Ups CT007869
Ups CT007869
Ups CT007869
SEDE CUENCA
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
PARA UN SISTEMA HIDRÁULICO”, mismo que ha sido desarrollado para optar por
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.
CI: 0102523974
DECLARATORIA DE RESPONSABILIDAD
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.
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.
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.
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
III
3.4.1 Modelo matemático de McCulloch-Pitts ................................................. 14
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 J.2 Pruebas de funcionamiento 2. .................................................................. 58
Figura J.3 Pruebas de funcionamiento 3. .................................................................. 58
Figura K.1 Arquitectura de red neuronal 1 .............................................................. 59
Figura K.2 Arquitectura de red neuronal 2 .............................................................. 59
Figura K.3 Arquitectura de red neuronal 3 .............................................................. 60
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.
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.
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).
X
OBJETIVOS
OBJETIVO GENERAL
OBJETIVOS ESPECÍFICO
XI
CAPÍTULO 1: INTRODUCCIÓN AL TEMA DE
TESIS
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
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.
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.
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
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].
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.
2.2.1 BOMBAS
Las bombas son divididas de acuerdo a la capacidad de variación del caudal, y son de
dos tipos:
4
Figura 2.1 Bombas a) De engranajes, b) de paletas
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].
Símbolo Descripción
Válvula de 3 vías 2 posiciones, válvula 3/2.
Símbolo Descripción
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.
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]:
7
Mando por llave, Mando por presión
control manual con válvula
neumática
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
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.
Símbolo Descripción
MOTORES HIDRÁULICOS
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].
9
Tabla 2.5 Símbolos de motores hidráulicos
Símbolo Descripción
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].
10
Conexiones
Símbolo Descripción
Unión de tuberías
Cruce de tuberías
Retorno al tanque
Conexiones
Símbolo Descripción
Manómetro
Termómetro
Filtro
Unidad de mantenimiento.
11
CAPÍTULO 3: REDES NEURONALES Y
FILTROS ADAPTATIVOS.
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.
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.
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].
3.4 EL PERCEPTRON
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:
( ) (∑ ) ( )
[ ] [ ]
( ) (2)
15
3.4.2 FRONTERA DE DECISIÓN
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.
16
El seudocódigo para el entrenamiento de la red es el siguiente:
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].
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
∑ ( )
∑ ( )
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].
∑ ( )
∑ ( )
( )
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].
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.
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].
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.
Siendo el ajuste de los pesos neuronales locales basado en el modelo de redes tipo
adaline (9):
( )
En donde:
∑ ( )
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:
( )
( )
( )
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:
( )
( ) ( )
( ) ( )
( ) ( )
∑ ( )
( ) ∑ ( )
22
frecuencias de corte, provoca que el sistema se vuelva robusto informáticamente,
provocando problemas en el procesamiento del computador.
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].
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].
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.
Identificador de sistemas
Modelado inverso
Predictor lineal
24
Cancelador de ruido
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].
25
Figura 3.8 Filtro adaptativo configuración modelo inverso
Fuente: Diseño e implementación de un filtro adaptativo para la cancelación de ruido con redes neuronales
utilizando DSP.
26
Figura 3.10 Filtro adaptativo configuración cancelador de ruido
Fuente: Diseño e implementación de un filtro adaptativo para la cancelación de ruido con redes neuronales
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].
27
CAPÍTULO 4: DISEÑO E IMPLEMENTACIÓN
4.1 METODOLOGIA
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)
Voltaje (Pwm %)
Motor Hidráulico
Acople mecánico-eléctrico
Filtro Adaptativo
Datos de velocidad
29
Base de datos
Entrenamiento de red
neuronal
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)
Voltaje (Pwm %)
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.
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)
31
Figura 4.5 Diagrama de conexión del sistema de potencia
Fuente: Elaboración propia.
32
Figura 4.6 Ruido del sistema a velocidades bajas.
Fuente: Elaboración propia.
33
Figura 4.8 Ruido del sistema a velocidades altas
Fuente: Elaboración propia.
34
Sistema Hidráulico (motor) Salida del sistema Hidráulico (Velocidad)
Error
La implementación del sistema de filtrado adaptativo esta realizada por medio del
software LabView (R), el programa desarrollado se presenta en el Apéndice E.
35
Figura 4.10 Pruebas del sistema de filtrado adaptativo (señal roja) vs filtrado convencional (señal
verde) y retroalimentación del sistema (señal blanca)
Fuente: Elaboración propia.
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
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)
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 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.
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.
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.
43
Figura 5.5 Resultado gráfico de la red neuronal, comportamiento de la planta vs la red neuronal
entrenada
Fuente: Elaboración Propia
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.
44
Figura 5.6 Evaluación del desempeño de la NN.
Fuente: Elaboración Propia
45
5.2 CONCLUSIONES Y RECOMENDACIONES
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.
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
[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
[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).
48
APÉNDICES
APÉNDICE A: SIMBOLOGÍA DE LAS VÁLVULAS
DIRECCIONALES
49
Válvula 3/2 en posición Válvula 5/2.
normalmente abierta.
50
APÉNDICE B: FUNCIONES DE ACTIVACIÓN DE LA REDES
NEURONALES ARTIFICIALES.
51
APÉNDICE C: CARACTERÍSTICAS DE LOS MÓDULOS DEL
SISTEMA DE POTENCIA.
Microcontrolador: ATmega2560
Voltaje Operativo: 5V
SRAM: 8KB
EEPROM 4KB
Tamaño 55*55*16mm
52
APÉNDICE D: PROGRAMACIÓN DEL MÓDULO ARDUINO.
53
APÉNDICE F: CARACTERÍSTICAS DE LA TARJETA DE
ADQUISICIÓN DAQ NI-USB 6218 (R).
Descripción Detalles
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
56
APÉNDICE J: PRUEBA DE FUNCIONAMIENTO ÓPTIMO,
PARA EL FILTRADO DE UNA SEÑAL CONTAMINADA
57
Figura J.2 Pruebas de funcionamiento 2.
Fuente: Elaboración propia
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.
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.
60