtener.
Actividad 6.1.-Siguiente utilizamos los diferentes controladores que obtuvimos de MATLAB para
comprobar resultados
Actividad 6.2.-Obtuvimos resultados positivos aunque con un grado de error un poco grande.
Actividad 6.3.-Finalmente el porcentaje de error del control de temperatura con redes neuronales se
disminuyó notablemente, dado así por finalizado el proyecto.

4. 3. OBJETIVOS:
OBJETIVO GENERAL:
 Diseñar e implementar un controlador inteligente de temperatura para la unidad AIR FLOW
TEMPERATURE CONTROL SYSTEM mediante la utilización de la herramienta RTW de
Matlab.
OBJETIVOS ESPECÍFICOS:
 Identificación de la respuesta de la planta para diferentes voltajes de entrada en la niquelina en
nuestro caso en un rango de 2.5 a 4.5V.
 Estimar y modelar la planta AIR FLOW TEMPERATURE CONTROL SYSTEM y los diferentes
controladores como bloques en SIMULINK.
 Implementar una red neuronal con dos entradas, la temperatura inicial o actual del sistema y la
variación de estado deseado de temperatura y la señal de control mediante bloques de Simulink.
 Evaluar el sistema de control desarrollado mediante pruebas de operación y funcionalidad a fin de
conseguir un funcionamiento óptimo.
4. DESCRIPCIÓN DEL MODELO MATEMÁTICO DEL SISTEMA PRESENTADO EN LA
TESIS.
Modelo Matemático del Sistema
El Sistema de Temperatura consta de una niquelina que es la encargada de calentar el aire ingresa
a través del conducto de flujo mediante un ventilador que remueve el aire que se encuentra en su
interior.
Esta transferencia de calor producida por el movimiento de aire a través de la niquelina se
denomina convección interna forzada y esta descrita por la Ley de Newton del enfriamiento.
Ecuación 1. Ley de Newton del Enfriamiento
Dónde:
Es importante recalcar que la transferencia de calor del sistema es en régimen transitorio,
temperatura no cambia sólo con la posición del aire dentro del cilindro sino también cambia con
el tiempo.
El calor acumulado en el conducto de flujo viene dado por:
Ecuación 2. Calor acumulado en el Conducto del Flujo

5. Dónde:
Procedemos a igualar la Ecuación 1 y 2 para llegar al modelo matemático que describe el sistema
de temperatura en estudio.
;
∫ ∫
( )
( )
Ecuación 3. Comportamiento de la temperatura en función del tiempo
En la Figura 1 se describe el comportamiento de la temperatura en función del tiempo del
sistema:
Figura 1. Comportamiento de la Temperatura en Función del Tiempo
La constante que determina el retardo de la función de temperatura se calcula de:
( )

6. 5. RESULTADOS DEL EXPERIMENTO:
 Realizar el experimento de control con red neuronal inversa y presentar resultados (gráficas
de variación de la temperatura durante 1 minuto) para tres distintos valores de referencia en
el rango de 30 a 50°C, analice las respuestas obtenidas en términos de error de estado estable
y velocidad de respuesta.
Para realizar el experimento de control con red neuronal inversa fue necesario primeramente
obtener los datos correspondientes a la planta en distintos voltajes de entrada para poder sacar el
modelo matemático de segundo orden. Luego se desarrolló el diagrama se Simulink
(modelo_aft_bloque) el mismo que representa a la planta.
Diagrama del Sistema dinámico
Una vez creado el modelo se desarrolló los siguientes programas en matlab y en simulink.
Diagrama de bloques de los programas en Matlab
Código del programa en Matlab
a. Programa datos train
clc
clear all
timestep=2;
temp1v=[0:5:30];
temp2v=[0:2:14];
u0v=[0:.5:4.5];
Pm = combvec(temp1v,temp2v,u0v)
Tm=[]
for i=1:length(Pm)
%for i=1:5
i
datos_train
Pm
Tm
data_train
Pm1
Tm1
training
Pm1
Tm1

7. Pm(:,i)
length(Pm)
% pause(1)
u0=Pm(3,i)
T10=Pm(1,i)
T20=Pm(2,i)
[t,x]=sim('modelo_aft_bloque',[0 timestep])
dtemp1=temp1-T10
dtemp2=temp2-T20
Tm=[Tm [dtemp1 ;dtemp2]]
end
plot(Tm);
b. Programa data train
Pm1(1,:)=Pm(1,:)/20;% temp1
Pm1(2,:)=Pm(2,:)/10;% temp2
Pm1(3,:)=Tm(1,:);%deltatemp1
Pm1(4,:)=Tm(2,:);%deltatemp2 multiplicar por 10
Tm1(1,:)=Pm(3,:);%u0
c. Programa training
cnet = newff(minmax(Pm1),[16 1],{'tansig' 'purelin'},'trainrp')
cnet.trainParam.show = 10; % Frequency of progress displays (in epochs).
cnet.trainParam.epochs = 500; % Maximum number of epochs to train.
cnet.trainParam.goal = (1e-7); % Mean-squared error goal.
cnet=train(cnet,Pm1,Tm1)
gensim(cnet,2)
DISEÑO DEL CONTROLADOR
Creación del bloque controlador
Entrenamiento de la Neurona
Diagrama de simulación del control neuronal inverso

8. Comportamiento del modelo en simulación
1.
Gráfica Resultante del Comportamiento del Modelo de Simulación
Diagrama en Simulink de la planta con el Controlador Neuronal

9. Comportamiento de la Planta Real con el Controlador
Análisis
Hay que recordar que se requiere que el modelo inverso se desea que sea ideal, o al menos muy
cercano a esta condición, para garantizar que el error en estado estable fuera cercano a cero.
Para lograr un mejor desempeño el control neuronal inverso se hizo pruebas con la planta real con
diferentes parámetros. Como se muestra en las siguientes gráficas.

10. Caso 1:
Caso 2:
Caso 3:

11. Caso 4:
Caso 5: Diagrama con mejor comportamiento en la experimentación real
Para analizar los resultados obtenidos con respecto a la velocidad de respuesta es importante observar la
siguiente gráfica del comportamiento de la planta con el controlador en una temperatura de 30º grados.

12. Como se puede observar la velocidad de respuesta es bastante rápida ya que en tiempo relativamente
corto alcanza el valor deseado de set point al tener una respuesta a una perturbación. Con respecto al error
de estado estable se puede observar en la siguiente gráfica que la planta se logra estabilizar de una manera
rápida pero tiene oscilaciones de dos grados con el setpoint requerido sin mantener un valor estable en
general.
Es así que se puede concluir que el controlador neuronal inverso experimentado funciona pero tiene
oscilaciones de dos grados para alcanzar el set point requerido, esto se debe a que la temperatura
ambiente varía en relación a los días donde fueron obtenidos los datos del comportamiento de la
planta haciendo que la construcción de la función de transferencia varié de igual manera y que el
comportamiento de la planta cambie.
Nosotros Dayana Ochoa, Evelyn Lema, Carlos Mendoza y Diego Flores afirmamos que esta
actividad es de nuestra autoría y establecemos que para la elaboración de la misma hemos seguido los
lineamientos del Código de Ética de la Universidad de las Fuerzas Armadas ESPE
6. ANEXOS
Se adjunta el cronograma correspondiente a las actividades detalladas anteriormente. Nombre del
archivo: “Cronograma Control Temperatura”