Sistemas de Control Neuroborroso Aplicado al Proceso de Taladrado de Alto Rendimiento
Enviado por Sandra75 • 20 de Noviembre de 2018 • 1.532 Palabras (7 Páginas) • 401 Visitas
...
[pic 3]
Figura 2: Esquema de control por modelo interno.
Este tipo de control ha generado una mayor adaptación porque tiene una gran capacidad para hacer frente a las perturbaciones y su comportamiento robusto. [1]
El filtro GF está en el controlador con el afán de reducir la ganancia de alta frecuencia y mejorar la robustez del sistema. Además, sirve para suavizar los cambios rápidos y bruscos en las señales. [1]
Un esquema de Control por Modelo Interno puede implementarse usando un sistema ANFIS. Es necesario un sistema ANFIS para que aprenda la dinámica del proceso a través de datos entrada-salida obteniendo el modelo directo. Además, otro sistema ANFIS que es entrenado para aprender de manera inversa el proceso y funcionar como controlador lineal obteniendo el modelo inverso. [1]
Las variables considerado son la velocidad de avance como entrada y la fuerza de corte media como salida, los datos utilizados fueron obtenidos de manera experimental. Para un mejor ajuste del modelo se introduce un conjunto de 133 datos de entrenamiento al sistema Neuroborroso. Luego, se ajusta el modelo creado anteriormente, introduciendo un conjunto de 128 datos de prueba distintos al primero en el sistema Neuroborroso. [1]
El resultado óptimo para los modelos directos e inversos se obtiene con dos funciones de pertenencia en la fase de emborrado, las cuales son de tipo Gauss, y con reglas de primer orden.
Los parámetros de entrenamiento realizado por la red fueron de 100 iteraciones del algoritmo, modo de entrenamiento híbrido y tamaño del paso de 0.01. El software Matlab representa una herramienta de gran ayuda mediante el que se obtiene los modelos. El tiempo de entrenamiento de los modelos fue de 0.14 segundos. Este tiempo depende de la computadora donde se realice el modelamiento. El entrenamiento realizado fue de tipo off–line. [1]
[pic 4]
Figura 3: Funciones de pertenecia modelo directo ANFIS.
Funciones Takagi-Sugeno de salida:
Fuerza Media (baja)= -62.3f + 6786 N
Fuerza Media (alta)= -322.9f + 3.2*10-4 N
Regla 1: Si Velocidad de Avance es “baja”, entonces
Fuerza Media es “baja”
Regla 2: Si Velocidad de Avance es “alta”, entonces
Fuerza Media es “alta
[pic 5]
Figura 4: Funciones de pertenencia modelo inverso ANFIS.
Funciones Takagi-Sugeno de salida:
Fuerza Media (baja)= -0.005F + 99.2 mm/min
Fuerza Media (alta)= -0.02F+ 113.9 mm/min
Regla 1: Si Fuerza Media es “baja”, entonces
Velocidad de Avance es “baja”
Regla 2: Si Fuerza Media es “alta”, entonces
Velocidad de Avance es “alta
- Simulación
Creados los modelos Neuroborrosos directo e inverso se simula el comportamiento del sistema.
[pic 6]
Figura 5: Respuesta del sistema ante escalón.
[pic 7]
Figura 6: Acción de control.
- Conclusiones
Las técnicas de inteligencia artificial es el proceso de taladrado de alto rendimiento trata de aprovechar la experiencia de operadores para incorporarlas en los sistemas de control reduciendo la complejidad del sistema.
Los sistemas de control Neuroborrosos permiten combinar las ventajas de las Redes Neuronales y la Lógica Borrosa
El control aplicado en el trabajo es muy eficiente, ya que se puede obtener los modelos Neuroborrosos a partir de datos experimentales de entrada y salida y no requiere de un modelo matemático exacto del proceso para el diseño del sistema de control.
El controlador Neuroborroso nos permite asegurar la estabilidad del sistema para la selección de las reglas del conjunto borroso.
La simulación en el trabajo presenta una gran optimización del proceso, brindando gran estabilidad en tiempos acordes a la exigencia de los estándares de producción.
- Referencias
[1]
A. Gajate y R. Haber, «Control Neuroborroso en Red. Aplicación al Proceso de Taladrado de Alto,» Revista Iberoamericana de Automática e Informática Industrial, vol. VI, nº 1, pp. 31-38, 2009J.
[2]
J. Fraile, «Diseño de un estabilizador de sistemas de potencia neuro-borroso adaptativo ajustado mediante algoritos genéticos.,» Universidad Politécnica de Madrid, vol. I, nº 2, 2003.
[3]
M. Strefezza, «Diseño de un Controlador Neuro-Borroso coon un algoritmo de aprendizaje Acelerado.,» SBAI, vol. II, pp. 20-25, 1999.
---------------------------------------------------------------
...