Ups CT007869

UNIVERSIDAD POLITÉCNICA SALESIANA
SEDE CUENCA
CARRERA DE INGENIERÍA ELECTRÓNICA
TRABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL

TÍTULO DE INGENIERO ELECTRÓNICO.
PROYECTO TÉCNICO CON ENFOQUE INVESTIGATIVO:

“IMPLEMENTACIÓN DE UN SENSOR VIRTUAL
MEDIANTE REDES NEURONALES Y FILTRADO
ADAPTATIVO PARA UN SISTEMA HIDRÁULICO”
AUTORES:
ERICK ESTEBAN NARVAEZ BENAVIDES
PABLO ANDRES SÁENZ ARIAS
TUTOR:
PhD. WALTER OROZCO TUPACYUPANQUI.
CUENCA – ECUADOR
2018
CESIÓN DE DERECHOS DE AUTOR
Nosotros, Erick Esteban Narvaez Benavides, con C.I. 0106867500 y Pablo Andres
Sáenz Arias, con C.I. 0104437637, manifestamos nuestra voluntad y cedemos a la
Universidad Politécnica Salesiana la titularidad sobre los derechos patrimoniales en
virtud de que somos autores del trabajo de titulación: “IMPLEMENTACIÓN DE UN
SENSOR VIRTUAL MEDIANTE REDES NEURONALES Y FILTRADO ADAPTATIVO
PARA UN SISTEMA HIDRÁULICO”, mismo que ha sido desarrollado para optar por
el título de: Ingeniero Electrónico, en la Universidad Politécnica Salesiana, quedando

la Universidad facultada para ejercer plenamente los derechos cedidos anteriormente.
En aplicación a lo determinado en la Ley de Propiedad Intelectual, en nuestra

condición de autores nos reservamos los derechos morales de la obra antes citada. En
concordancia suscribimos este documento en el momento que hacemos la entrega del
trabajo final en formato impreso y digital a la Biblioteca de la Universidad
Politécnica Salesiana.
Cuenca, 26 de Septiembre del 2018
Erick Esteban Narvaez Benavides Pablo Andres Sáenz Arias

C.I.: 0106867500 C.I.: 0104437637
CERTIFICACIÓN
Yo declaro que bajo mi tutoría fue desarrollado el trabajo de titulación:

“IMPLEMENTACIÓN DE UN SENSOR VIRTUAL MEDIANTE REDES
NEURONALES Y FILTRADO ADAPTATIVO PARA UN SISTEMA HIDRÁULICO”,
realizado por Erick Esteban Narvaez Benavides y Pablo Andres Sáenz Arias,
obteniendo el Proyecto Técnico con Enfoque Investigativo, que cumple con los
requisitos estipulados por la Universidad Politécnica Salesiana.
PhD. Walter Orozco T.
CI: 0102523974
DECLARATORIA DE RESPONSABILIDAD
Nosotros, Erick Esteban Narvaez Benavides Cédula; 0106867500 y Pablo Andres

Sáenz Arias Cédula: 0104437637, autores del Trabajo de Titulación
“IMPLEMENTACIÓN DE UN SENSOR VIRTUAL MEDIANTE REDES NEURONALES Y
FILTRADO ADAPTATIVO PARA UN SISTEMA HIDRÁULICO”, certificamos que el total del

contenido del Proyecto Técnico con Enfoque Investigativo, son de nuestra exclusiva
responsabilidad y autoría.
Erick Esteban Narváez Benavides Pablo Andrés Sáenz Arias

C.I.: 0106867500 C.I.: 0104437637
AGRADECIMIENTOS
A Dios por permitirnos cumplir una meta más, a nuestras familias las cuales han sido
un gran apoyo a lo largo de nuestros años de estudio, al estimado director de tesis
PhD. Walter Orozco por brindarme su guía y consejo para el desarrollo de este
trabajo, a todas las personas que de alguna manera nos apoyaron para poder lograr
una meta más en nuestra vida, amigos y compañeros que nos apoyaron a lo largo de
este ciclo de vida.
Erick Esteban Narvaez Benavides
Agradezco a mi familia por ser un pilar importante y fundamental dentro de mi

desarrollo tanto académico, espiritual y físico. Gracias al Ing. Jean Macancela e Ing.
Mauricio Villacis por prestar su tiempo y ser guía dentro del desarrollo de este
proyecto.
Un enorme agradecimiento a mis padres Fausto y Fabiola que apoyaron y dieron

todo para ayudarme a culminar este trabajo.
Pablo Andres Sáenz Arias
I
DEDICATORIAS
Dedico este trabajo a mi madre Silvia la cual me apoyo durante este ciclo de mi vida,
a mi Tía Florencia quien es un pilar fundamental en mi vida y un gran apoyo en todas
las circunstancias, a mi hermana Vanessa la cual ha estado siempre apoyándome en
todo y a mi sobrino Sebastián.
Erick Esteban Narvaez Benavides
Dedico este trabajo a mis padres Fabiola y Fausto, los cuales con sus consejos y guía
dieron como resultado la culminación de esta meta en mi vida. A mis hermanos Juan
y Josué que son la alegría y la ocurrencia dentro de mi día a día. A mis tíos y tías que
estuvieron pendiente en cada momento y dieron sus oraciones para la culminación de
esta meta. A mis abuelitos los cuales tengo el placer de tenerlos conmigo,
simplemente… Gracias.
Pablo Andres Sáenz Arias
II
ÍNDICE GENERAL
AGRADECIMIENTOS ........................................................................................................ I
DEDICATORIAS ............................................................................................................. II
ÍNDICE GENERAL......................................................................................................... III
ÍNDICE DE FIGURAS ..................................................................................................... VI
ÍNDICE DE TABLAS .....................................................................................................VII
RESUMEN ................................................................................................................. VIII
ANTECEDENTES DEL PROBLEMA DE ESTUDIO ............................................................. IX
JUSTIFICACIÓN ............................................................................................................. X
OBJETIVOS .................................................................................................................. XI
OBJETIVO GENERAL ................................................................................................ XI
OBJETIVOS ESPECÍFICO ........................................................................................... XI
CAPÍTULO 1: INTRODUCCIÓN AL TEMA DE TESIS ........................................................... 1

1.1 Planteamiento del problema ............................................................................... 1
1.2 Alcance .......................................................................................................... 1
1.3 Importancia y justificación ............................................................................ 2
CAPÍTULO 2: SISTEMAS HIDRÁULICOS. ......................................................................... 3

2.1 Introducción ................................................................................................... 3
2.2 Elementos hidráulicos ................................................................................... 4
2.2.1 Bombas ................................................................................................... 4

2.2.2 Válvulas hidráulicas ............................................................................... 5
 Tipo de accionamientos de válvulas .............................................................. 7
2.2.3 Actuadores hidráulicos ........................................................................... 8
 Cilindro hidráulicos ....................................................................................... 8
 Motores hidráulicos ....................................................................................... 9
2.2.4 Otros elementos hidráulicos ................................................................. 10
CAPÍTULO 3: REDES NEURONALES Y FILTROS ADAPTATIVOS. .................................... 12
3.1 Introducción a redes neuronales .................................................................. 12
3.2 Reseña historica de las redes neuronales ..................................................... 12
3.3 Neurona Biológica ....................................................................................... 13
3.4 El perceptron ............................................................................................... 14
III
3.4.1 Modelo matemático de McCulloch-Pitts ................................................. 14
3.4.2 Frontera de decisión ................................................................................. 16
3.4.3 Algoritmo de entrenamiento del perceptron ............................................ 16
3.5 Redes neuronales Adaline ........................................................................... 17
3.5.1 Estimadores de error ................................................................................ 17
3.5.2 Algoritmo de entrenamiento de la red Adaline ........................................ 18
3.6 Redes neuronales Multicapa ........................................................................ 19
3.6.1 Algoritmo de entrenamiento de una red neuronal multicapa ................... 20
3.7 Introducción a Filtros adaptativos ............................................................... 22
3.8 Reseña historica de los filtros adaptativos................................................... 23
3.9 Tipos de filtros adaptativos ......................................................................... 24
3.9.1 Identificador de sistemas ......................................................................... 25
3.9.2 Modelo inverso ........................................................................................ 25
3.9.3 Predictor lineal ......................................................................................... 26
3.9.4 Cancelador de ruido ................................................................................. 26
3.10 Algoritmos de filtrado adaptativo ............................................................ 27
CAPÍTULO 4: Diseño e Implementación ..................................................................... 28

4.1 Metodologia ................................................................................................. 28
4.2 Sistema Hidraulico ...................................................................................... 30
4.3 Diseño del sistema de potencia ................................................................... 31
4.4 Identificación del ruido del sistema............................................................. 32
4.5 Diseño del sistema de filtrado adaptativo.................................................... 34
4.6 Prueba del sistema de filtrado ..................................................................... 35
4.7 Toma de datos del sistema........................................................................... 36
4.8 Diseño de la red neuronal ................................................................................. 37
4.9 Prueba de la red neuronal ............................................................................ 38
Capítulo 5: Resultados y discusión ............................................................................ 40

5.1 Resultados y discusión ................................................................................ 40
IV
5.2 Conclusiones y recomendaciones ................................................................ 46
REFERENCIAS BIBLIOGRÁFICAS .................................................................................. 47

APÉNDICES .................................................................................................................. 49
APÉNDICE A: SIMBOLOGÍA DE LAS VÁLVULAS DIRECCIONALES .............................. 49
APÉNDICE B: FUNCIONES DE ACTIVACIÓN DE LA REDES NEURONALES ARTIFICIALES.

................................................................................................................................ 51
APÉNDICE C: CARACTERÍSTICAS DE LOS MÓDULOS DEL SISTEMA DE POTENCIA. ..... 52
APÉNDICE D: PROGRAMACIÓN DEL MÓDULO ARDUINO. ......................................... 53
APÉNDICE E: PROGRAMA DE FILTRADO ADAPTATIVO EN LABVIEW (R).................. 53
APÉNDICE F: CARACTERÍSTICAS DE LA TARJETA DE ADQUISICIÓN DAQ NI-USB 6218

(R). ......................................................................................................................... 54
APÉNDICE G: PROGRAMA DE ADQUISICIÓN DE DATOS DEL SISTEMA. ...................... 54
APÉNDICE H: PROGRAMA DE ENTRENAMIENTO DE LA RED NEURONAL. .................. 55
APÉNDICE I: PROGRAMA DE IMPLEMENTACIÓN DE LA RED NEURONAL ................... 56
APÉNDICE J: PRUEBA DE FUNCIONAMIENTO ÓPTIMO, PARA EL FILTRADO DE UNA
SEÑAL CONTAMINADA MEDIANTE UN FILTRO BUTTERWORTH BAJO COMPARACIÓN
ENTRE PRIMER ORDEN Y TERCER ORDEN.................................................................. 57
APÉNDICE K: PRUEBA DE DIVERSAS REDES NEURONALES CON BASES DE DATOS
DIVERSAS ................................................................................................................ 59
V
ÍNDICE DE FIGURAS
Figura 2.1 Bombas a) De engranajes, b) de paletas .................................................... 5
Figura 3.1 Esquema elemental de una neurona ......................................................... 14
Figura 3.2 Modelo matemático de la neurona artificial ............................................ 15
Figura 3.3 Red neuronal artificial para la explicación de la frontera de decisión ... 16
Figura 3.4 Ejemplo de límite de decisión para una neurona de dos entradas ........... 16
Figura 3.5 Topología de una red multicapa ............................................................... 19
Figura 3.6 Topología general de filtros adaptativos .................................................. 24
Figura 3.7 Filtro adaptativo configuración como identificador de sistemas ............. 25
Figura 3.8 Filtro adaptativo configuración modelo inverso ...................................... 26
Figura 3.9 Filtro adaptativo configuración modelo inverso ...................................... 26
Figura 3.10 Filtro adaptativo configuración cancelador de ruido ............................ 27
Figura 4.1 Primera Etapa del diseño del tema de tesis.............................................. 29
Figura 4.2 Segunda Etapa del diseño del tema de tesis ............................................. 30
Figura 4.3 Tercera Etapa del diseño del tema de tesis .............................................. 30
Figura 4.4 Sistema Hidráulico utilizado para el desarrollo del sensor virtual ......... 31
Figura 4.5 Diagrama de conexión del sistema de potencia ...................................... 32
Figura 4.6 Ruido del sistema a velocidades bajas. ................................................... 33
Figura 4.7 Ruido del sistema a velocidades medias.................................................. 33
Figura 4.8 Ruido del sistema a velocidades altas ..................................................... 34
Figura 4.9 Arquitectura del filtro adaptativo para el sistema .................................. 35
Figura 4.10 Pruebas del sistema de filtrado adaptativo (señal roja) vs filtrado
convencional (señal verde) y retroalimentación del sistema (señal blanca) ............. 36
Figura 4.11 Diagrama de conexión para la adquisición de datos ........................... 37
Figura 4.12 Herramienta de entrenamiento de redes neuronales ............................ 38
Figura 4.13 Arquitectura del entrenamiento y comprobación de la red neuronal ... 38
Figura 4.14 Pruebas de funcionamiento de la red neuronal (señal roja
retroalimentación del sistema, señal azul obtenida del sensor virtual implementado
en LabView (R)) ......................................................................................................... 39
Figura 5.1 Comparación del sistema de filtrado convencional vs sistema de filtrado
adaptivo ...................................................................................................................... 41
Figura 5.2 Corriente de entrada filtrada vs corriente sin filtrar................................. 42
Figura 5.3 Topología de la red neuronal utilizada para el entrenamiento ................. 43
VI
Figura 5.4 Performance obtenido de la red neuronal ................................................ 43
Figura 5.5 Resultado gráfico de la red neuronal, comportamiento de la planta vs la
red neuronal entrenada ............................................................................................... 44
Figura 5.6 Evaluación del desempeño de la NN. ...................................................... 45
Figura B.1 Funciones de activación de redes neuronales artificiales ...................... 51
Figura E.1 Programa de implementación del filtrado adaptativo en LabView (R). . 53
Figura G.1 Programa de toma de datos del sistema en LabView (R). ...................... 54
Figura I.1 Programa de implementación de red neuronal en LabView (R).............. 56
Figura J.1 Pruebas de funcionamiento 1. .................................................................. 57
Figura K.1 Arquitectura de red neuronal 1 .............................................................. 59
ÍNDICE DE TABLAS
Tabla 2.1 Ejemplo de simbolización de válvulas. ........................................................ 6
Tabla 2.2 Tipos de conexiones de las válvulas. ........................................................... 6
Tabla 2.3 Tipos de accionamientos de las válvulas. .................................................... 7
Tabla 2.4 Símbolos de cilindros hidráulicos más utilizados en la industria ................ 9
Tabla 2.5 Símbolos de motores hidráulicos ............................................................... 10
Tabla 2.6 Símbolos de conexiones hidráulicos .......................................................... 10
Tabla 2.7 Símbolos de unidades de medición y mantenimiento hidráulicos ............. 11
Tabla A.1 Válvulas direccionales. ............................................................................. 49
Tabla C.1 Caracteristicas Ardunio Mega. .................................................................. 52
Tabla C.2 Caracteristicas modulo L298 XY-160D, ................................................... 52
Tabla F.1 Caracteristicas de tarjeta de aquicicion NI USB-6218 (R) ........................ 54
VII
RESUMEN
Los sistemas hidráulicos que, por lo general, se encuentran operando en un
ambiente ruidoso, se ven afectados por el mismo ya sea de manera directa o
indirectamente a las diversas retroalimentaciones que podemos obtener del sistema
para su posterior procesamiento o control de estos sistemas.
La señal que se obtiene de retroalimentación de los sistemas hidráulicos, tales como

posición o velocidad (generalmente son irregulares o corruptas), provocan un falso
estado del sistema que perjudica el proceso, en el cual, estos sean utilizados,
desembocando en pérdidas financieras o en el peor de los casos pérdidas humanas
para la institución.
Los sistemas hidráulicos utilizan transductores, los mismos a su vez necesitan de un

acople mecánico-eléctrico. Estos tipos de dispositivos son propensos a fallos, en
otros casos pueden llegar a romperse a consecuencia del desgaste mecánico o mala
manipulación.
Los diversos tipos de algoritmos de filtrado adaptativo, eliminan de forma eficaz el

ruido insertado por las perturbaciones del ambiente, y obtener por medio de redes
neuronales un sensor virtual optimo que replique el comportamiento de la planta; uno
de los datos de entrenamiento para la red neuronal se obtienen del filtrado de la señal
de retroalimentación del sistema (velocidad del motor), el cual permite tener un
sensor virtual que no presente los problemas de ruido de un transductor
convencional.
VIII
ANTECEDENTES DEL PROBLEMA DE ESTUDIO
Los sistemas hidráulicos en la actualidad constituyen un gran sector de la
industria debido a su fiabilidad en torque frente a cargas pesadas, su principal
característica es su baja velocidad y ruido mecánico alto.
El control de estos sistemas puede ser realizado por medio de válvulas mecánicas, de
accionamiento manual. También se puede operar mediante válvulas
electromecánicas, mismas que operan con voltajes industriales estándar de 24V y
corrientes de un amperio aproximadamente.
La retroalimentación de velocidad o posición de estos sistemas son por medio de un

acople mecánico-eléctrico, estos, al estar expuestos a un ambiente ruidoso, insertan
este ruido al sistema de retroalimentación, este ruido por lo general es del tipo
estocástico.
Por otra parte, identificar un sistema hidráulico corresponde a un análisis matemático

minucioso de cada una de las partes que corresponden a la planta, esto significa:
actuadores, acopladores, mangueras, cables, presión, coeficientes específicos de
válvulas y actuadores; estas partes pueden ser dificultosas de encontrar o de analizar.
Además, la utilización de redes neuronales para aplicaciones de diversa índole, ha

avanzado conforme al desarrollo tecnológico, estas son usados en diversos campos,
tales como: telecomunicaciones, interfaces humano-maquina, chatbots, electrónica
en general, etc.
IX
JUSTIFICACIÓN
Se ha considerado que los sistemas hidráulicos tienen una particularidad
específica, caracterizados por el ruido estocástico y muy variable (una causa de ello
se debe a las vibraciones mecánicas). Los datos de entrenamiento óptimos para la
implementación de redes neurales deben tener la menor cantidad de ruido para que la
red neuronal sea lo más fiable posible, por tanto, la necesidad de obtener una lectura
de velocidad exacta. Debido a esto, se plantea el uso de un filtro adaptativo para el
mejoramiento de la señal de retroalimentación del sistema (Velocidad del motor
hidráulico).
En algunos casos, los acoples mecánicos-eléctricos pueden sufrir averías y producir

errores en la toma de datos, lo cual puede desembocar en pérdidas económicas o en
el peor de los casos, pérdidas humanas. Para resolver este problema se plantea el uso
de redes neuronales para simular el comportamiento del sistema hidráulico (sensor
virtual), evitando así el uso de un sistema de toma de datos propenso a fallas.
X
OBJETIVOS
OBJETIVO GENERAL
 Desarrollar un sensor virtual óptimo, mediante la implementación de redes

neuronales y un filtrado adaptativo para una planta hidráulica.
OBJETIVOS ESPECÍFICO
 Obtener un Filtro Adaptativo que elimine de manera óptima el ruido

mecánico generado por el sistema hidráulico.
 Obtener una red neuronal (NN) que replique el comportamiento de la planta

hidráulica.
 Realizar la implementación de algoritmos en Matlab (R) y comprobarlos por

medio de LabView (R).
XI
CAPÍTULO 1: INTRODUCCIÓN AL TEMA DE
TESIS
1.1 PLANTEAMIENTO DEL PROBLEMA
Los sistemas hidráulicos están presentes en muchos de los mecanismos que se

conoce en la actualidad, por lo general, son utilizados en los submarinos y en
diversas aeronaves. Generalmente estos sistemas se encuentran expuestos a ruido que
pueden venir de cualquier fuente procedente del ambiente. Por este motivo,
transductores instalados en los sistemas para obtener una lectura exacta del estado de
un elemento (ya sea en caso de motores hidráulicos, medir velocidad o posición),
sufren de falsos estados que pueden provocar errores de control, procesamiento
erróneo de la señal o en los fines que se desee utilizar esta señal.
Otro aspecto a considerar son los mecanismos, que con el paso del tiempo se
desgastan y pierden sus características, esto quiere decir que, los modelos
matemáticos que se aproximen al comportamiento de un sistema, van a fallar
catastróficamente con su aproximación. Esto se ven usualmente en sistemas que
poseen elementos que están en constante fricción y desgaste. Tal es el caso de los
motores hidráulicos, pistones hidráulicos, entre otros casos, ejemplos de sistemas que
se encuentran constantemente en rozamiento o fricción en el proceso de
funcionamiento.
1.2 ALCANCE
Se desea con base en algoritmos adaptativos, realizar un filtrado de la señal de

retroalimentación del sistema hidráulico. Además, se pretende el desarrollo de este
por medio del software Matlab (R) e implementado en software LabView (R). De
igual manera el entrenamiento de las redes neuronales (NNs) se lo realizara por
medio del Toolbox de Matlab (R) Feed-Forward Neural Network.
1
Los datos de adquisición y escritura se lo realizaran por medio de la tarjeta MyDaq, y
acoplado por medio de un sistema de potencia idóneo para este fin. Esto permitirá
acoplar estas señales para la lectura y escritura que maneje la tarjeta de adquisición.
1.3 IMPORTANCIA Y JUSTIFICACIÓN
Al tener una señal corrupta de retroalimentación del sistema (velocidad), los filtros
convencionales no satisfacen la necesidad de obtener a la salida, una señal
satisfactoria para el entrenamiento de la NNs, por lo que, se plantea la utilización de
un algoritmo de filtrado adaptativo.
Una vez obtenido un filtrado adecuado de la señal de retroalimentación del sistema,

se plantea el uso de un sensor virtual, debido a que, en algunos casos los acoples
mecánicos-eléctricos pueden sufrir averías y producir errores en el control,
provocando un cambio en las características del sistema. En el peor de los casos, esto
puede desembocar en pérdidas económicas y humanas a la empresa.
En el caso de que el sistema se deteriore con el tiempo y el uso, este cambiara sus
características, en tal virtud, el sensor virtual se puede acoplar a los cambios que
sufra el sistema. En el caso de un cambio de las características del sistema, se
necesitará actualizar la base de datos y volver a obtener la red neuronal por medio del
entrenamiento.
2
CAPÍTULO 2: SISTEMAS HIDRÁULICOS.
2.1 INTRODUCCIÓN
La hidráulica utiliza fluidos como medio de presión para realizar movimiento

de dispositivos, tales como pistones o motores que proporcionan velocidades de entre
0.5 rpm hasta 10000 rpm y un par de 1Nm para bajas velocidades y 20000 Nm para
altas velocidades [2].
Los sistemas hidráulicos son aplicados en dispositivos móviles de maquinaria del

tipo pesado tales como excavadores, aparatos de elevación, plataformas elevadoras,
transporte, maquinaria agrícola y simuladores de vuelo. Para los dispositivos fijos
abarcan la fabricación y montaje de maquias de todo tipo, aparatos de transporte y
elevación, máquinas de laminación, ascensores de carga, montacargas, prensas entre
otros dispositivos en la industria [2].
Los sistemas hidráulicos tienen varias particularidades las cuales son: la potencia alta
que transmite con pequeños dispositivos, un posicionamiento preciso de los
elementos de tipo lineal, movimientos independientes de la carga, operación suave,
además de reversible y una disipación favorable del calor [2].
Debido a la presión elevada, en la cual actúan los fluidos, pueden generar incendios o
accidentes, en el caso de alguna fuga de aceite. Los fluidos pueden sufrir cambios de
viscosidad, debido a la dependencia de temperatura. Simultáneamente estos sistemas
son accionados por medio de dispositivos eléctricos o electrónicos tales como
válvulas solenoide, sensores o interruptores de carrera y señales de realimentación de
interruptores magnéticos. En los sistemas complejos industriales estas señales son
comandas por un PLC (controlador lógico programable) que permite la operación
lógica de varios dispositivos [2].
Dichos sistemas pueden ser combinados con el del tipo hidráulico-neumático

(oleoneumático), electrohidráulico con sistemas de actuadores hidráulicos y
accionamiento eléctrico o electrónicos, los cuales son el objeto de estudio de la
presente tesis.
3
Este tipo de sistemas son muy ruidosos y tienden a generar vibraciones mecánicas
que generalmente son insertadas a los dispositivos transductores que leen los datos.
2.2 ELEMENTOS HIDRÁULICOS
Los sistemas hidráulicos disponen de una gran variedad de accionamientos,

así como de diversos tipos de bombas y dispositivos, estos son necesarios para el
funcionamiento de cada circuito hidráulico.
2.2.1 BOMBAS
Las bombas son dispositivos encargados de transformar la energía mecánica o

eléctrica en energía hidráulica, estas son encargadas de brindar la presión necesaria
para el movimiento de los pistones y motores hidráulicos [3].
Las bombas son divididas de acuerdo a la capacidad de variación del caudal, y son de
dos tipos:
 Bombas de Caudal Fijo: son aquellas bombas que entregan el mismo

volumen de aceite por unidad de tiempo, siempre y cuando la velocidad de
giro de la bomba sea constante, estas pueden ser de acuerdo a su construcción
de tres tipos: engranajes externos, paletas y de pistones. El funcionamiento de
cada una de ellas se las puede observar en la figura 2.1 [3].
 Bombas de caudal variable: su principal característica se encuentra en la

particularidad de poder variar el caudal bombeado hacia el circuito hidráulico
(estas bombas son de bajo caudal). Las bombas son de tres tipos: Paletas,
pistones radiales y pistones axiales. Se explican en los gráficos detallados a
continuación:
4
Figura 2.1 Bombas a) De engranajes, b) de paletas
Fuente: Aplicaciones de la Ingeniería, Maquinaria Hidráulica en embarcaciones pesqueras pequeñas

Daniel Czekaj, Pag 6.
2.2.2 VÁLVULAS HIDRÁULICAS
Las válvulas son elementos distribuidores que permiten activar o desactivar

un circuito hidráulico, su simbología está ligada a su contraparte neumática.
Las válvulas de control son definidas de acuerdo a su accionamiento y
funcionamiento, por lo que se toma en cuenta la cantidad de vías lo que se puede
5
definir, como orificios de entradas y salida que tiene la válvula en específico.
Posterior a esto, se define las posiciones que tiene la válvula.
Las posiciones de la válvula son representadas por un cuadrado y las vías por medio
de líneas verticales a la posición, un ejemplo de cómo se representa una válvula de 3
vías, dos posiciones se representan como una válvula de tipo 3/2, esto se puede
observar en la tabla 2.1 [4].
Tabla 2.1 Ejemplo de simbolización de válvulas.
Símbolo Descripción
Válvula de 3 vías 2 posiciones, válvula 3/2.
Válvula de 5 vías 3 posiciones, válvula 5/3.
A los desplazamientos del aceite dentro de la válvula les corresponde una

nomenclatura específica, esto permite intuir su funcionamiento además de la función
dentro del circuito hidráulico, sumado a sus conexiones específicas, indicado en la
tabla 2.2 [4].
Tabla 2.2 Tipos de conexiones de las válvulas.
El aceite circula de 1 a 2
El aceite circula de 3 a 4.
6
La línea transversal indica que no existe paso
de aceite.
Canalizaciones unidas por medio de una

derivación.
Línea de desfogue en el triangulo
 TIPO DE ACCIONAMIENTOS DE VÁLVULAS
Los accionamientos de las válvulas son muy variados y pueden ser de diversos tipos,
manuales, eléctricos, electrónicos, neumáticos e hidráulicos. Los diversos tipos de
accionamiento se detallan en la tabla 2.3; allí se presentan diversos tipos de pilotaje
de las válvulas con su correspondiente simbología [4]:
Tabla 2.3 Tipos de accionamientos de las válvulas.
Símbolo Descripción Símbolo Descripción
Mando manual de Rodillo

pulsador. escamoteable,
control mecánico
Botón pulsador, Mando

mando manual electromagnético
con una bobina
Mando por palanca Mando

electromagnético
con dos bobinas
Mando por pedal Control combinado

por electroválvula y
válvula de pilotaje
7
Mando por llave, Mando por presión
control manual con válvula
neumática
Mando por bloqueo, Presurizado

control manual neumático
Muelle, control Pilotaje hidráulico,

mecánico con válvula de
pilotaje
Palpador, control Pilotaje hidráulico

mecánico
Rodillo palpador, Presurizado

control mecánico hidráulico
En el Apéndice “A” se observan diversos tipos de válvulas utilizadas.
2.2.3 ACTUADORES HIDRÁULICOS
Los dispositivos dentro del circuito hidráulico, son los encargados de los
movimientos lineal y rotativos, estos dispositivos son los denominados pistones,
motores y servomotores hidráulicos; las principales características de estos
dispositivos son: pares y fuerzas elevadas a comparación de sus contrapartes
neumáticas y eléctricas [5].
Los fluidos hidráulicos son virtualmente incompresibles, es por esta razón que los
dispositivos tienen un mejor comportamiento matemático y un control preciso para el
flujo, una de sus principales desventajas es su costo elevado, como además del ruido
generado por el sistema, perturbador e incómodo para las personas que lo operan [5].
 CILINDRO HIDRÁULICOS
Los cilindros hidráulicos de movimiento lineal, usualmente utilizados en

aplicaciones donde la fuerza ejercida en el empuje del pistón y su desplazamiento
8
sean elevados. Para este propósito, los fabricantes proporcionan tablas y graficas de
las fuerzas de extensión y retracción del pistón en el cilindro, de acuerdo a la presión
y el diámetro del vástago según la necesidad de la aplicación deseada [2]. Los
cilindros pueden ser de doble efecto o cilindros de simple efecto con retorno por
muelle. La simbología como su descripción se presenta en la siguiente tabla 2.4.
Tabla 2.4 Símbolos de cilindros hidráulicos más utilizados en la industria
Cilindro de efecto simple con retorno por

muelle
Cilindro de doble efecto
 MOTORES HIDRÁULICOS
Los dispositivos giratorios en hidráulica son los motores hidráulicos, los

cuales funcionan de manera inversa a las bombas, convirtiendo la energía en energía
rotativa (torque y fuerza). Los orificios que componen el motor, son representados
como entradas y salidas, los cuales, las hacen reversibles y en muchos de los casos,
estos orificios llevan al drenaje externo.
Cada tipo de motores deben tener una superficie sometida a presión diferencial para
poder realizar el movimiento. En los motores de paleta, engranajes y orbitales esta
superficie es rectangular. En los motores de pistones axiales y radiales la superficie
es Circular [3].
El funcionamiento de un motor está definido por por: la capacidad de soportar

grandes fuerzas hidráulicas y presiones elevadas. En la tabla 2.5 se puede observar la
simbología de los tipos de motores hidráulicos de caudal variable.
9
Tabla 2.5 Símbolos de motores hidráulicos
Motor de caudal constante no reversible
Motor de caudal variable no reversible
Motor de caudal variable reversible
2.2.4 OTROS ELEMENTOS HIDRÁULICOS
Los dispositivos que complementan los sistemas hidráulicos, son las unidades
de mantenimiento, mangueras de conexiones, terminales de conexión, indicadores de
presión, reservas de aceite, manómetros, entre otros dispositivos diversos, que
pueden ser o no ser esenciales en los sistemas. En la tabla 2.6 se aprecia las diversas
conexiones utilizados en topologías hidráulicas y en la tabla 2.7 se muestran los
símbolos de los dispositivos más usados en los sistemas hidráulicos. [3].
Tabla 2.6 Símbolos de conexiones hidráulicos
10
Conexiones
Unión de tuberías
Cruce de tuberías
Fuente de presión, Hidráulica o neumática
Retorno al tanque
Tabla 2.7 Símbolos de unidades de medición y mantenimiento hidráulicos
Conexiones
Manómetro
Termómetro
Filtro
Filtro con condensador
Unidad de mantenimiento.
11
CAPÍTULO 3: REDES NEURONALES Y
FILTROS ADAPTATIVOS.
3.1 INTRODUCCIÓN A REDES NEURONALES
Una red neuronal artificial por sus siglas RNA, es un modelo matemático
inspirado en el comportamiento de las neuronas, que constituyen la estructura
cerebral de los seres humanos y animales [6]. Con base a este modelamiento y al
crecimiento tecnológico, este tipo de tecnología ha recibido un interés particular,
gracias a esta tecnología se ha podido dar soluciones a problemas individuales o
combinados con otros métodos, de esta manera se puede ofrecer una solución óptima
a un problema planteado [7].
Las aplicaciones de este tipo de redes neuronales son muy diversas, desde
clasificadores, filtros, reconocedores de plantas, predictores, hasta llegar a la
inteligencia artificial, que son utilizados en procesadores de imágenes, chatboots
entre otras aplicaciones, las cuales avanzan conforme a la capacidad de
procesamiento de los computadores.
Existen dos grandes grupos en el aglomerado de las redes neuronales, aprendizaje

supervisado y aprendizaje no supervisado. El presente trabajo centrará su atención en
las principales redes neuronales con aprendizaje supervisado, de la misma manera en
sus métodos de entrenamiento.
3.2 RESEÑA HISTORICA DE LAS REDES NEURONALES
La historia de las RNA se remonta al tiempo de la segunda guerra mundial, en su

pleno apogeo, en donde por primera vez, el científico matemático Alan Turing en
12
1936, vio al cerebro como una forma de ver la computación para poder desencriptar
los mensajes que se enviaban en la guerra por medio de una maquina llamada
enigma. En el año de 1943 se presenta el primer modelo matemático de la neurona de
McCulloch y Pitts el cual fue la base para el desarrollo de la primera red neuronal en
1957 llamada perceptrón presentada por Rosenblatt, a partir del desarrollo del
perceptrón, en 1960 Widrow-hoof presenta la llamada red ADALINE (Adaptative
Linear Elements) y desarrolla el algoritmo de LMS; durante algunas décadas el
desarrollo de las RNA se ve estancado por las limitaciones tecnológicas de la época,
hasta que en 1982, Hopfield desarrolla las redes neuronales de tipo recurrente y se
reinicia las investigaciones de las redes neuronales artificiales.
En la actualidad, las redes neuronales están presentes en varias aplicaciones de uso

común, uno ejemplo claro son: chatboots, asistentes electrónicos de bancos,
publicidad dirigida, cámaras fotográficas de teléfonos celulares, robots inteligentes,
entre otros campos que se encuentran en constante desarrollo a lo largo del mundo
[8].
3.3 NEURONA BIOLÓGICA
La red neuronal pretende comportarse como un cerebro, pero éste, al ser

considerado un sistema altamente complejo que comprende células nerviosas en el
orden del billón, cada neurona está interconectada a otras neuronas por medio de mil
sinapsis aproximadamente, poseen propiedades como: realizar cálculos masivamente
en paralelo como la percepción visual, la cual es el responsable de la memoria e
intelecto por mencionar algunas características [9].
El elemento fundamental de procesamiento de esta red es la neurona, su estructura es

básica ya que como se pude observa en la figura 3.1 su estructura es relativamente
simple, formada por un cuerpo celular en donde se encuentra el núcleo, de este
cuerpo se extienden las dendritas las cuales son los terminales receptores y el axón,
los cuales son el elemento transmisor [9].
La unión que se produce entre dos neuronas por medio del axón y la dendrita es
denominada sinapsis y su comunicación se basa en activación bioquímicas en el
extremo del axón, las cuales liberan neurotransmisores los cuales son captados por la
13
dendrita. El estímulo o la experiencia produce que la sinapsis correspondiente se
refuerce en forma inhibitoria o excitatoria [9].
Figura 3.1 Esquema elemental de una neurona

Fuente: Redes neuronales artificiales. Universidad de la república Uruguay, Andrés Nacelle Pag 2.
3.4 EL PERCEPTRON
3.4.1 MODELO MATEMÁTICO DE MCCULLOCH-PITTS
El perceptrón se basa en el modelo matemático de McCulloch-Pitts que fue

presentado en 1943, es el primer modelo matemático de una neurona artificial. En la
figura 3.2 se puede apreciar, que ésta consta de una o varias entradas desde
además de sus correspondientes pesos sinápticos, los cuales nos
permitirán realizar el aprendizaje de dicha neurona para realizar la tarea
encomendada.
Aparte de eso se incorpora una función aditiva llamada “bias” la cual tendrá siempre
una entrada de uno, los cuales en conjunto con los pesos sinápticos pueden ser
adaptados [6].
14
Figura 3.2 Modelo matemático de la neurona artificial
Fuente: Redes neuronales artificiales. Universidad de la república Uruguay, Andrés Nacelle Pag 4
Donde:
f( ) representa la función de activación de la neurona la cuál puede ser de diversos

tipos las cuales se pueden observar en el apéndice B.
X representa las entras de la red neuronal.
W representa los pesos sinápticos de la red.
representa la función bias.
Y la salida del sistema
Una vez plantado el comportamiento de las entradas y las salidas mostradas en la

figura 3.2 podemos obtener la siguiente expresión matemática que representa la base
matemática del perceptrón. [7]
( ) (∑ ) ( )
Vectorialmente expresamos de la siguiente forma:
[ ] [ ]
( ) (2)
15
3.4.2 FRONTERA DE DECISIÓN
La principal aplicación del perceptrón, es la clasificación de datos entre

positivos o negativos, para ello la red neuronal crea una frontera de decisión, se
define, como el límite sobre el espacio de la red neuronal (donde sobre un lado de
ésta seria 0 y del otro da 1), en otras palabras, la red responde sí o no. La topología
de una neurona se puede apreciar en la figura 3.3
Figura 3.3 Red neuronal artificial para la explicación de la frontera de decisión

Fuente: Redes neuronales artificiales. Luis Torres Soler, Universidad Nacional de Colombia.
En la figura 3.4 se ilustra un ejemplo de cómo estaría conformada la frontera de

decisión del perceptrón para la topología de la figura 3.3.
Figura 3.4 Ejemplo de límite de decisión para una neurona de dos entradas
Fuente: Redes neuronales artificiales. Luis Torres Soler, Universidad Nacional de Colombia.
3.4.3 ALGORITMO DE ENTRENAMIENTO DEL PERCEPTRON
El objetivo del algoritmo del perceptrón, es obtener los pesos sinápticos

adecuados para la clasificación óptima de datos de entrada, ofreciéndo los valores
esperados a este tipo de entrenamiento (es cual es de tipo supervisado), explica por
tanto, la forma de actuar de la red [10].
16
El seudocódigo para el entrenamiento de la red es el siguiente:
1. Asignar valores aleatorios al vector de pesos W.

2. Evaluamos un patrón de aprendizaje t.
3. Calculamos el error
4. Modificamos los pesos sinápticos siguiendo las siguientes reglas
establecidas:
-Si
-Si
-Si
5. Evaluamos el siguiente patrón de aprendizaje.
6. Repetir el paso 3 hasta que el error sea 0 en todos los patrones. [11]
3.5 REDES NEURONALES ADALINE
La red adaline es una red neuronal de gran importancia, comparte una gran similitud
con el perceptrón, su principal diferencia radica en que las señales de entrada pueden
ser de forma continua al igual que de su salida, es decir, es un dispositivo de entrada
y salida analógica que contrasta con su contraparte del perceptrón de característica
binaria [13].
El algoritmo de entrenamiento de una red neuronal de tipo Adaline, se basa en la

regla de Windrow-Hoff o también conocida como el algoritmo LMS (Least Mean
Squares o mínimos cuadrados), que realiza una actualización continua del error para
la nueva estimación de los pesos sinápticos de la red neuronal [12].
3.5.1 ESTIMADORES DE ERROR
Al utilizar una función de error dentro del algoritmo de aprendizaje de una red de
tipo Adaline, se necesita por obvias razones, estimar el error, al momento del cálculo
de error, obteniendo de manera directa:
( )
Donde (3) permite observar la manera más sencilla de obtener un valor de error,
mediante la resta del valor esperado, menos el valor real en la muestra que se está
realizando, una vez obtenido el error por cada muestra, el error total resulta por tanto,
la sumatoria de los errores individuales en cada punto:
17
∑ ( )
En (4) E representa el valor total de error de todo el conjunto de datos analizados, no

obstante, el error puede tomar valores negativos como positivos, lo cual, tiende a
presentar un problema, obtener errores mínimos cuando en realidad, el error puede
ser muy grande. Para solucionar este problema, se opta por elevar al cuadrado (3) y
se obtiene la siguiente ecuación:
∑ ( )
Donde (5) representa la función de error cuadrático, el cual al ser dividido para el
numero de muestras L, se obtiene la función de error cuadrática media, utilizada por
el algoritmo de entrenamiento de una red de tipo Adaline (6) [13].
∑ ( )
3.5.2 ALGORITMO DE ENTRENAMIENTO DE LA RED ADALINE
En base a las estimaciones de error y al método de la gradiente decreciente para la

implementación dentro de una red neuronal se obtiene las ecuaciones 7 y 8 detalladas
a continuación:
∑ ( )
( )
En el caso de la ecuación (7) se lo implementa al conocer todos los datos al inicio del
programa, en el caso de (8) se utiliza para valores inmediatos o de tiempo real [13].
El algoritmo para entrenar una red de tipo Adaline es el siguiente:
1. Asignar valores aleatorios al vector W.

2. Actualizar los pesos sinápticos dependiendo del caso en la que se utilice este tipo de
red (7) (8)
18
3. Verificar el error de la red ya sea inmediato o total por medio de la ecuación de
estimación de error (6).
4. Terminar el entrenamiento si se terminar el número de interacciones o se alcanza el
error esperado.
3.6 REDES NEURONALES MULTICAPA
La red multicapa es una red de alimentación hacia adelante compuesta por diversas
capas neuronales establecidas generalmente por una capa inicial denominada de
entrada, acoplamiento o de sensores, una capa de salida y un número indeterminado
de capas de procesamiento denominada capa oculta, la topología general de estas
redes se puede observar en la figura 3.5 [12].
Figura 3.5 Topología de una red multicapa

Fuente: Redes neuronales artificiales. Claudio Tablada-German Torres Universidad Nacional de
Córdova.
Cabe recalcar, que cada una de las capas, debe tener una única función de activación,
para asegurar así el óptimo funcionamiento de la red y de su algoritmo de
entrenamiento.
El número de neuronas de ingreso depende directamente de las características de la

red, el número de neuronas de salida depende directamente de los datos que se
deseen obtener a la salida de la red, el número de neuronas y de capas ocultas se
determinan experimentalmente [13].
19
3.6.1 ALGORITMO DE ENTRENAMIENTO DE UNA RED
NEURONAL MULTICAPA
Las redes multicapa son redes neuronales con un nivel de complejidad mayor que las
redes neuronales de tipo perceptrón o de tipo adaline al momento de realizar su
entrenamiento.
El algoritmo debido al grado de complejidad que presenta, usa la determinación de

pesos sinápticos por medio de la evaluación de error cuadrático medio [14].
El nombre del entrenamiento de las redes neuronales multicapa es el llamado

Backpropagation o algoritmo de retro propagación, el nombre es debido a que el
error es propagado hacia atrás, es decir, de la capa final hacia la capa de ingreso,
permitiendo que los pesos sinápticos cambien conforme el error disminuya en la
salida de la red neuronal [14].
Siendo el ajuste de los pesos neuronales locales basado en el modelo de redes tipo
adaline (9):
( )
En donde:
pesos sinápticos nuevos después de la iteración.
pesos sinápticos iniciales o anteriores dependiendo de la interacción
la tasa de aprendizaje de la red.
error cuadrático general de la red (10).
∑ ( )
Ahora bien, una red de tipo multicapa se caracteriza de otra, porque al cambiar el
peso sináptico de una neurona en cualquiera de las capas, ésta afecta directamente a
toda la red, por lo que es necesario, tener un error parcial por cada iteración
realizada, entonces el error parcial sería el siguiente (11) [15]:
20
∑( ) ( )
Donde s representa el número de neuronas en la capa de salida.
Para obtener la gradiente decreciente (12) procedemos a derivar (10).
( )
Donde:
i es la capa anterior de la red neuronal.
j representa que neurona es la analizada.
k en que capa neuronal esta la neurona.
Aplicando la regla de la cadena en (10) obtenemos (13):
( )
Analizando el segundo término que corresponde a (12) obtenemos que:
( )
Donde corresponde a la salida de la capa anterior, o la entrada de la neurona

analizada.
Llamando al primer término de (14) como y reemplazando los valores de (13) y

(14) en (9) obtenemos:
( )
Analizando el terminó en (15) se nos presenta dos casos, el primero que ocurre
si la neurona siguiente a analizar esta en la capa de salida y el segundo si la neurona
se encuentra en una capa intermedia [15].
21
Para los dos casos se obtiene que aplicando la regla de la cadena, nuevamente se
obtiene lo siguiente:
( )
Para los dos casos se extrae:
( ) ( )
Que corresponde a la derivada de la función de activación de la neurona analizada j

en la capa k.
El primer término analizando resulta lo siguiente, para el primer caso:
( ) ( )
Donde e corresponde al error en la capa de salida, remplazando (18) y (17) en (16) se

obtiene:
( ) ( )
En el segundo caso analizando el mismo término se analiza:
∑ ( )
Remplazando (19) y (17) en (16) resulta al siguiente ecuación:
( ) ∑ ( )
3.7 INTRODUCCIÓN A FILTROS ADAPTATIVOS
Los métodos convencionales de filtrado en algunas aplicaciones no son las

óptimas para la solución del problema. En algunos casos al implementar soluciones
para este tipo de problema como es la colocación de filtros en cascada con diversas
22
frecuencias de corte, provoca que el sistema se vuelva robusto informáticamente,
provocando problemas en el procesamiento del computador.
En el caso, de que esté implementado dentro de un computador, o sea robusto en

caso de ser realizado por medio de un circuito electrónico-analógico, se vuelve más
complejo dependiendo de la dificultad del filtro para suplir esta necesidad de
solventar el problema [16].
Ante los diversos problemas que generan los sistemas complejos y ruido estocástico
producido por diversos factores que no pueden ser controlados, surgió la necesidad
de la creación de nuevos métodos de filtrados “inteligentes” llamados filtros
adaptativos. Una de las aplicaciones de estos mencionados anteriormente es al
implementarlo en sistemas de comunicaciones inalámbricos.
Los sistemas han avanzado desde el inicio de siglo proponiendo nuevas técnicas de
filtrado por medio de algoritmos y estructuras adaptativas [17].
Las principales innovaciones de estos algoritmos están basadas en técnicas

numéricas e inteligencia artificial los cuales tienen diversas mejoras en el campo de
transmisión inalámbrica de antenas, un ejemplo de estas mejoras está en el modelo
propuesto por Fernández (2013) el cual está basado en redes neuronales, el cual tiene
como principal función, mejorar la calidad de generación del lóbulo principal de
radiación de antenas inalámbricas [17].
3.8 RESEÑA HISTORICA DE LOS FILTROS ADAPTATIVOS
La cancelación de ruido por medio de sistemas activos data del año de 1936
en el trabajo presentado por Paul Lueg el cual pretendía la cancelación de tonos
por medio de la creación de otro con fase opuesta, el cual no pudo ser
implementada debido a la tecnología electrónica del que se disponía en aquella
época [18].
En el año de 1953 Harry Olson con base al sistema propuesto por Lueg se
presentan los sistemas de absorción y cancelador de ruido, al mismo tiempo la
empresa General Electric propuso un sistema basado en el control activo de
ruido, para tratar de minimizar el ruido generado por los trasformadores
23
eléctricos colocando fuentes sonoras, cerca del transformador sin obtener
resultados satisfactorios [18].
Con el avance tecnológico a partir de los años 70 y el avance de los componentes

electrónicos, el tratamiento de las señales pasó a ser de forma analógica a digital,
este proceso facilitó en gran medida la implementación de sistemas de control
activo en combinación de la teoría de filtros adaptativos y los sistemas DSP
(procesadores de señales digitales), los cuales son la base principal de los filtros
adaptativos modernos [18].
3.9 TIPOS DE FILTROS ADAPTATIVOS
Un filtro adaptativo tiene diversas aplicaciones, por ende, tendrán varias

topologías de filtrado, así como diversos algoritmos de convergencia, todos los
sistemas de filtrado adaptativo se basan en la topología básica de filtrado
adaptativo presentado en el fig. 3.6 [19].
Figura 3.6 Topología general de filtros adaptativos

Fuente: Diseño e implementación de un filtro adaptativo para la cancelación de ruido con redes neuronales
utilizando DSP.
De la figura (3.6), x(n) es la señal de entrada del sistema, d(n) es la señal deseada,
y(n) es la salida del filtro, e(n) es la señal de error, la cual es la diferencia entre la
señal deseada y la salida del filtro. El algoritmo de adaptación busca corregir el valor
cuadrático medio de la señal de error para alcanzar convergencia y así la adaptación.
Los filtros adaptativos al no operar solamente en los campos de telecomunicaciones

pueden tener diversas aplicaciones, entre las cuales se cuenta [19]:
 Identificador de sistemas
 Modelado inverso
 Predictor lineal
24
 Cancelador de ruido
3.9.1 IDENTIFICADOR DE SISTEMAS
El identificador de sistemas, es la primera configuración de filtros

adaptativos, es comúnmente utilizado, cuando en sistemas desconocidos se desea
obtener una aproximación a un modelo lineal, la topología de la mencionada
anteriormente es la que se muestra en la figura 3.7.
Figura 3.7 Filtro adaptativo configuración como identificador de sistemas

utilizando DSP.
Donde la señal de entrada x(n), es la señal para el filtro adaptativo, así como para el
sistema desconocido y de la salida del filtro y(n), ésta actualiza los coeficientes del
sistema desconocido de la salida del filtro, de forma que se aproxima a la salida del
sistema desconocido d(n) [19].
3.9.2 MODELO INVERSO
El modelo inverso de las topologías de los filtros adaptativos, lo que intenta

realizar es mediante el filtro proveer el inverso de la función de trasferencia del
sistema, es decir W(z)=1/H(z), con la combinación de la función de transferencia se
tiene que H(z)W(z)=1. Esto se puede representar como un medio ideal de
transmisión, esta técnica es utilizada por lo general para ecualizar e igualar los
canales de transmisión de datos, la topología de este tipo de filtro se lo observa en la
figura 3.8.
25
Figura 3.8 Filtro adaptativo configuración modelo inverso
utilizando DSP.
3.9.3 PREDICTOR LINEAL
“Esta estructura, la señal deseada d(n) es la señal de entrada x(n), el error

es la diferencia entre la señal deseada y la salida del filtro adaptativo y(n). La salida
del filtro adaptativo es la predicción de la señal de entrada al mismo, esto con la
finalidad de poder encontrar la representación paramétrica, por medio del error, de
la señal aplicada al filtro” [19]. La topología del predictor lineal se la presenta en la
figura 3.9.
Figura 3.9 Filtro adaptativo configuración modelo inverso

utilizando DSP.
3.9.4 CANCELADOR DE RUIDO
La configuración de filtro adaptativo como cancelador de ruido realiza lo que su

nombre lo indica, elimina una señal no deseada (ruido) de la señal de interés siendo
una de las topologías más usadas y de mayor interés, debido a su rapidez en la
respuesta, frente a filtros convencionales y su robustez [19], dicha topología se
aprecia en la figura 3.10.
26
Figura 3.10 Filtro adaptativo configuración cancelador de ruido
utilizando DSP.
“En esta configuración la señal deseada d(n) es la señal de interés viciada por un
ruido o por una señal de interferencia. La salida del filtro e(n) es la estimación del
ruido, para lograr que de la diferencia entre d(n) y y(n) resulte en una señal libre de
ruido o de interferencia” [19].
3.10 ALGORITMOS DE FILTRADO ADAPTATIVO
Existe diversos tipos de algoritmos para filtrado adaptativos, estos algoritmos

tienen diversas variaciones y combinaciones para un mejor comportamiento frente a
diversos problemas, el más ocupado de los algoritmos de adaptación, es conocido
como LMS (mínimo cuadrático medio), que tiene baja complejidad computacional y
es simple de utilizar [16].
Otros algoritmos de adaptación utilizados son los RLS (Mínimo Cuadrado

Recursivo), FAP (Proyecciones Afines Rápidas), FEDS (Algoritmo con Dirección
Euclidiana de Búsqueda Rápida) [20], así como, diversas variantes de algoritmos
desarrollados principalmente para el aérea de telecomunicaciones tales como
ACLMS (Aumentado Complejo Mínimo Medio Cuadrado) CDU-LMS
(Clasificación Decimal Universal LMS) y sistemas híbridos entre filtros digitales de
tipo FIR (respuesta finita al impulso) combinado con algoritmos LMS o ACLMS
[21]. Estos métodos dan ventajas y desventajas sobre la velocidad de convergencia,
así como su complejidad computacional y son ocupados de acuerdo a la aplicación
en la que se utilice.
27
CAPÍTULO 4: DISEÑO E IMPLEMENTACIÓN
4.1 METODOLOGIA
El sensor virtual de velocidad de un motor hidráulico del banco didáctico HRE

HIDARULIC ubicado en el Laboratorio de Automatismos de la Universidad
Politécnica Salesiana Sede Cuenca , se lo dividió en 3 etapas secuenciales, con el
propósito de que los datos de entrenamiento de la red neuronal sean sencillos de
obtener, fiables y manipulables, debido a que, los módulos de potencia que
proporciona el fabricante no permite realizar una lectura y escritura de datos de
ingreso cómoda, en el caso de retroalimentación el transductor proporciona datos
ruidosos.
La primera etapa del diseño comprende la identificación del sistema de potencia que
otorga el fabricante HRE HIDRAULIC, el cual permite el funcionamiento de la
válvula proporcional. El propósito de replicar el sistema de potencia es poder obtener
los datos de ingreso (corriente y voltaje) de forma eficaz sin la necesidad de invadir
el sistema otorgado por el fabricante. Obtenido un sistema de potencia fiable, se
procede a realizar la implementación de un filtrado adaptativo para la señal de
retroalimentación del motor hidráulico (Velocidad) con el objetivo de obtener datos
eficaces para el entrenamiento de la red neuronal, el procedimiento realizado en la
etapa 1 del diseño se lo puede observar e la figura 4.1.
28
Corriente (A)
Sistema de Potencia Válvula Proporcional
Voltaje (Pwm %)
Motor Hidráulico
Acople mecánico-eléctrico
Base de datos Transductor
Filtro Adaptativo
Datos de velocidad
Figura 4.1 Primera Etapa del diseño del tema de tesis

Fuente: Elaboración propia.
Obtenida la base de datos del sistema en la primera etapa de diseño de se procederá a

la segunda etapa de diseño; el cual consiste en la realización del algoritmo de
entrenamiento de la red neuronal, la cual replicará el comportamiento de la planta
hidráulica, esta etapa se llevará a cabo por medio de la plataforma Matlab (R) y su
respectiva herramienta de entrenamiento para redes neuronales, la segunda etapa se
puede observar en la figura 4.2.
29
Base de datos
Entrenamiento de red
neuronal
Red neuronal (sensor

virtual)
Figura 4.2 Segunda Etapa del diseño del tema de tesis

Finalmente, al obtener una red neuronal que satisfaga los requerimientos propuestos,
ésta se encuentra sujeta a evaluación en conjunto con el transductor instalado en la
planta, de tal manera, permite validar su funcionamiento y este procedimiento se
considera la tercera etapa del diseño y se puede apreciar en la figura 4.3.
Corriente (A)
Sistema de Potencia Sistema Hidráulico Velocidad del sistema
Voltaje (Pwm %)
Red neuronal (sensor Aproximación Virtual de

virtual) la Velocidad del sistema
Figura 4.3 Tercera Etapa del diseño del tema de tesis

4.2 SISTEMA HIDRAULICO
El sistema hidráulico está conformado por diversos elementos, los cuales son
esenciales para transmitir y direccionar la energía hidráulica hacia el elemento activo
del sistema, estos elementos están configurados como se muestran en la figura 4.4,
estos dispositivos son: bomba, mangueras, conectores, unidad de mantenimiento,
válvula proporcional 4/3, depósito de aceite, motor hidráulico y manómetros.
30
Figura 4.4 Sistema Hidráulico utilizado para el desarrollo del sensor virtual
Fuente: M. Qiankun, W. Xuyong, Y. Fan, T. Jianfeng, and L. Peng, “Electrohydraulic Servo System with Long
Pipeline,” 2016.
4.3 DISEÑO DEL SISTEMA DE POTENCIA
El sistema eléctrico de potencia del sistema está considerado como un sistema de

potencia baja, éste opera con voltaje nominal de 24VDC y un amperaje máximo 0.8
A. El control de la apertura del carrete de la válvula (para dar paso al aceite de la
bomba al motor) se lo realiza por medio de modulación PWM, el cual está
especificado por el fabricante.
Para este propósito se utilizó un Driver para motores DC con modulación PWM de
grado industrial L298 XY-160D, debido al voltaje utilizado por la válvula
proporcional. La modulación de ancho de pulso será entregada por un Arduino
Mega, el cual proporciona una modulación PWM de 60Hz. (Apéndice C y D)
En la figura 4.5 se puede apreciar el diseño esquemático del sistema de potencia

planteado para la apertura de la válvula proporcional.
31
Figura 4.5 Diagrama de conexión del sistema de potencia
4.4 IDENTIFICACIÓN DEL RUIDO DEL SISTEMA
El ruido generado por el sistema hidráulico es variable con respecto a la

velocidad producida por el motor hidráulico, por lo que se caracterizan 3 ruidos
generados por el sistema. El primero se produce a una velocidad baja (entre 10 y 30
rpm), un segundo ruido se genera a una velocidad media (entre 30 y 50 rpm) y el
último reporte se presenta a velocidades superiores a 50 rpm como presentan en las
imágenes 4.6, 4.7 y 4.8.
32
Figura 4.6 Ruido del sistema a velocidades bajas.
Figura 4.7 Ruido del sistema a velocidades medias

33
Figura 4.8 Ruido del sistema a velocidades altas
4.5 DISEÑO DEL SISTEMA DE FILTRADO ADAPTATIVO
El sistema de filtrado adaptativo del ruido generado por la planta hidráulica se

basa en el modelo de cancelador de ruido presentado en la sección 3.9.4 e
implementado por medio del algoritmo de convergencia LMS. Para la topología
escogida de filtrado adaptativo es necesario una señal de referencia la cual será
entregada por un filtro convencional de primer orden pasa bajo con una
frecuencia de corte de 1Hz, se escogió este tipo de filtro convencional ya que su
funcionamiento en estado estacionario cumple con el requerimiento de eliminar
señales no deseadas de la componente continua de la retroalimentación del
sistema hidráulico, lo cual es requerido por el modelo de filtrado adaptativo de
cancelador de ruido. No se utilizó un filtro de mayor orden ya que presentaba una
mayor demora de convergencia. La arquitectura del filtro adaptativo
implementado se la presenta en la figura 4.9.
34
Sistema Hidráulico (motor) Salida del sistema Hidráulico (Velocidad)
Filtro Adaptativo con algoritmo

Filtro convencional Salida de referencia LMS
Salida del filtrado Señal filtrada
Error
Figura 4.9 Arquitectura del filtro adaptativo para el sistema

La implementación del sistema de filtrado adaptativo esta realizada por medio del
software LabView (R), el programa desarrollado se presenta en el Apéndice E.
4.6 PRUEBA DEL SISTEMA DE FILTRADO
La comprobación del filtrado adaptativo se lo realizó de forma visual, se pudo

observar que el algoritmo de filtrado adaptativo convergía de manera más rápida que
el filtro convencional y su funcionamiento en estado estacionario cumple con los
requerimientos que se solicitan para la creación de la base de datos de la red
neuronal. Su funcionamiento se lo puede observar en la figura 4.10 y los resultados
serán discutidos en el capítulo 5.
35
Figura 4.10 Pruebas del sistema de filtrado adaptativo (señal roja) vs filtrado convencional (señal
verde) y retroalimentación del sistema (señal blanca)
4.7 TOMA DE DATOS DEL SISTEMA
En base al sistema de potencia implementado, observado en la Figura 4.4, se realizó

las conexiones para la lectura y adquisición de datos de ingreso (corriente y voltaje)
y salida del sistema (voltaje de retroalimentación-velocidad). Por lo cual se usó la
tarjeta de adquisición DAQ NI-USB 6218. Los datos fueron adquiridos del sistema
de potencia y el transductor acoplado al motor hidráulico. El esquema de conexión se
lo presenta en la figura 4.11 y el programa de recolección de datos en el apéndice G.
Previamente se analizó, a qué tasa de muestreo se recolecta los datos, debido a que
una tasa errónea lleva a datos corruptos. Con el uso de un osciloscopio se pudo
observar que, la frecuencia máxima que puede tomar las señales de interés es de 60
Hz. Conociendo el teorema de muestreo de Nyquist, podemos establecer que a 120
Hz es una frecuencia de muestreo aceptable, por tanto, se establece la frecuencia de
muestreo a 500 Hz.
36
Figura 4.11 Diagrama de conexión para la adquisición de datos
Fuente: Elaborado por los autores
La retroalimentación del sistema es adquirida y guardada después de ser filtrada para

obtener datos precisos sin perturbaciones externas, el voltaje PWM (controlado por
un Slide, resistencia variable, como se puede observar en la figura 4.11) se obtiene
sin ningún tipo de tratamiento. Las fluctuaciones generadas por la corriente debido a
la inductancia presente en la válvula proporcional son filtradas por medio de un filtro
pasa bajo con una frecuencia de corte de 1Hz para su adquisición eliminando de esta
forma fluctuaciones generadas por la componente inductiva de la válvula
proporcional.
4.8 DISEÑO DE LA RED NEURONAL
Para la creación de la NN se usó el Toolbox que proporciona el software Matlab

(R) “Feedforwardnet” el ambiente de trabajo de esta herramienta se lo puede
observar en la figura 4.12.
El tratamiento de la base de datos, así como el entrenamiento de la red se lo puede

observar en el apéndice H, la estructura utilizada para la validación y entrenamiento
se lo puede observar en la figura 4.13.
37
Figura 4.12 Herramienta de entrenamiento de redes neuronales
(Feed Forward Neural Network Matlab (R))
Fuente: MathWorks (R)
Algoritmo de reto
Datos de entrenamiento propagación hacia atrás Red Neuronal Entrenada
(Matlab)
Base de datos
normalizada
Comprobación visual y
Datos de validación Red Neuronal Entrenada performance entregado
por (Matlab)
Figura 4.13 Arquitectura del entrenamiento y comprobación de la red neuronal

Los datos de entrenamiento y validación fueron divididos de la base de datos general

en un porcentaje 80%-20%, los cuales son los valores comúnmente utilizados, la
comprobación se la realiza observando cómo se comporta la red neuronal frente al
sistema hidráulico, además del performance el cual representa el error cuadrático
medio.
4.9 PRUEBA DE LA RED NEURONAL
La comprobación de la red neuronal como sensor virtual se lo realizó de forma

visual, se pudo observar que la señal que se obtiene de la red neuronal tiene un
comportamiento similar a la ofrecida a la retroalimentación del sistema hidráulico.
38
Su funcionamiento se lo puede observar en la figura 4.14 y los resultados serán
discutidos en el capítulo 5, el programa realizado para la implementación del sensor
virtual en el software LabView (R) se lo presenta en el apéndice I.
Figura 4.14 Pruebas de funcionamiento de la red neuronal (señal roja retroalimentación del sistema,
señal azul obtenida del sensor virtual implementado en LabView (R))
Fuente: MathWorks
39
Capítulo 5: Resultados y discusión
5.1 Resultados y discusión
El sistema de filtrado adaptativo presenta una respuesta más rápida comparado

con un sistema tradicional de filtrado de señales como se puede observar en la figura
5.1.
Para el sistema de filtrado tradicional se optó por el uso de un filtro Butterworth de

primer orden, el criterio para optar por este tipo de filtro se detalla a continuación:
El uso de un filtro Butterworth, frente a los diferentes tipos de filtros que se pueden
optar, presenta una respuesta a la frecuencia sin ondulación en la banda de paso y de
corte. Además a diferencia de un filtro tipo Besel que también presenta esta
particularidad, el filtro Butterworth tiene una pendiente más pronunciada en la
transición entre la banda de paso y corte. Por consecuencia una respuesta más rápida
del filtro.
El número de orden utilizado es de primer orden, ya que este presenta una respuesta
eficaz comparada a otras de diferente orden. Se llegó a este resultado por medio de la
evaluación de los siguientes parámetros: Velocidad de respuesta frente a cambios de
la señal a analizar, calidad de depurado de la señal a analizar. Estas pruebas se
pueden apreciar en el apéndice J.
40
Figura 5.1 Comparación del sistema de filtrado convencional vs sistema de filtrado adaptivo
Fuente: Elaboración Propia
En la figura 5.1 se puede apreciar tres tipos de señales, los mismos que se explican a
continuación: “Voltage” (color blanco) es la señal que se encuentra contaminada de
ruido exterior y “Voltage (Filtered)” (color rojo y color verde) son las señales del
filtro adaptativo y filtro Butterworth de primer orden respectivamente.
Se puede apreciar como en la figura 5.1, la señal de color verde responde lento con
respecto a cambios de la señal de color blanca contaminada con ruido. Por otro lado,
la señal roja responde de manera eficaz y rápida.
Como se puede observar el sistema de filtrado adaptativo se comporta de la misma

manera que un filtro convencional en estado permanente, obteniendo un resultado
favorable para la toma de datos que son utilizados para el entrenamiento de la red
neuronal, la cual es utilizada como un sensor virtual del sistema hidráulico, lo cual
garantiza que el sensor virtual se comporta de manera óptima comparado con el
transductor que nos entrega en fabricante.
41
El sistema de toma de datos en conjunto con el sistema de potencia, permitió una
manipulación y toma de datos menos complicada, se implementó un sistema de
filtrado convencional en la toma de datos de la corriente garantizando que los datos
obtenidos sean fiables y confiables para el funcionamiento de la red neuronal. Estos
se pueden apreciar en la figura 5.2.
Figura 5.2 Corriente de entrada filtrada vs corriente sin filtrar

El entrenamiento de la red neuronal presenta un error bajo con una configuración de

una capa oculta con funciones de activación tipo tansig, con 65 neuronas compuestas
en esta capa oculta, la topología de la red neuronal ocupada se puede observar en la
figura 5.3, el performance (error cuadrático medio promedio obtenido) de la red
neuronal después del entrenamiento se puede observar en la figura 5.4 y el resultado
de la validación de la red neuronal en la figura 5.5 (donde representa la comparación
de como responde la red neuronal y el motor hidráulico frente a los mismos patrones
de corriente y tensión que ingresan al sistema). La base de datos más confiable
obtenida se presenta con datos de aumento de velocidad, debido a que, al realizar
toma de datos de aumento y disminución de velocidad, provoca errores en el
entrenamiento de la red neuronal debido al retorno del carrete de la válvula
42
proporcional. Este problema se lo conoce como histéresis de desplazamiento de
carrete, debido a varios factores entre estos, fricción y fuerza de retorno de muelle de
la válvula, esto genera datos erróneos o corruptos que afectan directamente en el
entrenamiento de la red neuronal.
La solución propuesta es un reinicio rápido del sistema de potencia o a su vez la
implementación de un sensor de caudal análogo o digital, se implementó la primera
solución debido a costos y disponibilidad en el mercado de este tipo de sensor.
Figura 5.3 Topología de la red neuronal utilizada para el entrenamiento

Figura 5.4 Performance obtenido de la red neuronal

43
Figura 5.5 Resultado gráfico de la red neuronal, comportamiento de la planta vs la red neuronal
entrenada
Los diversos entrenamientos con diversas topologías de redes neuronales y bases de

datos se los puede observar en el apéndice K.
Para validar la fidelidad con la que el sensor virtual trabaja, se realizan varias
pruebas de funcionamiento, se toma en cuenta los mismos patrones de voltaje y
corriente que ingresan al sistema hidráulico, como también al sensor virtual.
Utilizando la herramienta de Matlab (R) “perf”, se obtiene el error cuadrático medio

final, el cual es un parámetro aceptado en la medición de la fidelidad de un sistema,
el mismo nos dará un marguen para poder evaluar el desempeño que presenta el
sensor virtual frente al sistema hidráulico.
Los datos evaluados fueron obtenidos de 11 bases de datos tomadas de forma

aleatoria en diversos escenarios de funcionamiento del sistema hidráulico con un
total de 30 mil muestras para cada una de las pruebas aproximadamente. En la figura
5.6 se presenta los resultados obtenidos al someter los datos frente al sistema de
censado virtual propuesto.
44
Figura 5.6 Evaluación del desempeño de la NN.
45
5.2 CONCLUSIONES Y RECOMENDACIONES
La respuesta de la implementación de un filtrado adaptativo en topología de

cancelador de ruido con un algoritmo de convergencia LMS, presenta una respuesta
satisfactoria frente a un sistema de filtrado convencional, lo cual significa una carga
computacional baja y una convergencia mucho más rápida. Este sistema no requiere
una calibración dependiendo del ruido generado por la planta hidráulica a diversas
velocidades. La implementación de un filtro adaptativo proporciona a la red neuronal
datos de mejor confiablidad en su proceso de entrenamiento e implementación.
El sistema de potencia en conjunto con los dispositivos y software utilizados para la

obtención de datos (sensores de corriente, DAQ (R), LabView (R)), nos brindan
datos efectivos, generando mayor confiabilidad en el entrenamiento de la red
neuronal y por ende, mejor implementación de ésta.
La red neuronal como sensor virtual, se lo realiza por medio del software Matlab(R),
para su entrenamiento y LabView (R) para su implantación, además, se observa
ventajas claras frente a un transductor clásico de medición de velocidad.
La red neuronal presenta limitaciones, debido al comportamiento mecánico de la

válvula proporcional, estos son problemas de fricción y retorno del carrete interno
del dispositivo.
La red neuronal presenta limitaciones debido al comportamiento mecánico de la
válvula proporcional, como son problemas de fricción y retorno del carrete interno
del dispositivo. Los datos erróneos observados son: obtener valores distintos de
corriente y voltaje de ingreso para una misma salida de velocidad. Esto desemboca
en datos erróneos los cuales causan problemas en el entrenamiento e implementación
de la red neuronal.
Se recomienda la utilización de un filtro pasa bajo con frecuencia de corte baja para
la medición de la corriente de la válvula, ya que oscilaciones en este parámetro puede
generar una base de datos errónea para el entrenamiento e implementación de la red
neuronal.
46
Para futuros trabajos acerca del tema, se recomienda la utilización de un tercer sensor
que permita la medición de caudal (aceite), este debe ser implementado como un
tercer patrón de entrada para el entrenamiento de la red (del motor hidráulico), para
la solución de la limitación del sensor virtual presentado.
REFERENCIAS BIBLIOGRÁFICAS
[1] Erick Narváez, Pablo Sáenz, Daniel Calle, Marco Carpio, Determinación experimental del modelo
matemático de un motor hidráulico e implementación del control de velocidad, Universidad
Politécnica Salesiana Sede Cuenca. (Trabajo no publicado).
[2] reus Solé, . 2011). Neum tica e hidr ulica. arcelona Marcombo, pag. 11-14
[3] Daniel Czekaj, Aplicaciones de la Ingeniería, Maquinaria Hidráulica en Embarcaciones Pesqueras

Pequeñas.
[4] Nicolás Morales Juan Enrique, Análisis y modelado del control de una válvula Direccional
Hidráulica, Instituto Politécnico Nacional de México 2011
[5] Sánchez José Acedo, Control Avanzado de Proceso, s.I Ediciones días de santos, 2003.
[6] Claudio Javier Tablada, German Ariel Torres, Redes neuronales Artificiales. Universidad Nacional
de Córdova, Facultad de Matemática, Astronomía y Física.
[7] Andrés Nacelle ,Redes Neuronales artificiales, Universidad de la republica Uruguay, 2009
[8] González, J. R. H., & Hernando, V. J. M. (1995). Redes neuronales artificiales: fundamentos,
modelos y aplicaciones. Ra‐ ma.
[9] David Ortiz Puerta, Olga L. Quintero Montoya, Una aproximación al filtrado adaptativo para la
cancelación de ruidos en señales de voz monofónicas. Departamento de ciencias Básicas, Universidad
EAFIT, Medellín, Antioquia. Disponible online en:
https://repository.eafit.edu.co/bitstream/handle/10784/4611/28%20UnaAproximacionFiltradoAdaptati
voCancelacionRuidos.pdf?sequence=1
[10] Luis Carlos Torres Soler, El perceptrón, Universidad Nacional de Colombia, Departamento de
Ingeniería de Sistemas e Industrial, 2011.
47
[11] Víctor Tomas T. Mariano, Perceptrón Parte 1, Universidad Autónoma del Estado de Hidalgo
[online] Available at:
https://www.uaeh.edu.mx/docencia/P_Presentaciones/huejutla/sistemas/redes_neuronales/perceptron.p
df
[12] Santiago de la Fuente Fernández, Estimadores, Universidad Autónoma de Madrid, Departamento

de Ciencias Económicas y Empresariales.
[13] Luis Federico Bertna, Entrenamiento de Redes Neuronales Basado en Algoritmos Evolutivos,
Facultad de Ingeniería ,Universidad de Buenos Aires 2005
[14] Soraya Karina Cisneros Leonardo Patricio Medina, Reconocimiento Automático de Cartas de
baraja Ubicados Sobre una Mesa, Universidad Politécnica Salesiana Sede Quito, 2017.
[15] Dr. José Muñoz Pérez, Redes Neuronales Multicapa, Universidad de Málaga España [Online].
Available: http://www.lcc.uma.es/~munozp/documentos/modelos_computacionales/temas/Tema5MC-
05.pdf. [Accessed: 28- Jun- 2017].
[16] David Ortiz Puerta, Olga L. Quintero Montoya , Una aproximación al Filtrado Adaptativo para la
Cancelación de Ruidos en Señales de Voz Monofónicas. Departamento de ciencias Básicas,
Universidad EAFIT, Medellín, Antioquia. Disponible online en:
https://repository.eafit.edu.co/bitstream/handle/10784/4611/28%20UnaAproximacionFiltradoAdaptati
voCancelacionRuidos.pdf?sequence=1
[17] Orozco-Tupacyupanqui, W., Nakano-Miyatake, M., & Pérez-Meana, H. (2016) New Step-Size
Searching Algorithm based on Fuzzy Logic and Neural Networks for LMS Adaptive Beamforming
Systems. The Turkish Journal of Electrical & Computer Engineering.
[18] Miguel Ferrer Contreras, Filtrado adaptativo multicanal para control local de campo sonoro
basado en algoritmos de proyección afín, Universidad Politécnica de Valencia-Departamento de
Comunicaciones, (2008).
[19] Guo Fang Xu, T. Bose and J. Schroeder, "The Euclidean direction search algorithm for adaptive
filtering", ISCAS'99. Proceedings of the 1999 IEEE International Symposium on Circuits and Systems
VLSI (Cat. No.99CH36349).
[20] Orozco-Tupacyupanqui, W., Pérez-Meana, H., & Nakano-Miyatake, M. (2014). En F. Bouche

(Presidente). A new Method for Searching the Optimal Step Size of NLMS Algorithm in Intelligent
Antennas Arrays Based on Fuzzy Logic and Artificial Neural Networks.
48
APÉNDICES
APÉNDICE A: SIMBOLOGÍA DE LAS VÁLVULAS
DIRECCIONALES
Tabla A.1 Válvulas direccionales.
Símbolo Descripción Símbolo Descripción
Válvula 2/2 en posición Válvula 3/3 en posición

normalmente cerrada. neutra normalmente
cerrada.

normalmente abierta. neutra normalmente
cerrada.
Válvula 2/2 de asiento en Válvula 4/3 en posición

posición normalmente cerrada. neutra escape.

normalmente cerrada. central con circulación.
49
Válvula 3/2 en posición Válvula 5/2.
normalmente abierta.
Válvula 4/2. Válvula 5/3 en posición

normalmente cerrada.
Válvula 4/2. Válvula 5/3 en posición

normalmente abierta.

normalmente cerrada. de escape.
50
APÉNDICE B: FUNCIONES DE ACTIVACIÓN DE LA REDES
NEURONALES ARTIFICIALES.
Figura B.1 Funciones de activación de redes neuronales artificiales

Fuente: Redes neuronales artificiales. Universidad de la república Uruguay, Andrés Nacelle Pag 4
51
APÉNDICE C: CARACTERÍSTICAS DE LOS MÓDULOS DEL
SISTEMA DE POTENCIA.
Tabla C.1 Caracteristicas Ardunio Mega.
Microcontrolador: ATmega2560
Voltaje Operativo: 5V
Voltaje de Entrada: 7-12V
Voltaje de Entrada(límites): 6-20V
Pines digitales de Entrada/Salida 54 (de los cuales 15 proveen salida PWM)
Pines análogos de entrada: 16
Corriente DC por cada Pin Entrada/Salida: 40 mA
Corriente DC entregada en el Pin 3.3V: 50 mA
Memoria Flash 256 KB (8KB usados por el bootloader)
SRAM: 8KB
EEPROM 4KB
Clock Speed: 16 MHz
Tabla C.2 Caracteristicas modulo L298 XY-160D,
Voltaje de Entrada: 6.5V-27V
Corriente de salida Máxima de 7A
Rango de frecuencia de trabajo 0-10KHz
Voltaje de Pines de control 3-6.5 V
Rango de temperatura -25C - 80C
Tamaño 55*55*16mm
52
APÉNDICE D: PROGRAMACIÓN DEL MÓDULO ARDUINO.
APÉNDICE E: PROGRAMA DE FILTRADO ADAPTATIVO EN

LABVIEW (R).
Figura E.1 Programa de implementación del filtrado adaptativo en LabView (R).
Fuente: Elaboración propia
53
APÉNDICE F: CARACTERÍSTICAS DE LA TARJETA DE
ADQUISICIÓN DAQ NI-USB 6218 (R).
Tabla F.1 Caracteristicas de tarjeta de aquicicion NI USB-6218 (R)
Descripción Detalles
Canales analógicos de ingreso 32
Resolución ADC 16 bits
Canales analógicos de salida 2
Resolución DAC 16 bits
Voltaje de entrada y salida ±10 V
Canales de entrada y salida digital 8
Generador de frecuencia 10Mhz-100Khz
APÉNDICE G: PROGRAMA DE ADQUISICIÓN DE DATOS DEL

SISTEMA.
Figura G.1 Programa de toma de datos del sistema en LabView (R).

54
APÉNDICE H: PROGRAMA DE ENTRENAMIENTO DE LA RED
NEURONAL.
%Entrenamiento SensorVirtual
clear all
close all
%%
format long
%Extraer los "P" y "t" de la base de datos
x=xlsread('D:\Universidad-Documentos\Tesis\4-SensorVirtual-
BD\ProgramaMatlab\BD\TTBD.xlsx');
z=xlsread('D:\Universidad-Documentos\Tesis\4-SensorVirtual-
BD\ProgramaMatlab\BD\TTBD.xlsx');
P=x(:,1:2);
P=P';
t=x(:,3);
t=t';
B=z(:,1:2);
B=B';
w=z(:,3);
w=w';
%%
%Crear y entrenar la red neuronal
red=feedforwardnet(65,'trainlm');
red.trainParam.epochs=400;
%red.trainParam.goal=1e-3;
red=train(red,P,t);
view(red)
y=red(P);
perf=perform(red,y,t)
test=sim(red,B);
plot(w,'r');
grid on; hold on;
plot(test,'g')
55
APÉNDICE I: PROGRAMA DE IMPLEMENTACIÓN DE LA
RED NEURONAL
Figura I.1 Programa de implementación de red neuronal en LabView (R).

56
APÉNDICE J: PRUEBA DE FUNCIONAMIENTO ÓPTIMO,
PARA EL FILTRADO DE UNA SEÑAL CONTAMINADA
MEDIANTE UN FILTRO BUTTERWORTH BAJO
COMPARACIÓN ENTRE PRIMER ORDEN Y TERCER ORDEN.
Figura J.1 Pruebas de funcionamiento 1.

57

58
APÉNDICE K: PRUEBA DE DIVERSAS REDES NEURONALES
CON BASES DE DATOS DIVERSAS
En la figura K.1 se utiliza una arquitectura una capa oculta, la primera capa oculta
tiene diez neuronas con una función de activación tansig, se obtuvo un performance
equivalente al error cuadrático medio de 0.0234.
Figura K.1 Arquitectura de red neuronal 1

En la figura K.2 se utiliza una arquitectura dos capas ocultas, la primera capa oculta
tiene cinco neuronas y la segunda capa cinco neuronas correspondientemente, las dos
capas ocultas tienen una función de activación tansig, se obtuvo un performance de
0.0199.

En este último caso en la figura K3 con una capa oculta de 100 neuronas provoca la
oculta dificultad del aprendizaje, lo que conlleva la demora del entrenamiento de la
59
red neuronal. El entrenamiento de la red neuronal excedió el número de épocas
establecidas, el performance obtenido para la topología es de 0.0310.

Se realizaron pruebas con diversas topologías, pero se consideró que los resultados
más relevantes se encuentran en las 3 configuraciones mostradas en este apéndice.
60

Ups CT007869

Cargado por

Copyright:

Formatos disponibles

Ups CT007869

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ups CT007869

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD POLITÉCNICA SALESIANA

CARRERA DE INGENIERÍA ELECTRÓNICA

TRABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL

PROYECTO TÉCNICO CON ENFOQUE INVESTIGATIVO:

ADAPTATIVO PARA UN SISTEMA HIDRÁULICO”

SENSOR VIRTUAL MEDIANTE REDES NEURONALES Y FILTRADO ADAPTATIVO

el título de: Ingeniero Electrónico, en la Universidad Politécnica Salesiana, quedando

En aplicación a lo determinado en la Ley de Propiedad Intelectual, en nuestra

Cuenca, 26 de Septiembre del 2018

Erick Esteban Narvaez Benavides Pablo Andres Sáenz Arias

Yo declaro que bajo mi tutoría fue desarrollado el trabajo de titulación:

NEURONALES Y FILTRADO ADAPTATIVO PARA UN SISTEMA HIDRÁULICO”,

Cuenca, 26 de Septiembre del 2018

PhD. Walter Orozco T.

Nosotros, Erick Esteban Narvaez Benavides Cédula; 0106867500 y Pablo Andres

FILTRADO ADAPTATIVO PARA UN SISTEMA HIDRÁULICO”, certificamos que el total del

Cuenca, 26 de Septiembre del 2018

Erick Esteban Narváez Benavides Pablo Andrés Sáenz Arias

Erick Esteban Narvaez Benavides

Agradezco a mi familia por ser un pilar importante y fundamental dentro de mi

Un enorme agradecimiento a mis padres Fausto y Fabiola que apoyaron y dieron

Pablo Andres Sáenz Arias

Erick Esteban Narvaez Benavides

Pablo Andres Sáenz Arias

OBJETIVOS ESPECÍFICO ........................................................................................... XI

CAPÍTULO 1: INTRODUCCIÓN AL TEMA DE TESIS ........................................................... 1

1.2 Alcance .......................................................................................................... 1

1.3 Importancia y justificación ............................................................................ 2

CAPÍTULO 2: SISTEMAS HIDRÁULICOS. ......................................................................... 3

2.2 Elementos hidráulicos ................................................................................... 4

2.2.1 Bombas ................................................................................................... 4

3.2 Reseña historica de las redes neuronales ..................................................... 12

3.3 Neurona Biológica ....................................................................................... 13

3.4 El perceptron ............................................................................................... 14

3.4.2 Frontera de decisión ................................................................................. 16

3.4.3 Algoritmo de entrenamiento del perceptron ............................................ 16

3.5 Redes neuronales Adaline ........................................................................... 17

3.5.1 Estimadores de error ................................................................................ 17

3.5.2 Algoritmo de entrenamiento de la red Adaline ........................................ 18

3.6 Redes neuronales Multicapa ........................................................................ 19

3.6.1 Algoritmo de entrenamiento de una red neuronal multicapa ................... 20

3.7 Introducción a Filtros adaptativos ............................................................... 22

3.8 Reseña historica de los filtros adaptativos................................................... 23

3.9 Tipos de filtros adaptativos ......................................................................... 24

3.9.1 Identificador de sistemas ......................................................................... 25

3.9.2 Modelo inverso ........................................................................................ 25

3.9.3 Predictor lineal ......................................................................................... 26

3.9.4 Cancelador de ruido ................................................................................. 26

3.10 Algoritmos de filtrado adaptativo ............................................................ 27

CAPÍTULO 4: Diseño e Implementación ..................................................................... 28

4.2 Sistema Hidraulico ...................................................................................... 30

4.3 Diseño del sistema de potencia ................................................................... 31

4.4 Identificación del ruido del sistema............................................................. 32

4.5 Diseño del sistema de filtrado adaptativo.................................................... 34

4.6 Prueba del sistema de filtrado ..................................................................... 35

4.7 Toma de datos del sistema........................................................................... 36

4.8 Diseño de la red neuronal ................................................................................. 37

4.9 Prueba de la red neuronal ............................................................................ 38