DISEÑO Y DESARROLLO DE UN SISTEMA DE ENTRENAMIENTO DE REDES NEURONALES ARTIFICIALES PARA UN CONTROLADOR DE TEMPERATURA

Jorge Salazar Castillo

Resumen


Actualmente se vienen desarrollando Sistemas de Control Distribuido como necesidad y oportunidad del desarrollo tecnológico. Una de las necesidades más importantes es el mejoramiento de estrategias de control de temperatura en unidades de procesos industriales, para obtener una operación más segura y rentable. Esto obedece a que las unidades de procesos demandan mayor número y estrictos requerimientos a los sistemas de control, pues los procesos actualmente se caracterizan por operar a temperaturas, presiones y velocidades más altas. Una alternativa para mejorar las estrategias de control de los procesos industriales es el empleo de técnicas de control basadas en redes neuronales, que podrían superar las desventajas del control moderno y satisfacer requerimientos más sofisticados que un control convencional. El  objetivo del artículo es presentar el diseño y desarrollo de un controlador de temperatura tipo red neuronal, el  cual emula a un control proporcional, integral, derivado convencional. El diseño se realiza mediante aprendizaje neuronal supervisado a partir de un conjunto de patrones de entrada-salida determinados por la dinámica del proceso. El desarrollo del controlador se realizó en dos etapas. Etapa inicial, conjunto de patrones de entrenamiento que se genera a partir de la medición directa de los datos de temperatura en el proceso. En la segunda etapa se realizo el entrenamiento de la red de neuronas. Los resultados demuestran la equivalencia entre el control de red neuronal y el convencional Proporcional, Integral Derivado; lo cual permite que sean utilizados indistintamente en una misma aplicación

Texto completo:

PDF

Referencias


McCulloch, W., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics.

Isasi Viñuela, P., & Galván León, I. M. (2004). Redes de Neuronas Artificiales. Madrid: PEARSON PRENTICE HALL.

Rich, E., & Knigh, K. (1994). Inteligencia Artificial (Segunda edición ed.). Madrid, España: McGraw-Hill.

Werbos, P. J. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Werbos, P.J. (eds). Diss. Harvard University. Cambridge.

Rumelhart, D., Hinton, G., & Williams, R. (1986). Parallel Distributed Processing, chapter Learning representarios by back-propagating error. MIT Press.

Acosta Buitrago, M. I., & Zuluaga Muñoz, C. A. (2000). Tutorial sobre redes neuronales aplicadas en ingeniería eléctrica. Pereira: Universidad Tecnológica de Pereira.

del Brío, M., & Sanz Molina, A. (2002). Redes Neuronales y Sistemas difusos (Segunda edición ed.). Alfa Omega.

SIEMENS. (2007). SIMATIC S7-300: Datos de los módulos. Nürnberg: Siemens AG, I&S.

SIEMENS. (2006). SIMATIC S7-300, Datos Técnicos CPU 31xC y CPU 31x. Nürnberg: Siemens AG, I&S. REFERENCIAS BIBLIOGRÁFICAS 87

SIEMENS. (2006a). Manual NeuroSystems V 5.0. Siemens AG, I&S.

NeuroSystems, SIEMENS,

http://www.industry.siemens.de/IT4Industry/EN/solution_services/simatic_addons/ neuro.htm?PIdent=1001&SIdent=1018&TIdent=1032, 20/11/2008

SIEMENS. (2006b). SIMATIC: STEP 7 Introducción y ejercicios prácticos. Nürnberg: Siemens AG, I&S.

SIEMENS. (2006c). SIMATIC: Configurar el hardware y la comunicación con STEP7. Nürnberg: Siemens AG, I&S.

Tutorial de programación en Simatic S7,

http://electronicapic.iespana.es/manual/programacion_simatic_s7.pdf, 15/10/2008

SIEMENS. (2003). SIMATIC HMI: WinCC V6.0 Documentación estándar. Nürnberg: Siemens AG, I&S.


Enlaces refback

  • No hay ningún enlace refback.


Revista cuatrimestral