Embed Size (px)
Citation preview
INSTITUTO POLITÉCNICO NACIONAL.
ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA
UNIDAD PROFESIONAL ADOLFO LÓPEZ MATEOS.
“SISTEMA DE CONTROL DE POSICION DE UN
MOTOR A PASOS, APLICADO A UN ELEVADOR UTILIZANDO REDES NEURONALES ARTIFICALES.”
QUE PARA OBTENER EL TÍTULO DE:
INGENIERO EN COMUNICACIONES Y ELECTRÓNICA.
CON ESPECIALIDAD EN CONTROL
P R E S E N T A:
EDGAR GERARDO GARRIDO MACÍAS
FERNANDO MEJÍA BECERRIL
HUGO ENRIQUE MORENO ALARCÓN
ASESORES:
DR. CARLOS MARIACA GASPAR
ING. CARLOS BARROETA ZAMUDIO
M. EN C. JUAN FRANCISCO NOVOA COLÍN.
Página 2
AGRADECIMIENTOS.
EDGAR
A: Mis abuelos, German, Estela, Jorge y Concepción; por quererme y apoyarme siempre.
Mis hermanas, Kelly y Daniela; por enseñarme cuan diferentes podemos ser y aun así el cariño y la
hermandad siempre estarán primero.
Mis tíos, Jesús, Luis, Jorge, Mauricio, Miguel, Vicky, Fabiola, Sonia, Patricia, Julia, Pedro, Marcelino
(QEPD), Felipe y Chabela; por ser también amigos y ejemplos a seguir.
Mis primos, Oscar, Susana, Jorge, Victor, Lorena, Liliana, Pedro, Marisol, Gustavo, Bryan, David,
Jael, Carolina, Pamela, Elizabeth, Rocío, Luis, Mateo, Laura, Sergio, y a los pequeños, Marco,
Fabiola, Hannia, Richard, Daniel y Alexis; por ser cómplices, los primeros amigos y los de toda la
vida.
Mis amigos, Hugo, Fernando, Marcos, Daniel, Raúl, Luis Alberto, Gustavo, Edder, Claudia, Rogelio,
Abigail, Víctor, Kenia y Viridiana; por compartir momentos buenos y malos, por hacer este viaje
más ameno y por dejar huella en mi vida.
El Internado Sección A; por brindarme un hogar, una guía, y la oportunidad de vivir experiencias
inolvidables con gente de primera.
FERNANDO
A mis padres, Aurelio y Luisa, a mis hermanos Belén y Omar quienes siempre estuvieron ahí desde
el principio de mi vida y que siempre me han apoyado en todo lo que se puede imaginar.
A mi esposa Victoria quien siempre ha estado ahí para apoyarme y aconsejarme y a mi hija Ximena
quien es el motor de mi vida.
Y a todos mis familiares y amigos que directa e indirectamente participaron en este sueño que hoy
se ha hecho realidad.
HUGO
A: Mi familia, gracias por la oportunidad que con su esfuerzo diario me han brindado, su cariño ha
sido siempre mi motor.
Mis amigos y maestros, al Instituto Politécnico Nacional, por la formación, el apoyo, y las gratas e
inolvidables experiencias.
GRACIAS
Página 3
DEDICATORIAS.
EDGAR
A mis padres, Neri y Roxana, que de una u otra forma siempre han sabido brindar su apoyo y su
buen consejo.
A todos los que directa e indirectamente ayudaron a la realización de este proyecto.
A la vida.
"La gratitud, como ciertas flores, no se da en la altura y mejor reverdece en la tierra buena de los
humildes."
– José Martí
FERNANDO
La presente tesis se la dedico a todas aquellas personas que desde un principio de mis estudios
creyeron en mí como lo fue toda mi familia y los buenos amigos.
A mi esposa y a mi hija.
HUGO
A mis padres María Enriqueta y Sergio, a mis hermanos Lisette y Sergio, al pequeño Omar y a mi
primo Eduardo. Por el incondicional apoyo a lo largo de mi vida.
Página 4
INDICE TEMATICO
CONTENIDO AGRADECIMIENTOS. ..................................................................................................................... 2
DEDICATORIAS. .............................................................................................................................. 3
INDICE TEMATICO ......................................................................................................................... 4
INTRODUCCIÓN ................................................................................................................................... 6
Breve reseña sobre redes neuronales artificiales. .............................................................. 8
Objetivo general: ................................................................................................................... 10
Objetivos particulares: ........................................................................................................... 10
Justificación........................................................................................................................... 11
CAPÍTULO 1. PLANTEAMIENTO DEL PROBLEMA. .............................................................................. 11
CAPITULO 2. MARCO TÉORICO.......................................................................................................... 15
2.1 El ascensor ..................................................................................................................... 16
2.1.1 Definición de ascensor ................................................................................................ 16
2.1.2 Historia de los elevadores ........................................................................................... 16
2.2 Redes neuronales ........................................................................................................... 23
2.2.1 Fundamentos y Panorama Histórico de las Redes Neuronales Artificiales...................... 23
. .................................................................................................................................................. 23
2.2.2 El modelo biológico de la Neurona .................................................................................. 24
. .................................................................................................................................................. 24
2.2.3 Definición de una Red Neuronal Artificial. ....................................................................... 25
2.2.4 Elementos de una Red Neuronal Artificial. ...................................................................... 26
2.2.5 Estructura de una Red Neuronal Artificial. ............................................................... 31
2.2.6 Características de las Redes Neuronales. ............................................................... 32
2.2.7 Ventajas de las Redes Neuronales. .......................................................................... 36
2.2.8 Tipos de Redes Neuronales. ...................................................................................... 37
2.2.9 Aplicaciones. ................................................................................................................. 38
2.3 Introducción a la identificación de sistemas ..................................................................... 40
2.4 Motores de pasos. ........................................................................................................... 42
2.4.1 Introducción a los Motores de Pasos. ....................................................................... 42
2.4.2 Motores de pasos de reluctancia variable. ...................................................................... 43
Página 5
2.4.3 Motores de pasos de imanes permanentes. ............................................................ 46
2.4.4 Motores de pasos híbridos. ......................................................................................... 47
2.4.5 Característica par- velocidad ...................................................................................... 48
2.4.6 Inestabilidad y resonancia. .......................................................................................... 49
2.4.7 Motores de pasos y controles lineales. ..................................................................... 49
2.5 Encoders ......................................................................................................................... 50
2.5.1 Encoders Ópticos ......................................................................................................... 51
2.6 Tarjeta de adquisición de datos ni usb 6008 .................................................................... 55
2.6.1 Introducción a la NI USB 6008 ................................................................................... 55
2.6.2 Especificaciones. .......................................................................................................... 55
CAPITULO 3 DESARROLLO. ................................................................................................................ 58
3.1 Descripción general. ........................................................................................................ 58
3.2 Descripción del control inteligente del sistema. .......................................................... 58
3.3 Prototipo físico................................................................................................................. 59
La maqueta propuesta del edificio consta de las siguientes características, un metro de
largo sobre el eje y, cuarenta en el eje x, y cuarenta en el eje z ............................................ 59
3.3 Identificación de terminales del motor a pasos. ............................................................... 63
3.4 Driver .............................................................................................................................. 64
3.5 Conexión y lectura del encoder ....................................................................................... 66
3.6 Detección del sentido de giro. ......................................................................................... 67
3.7 Linealización de la función de activación. ........................................................................ 67
Para poder utilizar la tarjeta fue necesaria su configuración que se describe a
continuación. ........................................................................................................................... 68
3.8 Construcción de las RNRE. ............................................................................................. 69
3.9 Construcción de la planta ................................................................................................ 71
CAPITULO 4. PRUEBAS Y RESULTADOS. ............................................................................................ 72
4.1 Conexión del motor de pasos .......................................................................................... 72
4.2 Obtención y linealizacion de la referencia (Posición). ...................................................... 73
4.3 Diseño del Control Inteligente .......................................................................................... 74
Conclusiones ......................................................................................................................... 83
Recomendaciones trabajo futuro.y bibliografia ..................................................................... 84
GLOSARIO .......................................................................................................................................... 85
Página 6
INTRODUCCIÓN Un ascensor o elevador es un aparato con instalación fija que sirve pisos bien
definidos y se mueve sobre guías rígidas, para el transporte de personas y
mercancías. Es considerado el segundo medio de transporte más utilizado después
del automóvil. Genéricamente se puede decir que las partes de un elevador son la
cabina, parte destinada al trasporte de los pasajeros, el cuadro de comando, donde
están concentrados los componentes eléctricos y electrónicos que gobiernan el
movimiento del ascensor, y el motor, que puede variar en función del tipo de
ascensor, sea eléctrico o hidráulico. En el primero, la cabina viene movida por un
motor eléctrico y un sistema de cables de acero. En el otro extremo hay un contrapeso
que equilibra el peso de la cabina más el de un promedio de pasajeros. Es muy
utilizado en elevadores de alta velocidad -superior a 0.8 m/s-, elevadores con alta
exigencia de confort -hospitales, hoteles- o elevadores para más de 6 pisos.
Los ascensores hidráulicos convencionales se montan directamente sobre un émbolo
o pistón que se mueve dentro de un cilindro enterrado, cuya profundidad debe ser
igual a la del recorrido del ascensor. Este sistema, relativamente sencillo, requiere una
bomba eléctrica que introduzca aceite a presión en el cilindro para así levantar la
cabina. La bajada se consigue mediante un dispositivo de válvulas, reguladas
eléctricamente, que hace que el líquido salga del cilindro de forma controlada
permitiendo el descenso del émbolo. Se utilizan en elevadores de baja velocidad -de
0.3 a 0.6 m/s- y para recorridos de poca altura, menos de 6 pisos, dada una serie de
ventajas derivadas de su principio de funcionamiento: utilizan la presión de fluidos
viscosos sobre pistones para elevar la cabina, en sustitución de cables y contrapesos.
Gracias a esto se pueden instalar en edificios de antigua construcción que no
dispongan de espacio o estructura resistente para albergar un cuarto de máquinas;
éste puede situarse alejado del aparato, hasta una distancia máxima de 15 metros,
desde donde se canaliza el líquido impulsor. En ascensores hidráulicos se utiliza la
válvula de bloqueo que detecta el flujo de aceite; en caso de aumento de flujo -
aumento de velocidad en bajada- la válvula cierra el paso de aceite.
Hoy en día se ha generalizado el ascensor eléctrico sin cuarto de máquinas o MRL
(Machine RoomLess). Las ventajas desde el punto de vista arquitectónico son claras;
el volumen ocupado por la sala de máquinas de una obra tradicional desaparece y
puede ser aprovechado para otros fines. En este tipo de ascensores se utilizan
motores de imanes permanentes. En la actualidad todos los ascensores utilizan de un
modo u otro la energía eléctrica como fuente de alimentación de sus motores y para el
reglaje de sus paradas, así como sistemas electrónicos que regulan las maniobras a
realizar. No obstante podemos encontrar tres variantes fundamentales en lo que a
sistemas mecánicos de elevación se refiere, aplicados en función de las necesidades
de uso o de las características de los edificios en que se instalan.
Página 7
En los aparatos con engranajes, el sistema consiste en un motor eléctrico que acciona
un engranaje reductor de tornillo sin fin y rueda dentada que a su vez pone en
movimiento la polea. De esta manera se consigue que ésta gire a una velocidad
relativamente baja pero con gran capacidad de carga, lo que permite utilizar motores
de reducida potencia para elevar grandes pesos. La velocidad de la cabina es de
entre 0,1 y 1,75 m/s, pero admite cargas importantes de más de 15 toneladas. Se
usan en montacargas industriales para la elevación de vehículos y también en
ascensores de pasajeros. Aquellos sin engranajes requieren motores de gran potencia
y baja velocidad –entre 50 y 200 revoluciones por minuto- que se conectan
directamente al eje de la polea, siendo ésta ranurada y de gran diámetro –entre 75 y
120 centímetros-. Este tipo de 9mecanismo permite que la cabina alcance velocidades
elevadas –entre 2 y 10 metros por segundo- lo que hace que sean adecuadas para el
transporte de pasajeros en edificios altos con demandas importantes de tráfico.
En los ascensores actuales, en ningún caso el cable tractor se enrolla a un eje, como
ocurría en los primitivos aparatos. La tracción se realiza por adherencia con la polea o
juego de poleas que acciona la máquina, pudiendo situarse ésta en la parte superior
del edificio o en la parte inferior por necesidades particulares de espacio o
estructurales que impidan situarla arriba.
Hasta la construcción del BurjKhalifa en los Emiratos Arabes Unidos que superó los
828 metros de altura, el Taipei 101 era el edificio más grande del mundo, con 508
metros y 101 plantas. Este edificio, entre otras maravillas técnicas, aún cuenta con los
ascensores más rápidos del mundo, fabricados por Toshiba Elevators y capaces de
alcanzar velocidades de 1.010 m/min., subiendo desde la planta B1 a la 89 en tan sólo
39 segundos. Para llevar a cabo esta tarea, los ascensores cuentan con un cuerpo
aerodinámico de alta tecnología además de un sistema de frenado triple, que lucha en
contra de las grandes velocidades que logran estos ascensores. Llevarán incorporado
un sistema de control de presurización que taponará las orejas de los viajeros, y serán
aerodinámicos para reducir los silbidos provocados al subir por los estrechos huecos
habilitados para ello.
Anteriormente, el edificio LandMarkt Tower en Yokohama, que es el edificio más alto
de Japón con 69 plantas, poseía el ascensor más rápido del mundo, hasta que Taipei
le ha quitado el record este año. La velocidad del ascensor de la torre es de 45 Km/h.
Los dos ascensores más rápidos del mundo han sido fabricados por la compañía
Toshiba. El desaparecido WorldTrade Center de Nueva York, con sus dos torres de
110 pisos, tenía 244 ascensores o elevadores con capacidades de hasta 4.536 kg y
velocidades de hasta 488 m/min. El edificio Sears-Roebuck en Chicago, de 110 pisos,
tiene 109 ascensores con velocidades de hasta 549 m/min.
Los ascensores de alta velocidad serán básicos en los rascacielos de nueva
generación. Estas colosales construcciones dejan desfasados a los tradicionales
ascensores “colgantes”: los cables 9metálicos clásicos no podrían levantar los
Página 8
cubículos hasta tal altura y acabarían rompiéndose. Los ascensores magnéticos
pueden ser la solución. Además, la instalación de estos ascensores permite el ahorro
de hasta el 30% del espacio generalmente necesitado en un sistema de elevación
clásico: su complicado entramado de cables y las sonoras salas de máquinas
desaparecen por innecesarias.
Pero los avances no terminan ahí. La Escuela Técnica Superior de Aachen, en
Alemania, ha desarrollado un ascensor que se mueve sin ningún tipo de cables:
trabaja en un modelo piloto que puede elevarse sólo mediante un sistema de campos
magnéticos. El funcionamiento de este ascensor es muy similar al de los trenes
magnéticos Transrapid, con la gran diferencia de que el primero está diseñado para
que se mueva de forma vertical y el segundo lo hace exclusivamente de manera
horizontal. El ascensor está sujeto permanentemente por grandes imanes y el espacio
por el que éste se mueve está recorrido por bobinas eléctricas. En caso de fallar la
corriente eléctrica, el ascensor quedará anclado por una serie de garras que se
cierran automáticamente para evitar la caída libre. Ésta se perfila como la solución
para los futuros súper rascacielos, de más de 500 metros de altura. Los
investigadores alemanes que trabajan en el ascensor magnético tienen la vista puesta
precisamente en el mercado oriental, pues este ascensor se adapta a la perfección a
los altos edificios que se están proyectando en Asia o que ya están 9siendo
construidos allí.
Sin duda, un invento clave que en el futuro nos ayudará a alcanzar nuevas alturas.
Breve reseña sobre redes neuronales artificiales.
Existe actualmente una gran tendencia a establecer un nuevo campo de
la computación que integraría los diferentes métodos de resolución de problemas que
no pueden ser descritos fácilmente mediante un enfoque algorítmico tradicional. Estos
métodos tienen su origen en la emulación de sistemas biológicos. Se trata de una
nueva forma de computación que es capaz de manejar las imprecisiones e
incertidumbres de problemas relacionados con el mundo real (reconocimiento de
formas, toma de decisiones, etc.). Para ello se dispone de un conjunto de
metodologías como la Lógica Difusa (Borrosa), el Razonamiento Aproximado, y
las Redes Neuronales, tema central de este documento.
Con las Redes Neuronales se busca la solución de problemas complejos, no como
una secuencia de pasos, sino como la evolución de unos sistemas de computación
inspirados en el cerebro humano, y dotados por tanto de cierta "inteligencia", los
cuales no son sino la combinación de elementos simples de proceso interconectados,
que operando de forma paralela en varios estilos que serán analizados
detalladamente, consiguen resolver problemas relacionados con el reconocimiento de
Página 9
formas o patrones, predicción, codificación, control y optimización entre otras
aplicaciones.
ESTRUCTURACIÓN DE LA TESIS:
Introducción.
Capítulo 1. Planteamiento del problema. En este capítulo se trazan los
problemas que se analizaron para la realización de esta tesis.
Capítulo 2 Marco Teórico: Se hace énfasis de los elementos que intervienen
en el proyecto, es decir, se da a conocer teóricamente elementos como los
motores a pasos, del mismo modo se da la información necesaria acerca de
las redes neuronales para que se pueda entender el desarrollo del proyecto.
Capítulo 3 Desarrollo: Aquí se expone todo el desarrollo del proyecto; desde
como inició con la construcción del el edificio, siguiendo con todos los pasos
que se deben seguir en el proceso, culminando hasta la simulación en
MATLAB del sistema de control propuesto.
Capítulo 4 Pruebas y Resultados: En este capítulo se muestran las
simulaciones y mediciones que se hicieron en el proyecto., ya no como una
propuesta si no como una realidad.
Página 10
Objetivo general:
Controlar la posición de un elevador mediante redes neuronales artificiales, que sirva
como herramienta para la formación y el estudio de sistemas de control no
convencionales en la comunidad académica, y así, a futuro, desarrollar un elevador
que mejore el desempeño con respecto a los que usan un sistema de control
tradicional.
Objetivos particulares:
Construir el prototipo de un elevador unidimensional de 6 posiciones a
controlar.
Medir la posición del elevador mediante un enconder.
Diseño de la planta mediante un modelo matemático.
Diseño y simulación en MATLAB del algoritmo de control inteligente basado en
redes neuronales recurrentes entrañables.
Implementación del algoritmo propuesto utilizando una PC.
Página 11
Justificación
Dada la responsabilidad social del ingeniero y del Instituto Politécnico Nacional para
con el impulso de tecnología, tanto estudiantes como docentes están obligados a
poner en práctica los conocimientos de ingeniería adquiridos en la carrera para el
desarrollo de proyectos que mejoren la vida del hombre. Lo que nos motivó a realizar
este proyecto es la intención de que la institución desarrolle tecnología de punta y así
poner “la técnica al servicio de la patria.”
Con ayuda de estos conocimientos podemos dar solución a una necesidad de las
ciudades cosmopolitas densamente pobladas, el transporte vertical en edificios de
altura considerable, donde encontramos que existe una problemática en el servicio de
elevadores controlados convencionalmente, el sistema de control puede llegar a
colapsar si un número excesivo de llamadas al ascensor se realizan en el mismo
instante.
Es por eso que se propone un elevador controlado por redes neuronales, que se
quedará como material de apoyo en la escuela para confirmar los conceptos de
control inteligente, y con el paso del tiempo la academia de control, entre el esfuerzo
de estudiantes y profesores, puedan ofrecer una solución viable a esta necesidad
satisfaciendo la demanda por un servicio de mejor
CAPÍTULO 1. PLANTEAMIENTO DEL PROBLEMA.
Página 12
El Instituto Politécnico Nacional, al ser una de las instituciones más importantes
del país y una de las más renombradas en cuanto a ingeniería en el continente,
recientemente nombrada entre las mejores veinticinco universidades de América
Latina, debe tener por convicción el desarrollo de tecnología de vanguardia, sin
embargo en la escuela y en particular en la academia de control, actualmente no se
cuenta con las bases y herramientas para entender mejor muchos de los conceptos
importantes que nos ayuden al desarrollo de dicha tecnología, tal es el caso de la
inteligencia artificial, en particular de las redes neuronales artificiales.
Para el desarrollo de ciencias aplicadas que cumplan con las necesidades de
la sociedad moderna, es necesario que la comunidad académica pueda contar con
material que nos permita entender mejor las teorías de control inteligente y aplicarlas
en el desarrollo de proyectos innovadores.
En la academia se cuenta con diversos programas para la simulación del
control de un elevador de modo tradicional, tal es el caso de los programas de PLC,
pero si quisiéramos aplicar simulación e implementación de redes neuronales
artificiales en un ejemplo práctico, se cuenta únicamente con Matlab como
herramienta. El proyecto que dejaremos en manos de la academia brindará de
material práctico y teórico para el desarrollo de elevadores con inteligencia artificial.
Figura 1.1.Step 7 Micro/Win 32, programa para PLC´s Siemens
Consideramos que dentro de los proyectos innovadores que puede desarrollar el
Instituto entra mejorar el transporte en los edificios que se están desarrollando en la
actualidad.
Página 13
Debido al precio del terreno y a la densidad de población en las grandes ciudades, el
uso de construcciones verticales ha ido aumentando drásticamente. Un ejemplo de
este tipo de edificaciones es la torre del edificio “Taipei 101”, ésta con sus 101 pisos
puede llegar a albergar oficinas para 12.000 personas, permitiendo así un mejor apro-
vechamiento del terreno y dándole un respiro a los problemas de sobrepoblación en
ciudades como Taiwán o la Ciudad de México.
Pero esta expansión vertical genera la siguiente pregunta ¿Cómo transportar eficaz-mente un número tan elevado de usuarios? El trasporte de estos tiende a complicarse debido a la gran demanda del sistema y a la considerable distancia que deben recorrer los ascensores para atender las llamadas de los usuarios.
Si se trasladara un sistema de asesores convencional (como el usado en oficinas o en viviendas) a un escenario como el de la torre “Taipei 101” se encontraría que es inefi-ciente para atender las llamadas de este número elevado de usuarios, además de esto, llévese este escenario a una hora en la que todos los usuarios se dirijan en su mayoría a un mismo destino, como por ejemplo la las tres de la tarde (hora de la comida), a esta hora la mayoría de las llamadas se dirigen hacia la planta baja y existen llamadas desde casi cada piso del edificio, en estas condiciones muy probablemente el sistema colapsaría haciendo muy elevados los tiempos de espera de los usuarios, dando como resultado que la mayoría de las llamadas se pierdan por abandono del usuario.
Figura 1.2. Torre Taipei 101 en Taiwán con 101 pisos.
Por este motivo se hace necesario buscar métodos alternativos para el control de
tráfico en edificaciones de una altura considerable, el control de tráfico establece el
procedimiento por el cual una llamada de servicio realizada por algún usuario, sea
Página 14
asignada a determinado ascensor que será el encargado de recoger a dicho pasajero
y llevarlo al piso que se dirige. Pero este servicio debe ser prestado de una forma
eficiente, tres criterios que se deben tomar en cuenta en las futuras mejoras de este
trabajo de investigación para garantizar la eficiencia, son:
-Tiempo de espera: Es el tiempo que el pasajero debe esperar desde que hace la llamada hasta que el ascensor lo recoge, situación que se puede generar debido a las otras llamadas que son atendidas y los pasajeros ya no se encuentran esperando mas por el elevador o por la errónea selección del piso que debería atenderse. Aunado a esto y ya desde la perspectiva de control en tiempo real, considerando que la señal de control cumple con el requerimiento del tiempo para considerarse como tal, hay que considerar el funcionamiento de los sensores y actuadores para evitar un tiempo de espera mayor. También sería posible implementar algo parecido a un motor dinámico donde en los períodos de mayor congestión, fuera posible modificar automáticamente los parámetros de aceleración y desaceleración del motor del ascensor, según las condiciones de carga y tráfico.
Durante estos períodos se incrementarían los valores de aceleración y desaceleración, para lograr así viajes más rápidos, disminuyendo consecuentemente los tiempos de espera.
Fuera de las horas pico, el sistema automáticamente corregiría estos parámetros a las condiciones normales.
-Tiempo de viaje: Es el tiempo que gasta el pasajero hasta llegar a su piso de destino, del mismo modo que el tiempo de espera se ve afectado por decisiones erróneas o innecesarias, además de que si se obtiene una mejor respuesta al sistema, la velocidad será mayor y el amortiguamiento menor, otra forma de aumentar el tiempo de viaje. Esto se puede mejorar mediante las redes neuronales con el aprendizaje de la red al ajustarse los pesos sinápticos, de este modo es posible un pronóstico de tráfico con simulaciones en tiempo real. A raíz de que el sistema analiza los destinos de todos los pasajeros y los reparte de la manera más eficiente, se reducen los tiempos de viaje y se descongestiona rápidamente el piso principal mejorando notablemente la eficiencia del tráfico, especialmente en las horas pico.
Adicionalmente, como el piso destino del pasajero se podría registrar automáticamente, no habría necesidad de presionar el botón nuevamente al abordar el ascensor, que es otro motivo que retrasa el tiempo de viaje.
-Energía consumida por el sistema: Es la cantidad de energía medida en pisos recorridos por el ascensor del sistema durante un determinado tiempo. Este es uno de los criterios que más se necesita mejorar ya que los países desarrollados que son los que implementan tecnología y edificaciones de gran altura tienen la obligación de bajar la emisión de gases contaminantes y cuidar el medio ambiente, reduciendo el consumo de energía innecesaria. El cambio climático es un fenómeno que se manifiesta por un aumento de la temperatura promedio del planeta, este aumento de la temperatura tiene consecuencias en la intensidad de los fenómenos del clima en todo el mundo, por lo que el compromiso con el ahorro de la energía compete a todos
Página 15
los seres humanos, incluyendo a quienes buscan desarrollar nuevas tendencias en la tecnología.
Estos tres criterios se convertirán a futuro en los objetivos del sistema y se intentaran
minimizar con la ayuda de las redes neuronales, como herramienta de la inteligencia
artificial.
Se desarrolló un prototipo de 6 pisos que simula un edificio al que se le brindara
servicio de transporte vertical mediante un elevador, se requiere un control para dicho
prototipo que mejore el desempeño comparado con un control tradicional como el
control mediante PLC´s. El controlador que se busca, debe solventar las necesidades
antes mencionados como pronosticar el tráfico que tendrá el ascensor unos minutos
más tarde, 0esto sería posible mediante la identificación de la planta y de acuerdo a
al trafico previsto con una interfaz correcta para una PC de alta velocidad se puedan
correr simulaciones en tiempo real y así seleccionar la configuración óptima, de esta
forma el controlador del ascensor responda utilizando las reglas ideales.
CAPITULO 2. MARCO TÉORICO
Página 16
2.1 El ascensor
2.1.1 Definición de ascensor
Un ascensor o elevador es un sistema de transporte vertical diseñado para movilizar
personas o bienes entre diferentes niveles. Puede ser utilizado ya sea para ascender
o descender en un edificio o una construcción subterránea. Se conforma con partes
mecánicas, eléctricas y electrónicas que funcionan conjuntamente para lograr un
medio seguro de movilidad.
2.1.2 Historia de los elevadores
Antigüedad.
La historia del transporte vertical comienza con los primeros dispositivos de
elevación. Estos fueron las palancas, los rodillos, las poleas y los planos inclinados.
Dichos dispositivos fueron utilizados en muchas construcciones en la antigüedad, tal
es el caso de la pirámide de Keops (siglo XII a. C.) de 147 metros de altura. Su
construcción tardo cerca de 20 años y estuvieron ocupadas permanentemente cerca
de 100,000 personas.
Para el año 2820 a. C. en china se desarrolla un nuevo dispositivo, fibras resistentes a
partir de la planta del cáñamo. Los artesanos orientales trenzan con este material las
primeras cuerdas.
Antes del descubrimiento de las cuerdas chinas, en las épocas primitivas, los seres
humanos utilizaban lianas para atar, posteriormente tiras y correas de cuero eran
utilizadas para el mismo fin. Las nuevas cuerdas de cáñamo demostraron ser muy
resistentes a la tracción y al mal tiempo; por lo que se utilizaron para las primeras
instalaciones de transporte vertical.
Es en el siglo XXII a.C. surgen los antecesores de nuestros elevadores actuales. Unos
prototipos primitivos de palanca usados en China e India.
Hacia 1550 a. C. se generalizo en Egipto y Mesopotamia el empleo del Shadoof, un
dispositivo de palanca utilizado para elevar el agua procedente de los ríos con el fin
de regar los campos. El control de este dispositivo era más complejo que una
construcción basada en la palanca. Dependía de una palanca de 2 brazos montada
sobre una columna fija alrededor de un eje que puede girar en dirección horizontal de
la polea de cable a la rueda de grúa
Hacia 1510 a. C. se aplica en Mesopotamia la rueda –utilizada hasta entonces sólo en
los carros, en los tornos de alfarero y en las ruecas- a dispositivos mecánicos,
convirtiéndose de este modo en un instrumento para la utilización de las fuerzas y la
Página 17
simplificación de los trabajos. Gracias a ello, la resistencia debida a la fricción se
reduce a la reinante entre el eje y el cojinete. La polea de cable resulta especialmente
importante para transformar fuerzas sin que se produzca una fricción en la cuerda. No
es posible demostrar si la polea de cable se emplea ya en Mesopotamia o si se utiliza
en Egipto hacia esta época a modo de polea sencilla.
Hacia 700 a. C. los mecánicos griegos desarrollan la técnica de la descomposición de
las fuerzas con ayuda de los llamados polipastos. El polipasto se descompone de una
polea fija y una segunda sujeta al objeto a desplazar. Una cuerda discurre, partiendo
de un punto fijo, primero alrededor de la polea móvil y después de la fija. Estirando del
extremo libre, la carga se desplaza únicamente la mitad de la distancia que lo hace el
extremo libre.
El período grecorromano (siglo X a. C. a siglo V d. C. constituye una etapa de gran
impulso en la evolución de la tecnología de la elevación. Un elemento clave para la
elevación es la polea compuesta. Su origen se remonta a la Grecia clásica. Eurípides
(480- 406 a. C.).
Arquímedes (287 – 212 a. C.) además de descubrir el tornillo sinfín, principio en el que
se basan elevadores y transportadores utilizados hoy en día, desarrolló un dispositivo
elevador que funcionaba con cables de cáñamo y poleas movidas por el hombre.
En el siglo III a. C., Arquímedes descubrió las leyes de la palanca. Este griego, que
vivía en Sirac, creó un sistema teórico sobre la multiplicación de la fuerza que se
consigue con la palanca, el efecto de la cuña y la utilización del plano inclinado y de la
polea, fenómenos que desde hacía milenios venían aprovechándose como algo
evidente. Desarrolló una extensa teoría acerca de los polipastos con las transmisiones
de la fuerza 2:1, 3:1(“tripastos”) y 5:1 (“pentapastos”).
Más tarde, en la época del emperador Tito, en el año 80 d. C., se utilizaron también en
el Coliseo romano, doce grandes montacargas para elevar a los gladiadores y a las
fieras a la pista. Tras la caída del Imperio romano, los ascensores desaparecieron
durante un largo período.
La Edad Media.
Leonardo da Vinci parte de problemas agudos, buscando para ellos soluciones de tipo
técnico. De este modo, crea una grúa móvil para facilitar las labores de construcción
en las que hay que elevar cargas pesadas. Dicha grúa está montada sobre un
vehículo y se gobierna desde arriba mediante un cable tensado. El ginche de cable
puede accionarse con una manivela dotada de transmisión por ruedas dentadas.
Georg Bauer (1490- 1565) trabajó como médico en los centros mineros de Sajonia y
su obra De re metálica, del año 1556, constituye una guía exacta de los sistemas
empleados durante la alta Edad Media en una industria altamente tradicional. En De
re metálica, aparece el esquema de un aparato de elevación en una mina. Menciona
el uso de ruedas dentadas y de cadenas movidas por caballos. No existen diferencias
Página 18
significativas respecto a períodos primitivos excepto en lo que se refiere a una
vagoneta que debía correr por un surco.
Siglo XIX
En 1830 se pone en servicio un montacargas accionado por una máquina en Derby
(Inglaterra). En el West Riding de Yorkshire, en 1840, se dan todavía tornos para
elevar pesos a mano, utilizándose esta técnica para variadísimas operaciones de
elevación y transporte, incluyendo la elevación de la tierra de las excavaciones de los
túneles de ferrocarril. El tambor de cable horizontal de 3.5 a 5 metros de diámetro,
alrededor del cual daban vueltas los caballos fue sustituido sólo gradualmente por un
torno movido, por lo general, por una máquina de vapor vertical, de baja presión y un
solo cilindro.
Merece la pena mencionar el ascensor “Teagle” desarrollado en Inglaterra en 1845.
Este elevador accionado hidráulico contemplaba ya el concepto de la polea de
tracción con contrapeso, aspecto que se aplica hoy en nuestros días a la gran
mayoría de los ascensores. El accionamiento era llevado a cabo por los propios
usuarios que desplazaban el cable manualmente desde la cabina.
Pero no fue hasta 1852 cuando asistimos a un hecho decisivo en la historia de los
ascensores: la invención del primer ascensor del mundo seguro para personas,
ideado por Elisha Graves Otis.
Otis fue el pionero que comenzó a fabricar ascensores en 1853, y en 1854 exhibió su
invento más importante, un mecanismo de seguridad automático para detener la caída
en caso de que los cables se rompieran. Su invento fue presentado en la Feria del
Palacio de Cristal de Nueva York y ganó la confianza del público al permitir que
cortaran intencionalmente el cable del montacargas con el Sr. Otis en su interior. En el
año 1857, instaló el primer ascensor de pasajeros en los grandes almacenes E.V.
Haughwout, de 5 pisos, en Nueva York, que funcionaba con una máquina de vapor.
Antes de morir, Otis patentó el ascensor accionado por vapor.
En 1867 el francés León Edoux presentó en la Exposición Universal de París un
aparato elevador que utilizaba la presión del agua para elevar una cabina montada en
el extremo de un pistón hidráulico.
El ascensor Edoux tuvo una gran difusión por todo el mundo, sobre todo cuando se
multiplicaron sus posibilidades de velocidad y recorrido, con un perfeccionamiento del
sistema que se denominó de acción indirecta, en el que el émbolo no impulsaba la
cabina directamente, sino un juego de poleas o una cremallera y un tambor que
enrollaba y desenrollaba uno o varios cables de los que se suspendía la cabina.
Página 19
Simultáneamente, Europa inicia su andadura en la industria de la elevación vertical
fundándose en 1874 la empresa Schindler, construyéndose el primer ascensor en
1876 para la Oficina de Correos de Londres.
Para 1873 había ya más de 2.000 ascensores Otis presentes en edificios de oficinas,
hoteles y centros comerciales de Estados Unidos y cinco años más tarde se instaló el
primer ascensor de tecnología hidráulica Otis para pasajeros.
Mientras, en 1880 el alemán Werner von Siemens introdujo por su parte el motor
eléctrico en la construcción de elevadores. En su invento, la cabina, que sostenía el
motor debajo, subía por el hueco mediante engranajes de piñones giratorios que
accionaban los soportes en los lados del hueco. En 1887 se construyó un ascensor
eléctrico, y en los siguientes doce años empezaron a ser de uso general los
elevadores eléctricos con engranaje de tornillo sin fin que conectaba el motor con el
tambor, excepto en el caso de edificios muy altos. En 1903, Otis introdujo lo que se
convertiría en la columna vertebral de esta industria: el ascensor eléctrico a tracción
sin engranajes, cuya realización demostró sobrevivir al propio edificio. Esto impulsó
enormemente la era de la edificación de gran altura, con edificios tan representativos
como el EmpireStateBuilding o el Chrysler, ambos en Nueva York.
El Ascensor Hidráulico
El ascensor hidráulico se utiliza por primera vez en 1878, utilizándose agua en lugar
de vapor, para simplificar las instalaciones y conseguir mayores velocidades y
recorridos.
Los ascensores hidráulicos se perfeccionan hasta lograr con ellos alturas y
velocidades muy elevadas. En 1908, se instaló un ascensor en el City
InvestingBuilding de Nueva York de 1360 Kg de carga, 3 m/s de velocidad y un
recorrido de 108 m.
La Tracción Eléctrica.
El primer ascensor eléctrico hizo su aparición en 1889 en el DemarestBuilding en
Nueva York. Fue una modificación directa del primitivo ascensor de tambor accionado
a vapor pero sustituyendo esta fuente de energía por la eléctrica mediante un motor
de corriente continua. Este ascensor continuó en servicio hasta 1920, año en que se
demolió el edificio. El primer ascensor con pulsador automático de llamada se instaló
en 1894.
El ascensor eléctrico, tuvo desde sus comienzos un gran éxito, por su menor coste de
instalación y funcionamiento, pero tenía el inconveniente de la poca precisión de sus
paradas. Este fue corregido totalmente con la instalación de los grupos de regulación
Página 20
de velocidad Ward Leonard, que todavía se utilizan en la actualidad, como veremos
más adelante.
En el año 1900, las maniobras accionadas por cable son sustituidas por maniobras
accionadas por pulsadores. El sistema Ward Leonard se introduce en el período entre
1910 y 1930, con siguiéndose velocidades que alcanzaban los 2 m/s y dando paso a
los ascensores modernos.
Sistema Operativo.
En los ascensores primitivos, los accionados por máquinas de vapor o los hidráulicos,
el dispositivo de operación era un cable que recorría todo el hueco del ascensor y que
hacía actuar una válvula dispuesta en el fondo del hueco. Para subir, se tiraba del
cable hacia abajo para introducir vapor o agua en el circuito y hacer elevar la
plataforma. Para bajar, se tiraba del cable hacia arriba para expulsar vapor o agua en
el circuito y hacer bajar la plataforma.
Este sistema, consistente en tirar del cable en sentido contrario al del movimiento,
tenía una ventaja adicional: que en las posiciones más inferior y más superior se
disponía en el propio cable de una “bola de parada” de manera que al estar en la
posición más inferior e intentar seguir bajando, se tiraba del cable hacia arriba
haciendo aprisionar esta bola parada en los agujeros dispuestos en la cabina a tal
efecto, deteniendo inmediatamente la cabina.
Sistema Operativo Automático.
El accionamiento mediante interruptor en cabina se utilizó en edificios de oficinas
desde principios de 1880 a principios de 1920. En paralelo con el desarrollo de este
tipo de accionamientos en edificios de oficinas, se ponía en marcha en edificios
residenciales en Estados Unidos, en el período 1880 a 1920, el sistema operativo
denominado “Sistema Automático Simple”. Dado que el tráfico era muy bajo, no se
justificaba la presencia de un operador a tiempo completo y por lo tanto se requería un
sistema automático. Este consistía en un sistema similar al que tenemos hoy día, es
decir, una serie de botones en cabina y en cada piso, de forma que el ascensor es
gobernado con prioridad desde cabina, y cuando la maniobra accionada desde cabina
ha finalizado, desde cualquiera de los pisos a los que el ascensor tiene acceso. Este
sistema es empleado hoy en día en ascensores poco utilizados donde los usuarios
prefieren esperar y tener uso exclusivo cuando están en la cabina.
Control de Señal.
Página 21
Conforme aumentaba la altura de los edificios y la velocidad de los ascensores se
incrementaba (hasta 3.5 m/s), se hizo necesario un sistema eficiente de operación
para detener la cabina con precisión, introduciéndose a principio de 1920 el
denominado control de señal. Este sistema requiere de un operador que, mediante
pulsación de un botón, el sistema del ascensor registra la orden y el sistema
determina automáticamente aceleraciones, respuestas a llamadas desde otros pisos,
deceleraciones y ajustes exactos al nivel del piso. El operador no sabe a qué llamadas
va a acudir el ascensor hasta que éste no comienza el proceso de frenada.
Los Sistemas Operativo Colectivos permiten guardar en memoria llamadas de forma
colectiva tanto en la dirección del ascensor como en sentido contrario, de manera que
cuando el ascensor ha terminado un recorrido, inicia automáticamente el movimiento
en sentido contrario para atender las llamadas realizadas previamente. Este sistema
no requiere de operador.
Sistemas Operativos Automáticos de Grupo.
A finales de la década de los cuarenta se concibe por primera vez un sistema basado
en dispositivos electrónicos que mide la cantidad de llamadas, suma el tiempo en que
se hacen y, automáticamente, combina estos datos con otros para programar y hacer
funcionar grupos de ascensores conjuntamente. Este sistema fue instalado en el
edificio de las Naciones Unidas de Nueva York en 1949. Meses más tarde se inventa
el primer sistema electrónico, aplicado en las puertas, para la protección de los
pasajeros.
Figura 2.1. Sistema de elevadores de grupo.
Analizando la historia de la elevación vertical se observa que se desarrollan en
paralelo dos tecnologías. Por un lado la de Control de Señal que requiere de un
operador y está indicada para edificios grandes y con gran tráfico y la de Sistemas
Operativos Colectivos, que no requiere operador pero que se utilizaba en edificios
residenciales y en general de bajo tráfico. Su responsable técnico fue el Ingeniero
Jefe de Desarrollos de la Otis Elevator Company, William Bruns. Mediante circuitos
Página 22
electrónicos y automáticos era posible programar maniobras eficientes desde el punto
de vista de tráfico vertical.
Desde principios de los 50 hasta nuestros días, todas las compañías de ascensores
han desarrollado maniobras programadas. La Otis ElevatorCompany introdujo los
programas Autotronic (4 y 6), el Basic Autotronic con Múltiple Zoning, VIP 260 y los
programas Elevonic. Schindler desarrollo las familias Auto Signamatic, 1090, 1092IC,
Aconic, Supermatic, Transitronic y Miconic. Westinghouse implantó las familias
Selectomatic (4 y 6 Pattern y Mark IV y V). Los sistemas Dopver se denominaron
Traflomatic y finalmente para los de Montgomery, se utilizó el nombre de Miprom.
En el año 1986 se introduce el sistema de frecuencia variable para el control de
ascensores de alta velocidad, con una avanzada tecnología que permite un
importante ahorro energético. Dos años más tarde se implanta el motor lineal para
ascensores que, al estar acoplado al contrapeso, elimina la necesidad del cuarto de
máquinas, con el consiguiente ahorro económico y de espacio.
Hoy, en pleno siglo XXI, se han conseguido grandes logros en la tecnología del
ascensor. No obstante, aún quedan una serie de prestaciones que exigir en una
instalación moderna, tales como:
Mayores velocidades de marcha (hasta 15 m/s)
Mejor confort de funcionamiento; es decir, viajes suaves y sin sacudidas
Nivelaciones más exactas e independientes de la carga
Disminución de los tiempos de espera en planta, con el desarrollo de
maniobra flexibles que optimicen el tráfico
Máxima seguridad de uso y funcionamiento
Máxima fiabilidad de respuesta en las demandas de servicio
A lo largo del siglo XX, los tres continentes han representado un papel
fundamental en la evolución del ascensor, contribuyendo con sustanciales
avances:
Ascensores sin reductor
Sistema de control con “memoria” para grupos de ascensores
Sistema de control con microprocesadores integrado para grupos de
ascensores
Sistema de control de frecuencia variable y tensión variable
Tecnología de “motor lineal”, sin cuarto de máquinas
Sistema de control modular
El motor magneto- permanente
Sistemas de control inteligentes (Lógica Difusa o Redes Neuronales)
Página 23
2.2 Redes neuronales
2.2.1 Fundamentos y Panorama Histórico de las Redes Neuronales Artificiales.
Conseguir diseñar y construir máquinas capaces de realizar procesos con cierta
inteligencia ha sido uno de los principales objetivos y preocupaciones de los
científicos a lo largo de la historia. Sin embargo a pesar de disponer de herramientas y
de lenguajes de programación diseñados para el desarrollo de máquinas inteligentes,
existe un problema de fondo que limita los resultados: estas máquinas se
implementan sobre ordenadores basados en la filosofía de Von Neumann, y se
apoyan en una descripción secuencial del proceso de tratamiento de la información.
Las primeras explicaciones teóricas sobre el cerebro y el pensamiento fueron dadas
por algunos filósofos griegos, como Platón y Aristóteles, quienes fueron apoyados
después por Descartes y filósofos empiristas. Alan Turing, en 1936, fue el primero en
estudiar el cerebro como una forma de ver el mundo de la computación, pero quienes
primero concibieron algunos fundamentos de la computación neuronal fueron Warren
McCulloch y Walter Pitts, después otras teorías iniciales fueron expuestas por Donald
Hebb. Pero solo hasta 1957 Frank Rosenblatt comenzó el desarrollo del Perceptrón,
la red neuronal más antigua de la que me encargaré posteriormente. Más adelante
apareció el modelo ADALINE, desarrollado por Bernard Widrow y Marcial Hoff.
Stephen Grossberg realizó Avalancha en 1967, hasta 1982 el crecimiento se frenó
pero surgieron luego investigaciones sobre redes como la de Marvin Minsky y
Seymour Papert, después James Anderson desarrollo el Asociador Lineal,
en Japón KunihikoFukushimika y TeuvoKohonen que se centraron en redes
neuronales para el reconocimiento de patrones; en USA John Hopfield también realizó
importantes investigaciones. Desde 1985 comenzaron a consolidarse los congresos
más importantes como Neuronal Networks for Computing, la Neural
InformationProcessingSystems, entre algunas otras. Actualmente, son numerosos los
trabajos que se realizan y publican. Revistas como Neural Networks, Transactionson
Neural Networks, entre otros, son las encargadas de la publicación de los últimos
avances. El Departamento de Defensa de los Estados Unidos y la Sociedad Europea
de Redes Neuronales son algunos de los ejemplos del resurgir de la
investigación sobre redes neuronales.
Página 24
2.2.2 El modelo biológico de la Neurona.
La teoría y modelado de redes neuronales está inspirada en la estructura y
funcionamiento de los sistemas nerviosos, donde la neurona es el elemento
fundamental. En general, una neurona consta de un cuerpo celular más o menos
esférico, de 5 a 10 micras de diámetro, del que salen una rama principal, el axón, y
varias ramas más cortas, llamadas dendritas. Una de las características de las
neuronas es su capacidad de comunicarse. En términos generales las dendritas y el
cuerpo celular reciben señales de entrada; el cuerpo celular las combina e integra y
emite señales de salida. El axón transmite dichas señales a los terminales axónicos,
que distribuyen información a un nuevo conjunto de neuronas, se calcula que en el
cerebro humano existen del orden de 10e15 conexiones. Las señales que se utilizan
son de dos tipos: eléctrica y química. La señal generada por la neurona y transportada
a lo largo del axón es un impulso eléctrico, mientras que la señal que se transmite
entre los terminales axónicos de una neurona y las dendritas de la otra es de origen
químico. Para establecer una similitud directa entre la actividad sináptica y la analogía
con las redes neuronales artificiales podemos considerar: Las señales que llegan a la
sinapsis son las entradas a la neurona; estas son ponderadas (atenuadas o
simplificadas) a través de un parámetro, denominado peso asociado a la sinapsis
correspondiente. Estas señales de entrada pueden excitar a la neurona (sinapsis con
peso positivo) o inhibirla (peso negativo). El efecto es la suma de las entradas
ponderadas. Si la suma es igual o mayor que el umbral de la neurona, entonces la
neurona se activa (da salida). Esta es una situación de todo o nada; cada neurona se
activa o no se activa. La facilidad de transmisión de señales se altera mediante la
actividad del sistema nervioso. Las sinapsis son susceptibles a la fatiga, deficiencia
de oxígeno y la presencia de anestésicos, entre otro. Esta habilidad de ajustar señales
es un mecanismo de aprendizaje.
Figura 2.2. Modelo Biológico de una Neurona.
Página 25
2.2.3 Definición de una Red Neuronal Artificial.
Existen numerosas formas de definir los que son las redes neuronales, desde las
definiciones cortas y genéricas hasta las que intentan explicar más detalladamente lo
que significa red neuronal. Veamos algunos ejemplos de ambos casos: Una nueva
forma de computación inspirada en modelos biológicos. Un modelo matemático
compuesto por un gran número de elementos procesados organizados en niveles.
“…Un sistema de computación hecho por un gran número de elementos simples,
elementos de proceso muy interconectados, los cuales procesan información por
medio de su estado dinámico como respuesta a entradas externas”. Redes
neuronales artificiales son redes interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales
intentan interactuar con los objetos del mundo real del mismo modo que lo hace el
sistema nervioso biológico. Es necesario destacar que tales computadores neuronales
no ejecutan las típicas instrucciones de máquina de los computadores digitales, a
menos que estén hechos para emular el comportamiento de las redes neuronales
físicas. En principio, la operación de proceso básico realizada por todos los
procesadores elementales es una operación análoga de transformación de sus
señales de entrada. En las redes neuronales biológicas las células neuronales
(neuronas) corresponden a los elementos de proceso anteriores. Las interconexiones
se realizan por medio de las ramas de salida (axones) que producen un número
variable de conexiones (sinapsis) con otras neuronas (o quizá con otras partes, como
músculos y glándulas). Las redes neuronales son sistemas de simples elementos de
proceso muy interconectados. La compleja operación de las redes neuronales es el
resultado de abundantes lazos de realimentación junto con no linealidades de los
elementos de proceso y cambios adaptativos de sus parámetros, que pueden definir
incluso fenómenos dinámicos muy complicados. Una peculiaridad de las redes
neuronales biológicas es su tamaño: En todo el sistema nervioso central hay del orden
de 10^11 neuronas, pero el número de interconexiones es aun mayor, probablemente
de 10^15. No parece posible programar las funciones de dicho sistema de acuerdo
con un plan principal, teniendo en cuenta además que el tamaño y la estructura de la
red están cambiando radicalmente durante y después de la niñez, cuando ya está en
uso. Es verdad que ciertos caracteres textuales de la red son inherentes, y durante la
ontegénisis las proyecciones neuronales crecen aproximadamente hacia aquellos
lugares en los cuales serán necesitados más tarde. La distribución de los recursos y
los caminos de comunicación están formados de acuerdo con un plan genético,
mientras que el resto del programming en especial la memoria, debe ser adquirido
después de nacer. Programar tal red puede significar solo dos cosas: a) Las
estructuras de interconexión entre las células son alteradas, y b) Las fuerzas de estas
interconexiones son cambiadas. Parece que existen varias estrategias claras de cómo
cambiar las fuerzas en la dirección correcta, mientras que cambios en las
interconexiones son más difíciles de definir, porque suelen tener efectos radicales en
Página 26
el comportamiento de la red, especialmente en lo concerniente a la operación
secuencial y las funciones jerárquicas. Es muy difícil imaginar como una red tan
enorme puede ser programada. Una posibilidad, con relación a los subsistemas
sensoriales, podría ser que la estructura del sistema o el proceso dinámico definido
por él, de alguna forma tiende a imaginar las experiencias sensoriales de otros
acontecimientos. Otra función importante del sistema nervioso es definir acciones que
son parte del comportamiento, y controlar el estado del organismo en relación con su
entorno. Mientras que las representaciones internas en las cuales está basado el
comportamiento pueden ser derivadas de las entradas de forma bastante directa, las
definiciones de las salidas deben estar basadas en estrategias completamente
diferentes. De hecho, apenas existe otra posibilidad para programar las acciones de
aplicar el principio de retroceso empuje para alterar los mecanismos que son
responsables de ellas. Algún tipo de backpropagation de la información es por tanto,
necesario. Por otro lado, el significado y la calidad de las acciones deben ser juzgados
no desde los movimientos inmediatos, sino desde la realización de criterios que tiene
en cuenta el resultado requerido, a veces bastante indirectamente. A menudo, las
acciones son solamente corregidas si se realizan con cierta frecuencia, donde el
mecanismo que las provoque debe contener circuitos que definan tales frecuencias y
que se cambien en relación con los resultados aprendidos. Está claro que programar
las acciones es un proceso mucho más indirecto que programar las representaciones
internas: el factor aleatorio no puede ser evitado. Programando las funciones de
entrada y de salida nos lleva solo a una operación de comportamiento en la que el
estímulo y la respuesta son consideradas muy relevantes. Ciertamente, es posible
realizar autómatas bastante complejos y comportamientos necesidad-conducta de
este modo. Sin embargo, se mantiene la expectativa sobre la posibilidad de que las
redes neuronales puedan actuar como ordenadores para algunos problemas
abstractos y también donde la computación se realice en el estado interno de la red.
2.2.4 Elementos de una Red Neuronal Artificial.
Las redes neuronales artificiales (RNA) son modelos que intentan reproducir
el comportamiento del cerebro. Como tal modelo realiza una simplificación,
averiguando cuáles son los elementos relevantes del sistema, bien porque la cantidad
de información de que se dispone es excesiva o bien porque es redundante. Una
elección adecuada de sus características más una estructura conveniente es
el procedimiento convencional utilizado para construir redes capaces de realizar
determinada tarea.
Página 27
Capa
Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de
la misma fuente y cuyas salidas se dirigen al mismo destino.
Unidad de proceso
La neurona Artificial. Existen tres tipos de unidades en cualquier sistema: entradas,
salidas y ocultas. Las unidades de entrada reciben señales desde el entorno; las de
salida envían la señal fuera de la red, y las unidades ocultas son aquellas cuyas
entradas y salidas se encuentran dentro del sistema.
Estado de Activación
Los estados del sistema en un tiempo t se representan por un vector A(t). Los
valores de activación pueden ser continuos o discretos, limitados o ilimitados. Si son
discretos, suelen tomar un conjunto discreto de valores binarios, así un estado activo
se indicaría con un 1 y un estado pasivo se representaría por un cero. En otros
modelos se considera un conjunto de estados de activación como valores entre [0,1],
o en el intervalo [-1,1], siendo un ejemplo la función sigmoidal.
Función de Salida o de Transferencia. Asociada con cada unidad hay una
función de salida, que transforma el estado actual de activación en una señal de
salida.
Existen cuatro funciones de transferencia típicas que determinan distintos tipos de
neuronas:
Función de Activación Escalón
Función de Activación Sigmoidal Bipolar o Tangente Sigmoidal
Función de Activación Lineal
Función de Activación Sigmoidal
Conexiones entre neuronas.
Las conexiones que unen a las neuronas que forman una RNA tiene asociado un
peso, que es el que hace que la red adquiera conocimiento. Se considera que el
efecto de cada señal es aditivo, de tal forma que la entrada neta que recibe una
neurona es la suma del producto de cada señal individual por el valor de la sinapsis
que conecta ambas neuronas y es lo que se conoce como red de propagación. Se
utiliza una matriz W con todos los pesos, Si wji es positivo indica que la relación entre
las neuronas es excitadora, es decir, siempre que la neurona i esté activada, la
neurona j recibirá una señal que tenderá a activarla. Si wji es negativo, la sinapsis
será inhibidora. En este caso si i está activada, enviará una señal que desactivará a j.
Página 28
Función o Regla de Activación.
Se requiere una regla que combine las entradas con el estado actual de la neurona
para producir un nuevo estado de activación. Esta función F produce un nuevo estado
de activación en una neurona a partir del estado que existía y la combinación de las
entradas con los pesos de las conexiones. Esa F es denominada función de
activación, y las salidas que se obtienen en una neurona para las diferentes formas de
F serán:
Figura 2.3. Función de Activación Escalón.
Figura 2.4. Función de Activación Sigmoidal Bipolar o Tangente Sigmoidal.
Página 29
Figura 2.5. Función de Activación Lineal.
Figura 2.6. Función de Activación Sigmoidal.
Regla de Aprendizaje.
El aprendizaje puede ser comprendido como la modificación de comportamiento
inducido por la interacción con el entorno y como resultado de experiencias conduce
al establecimiento de nuevos modelos de respuesta a estímulos externos. En el
cerebro humano el conocimiento se encuentra en la sinapsis. En el caso de las
RNA el conocimiento se encuentra en los pesos de las conexiones entre neuronas.
Todo proceso de aprendizaje implica cierto número de cambios en estas conexiones.
En realidad, puede decirse que se aprende modificando los valores de lo pesos de la
red.
Página 30
Niveles o capas de neuronas.
La distribución de neuronas dentro de una red se realiza formando niveles o capas de un número de neuronas determinado, donde se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente ( que puede ser otra capa de neuronas ) y cuyas salidas se dirigen al mismo destino ( que puede ser otra capa de neuronas). Se pueden distinguir tres tipos de capas:
Capa de Entrada.
Es la capa que recibe directamente la información proveniente de las fuentes externas de la red. Capa Oculta.
Son internas a la red y no tiene contacto directo con el exterior. El número de niveles ocultos puede estar entre cero y un número elevado. Las neuronas de la capa oculta pueden estar interconectadas de diferentes maneras, lo que determina, junto con su número, las distintas tipologías de redes neuronales.
Capa de Salida.
Transfieren información de la red hacia el exterior.
Formas de conexión entre neuronas.
La conectividad entre los nodos de una red neuronal está relacionada con la forma en que las salidas de las neuronas están canalizadas para convertirse en entradas de otras neuronas. La señal de salida de un nodo puede ser una entrada de otro elemento de proceso, o incluso ser una entrada de su propia salida (conexión autorrecurrente). Cuando ninguna salida de la neurona es entrada de neuronas del mismo nivel o de niveles precedente, la red se describe como de propagación hacia adelante. Cuando las salidas pueden ser conectadas como entradas de neuronas de niveles previos o del mismo nivel, incluyéndose ellas mismas, la red es de propagación hacia atrás.
Página 31
2.2.5 Estructura de una Red Neuronal Artificial.
Anteriormente ya se estipuló que la distribución de neuronas dentro de la red se
realiza formando niveles o capas de un número determinado de neuronas cada una, y
que existen capas de entrada, de salida, y ocultas, ahora veamos las formas de
conexión entre neuronas.
Figura 2.7. Red Neuronal Artificial.
Cuando ninguna salida de las neuronas es entrada de neuronas del mismo nivel o de
niveles precedentes, la red se describe como de propagación hacia adelante.
Cuando las salidas pueden ser conectadas como entradas de neuronas de niveles
previos o del mismo nivel, incluyéndose ellas mismas, la red es de propagación hacia
atrás.
Redes Monocapa: Se establecen conexiones laterales, cruzadas o autorrecurrentes
entre las neuronas que pertenecen a la única capa que constituye la red. Se utilizan
en tareas relacionadas con lo que se conoce como autoasociación; por ejemplo, para
generar informaciones de entrada que se presentan a la red incompletas o
distorsionadas.
Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas en
varios niveles o capas. Una forma de distinguir la capa a la que pertenece la neurona,
consiste en fijarse en el origen de las señales que recibe a la entrada y el destino de
la señal de salida. Según el tipo de conexión, como se vio previamente, se distinguen
las redes feedforward, y las redes feedforward/feedback.
Página 32
2.2.6 Características de las Redes Neuronales.
Existen cuatro aspectos que caracterizan una red neuronal: su topología, el
mecanismo de aprendizaje, tipo de asociación realizada entre la información de
entrada y salida, y la forma de representación de estas informaciones.
Topología de las Redes Neuronales.
La arquitectura de las redes neuronales consiste en la organización y disposición de
las neuronas formando capas más o menos alejadas de la entrada y salida de la red.
En este sentido, los parámetros fundamentales de la red son: el número de capas, el
número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre
neuronas.
Mecanismo de Aprendizaje.
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en
respuesta a una información de entrada. Los cambios que se producen durante el
proceso de aprendizaje se reducen a la destrucción, modificación y creación de
conexiones entre las neuronas, la creación de una nueva conexión implica que el
peso de la misma pasa a tener un valor distinto de cero, una conexión se destruye
cuando su peso pasa a ser cero. Se puede afirmar que el proceso de aprendizaje ha
finalizado (la red ha aprendido) cuando los valores de los pesos permanecen estables
(dwij / dt = 0).
Un criterio para diferenciar las reglas de aprendizaje se basa en considerar si la red
puede aprender durante su funcionamiento habitual, o si el aprendizaje supone la
desconexión de la red.
Otro criterio suele considerar dos tipos de reglas de aprendizaje: las de aprendizaje
supervisado y las correspondientes a un aprendizaje no supervisado, estas reglas dan
pie a una de las clasificaciones que se realizan de las RNA: Redes neuronales con
aprendizaje supervisado y redes neuronales con aprendizaje no supervisado. La
diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente
externo (supervisor) que controle el aprendizaje de la red.
Página 33
Redes con Aprendizaje Supervisado.
El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un
agente externo (supervisor, maestro) que determina la respuesta que debería generar
la red a partir de una entrada determinada. El supervisor comprueba la salida de la
red y en el caso de que ésta no coincida con la deseada, se procederá a modificar los
pesos de las conexiones, con el fin de conseguir que la salida se aproxime a la
deseada.
Se consideran tres formas de llevar a cabo este tipo de aprendizaje:
Aprendizaje por corrección de error.
Consiste en ajustar los pesos en función de la diferencia entre los valores deseados y
los obtenidos en la salida de la red; es decir, en función del error.
Aprendizaje por refuerzo.
Se basa en la idea de no indicar durante el entrenamiento exactamente la salida que
se desea que proporcione la red ante una determinada entrada. La función del
supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida en
la red se ajusta a la deseada (éxito=+1 ó fracaso=-1), y en función de ello se ajustan
los pesos basándose en un mecanismo de probabilidades.
Aprendizaje estocástico.
Este tipo de aprendizaje consiste básicamente en realizar cambios aleatorios en los
valores de los pesos de las conexiones de la red y evaluar su efecto a partir
del objetivo deseado y de distribuciones de probabilidad.
Redes con Aprendizaje No Supervisado.
Estas redes no requieren influencia externa para ajustar los pesos de las conexiones
entre neuronas. La red no recibe ninguna información por parte del entorno que le
indique si la salida generada es o no correcta, así que existen varias posibilidades en
cuanto a la interpretación de la salida de estas redes.
En algunos casos, la salida representa el grado de familiaridad o similitud entre la
información que se le está presentando en la entrada y las informaciones que se le
han mostrado en el pasado. En otro caso podría realizar una codificación de
los datos de entrada, generando a la salida una versión codificada de la entrada, con
menos bits, pero manteniendo la información relevante de los datos, o algunas redes
con aprendizaje no supervisado lo que realizan es un mapeo de características,
obteniéndose en las neuronas de salida una disposición geométrica que representa
un mapa topográfico de las características de los datos de entrada, de tal forma que si
Página 34
se presentan a la red informaciones similares, siempre sean afectadas neuronas de
salidas próximas entre sí, en la misma zona del mapa.
En general en este tipo de aprendizaje se suelen considerar dos tipos:
Aprendizaje Hebbiano: Consiste básicamente en el ajuste de los pesos de las
conexiones de acuerdo con la correlación, así si las dos unidades son activas
(positivas), se produce un reforzamiento de la conexión. Por el contrario cuando un es
activa y la otra pasiva (negativa), se produce un debilitamiento de la conexión.
Aprendizaje competitivo y cooperativo: Las neuronas compiten (y cooperan) unas con
otras con el fin de llevar a cabo una tarea dada. Con este tipo de aprendizaje se
pretende que cuando se presente a la red cierta información de entrada, solo una de
las neuronas de salida se active (alcance su valor de respuesta máximo). Por tanto las
neuronas compiten por activarse, quedando finalmente una, o una por grupo, como
neurona vencedora.
Estos dos mecanismos de asociación dan lugar a dos tipos de redes neuronales: las
redes heteroasosciativas y las autoasociativas. Una red heteroasociativa podría
considerarse aquella que computa cierta función, que en la mayoría de los casos no
podrá expresarse analíticamente, entre un conjunto de entradas y un conjunto de
salidas, correspondiendo a cada posible entrada una determinada salida. Existen
redes heteroasociativas con conexiones feedforward, feedforward/feedback y redes
con conexiones laterales. También existen redes heteroasociativas
multidimensionales y su aprendizaje puede ser supervisado o no supervisado.
Por otra parte, una red autoasociativa es una red cuya principal misión es reconstruir
una determinada información de entrada que se presenta incompleta o distorsionada
(le asocia el dato almacenado más parecido). Pueden implementarse con una sola
capa, existen conexiones laterales o también autorrecurrentes, habitualmente son de
aprendizaje no supervisado.
Tipo de Asociación entre las Informaciones de Entrada y Salida.
Las RNA son sistemas que almacenan cierta información aprendida; está información
se registra de forma distribuida en los pesos asociados a las conexiones entre
neuronas de entrada y salida. Existen dos formas primarias de realizar esa asociación
de entrada/salida. Una primera sería la denominada heteroasociación, que se refiere
al caso en el que la red aprende parejas de datos [(A1, B1), (A2, B2)… (An, Bn)], de
tal forma que cuando se presente cierta información de entrada Ai, deberá responder
generando la correspondiente salida Bi. La segunda se conoce como autoasociación,
donde la red aprende ciertas informaciones A1, A2…An, de tal forma que cuando se
Página 35
le presenta una información de entrada realizará una autocorrelación, respondiendo
con uno de los datos almacenados, el más parecido al de la entrada.
Representación de la Información de Entrada y Salida.
Las redes neuronales pueden también clasificarse en función de la forma en que se
representan las informaciones de entrada y las respuestas o datos de salida. Así en
un gran número de redes, tanto los datos de entrada como de salida son
de naturaleza analógica, cuando esto ocurre, las funciones de activación de las
neuronas serán también continuas, del tipo lineal o sigmoidal. Otras redes sólo
admiten valores discretos o binarios a su entrada, generando también unas
respuestas en la salida de tipo binario. En este caso, las funciones de activación de
las neuronas son de tipo escalón. Existe también un tipo de redes híbridas en las que
las informaciones de entrada pueden ser valores continuos, aunque las salidas de la
red son discretas.
Implementación de las Redes Neuronales.
En la búsqueda de sistemas inteligentes en general, se ha llegado a un importante
desarrollo del software, dentro de esta línea se encuentran algunos de los
neurocomputadores más conocidos. Un neurocomputador es básicamente un
conjunto de procesadores conectados con cierta regularidad que operan
concurrentemente. En la actualidad ya existen una serie de neurocomputadores
comerciales destinados a la realización de redes neuronales. Por otro lado la
realización de RNA puede llevarse a cabo por medio de uno o
varios circuitos integrados específicos, para así poder obtener una estructura que se
comporte lo más similar posible a como lo haría una red neuronal. Otra tecnología que
podría ser apropiada en la implementación de las redes neuronales es la tecnología
electroóptica, con la ventaja de utilizar la luz como medio de transporte de la
información, permitiendo la transmisión masiva de datos.
Realización de Redes Neuronales: La realización más simple e inmediata consiste en
simular la red sobre un ordenador convencional mediante un software específico. Es
un procedimiento rápido y económico pero, su mayor desventaja radica en el hecho
de que se intentan simular redes con un alto grado de paralelismo sobre máquinas
que ejecuten secuencialmente las operaciones. Valores intrínsecos de las redes
neuronales no pueden obtenerse de esta forma.
Otro método es la realización de redes neuronales a través de arquitecturas
orientadas a la ejecución de procesos con un alto de paralelismo, tales como redes de
transputers, arquitecturas sistólicas, etc. Este método es una optimización del anterior,
ya que el acelera el proceso, permitiendo una respuesta en tiempo real, pero el
Página 36
comportamiento real de la red sigue siendo simulado por una estructura ajena a la
estructura intrínseca de una red neuronal.
Una tercera aproximación radicalmente distinta es la realización de redes neuronales
mediante su implementación por uno o varios circuitos integrados específicos. Son los
llamados chips neuronales. Las neuronas y las conexiones se emulan con dispositivos
específicos, de forma que la estructura del circuito integrado refleja la arquitectura de
la red. Se consigue de esta forma realizaciones que funcionan a alta velocidad, pero a
costa de una pérdida notable de velocidad.
2.2.7 Ventajas de las Redes Neuronales.
Debido a su constitución y a sus fundamentos, las RNA presentan un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología se esté aplicando en múltiples áreas. Estas ventajas incluyen:
1. En el proceso de aprendizaje, los enlaces ponderados de las neuronas se ajustan de manera que se obtengan unos resultados específicos. Una RNA no necesita un algoritmo para resolver un problema, ya que ella puede generar su propia distribución de los pesos de los enlaces mediante el aprendizaje. También existen redes que continúan aprendiendo a lo largo de su vida, después de completado e periodo inicial de entrenamiento.
2. La función del diseñador es únicamente la obtención de la arquitectura apropiada. No es problema del diseñador el cómo la red aprenderá a discriminar; sin embargo, si es necesario que desarrolle un buen algoritmo de aprendizaje que proporcione la capacidad de discriminar de la red mediante un entrenamiento con patrones.
3. Aprendizaje Adaptativo: Es una de las características más atractivas de las redes neuronales, es la capacidad de aprender a realizar tareas basadas en un entrenamiento o una experiencia inicial.
4. Autoorganización: Las redes neuronales usan su capacidad de aprendizaje adaptativo para organizar la información que reciben durante el aprendizaje y/o la operación. Una RNA puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. Esta autoorganización provoca la facultad de las redes neuronales de responder apropiadamente cuando se les presentan datos o situaciones a los que no habían sido expuestas anteriormente.
Hay dos aspectos distintos respecto a la tolerancia a fallos: primero, las redes pueden aprender a reconocer patrones con ruido, distorsionados, o incompleta.
Página 37
Segundo pueden seguir realizando su función (con cierta degradación) aunque se destruya parte de la red.
La razón por la que las redes neuronales son tolerantes a fallos es que tienen su información distribuida en las conexiones entre neuronas, existiendo cierto grado de redundancia en ese tipo de almacenamiento, a diferencia de la mayoría de los ordenadores algorítmicos y sistemas de recuperación de datos que almacenan cada pieza de información en un estado único, localizado y direccionable.
5. Tolerancia a Fallos: Comparados con los sistemas computacionales tradicionales, los cuales pierden su funcionalidad en cuanto sufren un pequeño error de memoria, en las redes neuronales, si se produce un fallo en un pequeño número de neuronas, aunque el comportamiento del sistema se ve influenciado, sin embargo no sufre una caída repentina.
6. Operación en Tiempo Real: Los computadores neuronales pueden ser realizados en paralelo, y se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.
7. Fácil inserción dentro de la tecnología existente. Debido a que una red puede ser rápidamente entrenada, comprobada, verificada y trasladada a una implementación hardware de bajo costo, es fácil insertar RNA para aplicaciones específicas dentro de sistemas existentes (chips, por ejemplo). De esta manera, las redes neuronales se pueden utilizar para mejorar sistemas de forma incremental, y cada paso puede ser evaluado antes de acometer un desarrollo más amplio.
2.2.8 Tipos de Redes Neuronales.
En la figura 2.8. se presentan los tipos de redes más conocidos, comentando esquemáticamente su topología, tipo de aprendizaje (ON/OFF line, supervisado/no supervisado, regla), clase de asociación (Auto/Heterogénea), presentación entrada y salida y autores.
Página 38
Figura 2.8. Tipos de Redes Neuronales más conocidos.
2.2.9 Aplicaciones.
Las redes neuronales son una tecnología computacional emergente que puede utilizarse en un gran número y variedad de aplicaciones, tanto como comerciales como militares.
Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene una aplicación particular más apropiada. Separándolas según las distintas disciplinas algunos ejemplos de sus aplicaciones son:
Científicos de la computación que quieren averiguar sobre las propiedades del procesamiento de información no-simbólica con una red neuronal y sobre sistemas de aprendizaje en general.
Estadísticos utilizan redes neuronales como modelos de clasificación y regresión no lineal flexible
Ingenieros de varias especialidades se aprovechan de las capacidades de redes neuronales en muchas áreas, como procesamiento de señales y control automático
Los científicos cognoscitivos ven redes nerviosas como un posible aparato para describir modelos de pensamiento y conciencia (función cerebral de alto-nivel).
Neuro-fisiólogos utilizan redes neuronales para describir y explorar función cerebrales de medio-nivel (memoria del ej., sistema sensorial y motriz).
Página 39
Físicos usan redes neuronales para modelar fenómenos en mecánica estadística y para muchas otras tareas.
Biólogos utilizan Redes Neuronales para interpretar sucesiones del nucleotide. Filósofos y otras personas también pueden ser interesadas en Redes
Nerviosas por las varias razones.
Concretamente serian:
Bilogia:
Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
Empresa:
Reconocimiento de caracteres escritos.
Identificación de candidatos para posiciones específicas.
Optimización de plazas y horarios en líneas de vuelo.
Explotación de bases de datos.
Evaluación de probabilidad de formaciones geológicas y petrolíferas.
Sintesís de voz desde texto.
Medio Ambiente:
Analizar tendencias y patrones.
Previsión del tiempo.
Finanzas:
Previsión de la evolución de los precios.
Valoración del riesgo de los créditos.
Identificación de falsificaciones.
Interpretación de firmas.
Manufacturación:
Robots automatizados
Sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.)
Control de producción en líneas de proceso.
Inspección de calidad.
Filtrado de señales.
Medicina:
Analizadores del habla para la ayuda de audición de sordos profundos.
Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (encefalograma, etc.).
Monitorización en cirugía.
Predicción de reacciones adversas a los medicamentos.
Lectoras de Rayos X.
Entendimiento de causa de ataques epilépticos.
Página 40
Militares:
Clasificación de las señales de radar.
Creación de armas inteligentes.
Optimización del uso de recursos escasos.
2.3 Introducción a la identificación de sistemas
La identificación de sistemas corresponde a un campo de la ingeniería en donde el objetivo es inferir un modelo de un sistema dinámico a partir de una serie de mediciones de este. Otra aplicación corresponde a la aproximación de funciones no lineales desconocidas (Ljung, 1999).
Figura 2.9. Sistema dinámico
En la figura anterior, llamemos “t” a un múltiplo de la frecuencia de muestreo.
Según esto, y(t) es la señal de salida, y(t-1) corresponde a la salida retrasada un instante en el muestreo anterior. Si se asume que la salida del sistema puede ser descrita como función de entradas y salidas anteriores, se tiene:
Página 41
Por lo que a priori no es necesario un conocimiento físico. Aplicaciones típicas corresponden al campo de la simulación, predicción, detección de fallas y diseño de sistemas de control. En la figura siguiente 2.10, corresponde al vector de entrada, di corresponde a la salida deseada del sistema e yi es la salida del modelo. De estas dos últimas señales se obtiene un error, ei, que es utilizado para el ajuste de los parámetros del modelo (etapa de entrenamiento).
Figura 2.10. Diagrama a bloques.
Un conocimiento de la dinámica del sistema puede ayudar en gran medida a la tarea de identificación. Algunos datos de importancia que vale la pena conocer son: el orden del sistema, estabilidad, rango de operación, retardos y grado de no linealidad.
En el esquema de la figura 2.10 se muestra el procedimiento a seguir en la tarea de identificar un modelo para un sistema dinámico.
Página 42
Figura 2.11. Identificación de Sistemas
En la etapa de experimentación, el objetivo es recolectar datos que describan el comportamiento del sistema en un amplio rango de operación, esto es, tanto en amplitud como en frecuencia. La idea es variar la entrada y observar el impacto producido en la salida. Estos datos entrada-salida serán utilizados mas tarde en el proceso de entrenamiento y validación del sistema. Luego de esto en la etapa de selección de la estructura del modelo se debe contar con un conjunto de modelos candidatos. Estos pueden ser modelos lineales, modelos no lineales (redes neuronales), etc. en una amplia gama de topologías o configuraciones. Una vez que se cuenta con un conjunto de modelos distintos, sigue la etapa de estimación, en la cual es escogido un modelo particular y es “entrenado”. Esto es, se ejecuta un algoritmo por medio del cual se logra minimizar un cierto criterio, típicamente el error cuadrático medio entre la señal deseada y la estimada por el modelo. Finalmente en la etapa de validación, se le presentan al modelo datos que no fueron utilizados en la etapa de entrenamiento. La tarea finaliza si el resultado en la predicción, para este nuevo conjunto de datos es bueno, en términos del error cuadrático medio en la predicción.
2.4 Motores de pasos.
2.4.1 Introducción a los Motores de Pasos.
Los motores de pasos, también conocidos como motores stepping o stepper, son en esencia dispositivos motrices incrementales. Un motor de pasos recibe un tren de impulsos rectangular y responde girando su eje el número de grados que dicte el
Página 43
número de pulsos en el tren recibido. Generalmente este tren se controla por medio de una microcomputadora o un circuito electrónico. Como resultado, un motor de pasos es mucho más compatible con circuitos electrónicos digitales y puede formar una interfaz entre una microcomputadora y un sistema mecánico. Como el movimiento de un motor de pasos suele estar gobernado por el conteo del número de pulsos, no se necesitan lazos de retroalimentación ni sensores para controlarlos. En consecuencia este tipo de motores son ideales para el control de posición en un sistema de lazo abierto. Son relativamente baratos y de construcción sencilla, y pueden fabricarse para dar pasos en incrementos iguales en cualquier dirección. Son excelentes para aplicaciones como impresoras, graficadoras XY, robots y máquinas-herramienta de control numérico. Algunas de las desventajas de motores de pasos son que no tienen flexibilidad para ajustar el ángulo de avance y su respuesta de paso puede ser de naturaleza oscilatoria con sobrerrecorrido considerable. Los motores de pasos pueden clasificarse en tres grandes categorías: de reluctancia variable, de imanes permanentes e híbridos.
2.4.2 Motores de pasos de reluctancia variable.
Los motores de pasos de reluctancia variable operan con el mismo principio que un motor de reluctancia. El principio comprende la reducción al mínimo de la reluctancia a lo largo de la trayectoria del campo magnético aplicado como se muestra en la figura 2.12.
Página 44
Figura 2.12. (a) Circuito magnético con un elemento libre para girar, (b) la reluctancia como función de posición, y (c) posición de reluctancia mínima, equilibrio o sin giro.
El estator de un motor de pasos de reluctancia variable consta de una pila única de láminas de acero con devanados de fase arrollados en cada diente del estator, como se ilustra en la figura 2.13. El rotor, que también está constituido por una pila de láminas de acero, no tiene ningún devanado. Con objeto de hacer que solamente un conjunto de dientes del estator y del rotor se alineen, el número de dientes del rotor y del estator es diferente. El motor de pasos de la figura 2.13 tiene seis dientes en el estator y cuatro en el rotor. Los devanados del estator se excitan en tiempos distintos, formando así un devanado fase del estator. El estator del motor de pasos que se muestra en la figura 2.13 tiene tres fases A, B y C, con dientes 1 y 4, 2 y 5, 3 y 6, respectivamente.
En la figura 2.13 a, los dientes del rotor 1 y 2 están alineados con los dientes del estator 1 y 4 cuando el devanado de la fase A se excita con una corriente constante.
Figura 213. Motor de pasos de reluctancia variable
Página 45
En tanto la fase A esté activa y las demás no, el rotor permanecerá estacionario y actuará en contra del par causado por la carga mecánica sobre el eje. Puesto que el ángulo entre el eje magnético de las fases B o C y el eje de los dientes 3 y 4 del rotor es de 30°, si la fase A se desactiva y el devanado de la fase se excita, los dientes 3 y 4 del rotor se alinearán bajo los dientes 3 y 6 del estator, dando lugar a un desplazamiento de 30° del rotor. Finalmente, si se excita el devanado de la fase C después de desactivar la fase B, el rotor girara otros 30° y se alineará con la fase C, como se muestra en la figura 2.13 c. El rotor puede hacerse girar continuamente en el sentido de las manecillas del reloj siguiendo la secuencia de interrupción descrita anteriormente. Sin embargo, para obtener una rotación en sentido contrario al de las manecillas del reloj, las fases deben activarse en secuencias en el orden A, C, B. En la figura 2.14 se aprecian los voltajes de fase aplicados al motor de pasos de reluctancia variable analizado, y en la tabla 2.1 se indica la secuencia de activación apropiada para la rotación en el sentido de las manecillas del reloj. Para ese motor en particular, el voltaje aplicado debe tener por lo menos cinco ciclos para una revolución.
Figura 2.14. Forma de onda del voltaje de fase para un motor de reluctancia variable.
Fase Fase Fase
Ciclo A B C Posición °
1 1 0 0 0
0 1 0 30
0 0 1 60
2 1 0 0 90
0 1 0 120
0 0 1 150
Página 46
Tabla 2.1. Secuencia de activación de un motor de reluctancia variable. “1” y “0” corresponden a la corriente positiva e igual a cero en un devanado de fase,
respectivamente
2.4.3 Motores de pasos de imanes permanentes.
Un motor de pasos del tipo PM difiere del de reluctancia variable en que su rotor está formado por imanes permanentes. La construcción del estator de un motor de pasos de tipo PM es igual a la de uno de reluctancia variable. En la figura 1.6 se muestra un motor de pasos tipo PM bifásico con rotor de dos polos. En este motor, el rotor esta magnetizado radialmente, de modo que sus polos se alinean con los dientes apropiados del estator.
Cuando se excita el devanado de la fase A por medio de una corriente constante, como se muestra en la figura 1.6 a, el diente 1 actúa como polo sur. Esto hace que el polo norte del rotor de imán se alinee con el polo sur del estator. Posteriormente la fase A se desactiva mientras que el devanado de la fase B se activa, como se indica en la figura 1.6 b, ocasionando un desplazamiento de 90° en sentido contrario al de las manecillas del reloj para alinear el polo norte del motor con el diente número 2 del estator. Si se invierte la polaridad de la corriente aplicada y se comienza de nuevo a excitar la fase A, el rotor girara de nuevo 90° en sentido opuesto al de las manecillas del reloj, esta vez para alinear el polo norte del rotor con el diente número 3 del estator.
Cuando se excita el devanado por medio de la fase A por medio de una corriente constante, como se muestra en la figura 2.15 a, el diente 1 actúa como un polo sur. Esto hace que el polo norte de imán se alinee con el polo sur del estator. Posteriormente, la fase A se desactiva mientras la
3 1 0 0 180
0 1 0 210
0 0 1 240
4 1 0 0 270
0 1 0 300
0 0 1 330
5 1 0 0 360
Página 47
Figura 2.15. Motor de pasos bifásico de imanes permanentes.
Figura 2.16. Formas de onda del voltaje aplicado para un motor de pasos bifásico tipo
PM.
2.4.4 Motores de pasos híbridos.
La construcción del estator de un motor de pasos hibrido no es diferente de la de uno
de reluctancia variable o de la uno de imanes permanentes. Sin embargo, la
construcción del rotor integra el diseño de los rotores de un motor de pasos de
reluctancia variable y uno de tipo PM. El rotor de un motor de pasos hibrido consta de
dos pilas idénticas de hierro suave y de un imán permanente cilíndrico magnetizado
axialmente. Las pilas de hierro suave se sujetan a los polos norte y sur del imán
Página 48
permanente, como se muestra en la figura 2.17. Luego los dientes del rotor se
maquinan en ellas. Así los dientes del rotor en un extremo se convierten en el polo
norte, mientras que los del otro extremo se vuelven los del polo sur. Los dientes del
rotor en ambos polos, norte y sur, están desplazados en ángulo para la alineación
apropiada del polo del rotor con el del estator, como se muestra en la figura 2.17 El
modo de operación del motor de pasos híbrido es muy similar al de un motor de
pasos PM.
Figura 2.17. Diversos aspectos de un motor de pasos híbrido.
2.4.5 Característica par- velocidad
Los motores de pasos se usan generalmente en el rango de 1 W alrededor de 3 hp, y
sus tamaños de pasos varían aproximadamente de 0.72° a 90°. Sin embargo, los
tamaños de pasos más comunes son 1.8°, 7.5° Y 15°.
Puesto que un motor de pasos gira cuando se aplica una serie de pulsos a sus
devanados de fase, la duración de cada pulso debe ser suficientemente larga para
que el motor gire en forma precisa a la velocidad deseada. Si la duración del pulso es
demasiado breve, el rotor perderá los pasos y será incapaz de seguir los pulsos
aplicados en forma precisa. Por tanto el motor girará o la velocidad requerida no se
alcanzará. Para evitar una operación indeseable de tal naturaleza, generalmente se
selecciona la duración del pulso de modo que sea mayor que la constante de tiempo
inercial de la combinación del rotor y la carga mecánica. Por tanto, se espera que un
motor grande con un momento de inercia elevado requiera una tasa de pulsos más
lenta para operar de manera precisa.
Página 49
La característica de par de entrada que se muestra en la figura 2.18 ilustra el rango
permisible de la tasa de pasos para una carga y un motor determinados, con objeto de
no perder un paso. Cuando el motor alcanza su operación de estado estable, la
velocidad es uniforme y se presenta un arranque y un paro a cada paso. Es posible
cargar al motor hasta un límite, el cual está definido por la característica de par de
salida que se muestra en la figura 2.18. Por arriba de ese nivel de par, el motor
comienza a perder pasos y, en consecuencia su velocidad.
Figura 2.18. Características velocidad-par de un motor de pasos.
2.4.6 Inestabilidad y resonancia.
Cuando un motor de pasos está operando a ciertas velocidades uniformes, puede
volverse inestable. El rotor puede variar de manera irregular o simplemente puede
vibrar sin girar más. Esta inestabilidad, conocida también como resonancia, se debe
a la vibración natural del motor de pasos, la cual se manifiesta en uno o más rangos
de velocidades. Por ejemplo, el rango de inestabilidad puede quedar entre 2000 pps y
8000 pps. No obstante es posible permanecer dentro de este rango sin perder el
paso, con lo cual se logran velocidades uniformes estables de entre 8000 y 15000
pps.
2.4.7 Motores de pasos y controles lineales.
La mayoría de los motores a pasos están acoplados a un tornillo de avance que
permite convertir el movimiento giratorio en desplazamiento lineal. Suponga, por
ejemplo, que un motor de pasos que realiza 200 pasos por revolución está acoplado a
Página 50
un tornillo de avance cuyo paso es de 5 cuerdas por pulgada. El motor tiene que
realizar 200*5=1000 pasos para producir un movimiento lineal de una pulgada. Por
consiguiente, cada paso produce un desplazamiento de 0.001 pulgadas. Contando los
pulsos con precisión, podemos posicionar una máquina herramienta, un brazo X-Y y
así sucesivamente, con una precisión de una milésima de pulgada a lo largo de todo
el movimiento deseado.
Esta gran precisión sin retroalimentación es la razón por la cual los motores de pasos
son tan útiles en sistemas de control.
2.5 Encoders
Los Encoders son sensores que generan señales digitales en respuesta al
movimiento. Están disponibles en dos tipos, uno que responde a la rotación, y el otro
al movimiento lineal. Cuando son usados en conjunto con dispositivos mecánicos
tales como engranes, ruedas de medición o flechas de motores, estos pueden ser
utilizados para medir movimientos lineales, velocidad y posición.
Los encoders están disponibles con diferentes tipos de salidas, uno de ellos son los
Encoder incrementables, que generan pulsos mientras se mueven, se utilizan para
medir la velocidad, o la trayectoria de posición. El otro tipo son los encoders absolutos
que generan multi-bits digitales, que indican directamente su posición actual.
Los encoders pueden ser utilizados en una gran variedad de aplicaciones. Actúan
como transductores de retroalimentación para el control de la velocidad en motores,
como sensores para medición, de corte y de posición. También como entrada para
velocidad y controles de rango. A continuación se enlista algunos ejemplos:
•Dispositivo de control de puertas
• Robótica
• Maquinas de lente demoledor
• Plotter
• Soldadura ultrasónica
• Maquinaria convertidora
• Maquinas de ensamblaje
• Maquinas etiquetadoras
• Indicación x/y
Página 51
• Dispositivos de análisis
• Maquinas taladradoras
• Maquinas mezcladoras
• Equipo medico
Tecnología
Los Encoders pueden utilizar tanto tecnología óptica como magnética. El sensor
óptico provee altas resoluciones, velocidades de operaciones altas, y con seguridad,
operación de larga vida en la mayoría de los ambientes industriales. Los sensores
magnéticos, se utilizan frecuentemente en aplicaciones de trabajo pesado como en
laminadoras de papel y acero, proveen buena resolución, altas velocidades de
operación, y máxima resistencia al polvo, humedad, y golpe térmico y mecánico.
2.5.1 Encoders Ópticos
Los encoders ópticos utilizan un disco de vidrio con un patrón de líneas depositadas
en él, un disco metálico o plástico con ranuras (en un encoder rotatorio), o una tira de
vidrio o metal (en un encoder lineal). La luz de un LED brilla a través del disco o tira
sobre uno o más fotodetectores, que produce el suministrador del encoder. Un
encoder de incremento tiene una o más de estas pistas, mientras que un encoder
absoluto tiene varias pistas como bits de salida.
Figura 2.19 a) Disco incremental b) Disco Absoluto c) Escala Lineal
Codificación Incremental
Los encoders de incremento proveen un número específico de pulsos equitativamente
espaciados por revolución (PPR) o por pulgada o milímetro de movimiento lineal. Se
utiliza un solo canal de salida para aplicaciones donde el sentido de la dirección de
movimiento no es importante (unidireccional). Donde se requiere el sentido de
dirección, se utiliza la salida de cuadratura (bidireccional), con dos canales de 90
grados eléctricos fuera de la fase; el circuito determina la dirección de movimiento
Página 52
basado en la fase de relación entre ellos. Esto es útil para procesos que se pueden
revertir, o para mantener la posición de red cuando se encuentra inmóvil u oscilando
mecánicamente. Por ejemplo, la vibración de la maquina mientras este detenido
podría ocasionar que un encoder unidireccional produzca una corriente de pulsos que
serían contados erróneamente como movimiento. El controlador no sería engañado
cuando se utilice la cuadratura de conteo.
Cuando se requiere más resolución, es posible para el contador computar los
márgenes de dirección y rastreo de la serie de pulsos de un canal, el cual duplica (x2)
el número de pulsos contados para una rotación o pulgada de movimiento. Al contar
ambos márgenes de dirección y de rastreo de ambos canales darán una resolución
x4.
Figura 2.20. Pulsos que proporciona el encoder en el canal A y B
Una salida de un encoder incremental indica movimiento. Para determinar la posición,
sus pulsos deben ser acumulados por un contador. La cuenta está sujeta a pérdida
durante una interrupción de energía o corrupción por transistores eléctricos. Cuando
comienza, el equipo debe ser dirigido a una referencia o posición de origen para
inicializar los contadores de posición.
El sensor de posición del encoder incremental sufre tres debilidades principales:
• La información sobre la posición se pierde cada vez que el suministro eléctrico falla o
el sistema se desconecta, y cuando hay perturbaciones fuertes.
• La salida digital, para que sea compatible con los periféricos de entrada / salida de
una computadora, requiere de un contador ascendente / descendente.
• El codificador incremental de posición no detecta la dirección del movimiento a
menos que los elementos se añaden al sistema (Fig. 5.5).
Página 53
Figura 2.21 Principio de encoders incremental lineal y rotacional.
Las propiedades físicas que se utilizan para definir el patrón de disco pueden ser magnéticas, eléctricas u ópticas. La salida básica generada por la propiedad física es un tren de pulsos. Al diferenciar la señal, un impulso se obtiene para cada flanco ascendente o descendente, aumentando en dos el número de los recuentos obtenidos para un desplazamiento dado.
Figura 2.22 La mejora de resolución de salida de un encoder incremental por la diferenciación y la rectificación
Página 54
Codificación Absoluta
El anillo más interno se extiende desde oscuridad a la luz todos los 180 °, el siguiente
anillo cada 90 º, la · siguiente 45 y así sucesivamente, dependiendo del número de
anillos en el disco. La salida del patrón de bits resultante por el codificador revela la
posición angular exacta del eje o del objeto.
Resolución y Precisión
Resolución es el número de segmentos de medición o unidades en una revolución de
un eje de encoder o una pulgada o milímetro de una escala lineal. Los encoders de
eje están disponibles con resoluciones arriba de los 10,000 pulsos por revolución
(PPR) directamente, y 40,000 PPR por detección de margen de los canales A y B,
mientras que los encoders lineales están disponibles con resoluciones medidos en
microns. La línea inferior es, el encoder selecto debe de tener resolución igual a o
mejor que la requerida por la aplicación. Pero la resolución no es toda la historia.
Precisión y resolución son diferentes, y es posible tener uno sin necesidad del otro.
Esta figura muestra una distancia X dividida en 24 incrementos o “bits”. Si X
representa 360° del eje de rotación, entonces una revolución ha sido resuelta a 24
partes.
Mientras que haya 24 bits de resolución, las 24 partes no son uniformes. Este
transductor puede no ser usado para medir la posición, velocidad o aceleración con
más precisión.
Figura 2.23 Inexactamente Resuelta
Por otra parte, en esta figura la distancia X es dividida en 24 partes iguales. Cada
incremento representa exactamente 1/24 de una revolución. Este transductor opera
con exactitud así como la resolución. La precisión, sin embargo, puede ser
independiente de la resolución. Un transductor puede tener una resolución de
solamente dos partes por revolución, aún así su precisión puede ser + 6 arco
segundos.
Figura 2.24 Exactamente Resuelta
Página 55
2.6 Tarjeta de adquisición de datos ni usb 6008
2.6.1 Introducción a la NI USB 6008
Vivimos en un mundo de naturaleza analógica, pero a menudo nos vemos obligados a
modificar este atributo para poder usarlo a nuestra conveniencia, en la adquisición de
un dato para su estudio o manipulación es necesario un proceso en el cual primero se
toma la señal del mundo real (sistema analógico) y se transforma en tensiones
mediante un adecuador a un nivel en el que pueda ser manejado por un computador u
otro sistema capaz de procesarlas. Este dispositivo puede ser una tarjeta de
adquisición de datos.
La adquisición de un dato comienza por un sensor, que en este caso vendría a ser
sinónimo de un transductor, es un dispositivo que cambia la naturaleza de la señal
medida, una propiedad física en una señal eléctrica medible. Hay sensores que miden
diferentes variables como pueden ser: temperatura, humedad, velocidad, flujo,
posición etc. Estas señales son las que tienen que ser acondicionadas, la DAQ
(tarjeta de adquisición de datos) es capaz de realizar esta tarea.
En nuestro proyecto usamos la DAQ NI USB-6008, una tarjeta fabricada por National
Instruments que se presta para proyectos académicos, aun así es suficientemente
poderosa para poder usarse en proyectos de mayor envergadura.
2.6.2 Especificaciones.
La NI USB-6008 ofrece conexión a ocho canales de entradas analógicas (AI),
dos canales de salida analógica (AO), 12 canales de entradas / salidas digitales (DIO),
y un contador de 32 bits con una interfaz USB de velocidad máxima.
Figura 2.25 DAQ NIUSB 6008
Página 56
Figura 2.26. Diagrama a Bloques de la tarjeta de adquisición de datos.
La Figura 2.26 muestra las etiquetas de la señal que se incluyen en la NI USB-
6008. Se puede aplicar las etiquetas de la señal a los bloques de terminal de tornillo
para identificación fácil de las señales.
Página 57
Figura 2.27. Etiquetas de las señales en la DAQ
Comandos importantes
DIO = digitalio('nidaq','Dev1'); // Crea un objeto digital para un dispositivo de National Instruments definido como “Dev1”
data = daqread('filename') //Lee todos los datos del archivo Data AcquisitionToolbox (.daq)especificado en “filename”. daqread devuelve “data”, una matriz de datos mxn, donde m es el número de muestras y n es el número de canales. Si “data” incluye datos de múltiples disparadores, los datos de cada disparo se separa por un NaN(not a number). Si se establece la propiedad OutputFormat a tscollection, daqread devuelve un objeto de colección de series de tiempo.
[data, time] = daqread(...) // devuelve pares time/value. el tiempo es un vector mx1, la misma longitud que “data”, que contiene el tiempo relativo para cada muestra. Tiempo relativo se mide con respecto al primer disparo que se produce.
[data, time, abstime] = daqread(...)
Página 58
CAPITULO 3 DESARROLLO. En este capítulo se explicará cómo fue realizado este proyecto, desde su inicio con la construcción del prototipo físico, hasta la implementación de éste con la red neuronal artificial.
3.1 Descripción general.
El elevador inteligente es un mecanismo unidimensional con 6 posiciones a controlar sobre el eje y, con un motor de pasos de 7.5° por paso un total de 48 por revolución como actuador. El desplazamiento de la cabina se realiza mediante una cadena de común manufactura engranes polea y poleas. El control del motor a pasos es mediante un driver para motores a pasos configurados de modo unipolar. Este puede variar la velocidad del giro del motor con la frecuencia de los pulsos que envía. De igual manera puede variar la dirección del giro, que moverá el ascensor hacia arriba o hacia abajo. La posición será medida mediante un encoder y MATLAB con ayuda de la tarjeta de adquisición de datos NIUSB 6008 Para la detección del sentido de giro, se utilizará un circuito digital simple que consta de algunas compuertas y flip flops.
3.2 Descripción del control inteligente del sistema.
El sistema propuesto es un controlador basado en 2 redes neuronales artificiales
recurrentes, una de identificación y otra de control. La primera es una red de 2
neuronas en la capa de entrada, 4 en la capa oculta y 2 neuronas en la capa de
salida, esta red requiere de conocer instantes pasados para producir una
aproximación, como se mencionará en el marco teórico se utilizo un esquema tipo
paralelo que es el que utiliza las redes dinámicas o recurrentes aprovechando que
tienen retroalimentación.
La segunda red mencionada es una red neuronal recurrente de control, esta será el
controlador del sistema conectado a la planta que es el modelo matemático del motor.
Página 59
3.3 Prototipo físico.
La maqueta propuesta del edificio consta de las siguientes características, un metro de largo sobre el eje y, cuarenta en el eje x, y cuarenta en el eje z
Figura 3.1 Diagrama del edificio propuesto.
Debido al uso que se le va a dar a la maqueta del elevador, como material de
apoyo en las actividades de aprendizaje en la academia de control, se necesita
escoger un tipo de material que tenga ciertas características, tales como durabilidad,
resistencia y baja densidad (ligero) estas características son cubiertas por el aluminio.
Las dimensiones propuestas se deben a la necesidad de espacio para colocar
el sistema del elevador, este consta de motor, cabina, cadena, poleas, guías,
contrapeso, además de espacio para la circuitería pertinente.
Página 60
Para el mecanismo del elevador nos basamos en un tradicional modelo, que consta
de un motor que es ayudado por un contrapeso para jalar la cabina. Se plantea
también como ayuda un sistema de guías, que hacen que el movimiento sea suave.
Figura 3.2 Mecanismo del sistema de elevador.
Se procedió entonces a construir el prisma cuadrangular de 40 x 40 cm y un metro de
altura, se construyó con lámina de aluminio de un 1/8 de espesor, esto simula un
edificio.
Figura 3.3 Prisma rectangular de 40 x 40 cm y 1 m de altura.
Página 61
Dentro de este prisma se introdujo el sistema del elevador para eso construimos una
base donde pudiéramos colocar el motor y el sistema de engranes que dará
movimiento a nuestro elevador, esta base se encuentra situada a 85 cm de altura en
medio del edificio.
Dentro del edificio se colocaron dos barras de “cold rolled” de ½ pulgada de diámetro,
estas barras sirven como guías para la cabina del elevador.
La cabina del elevador se une a las guías por medio de dos tubos de 5/8 de diámetro
por los cuales pasan las barras de cold rolled.
Figura 3.4 Cabina del elevador con sus guías y cadena.
Página 62
La cabina del elevador fue construida en lámina galvanizada y tiene unas medidas de
9 x 12 cm y 6cm de ancho. Al motor le fue adaptado un sistema de engranes
(reductor) que es de 4 a 1. Es decir, por cada revolución del rotor (360°), el ultimo
engrane que es el que está conectado directamente a la cabina solo hará un giro de
90°. A este último engrane se le acopló el encoder que nos servirá para sensar la
posición del motor.
Figura 3.5 Prototipo final del elevador.
Página 63
3.3 Identificación de terminales del motor a pasos.
Para este proyecto utilizamos un motor a pasos 28BB-H151-11 de MINEBEA CO. LTD. Aunque el motor es nuevo, no existe hoja de especificaciones para este, únicamente contamos con los siguientes datos básicos:
(Motor: 28BB-H151-11)
28 B B - H 1 51 - 11
Size
T
y
p
e
Step
Angle
Motor
Construction
Motor
Lengt
hs
Differe
nt
Windin
gs
Versio
ns
Motor Outside
Diameter
In Tenths Of An
Inch
(Example: Size
28 = 2.8")
A = 15 Deg
B
=
7.5
Deg
J = 18 Deg
M = 1.8 Deg
Q = 5 Deg
S = 3.6 Deg
U = 3.75 Deg
W = 1.875 Deg
Y = 0.9 Deg
C
=
2&
4
Phase
Hybrid
H
=
2 &
4 Phase PM
K
=
2 &
4
Phase
Hybrid
M
=
2 &
4
Phase
Hybrid
Q
=
2 &
4
Phase
Hybrid
0
To
9
01
To
99
B
=
Permanent
Magnet
L
=
Precision,
Hybrid
K
=
Precision,
Hybrid
P
=
Precision,
Hybrid
01 to
99 = Standard
L1 to
L9
=
With
Leadscrew
G1 to
G9
=
With Gear
P1 to
P9 = With Pulley
Tabla. 3.1 Especificaciones Generales del motor de pasos
Página 64
Figura 3.6 Vista trasera del motor de pasos. Estos datos nos indican en general que el motor es del tipo de imán permanente, que hay un movimiento de 7.5 grados por paso lo que nos da un motor de 48 pasos por revolución, y de la parte trasera del motor podemos ver que se alimenta a 5 Volts. Contamos con 8 cables, 2 amarillos, 2 blancos, 2 rojos y 2 negros. A falta de una hoja de especificaciones, nos dimos a la tarea de identificar las terminales. Sabemos que los motores a pasos construidos actualmente en su mayoría pueden ser conectados de modo unipolar y bipolar, cuando un motor a pasos tiene más de 5 o 6 cables es casi seguro que sea el caso en el que se puede conectar en ambas configuraciones.
3.4 Driver
El driver para motor a pasos DRV_UNI_A, fue desarrollado para controlar motores a pasos unipolares de cuatro fases, con una potencia máxima por fase de 40 Watts y un voltaje máximo por fase de 50 VCD. Este driver requiere para su operación de una secuencia de pulsos digitales, los cuales deben introducirse por las terminales D, C, B y A del conector CN1. Los pulsos pueden obtenerse de circuitos lógicos, microprocesadores, microcontroladores, PLC’s o de una PC. A través de la terminal GND de CN1 se deben unir las tierras de los sistemas involucrados, y por la terminal +5 V de este conector, se debe alimentar la parte lógica del driver con un voltaje de +5 VCD, que generalmente también se obtiene del sistema que está proporcionando los pulsos. El consumo de la parte lógica del driver es de aproximadamente 50 mA, por lo que no representa una gran carga para la fuente que proporciona este voltaje.
Además de la secuencia de pulsos y del voltaje de +5 VCD, el driver requiere de un voltaje para excitar las bobinas del motor. Este voltaje al igual que el voltaje de +5 VCD, debe proporcionársele al driver externamente a través de CN3, y su valor depende del voltaje nominal de operación del motor. De esta manera, este voltaje puede estar comprendido entre 5 VCD (mínimo) y 50 VCD (máximo); y sólo se debe verificar que la fuente de voltaje que alimenta esta parte, tenga la capacidad de corriente necesaria para mover el motor. Las entradas del driver cuentan con optoaisladores (figura 3.7), que aíslan eléctricamente al driver y al sistema que proporciona la secuencia de pulsos, protegiendo de esta manera a éste ultimo de cualquier cortocircuito que pudiera presentarse en el driver. Si el sistema que proporciona los pulsos al driver tiene
Página 65
señales de salida con niveles de voltaje mayores a +5 V para el “1” lógico, entonces R1, R2, R3 y R4 deberán reemplazarse por el valor calculado por la formula de la figura 3.6. El “0” lógico siempre tendrá que ser de “0” volts.
Figura 3.7
La siguiente figura nos muestra cual es el código con el que el tren de impulsos es
enviado al motor, para su correcto funcionamiento.
Tabla 3.2. Grados por paso
1 2 3 4 Ángulo
0 1 0 1 0.0°
1 0 0 1 7.5°
1 0 1 0 15.0°
0 1 1 0 22.5°
0 1 0 1 30.0°
1 0 0 1 37.5°
1 0 1 0 45.0°
0 1 1 0 52.5°
0 1 0 1 60.0°
1 0 0 1 67.5°
1 0 1 0 75.0°
0 1 1 0 82.5°
0 1 0 1 90.0°
1 0 0 1 97.5°
1 0 1 0 105.0°
0 1 1 0 112.5°
0 1 0 1 120.0°
1 0 0 1 127.5°
1 0 1 0 135.0°
0 1 1 0 142.5°
0 1 0 1 150.0°
1 0 0 1 157.5°
1 0 1 0 165.0°
0 1 1 0 172.5°
1 2 3 4 Ángulo
0 1 0 1 180.0°
1 0 0 1 187.5°
1 0 1 0 195.0°
0 1 1 0 202.5°
0 1 0 1 210.0°
1 0 0 1 217.5°
1 0 1 0 225.0°
0 1 1 0 232.5°
0 1 0 1 240.0°
1 0 0 1 247.5°
1 0 1 0 255.0°
0 1 1 0 262.5°
0 1 0 1 270.0°
1 0 0 1 277.5°
1 0 1 0 285.0°
0 1 1 0 292.5°
0 1 0 1 300.0°
1 0 0 1 307.5°
1 0 1 0 315.0°
0 1 1 0 322.5°
0 1 0 1 330.0°
1 0 0 1 337.5°
1 0 1 0 345.0°
0 1 1 0 352.5°
Página 66
3.5 Conexión y lectura del encoder
Encoders incrementales son probablemente el tipo más común de encoder
utilizado en la industria, por la gran variedad de aplicaciones que su uso abarcan, este tipo de encoder será también el que utilicemos en el presente proyecto.
Cada encoder incremental tiene en su interior un disco, marcado con una serie de líneas uniformes a través de una única pista alrededor de su perímetro, las líneas impermeables a la luz de anchura igual a los huecos transparentes, trabajando con una unidad emisora de luz y una unidad de captación de la misma, al girar el disco, generan unas señales que debidamente tratadas generan las señales de salida de un encoder incremental.
Las señales de salida de nuestro encoder pueden ser un tren de pulsos, en forma de señal cuadrada, donde el número de pulsos que se generaran en una vuelta coincidirá con el número de impulsos del disco en el interior del encoder (ya que va montado el eje del motor) nos referimos a encoders de un solo canal (señal A).
Figura 3.8 Señales A y B, y sentidos del encoder.
Una segunda señal se suministra (señal B), es un tren de impulsos idéntico al que suministra la señal A pero desfasado 90º respecto de esta , nos referimos a encoder de dos canales (señal A+B).
También cabe la posibilidad de una señal de referencia o zero que proporciona un pulso a cada vuelta, esta señal puede sincronizarse respecto de la señal A (A+0), respecto la señal B (A+B+0) o respecto a ambas (aunque no es nuestro caso). Usando solamente la señal A de nuestro encoder, podemos determinar la posición angular, ahora si también utilizamos la señal B, tendremos el sentido de giro, si esto no fuera posible, se hace necesaria la implementación de un circuito detector de giro.
Página 67
3.6 Detección del sentido de giro.
En el mecanismo de un elevador es primordial saber en qué sentido está girando el motor, esto nos dirá si vamos de subida o bajada. Existen diferentes formas para poder detectar dicho sentido, pero siendo la electrónica un conocimiento importante adquirido en la carrera y no muy utilizado en este proyecto, decidimos escoger un circuito de detección del sentido de giro basado en circuitos digitales, de tal forma que se pueda, al enviar señales, cambiar la polaridad de la alimentación del motor, una forma seria la aplicación de un puente H. Este circuito lógico síncrono analiza el comportamiento de las señales que el encoder nos envía. Las señales enviadas son de la siguiente forma. En la figura 3.9 la señal del canal B sigue a la del canal A, esto significa que el motor está girando a la derecha, en la figura 2 la señal A sigue a la B, esto es que el motor está girando hacia la izquierda. Para realizar el circuito de detección de giro son necesarios los elementos que se muestran en el diagrama que se encuentra a continuación, es sencillo de armar y consta de elementos fáciles de conseguir.
Figura 3.9 Circuito detector de giro
En el diagrama se observa también que los 3 circuitos flip flop necesitan una frecuencia de reloj, dicha frecuencia de reloj es la señal del canal A del encoder, debido a que esta señal es la que nos proporciona la Información acerca de la posición, y la señal del canal B es la que nos proporciona la información del giro debido a que esta desfasada 90 grados.
3.7 Normalización de la función de activación.
Como se mencionó en el marco teórico, la función de activación es una función
que dependiendo de su utilidad estará acotada. En este caso nuestra función de activación tendrá un rango únicamente de entre 0 y 1, para lo que necesitamos una interfaz y programa apropiados
Página 68
Para el proyecto que aquí se desarrolla con la NI USB-6008, optamos por MATLAB para controlar el dispositivo. Hay tres razones para esta elección:
1) El Instituto Politecnico Nacional tiene una licencia completa de MATLAB. Esto incluye la caja de herramientas de adquisición de datos que debe tener para el control de la USB-6008 o 6009 de MATLAB. Tomamos en cuenta que la NI USB-6008 es compatible con la Data AcquisitionToolbox (MATLAB R2006a) o más reciente.
2) MATLAB es relativamente fácil de programar.
3) Hay muchos ejemplos de la literatura y el apoyo que muestran cómo hacer MATLAB realizar muchos tipos de análisis de datos.
Para poder utilizar la tarjeta fue necesaria su configuración que se describe a continuación.
1) Instalamos Nidaqmx. Este es un archivo grande, pero va a instalar los controladores.
2) Conectamos el USB-6008. La luz verde se encenderá y apagará. Para realizar análisis de datos con retroalimentación, este programa no funcionará. Si tenemos una versión completa de LabVIEW de National Instruments, también lo podremos utilizar para el control.
3) Cerramos el software Nidaq y empezamos MATLAB.
4) Probamos que MATLAB puede comunicarse con el dispositivo de la siguiente manera:
Escribimos uno o más de los siguientes comandos en MATLAB ai = analoginput ('nidaq', 'dev1) AND / OR dio = digitalio ('nidaq, dev1) AND / OR ao = analogoutput ('nidaq', 'dev1)
Si funciona, veremos un resumen de visualización de los ajustes de entradas analógicas y/o digitales. Las entradas y salidas analógicas y digitales (digital incluye tanto dentro como fuera, al mismo tiempo) se deben asignar por separado. Tengamos en cuenta que la “dio” o “ai” no contienen canales, se le tienen que asignar.
Página 69
Para que la medición de los pulsos sea hecha y transformada a una función lineal que nos diga la posición de la cabina, es necesario un diagrama que realice dicha linealizacion, el diagama propuesto es el siguiente, donde en base a multiplicaciones, divisiones y un simple contador, se pueden obtener los valores necesarios para la referencia de la RNRE que se planteará. También es necesario colocar la entrada digital de la tarjeta.
Figura 3.10 Diagrama en Matlab para la linealización de la función de activación
3.8 Construcción de las RNRE.
Para el control de este sistema se utilizaran redes neuronales recurrentes, este tipo de redes tienen una arquitectura especial que las hacen muy buena opción en tareas de identificación y control de sistemas.
Se trata de redes multicapa, con una capa oculta tipo recurrente, mientras que la capa de salida feed-forward tiene un número mínimo de parámetros y su algoritmo de aprendizaje es del tipo corrección por error bajo un paradigma de aprendizaje supervisado.
Las ecuaciones de estado de la red definen su comportamiento y estructura:
Página 70
Dónde:
Es el vector de estado, es n-dimensional, es decir , donde n es el numero de neuronas de la capa oculta.
Señal(es) de entrada a la red neuronal. Es un vector m-dimensional, , m es el numero de entradas.
(�) Es el vector de salida de la RNRE, es L-dimensional � R
Es el vector de salida de la RNRE, es L-dimensional , L es el numero de salidas.
Es la matriz de peso de la capa oculta, es cuadrada de dimensión y además diagonal , por lo que el numero de parámetros es mínimo , los cuales son variantes en el tiempo.
es la matriz de pesos asociada al vector de entrada y su dimensión es
es la matriz de pesos asociados al vector de salida y su dimensión es
x(k+1) x(k) z(k) v(k) y(k)
Ulk)
Capa de entrada Capa oculta Capa de salida
Figura 3.11 Diagrama a bloques de la RNRE
Son los vectores de funciones de activación y dimensión adecuada aplicadas en la salida de la capa oculta y en la salida general de la RN, respectivamente. Son funciones de activación suaves y derivables.
C µ z⁻¹
A
B
Página 71
3.9 Construcción de la planta
Partiendo de la ecuación de movimiento referida a motores a pasos para el análisis de
amortiguamiento, tenemos
Figura 3.12 Diagrama de la Planta en Simulink
Página 72
CAPITULO 4. PRUEBAS Y RESULTADOS.
4.1 Conexión del motor de pasos
Para poder utilizar un motor es necesario identificar cuales sus terminales, por lo tanto
se procedió a identificar que cables correspondían a bobinas y cuales a tierra, para
eso medimos entre que cables existía impedancia, propiedad inherente de una
bobina, después de las mediciones encontramos que los cables correspondientes a
tierra eran los rojos y negros.
Figura 4.1 Configuración Unipolar
Después se procedió mediante prueba y error a saber cuál era la secuencia que nos
daría 4 pasos en el mismo sentido, y el resultado es el que se muestra en la figura.
Una vez encontrada la secuencia la cuál fue obtenida para una configuración unipolar
se continuó con su conexión al driver, el funcionamiento de dicho circuito fue
explicado en el capítulo anterior, así como la secuencia del tren de pulsos para mover
el motor.
Página 73
4.2 Obtención y Normalización de la referencia (Posición).
Se puso en marcha el elevador para medir el canal A y B del encoder y se obtuvo la siguiente señal.
Figura 4.2 Grafica de las señales A y B del encoder
Esta grafica se tomó con el motor girando a la derecha, la señal del canal 2 (canal B del encoder) sigue a la del canal 1.
Esta señal obtenida con el encoder que se muestra en la figura 4.2 no puede ser utilizada como referencia en nuestro sistema de control, primero debe ser linealizda (o sea la función ahora solo tomara valores en un rango determinado y será continua en tiempo y amplitud), para eso se realizó el siguiente proceso, comenzando por instalar nuestra tarjeta de adquisición de datos. Una vez configurada la tarjeta como se explicó en el desarrollo, y la comunicación con
MATLAB lista, se procedió a lo siguiente:
Primero se midió la cantidad de pulsos que nos entrega el encoder desde la posición
inicial en la planta baja, hasta el último piso, el resultado fue 900 pasos, estos nos
indican los pulsos que se necesitaron para recorrer 70 cm de distancia, por medio de
una regla de 3 y con ayuda de Simulink y nuestra tarjeta de adquisición de datos
NIUSB6008 pudimos crear una función que nos diera valores entre 0 y 1 para
Página 74
cualquier punto en el que se encuentre el elevador y al mismo tiempo nos dijera
cuanta distancia ha recorrido.
En Display se muestra que el elevador llegó hasta el último piso, debido a que se
contaron los 900 pasos, como se dijo esos pasos son el equivalente a haber recorrido
70 cm, que es lo que nos muestra el Display 4, por ultimo dado que el elevador se
encuentra en su punto máximo, la función que representará su posición también lo
hace, dándonos el valor máximo permitido que es 1, mostrado en Display 5.
Figura 4.3 Sistema para crear la función de activación.
4.3 Diseño del Control Inteligente
Para el diseño del sistema de control que propusimos fueron necesarias 2 rededes
neuronales recurrentes entrenables, una que hace la tarea de identificación del
sistema y otra que se encarga del control; la primera es una red de topología dos,
cuatro, dos y la segunda es seis, ocho, dos.
Página 75
Figura 4.4 Red de identificación.
Página 76
Figura 4.5 Red Neuronal recurrente de Control.
En la figura 4.13 se puede observar el sistema completo, pero, ¿qué es lo que se
encuentra a la entrada? son dos referencias las que serán controladas, posición y
velocidad, para el caso de este proyecto solo se alcanzó a trabajar con la posición,
esta es la referencia 1.
Las primeras simulaciones se realizaron con una referencia fija, no utilizando el
ascensor, estas simulaciones tienen como entrada un valor de 0.5, que es un valor
real, que se podría obtener, este valor llegaría cuando el edificio se encuentre a mitad
de camino, en el centímetro 35.
Página 77
Las referencias son conectadas a dos capas de entrada de la red de control, nos
sobran 4, estas serán conectadas posteriormente con las capas ocultas de la red de
identificación. Continuado, la salida de la red de control, 2 capas, se conectan a las
entradas de la planta, que según el modelo matemático consta de 2 torques estos a
su vez son las entradas de la red de identificación, las dos salidas de esta planta
serán comparadas con las salidas de la red de identificación, para que el sistema
pueda identificar correctamente.
Figura 4.6 Diagrama general del sistema de control, con referencias propuestas.
Se comenzó por graficar las señales que entraran a la planta, lsas señales de control,
estas son las salidas de nuestra RENRE de control y las entradas de la planta, que en
esta caso son torque 1 y torque 2.
Página 78
Figura 4.7 Señal de control 1
Figura 4.8 Señal de control 2
Página 79
Se continuó por corroborar que la red de identificación funcionara y los resultados
obtenidos fueron óptimos al ver que la salida de la red de identificación seguía
perfectamente a la salida del sistema, esto para el caso ambas salidas, como se
muestra en las siguientes figuras. La identificación es tan buena que parecen ser una
sola gráfica.
Figura 4.8 Salida uno de la planta y salida uno de la RNREI
Figura 4.8 Salida dos de la planta y salida dos de la RNERI
Página 80
Lo siguiente en graficar fue el error medio cuadrático (EMC), que es el que el valor
esperado del cuadrado de la diferencia entre el estimador y el parámetro que trata de
estimarse, en primera instancia se hizo para identificación de identificación, esto se
hace gracias al bloque RMS discreto para que nos ayude a ver su convergencia hacia
cero.
Figura 4.9 EMC identificación 1
Figura 4.10 EMC identificación 2
Página 81
Posteriormente se graficó el EMC pero ahora de control. Estos son los resultados
obtenidos, una vez más convergiendo hacia cero.
Figura 4.11 EMC Control 1
Figura 4.12 EMC control 2
Página 82
También hemos graficado Referencia 1 contra salida de la planta 1, y referencia 2 con
salida de la planta 2. En ambos casos observamos cómo se obtiene una respuesta
muy buena que alcanza la referencia sin pasarse y sin amortiguamiento.
Figura 4.13 Referencia 1 contra Salida 1
.
Figura 4.14 Referencia 2 contra Salida 2
Página 83
Por último, se sustituyó la referencia 1, por la referencia real a controlar, la posición
del elevador, entonces se procedió a cambiar la constante manejada de 0.5, por un
subsistema que tiene la función que se desea, que se menciono anteriormente.
Figura 4.13 Sistema de Control Completo.
Conclusiones
Dadas las gráficas obtenidas por las simulaciones, nos hemos dado cuenta de que el
control inteligente basado en redes neuronales, es capaz de ofrecer respuestas que
pueden alcanzar la referencia de manera rápida y sin ser una respuesta
subamortiguada o sobreamortiguada que pueda traer algún tipo de retraso. Es cierto
que los tiempos obtenidos en el sistema de control propuesto no son óptimos, la forma
de la función demuestra que con algunos ajustes se logrará el objetivo de mejorar un
control tradicional, como se mencionó en reiteradas ocasiones PLC´s o PID, en el
caso de la comparación con los PID también es rescatable mencionar que no es
necesaria una sintonización que aunque pueda ser fácil quita un poco de tiempo.
A final de cuentas al trabajo le quedan muchas cosas para mejorarse a futuro, pero
consideramos que las bases que se dejan tanto en la investigación como en el diseño
y simulación del control para el actuador del elevador serán de gran ayuda para la
comunidad académica.
Página 84
Recomendaciones y trabajo futuro.
El trabajo futuro lo podemos dividir en dos líneas, la primera es implementar la red
neuronal en el prototipo físico que se construyó, incluyendo la totalidad de pisos que
se tenía prevista; dicho prototipo se quedara en manos de los laboratorios de la
academia de control para uso del alumnado de dicha especialidad, de hecho esto fue
uno de los objetivos del proyecto. Así recomendamos la implementación de un PLC
en primera instancia como control del elevador, y después la implementación de la red
neuronal, esto con el fin de comparar eficiencia. Dentro de esta línea es importante
mencionar que en el sistema propuesto de control se obtuvo una gran respuesta en la
parte de identificación del sistema, pero no se logro de lleno controlar la planta
propuesta, esto debe de tener cabida dentro de las mejoras a este tranajo.
La segunda es la elaboración de una red neuronal que controle al menos 3
ascensores, la red se construirá de manera que se consideren las fluctuaciones de
tráfico en los edificios de manera que esta sea capaz de pronosticar dicho trafico
minutos antes del intervalo que comprenden las “horas pico” y así, elegir la
configuración óptima para cada momento.
Bibliografía.
JOSE R.HILERA, VICTOR J.MARTINEZ, Redes Neuronales Artificiales, fundamentos modelos y aplicaciones. Ed. alfaomega pp1-144.
BONIFACIO MARTINEZ DE BRIO, ALFREDO SANZ MOLINA, Redes Neuronales y Sistemas Borrosos. Universidad de Zaragoza ed.RA-MA pp1-37
BHAG S. GURU, HUSEYIN R. HIZIROGLU, Maquinas Eléctricas y Transformadores. Ed. Alfaomega 666-676.
THEODORE WILDI, Maquinas Electricas y Sistemas de Potencia. 6ta. Edición, Ed. Pearson Prentice-Hall, pp 442.
ANTONIO MIRAVATE, EMILIO LARRODE, Transportadores y Elevadores. Ed. Departamento de ingeniería mecánica de la universidad de Zaragoza, pp1-61.
ANTONIO MIRAVATE, EMILIO LARRODE, Transporte Vertical. Ed. Departamento de ingeniería mecánica de la universidad de Zaragoza, pp1-90.
Página 85
GLOSARIO Variables del sistema: Son todas las magnitudes, sometidas a vigilancia y control, que definen el comportamiento de un sistema (velocidad, temperatura, posición, etc.). Entrada: Es la excitación que se aplica a un sistema de control desde una fuente de energía externa, con el fin de provocar una respuesta. Salida: Es la respuesta que proporciona el sistema de control. Perturbación: Son las señales no deseadas que influyen de forma adversa en el funcionamiento del sistema. Por ejemplo abrir una ventana representa una perturbación en elsistema de control de temperatura mediante termostato. Planta: Sistema sobre el que pretendemos actuar. Sistema: Es un conjunto de elementos interrelacionados capaces de realizar una operación dada o de satisfacer una función deseada. Entrada de mando: Señal externa al sistema que condiciona su funcionamiento. Señal de referencia: Es una señal de entrada conocida que nos sirve para calibrar al sistema. Señal activa: También denominada señal de error. Representa la diferencia entre la señal de entrada y la realimentada. Unidad de control: Gobierna la salida en función de una señal de activación. Unidad de realimentación: Está formada por uno o varios elementos que captan la variable de salida, la acondicionan y trasladan a la unidad de comparación. Actuador: Es un elemento que recibe una orden desde el regulador o controlador y la adapta a un nivel adecuado según la variable de salida necesaria para accionar el elemento final de control, planta o proceso. Transductor: Transforma una magnitud física en otra que es capaz de interpretar el sistema.
Dato: Representación simbólica (numérica, alfabética...), atributo o característica de un valor. No tiene sentido en sí mismo, pero convenientemente tratado (procesado) se puede utilizar en la relación de cálculos o toma de decisiones.
Página 86
Adquisición: Recogida de un conjunto de variables físicas, conversión en voltaje y digitalización de manera que se puedan procesar en un ordenador.
Sistema: Conjunto organizado de dispositivos que interactúan entre sí ofreciendo prestaciones más completas y de más alto nivel. Una vez que las señales eléctricas se transformaron en digitales, se envían a través del bus de datos a la memoria del PC. Una vez los datos están en memoria pueden procesarse con una aplicación adecuada, archivarlas en el disco duro, visualizarlas en la pantalla, etc...
Bit de resolución: Número de bits que el convertidor analógico a digital (ADC) utiliza para representar una señal.
Rango: Valores máximo y mínimo entre los que el sensor, instrumento o dispositivo funcionan bajo unas especificaciones.
