SISTEMA DE CONTROL INTEGRADO NEUROFUZZY

1
SISTEMA DE CONTROL INTEGRADO NEUROFUZZY

• LEANDRO G. BARAJAS M.
• MARIA DEL PILAR BARON D.

UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
2
CONTENIDO

• Introducción
• Fundamentos Teóricos
• Desarrollo del proyecto
• Aplicación
• Conclusiones

3
Introducción

• Sistema de control híbrido paralelo que utiliza
  como herramientas principales la FUZZY LOGIC y
  las REDES NEURONALES en aplicaciones
  industriales.

4
Fundamentos Teóricos
5
FUZZY LOGIC
Qué es ?

• Es una extensión de la lógica convencional,
• proporciona un marco conceptual adecuado
• para soportar el problema de la representación
• del conocimiento en un entorno de
• incertidumbre e imprecisión.

6
Características

• No necesita modelamiento matemático
• Utiliza descripciones lingüísticas
  autoexplicatorias como alto, nunca,
  frecuentemente, probablemente, etc.
• Se basa en el comportamiento del sistema y en la
  experiencia del operario
• Basados en palabras y no en números
• Análogo (ambiguo) y no digital (si/no)
• La representación del conocimiento en fuzzy logic
  se basa en semánticas test-score
  (prueba-calificación)
• Aplicaciones
• fdfaddress schedule implications

7
Comparación entre lógica crisp y fuzzy logic
8
Ventajas

• Menor requerimiento de valores, reglas y
  decisiones
• Mayor cantidad de variables observadas son
  evaluadas
• Relaciona entradas a salidas indistintamente
• El diseñador del sistema no necesita saber nada
  del trabajo antes de empezar

• Simplifican la representación y la adquisición
  del conocimiento
• Alta velocidad de respuesta
• Probada eficiencia
• Elevada capacidad de aprendizaje
• Fácil adaptabilidad a diferentes procesos

9
Desventajas

• Es difícil desarrollar el modelo de un sistema
  fuzzy
• Requieren mayor simulación
• Necesitan ajustes después de ser puestos en
  operación
• Relativamente alto costo del sistema de
  desarrollo
• Poca flexibilidad en los programas de
  implantación de sistemas expertos, cuando se
  desea cambiar un valor particular en una regla
• Tendencia en favor de la precisión matemática y
  en los modelos lineales

10
Aplicaciones

• Control Industrial
• Industria automóvilistica
• Industria aeroespacial
• Aparatos eléctricos
• Estimación e identificación de parámetros
• Toma de decisiones

11
Implementación sistemas fuzzy logic
12
Control Fuzzy Logic

• Se utiliza en controladores por su simplicidad
• No requiere de constructores matemáticos
  complejos, permitiendo diseñar mediante la
  descripción del funcionamiento con lenguaje
  natural
• Facilita las tareas de prueba y mantenimiento del
  sistema
• Controla procesos que requieren decisión humana
• Para realizar un control fuzzy, se necesita
  establecer relaciones fuzzy IF-THEN llamadas
  reglas de control.

13
Estructura Controlador Fuzzy
14
REDES NEURONALES

• Red mono o multicapa de nodos (elementos
• computacionales) y enlaces o arcos utilizados
• para el reconocimiento de patrones,
  clasificación,
• y otros problemas no numéricos

15
NEURONA
16
Estructura de una red neuronal artificial

• Unidades de procesamiento (la neurona artificial)
• Estado de activación de cada neurona
• Patrón de conectividad entre neuronas
• Regla de propagación

• Función de trasferencia
• Regla de activación
• Regla de aprendizaje

17
Topología de las redes neuronales

• Redes Monocapa

• Redes Multicapa

18
Ventajas

• Presentan un gran número de características
  similares al cerebro humano
• Son capaces de aprender de la experiencia

• Generalizan los casos anteriores a nuevos casos
• Abstraen características esenciales a partir de
  entradas que representan información irrelevante

19
Desventajas

• Cantidad de tiempo en la selección y preparación
  de los datos de entrenamiento
• Tiempo en el proceso de entrenamiento
  computadores de alta velocidad
• La necesidad de entrenar la red con todos los
  patrones nuevamente, cuando se quiere cambiar un
  patrón o un punto de operación dados, con los
  costos en tiempo de entrenamiento

20
RED HÍBRIDA NEURO-FUZZY (RHND)

• Combinación entre redes neuronales artificiales y
  controladores fuzzy. Resaltan las ventajas y
  soslayen las desventajas de las técnicas
  individuales
• Toman su topología de las Redes Neuronales
  Artificiales (RNA) preservando los nodos que
  desarrollan una función simple, pero intercalan
  capas de nodos con funciones internas más
  complejas como funciones de pertenencia e
  implicación

21
Comparación característicasRedes
Neuronales-Fuzzy Logic

• Procesamiento paralelo de información
• Capacidad de aprendizaje supervisado, sobre la
  base de ejemplos
• Conocimiento a posteriori a través del proceso de
  aprendizaje

• Limitado por la capacidad del procesador fuzzy
• A nivel de la inferencia lógica
• Opera sobre la base de reglas de inferencia que
  presuponen un conocimiento a priori

22

• El procesamiento de información es no lineal
  debido a que las funciones de selección son
  sigmoides o escalonadas
• A causa de la utilización de perceptrones
  elementales redundantes es posible construir
  redes neuronales tolerantes a fallas

• Adaptivo, permite utilizar el grado de precisión
  requerido por una aplicación y cambiarlo de una
  aplicación a otra
• Un sistema de fuzzy logic puede operar sobre la
  base de Etiquetas lingüísticas, lo cual hace que
  estos sistemas sean inherentemente robustos

23
Ventajas RHND respecto al un Sistema Experto

• Capacidad de aprendizaje
• Disponibilidad de algoritmos de entrenamiento
  supervisado
• Menor tiempo de inferencia por la capacidad de
  procesamiento en paralelo

• La facilidad de programación

Principal Desventaja

• Capacidad limitada de explicación

24
Estructura general de un sistema Neuro-Fuzzy
25
PASOS DE DESARROLLO SISTEMAS NEURO-FUZZY

• 1. Obtención de los datos de entrenamiento. Cada
  conjunto de datos da un valor de salida de
  ejemplo para una combinación de variables de
  entrada.
• 2. Creación del sistema fuzzy logic. Empleando la
  experiencia de los usuarios y los datos de
  muestra.

26

• 3. Definición del aprendizaje Neuro-Fuzzy
• Se seleccionan las partes del sistema que el
  módulo Neuro-Fuzzy puede modificar y se pueden
  excluir partes del sistema de aprendizaje
• Si se han definido reglas por experiencia como
  parte del sistema fuzzy logic inicial estas
  pueden ser utilizadas para el aprendizaje

27

• 4. Selección del método de aprendizaje.
• Supervisado. El proceso de aprendizaje se realiza
  mediante un entrenamiento controlado por un
  revisor externo que determina la respuesta que
  debería generar a partir de una entrada
  determinada
• No supervisado. la red no recibe ninguna
  información del entorno para modificar sus pesos,
  y se puede decir que se pueden autoorganizar.

28

• 5. Fase de entrenamiento. Se seleccionan y
  modifican las reglas y funciones de membresía
  hasta minimizar el error
• 6. Optimización y verificación. Por medio de
  analizadores lógicos, herramientas de desarrollo
  de software y hardware y pruebas in situ se
  verifica la correcta operación del sistema y por
  métodos numéricos se realizan diferentes tipos de
  optimización.

29
(No Transcript)
30
Desarrollo del Proyecto
31
Sistema de Control Integrado Neuro-FuzzySCINEF
32
(No Transcript)
33
Fuzzy Logic
34
Procesador Fuzzy Logic

• AL220

35
Características

• Máximo 4 entradas análogas con valor entre 0.5 y
  4.5 V
• Máximo 4 salidas análogas con valor entre 0.5 y
  4.5 V, se pueden realimentar externa o
  internamente a las entradas obteniéndose de esta
  forma 8 entradas
• Memoria EEPROM para almacenar las funciones y los
  parámetros de las reglas
• Unico sistema de desarrollo en fuzzy logic que
  maneja funciones de membresía flotante
• Se puede realizar derivadas, contadores y PWM's
• El integrado es reprogramable

36
Funcionamiento

• 1. Las 4 entradas análogas son digitalizadas por
  un conversor A/D de 8 bits
• 2. Son latcheadas hacia el comparador
  (fuzzificador) que compara las entradas con las
  funciones de membresía para hallar los valores
  digitales desde los términos de las variables
  fuzzy

37

• 3. El comparador realiza el cálculo de los
  máximos y mínimos para determinar cual es la
  regla ganadora
• 4. Por último, en el modo de salida
  (defuzzificador) se determina el valor de la
  acción de la regla ganadora y se efectúa la
  reconstrucción de la señal a través del conversor
  D/A para las 4 salidas análogas

38
INSIGTH IIe
Sistema de desarrollo para el procesador Fuzzy AL
220
39
Características INSIGTH IIe

• Programador, simulador y emulador en tiempo real
  del procesador fuzzy AL220
• Asignación del nombre a cada una de las entradas
  y salidas
• Definición de las funciones de membresía
• Se pueden tener hasta 111 variables las cuales se
  definen por centro, ancho y tipo de función
• El centro y el ancho pueden ser fijos o flotantes
  
• Se pueden tener 56 reglas con 56 variables fuzzy,
  las que son adicionadas utilizando AND

40

• La salida de las regla puede ser inmediata o
  acumulativa ya sea fija o flotante
• La simulación se puede hacer con ecuaciones o con
  datos de prueba
• Velocidad de emulación puede ser modificada desde
  1MHz hasta 20MHz.
• Se puede observar el comportamiento del sistema
  en la simulación de diferentes formas ya sea
  gráficamente, en matriz o alfanumérico
• Modo STAND ALONG, en el cual no es necesaria la
  conexión al computador ya que se puede almacenar
  el programa en la EEPROM

41
Pasos de diseño

• 1. Tabulación de los datos tomados del sistema e
  interpretación numerica de los aportes hechos por
  el operario experto
• 2. Adaptación de la data para poder ser aplicada
  al microcontrolador AL220
• 3. Clasificación de los datos para definir las
  funciones de membresía

42

• En software
• 4. Definición de reglas sencillas
• 5. Comprobación paso a paso del funcionamiento a
  través del simulador
• 6. Combinación y depuración de reglas para
  obtener un funcionamiento óptimo
• En Hardware
• 7. Emulación aplicando entradas reales y
  observando el comportamiento de las salidas
• 8. Finalmente, programación AL220

43
Respuesta Procesador Fuzzy
44
Red Neuronal
45
El método empleado para el entrenamiento de la
Red fue el algoritmo simple de Back Propagation
utilizando el programa especializado Neural
Planner
46
Características Neural Planner

• Calcula los valores de las sinapsis y del bias de
  una red de topología arbitraria sin importar el
  número de capas de hasta 256 neuronas de entrada,
  256 de salida, y 8192 - (neuronas de entrada
  neuronas de salida) de neuronas ocultas
• Posee dos algoritmos de aprendizaje On-line Back
  Propagation y Batch Back Propagation además de
  diferentes opciones para el control del proceso
  de aprendizaje

47

• El Neural Planner utiliza como función de
  activación la sigmoide de forma
• F(x)1-1/(1e?x)
• Esquema de la Red implementada

48

• Respuesta del
• algoritmo de
• aprendizaje
• back propagation

49
Respuesta de la Red Neuronal
50
Comparación Fuzzy Neural
51
Fuzzy Controller
Módulo AD/DA
Proporcionan la interface análoga de entrada y
salida con el procesador fuzzy AL220. Además se
obtienen entradas y salidas análogas de propósito
general.
Multiplexores
Se emplean a la entrada y salida para seleccionar
que señales entran o salen del o al procesador
fuzzy. Y para seleccionar las entradas al
conversor análogo-digital entre las salidas del
procesador fuzzy o del sistema completo y las
entradas análogas disponibles.
52
PC 104
Es tándar
53
MainBoard
54
Core Module
Módulo de computo principal en el cual se
implementó el control convencional y la Red
Neuronal
55
Características Core Module

• Pequeño tamaño 45.7 x 52.1 mm
• Microprocesador Z180
• velocidad de reloj de 9.216 MHz o 18.432 MHz
• 2 canales de DMA
• 2 puertos seriales
• 2 temporizadores programables

• SRAM 32 Kbytes a 512 Kbytes.
• CM7100 EPROM
• Soporte de direccionamiento directo para
  periféricos con 6 líneas de selección de hasta 64
  direcciones cada una.
• Baja EMI.

56
PIC 16C74A
Se utiliza como procesador paralelo esclavo y es
el encargado de la administración de periféricos

• PC Keyboard Interface. Teclados PC de 82, 101 ó
  102 teclas.
• Matrix Keypad 16 x 8
• 5 Ch. 8-bit AD. Momonitorear las fuentes
• Digital Programmable PWM. Generaración de
  señales controladas digitalmente 1.22KHz - 4MHZ
  resolución de 12-bit y ciclo útil de 0 a 100
  resolución de 10-bit.

• I2C, SCP Interface. Para funciones de
  comunicación con protocolos de 3 hilos
  compatibles SPI (serial port interface) SSP
  (synchronous serial port)
• SCI (USART). Serial communication interface
  provee al módulo funciones USART
• 3 Counter/Timers.
• Buzzer. Conección directa con el puerto de PWM
  (frecuencia variable, ciclo 50).

57
Basic I/O
Adiciona características esenciales de entrada y
salida del sistema

• Oscilador programable de 1 MHz con divisores que
  proveen hasta 57 frecuencias entre 0.5 pulsos por
  minuto hasta 1 MHz. Con posibilidad de reloj
  externo o de software. Salidas tree-state.
• 6 temporizadores contadores de 16 bits para
  relojes hasta de 10 MHz
• 1 puerto paralelo para impresora.

• 1 puerto paralelo compartido tarjeta
  inteligente, grabador/reproductor de voz o
  impresora.
• Driver de alta corriente de 8 salidas 300 mA/30
  V.
• Puerto auxiliar de salida compatible TTL de 4
  bits.
• 2 led independientes de señalización de estados.
• Interface I/O para display de cristal líquido.

58

• Selección de periféricos 6 líneas fija de 64
  direcciones cada una, 8 líneas de selección fija
  de 4 direcciones cada uno y 20 líneas de
  selección EEPROM para selección de periféricos.
• Bufferización las señales de control y datos del
  sistema
• Interface I/O para display de cristal líquido.
• Selección de periféricos 6 líneas de selección
  fija de 64 direcciones cada una, 8 líneas de
  selección fija de 4 direcciones cada uno y 20
  líneas de selección EEPROM programables para
  selección de periféricos.

• Bufferización las señales de control y datos del
  sistema
• Monitor de voltaje para las fuentes de 5, 12 y
  una auxiliar.
• Protección para voltajes de polaridad inversa en
  todas sus fuentes.
• Reset interno y externo.
• Batería interna y externa.
• Conector para voltaje de respaldo de memoria RAM.
• Regulador interno de 5V _at_ 1A con monitor de
  voltaje, diodo de protección para voltajes de
  polaridad inversa, voltaje de entrada entre 7.5 a
  37 V

59
Periféricos
Dispositivos manejados por la mainboard
60
Comunicaciones
Se utilizan los 2 puertos seriales estándar del
Z180 y algunos puertos de entrada y salida para
implementar módulos multiplexados para diferentes
protocolos e interfaces
61
Puertos Seriales

• Puerto Serial 1
• 1 puerto serial RS232, 2 puertos half duplex 485
  y 1 puerto full duplex 485 con señalización
  CTS/RTS
• 1 puerto para módem, TTL compatible, con selector
  de canal, PTT, RDY y CTS/RTS
• Protección de sobrevoltaje y terminadores de
  línea para todos los puertos.
• 2 multiplexores análogos duales de 4 canales con
  opción de ON/OFF

• Puerto Serial 2
• 1 puerto serial RS232 configurable como DTE o DSE
  y protección de sobrevoltaje y sobrecorriente
• Multiplexor análogo dual de 4 canales con opción
  de ON/OFF.

62
Digital I/O
Este módulo posee dos unidades de interface
periférica programable 8255 compatibles con el
estándar industrial OPTO-22 para dispositivos de
entrada y salida tanto análogos como digitales
63
Características Módulo Digital I/O

• Provee 48 I/O programables en puertos de 4 y 8
  bits en tres modos unidireccional I/O,
  unidireccional I/O con protocolo y bidireccional
  I/O con protocolo
• Manejo de 4 fuentes de interrupción internas, 2
  externas y 2 canales de DMA. Estas
  interrupciones pueden ser de uso exclusivo o
  compartido

• El estándar industrial OPTO-22 posee
  protecciones de sobrevoltaje para todas sus
  entradas y salidas, y fuentes de alimentación
  protegidas para dispositivos externos

64
Driver de alta corriente

• Éste módulo comprende dos tipos de salidas
• 8 interruptores de estado sólido con capacidad
  de manejar cargas inductivas de hasta 350 mA a
  30V y como contactos secos
• 8 relevos dobles conmutables (DPDT Relays) que
  son manejados por un driver interno cada relevo
  puede manejar hasta 0.6A _at_ 110 VDC, 0.6A _at_ 125
  VAC o 1A _at_ 30VDC

65
Interface Tarjeta Inteligente
Lector universal de tarjetas inteligentes que
puede leer y escribir cualquier tipo de tarjeta
sin importar el tipo de protocolo, número de
hilos utilizados por la misma o si utiliza
encripción o no. Es compatible con cualquier
puerto paralelo.
66
Interface Módulo de vozISD 2500
Lector universal de tarjetas inteligentes que
puede leer y escribir cualquier tipo de tarjeta
sin importar el tipo de protocolo, número de
hilos utilizados por la misma o si utiliza
encripción o no. Es compatible con cualquier
puerto paralelo.
67
Características Generales

• Utiliza el estándar PC 104 dando la posibilidad
  de adicionarle nuevos módulos al sistema de
  control
• Tiempo de respuesta alto
• Los integrados son de alta calidad
• Se emplean integrados de la serie ABT por sus
  ventajas respecto a otras series

68
Aplicación
69
Generador 1MW
70
Control

• Las variables a controlar
• potencia generada
• temperatura del sistema
• corriente máxima
• y frecuencia

• Las variables de entrada
• Carga
• variación de carga
• y temperatura equivalente

71
Parámetros del Sistema

• La carga varia desde 0 hasta 1 MW y la potencia
  generada debe suplir esta demanda
• La temperatura equivalente depende de las
  temperaturas de los cilindros del generador, del
  refrigerante y del ambiente.
• La frecuencia normal de funcionamiento es de 60
  Hz 1 Hz
• El límite de corriente máxima nominal es de 75A

72
Condiciones del Sistema

• La carga se incrementa y la potencia no alcanza
  el requerimiento el generador se debe incrementar
  la potencia para la nueva carga
• Si disminuye la carga, la potencia se debe
  decrementar
• Carga es máxima y la potencia es máxima se

• aumenta la frecuencia
• hasta en 1 Hz
• Cuando la carga disminuye y la potencia es
  suficiente la frecuencia es de 60.0 Hz
• La temperatura equivalente aumenta se debe
  disminuir para evitar recalentamiento del
  generador

73
CONCLUSIONES

• Las redes neuronales, aunque son difíciles de
  modificar debido a que su base de conocimiento se
  encuentra distribuida en todos sus elementos, son
  muy fáciles de entrenar en base modelos o
  ejemplos, es decir ya sea con aprendizaje
  supervisado o no supervisado, mientras que los
  sistemas basados en fuzzy logic son bastante
  difíciles de entrenar y afinar, aunque sus
  modificaciones son muy fáciles de realizar y el
  cambio en una regla, si este se realiza
  correctamente, no afecta para nada el
  funcionamiento total de sistema por lo cual se
  pueden localizar y corregir rápidamente cualquier
  tipo de inconveniencias en la respuesta del mismo
  sin necesidad de una reconfiguración total de la
  base de conocimientos.

74
CONCLUSIONES

• Es vital para el entrenamiento y afinamiento
  tanto de controladores basados en fuzzy logic
  como en redes neuronales que los datos sean
  suministrados en forma coherente, es decir,
  teniendo en cuenta que no se le deben entregar
  datos ideales, libres de todo ruido o perturbación

75
CONCLUSIONES

• Se debe procurar en lo posible que realizar las
  pruebas, estas se hagan en condiciones extremas,
  incluso aquellas a las que el sistema, se supone,
  nunca va a ser sometido para de esta manera
  asegurar que se obtendrá un sistema robusto, con
  la suficiente tolerancia a fallas de todo tipo,
  como pueden ser los errores de deriva,
  calibración o comunicaciones con los sensores o
  transductores externos e incluso en el caso de
  una posible falla total de una de las variables
  de entrada o en uno de los actuadores de salida

76
CONCLUSIONES

• Aún cuando gran cantidad de problemas a resolver
  por medio de redes neuronales solo requieren la
  utilización de una capa oculta, por razones de
  generalización y considerando el estado actual de
  desarrollo de los recursos computacionales, es
  preferible utilizar redes con dos capas ocultas
  las cuales, teóricamente son capaces de resolver
  cualquier tipo de problema así este no sea de
  tipo lineal, tenga múltiples entradas y/o
  múltiples salidas y sus clases no sean
  linealmente separables.

77
CONCLUSIONES

• Los resultados obtenidos demuestran que las
  implementaciones de redes neuronales mediante
  software aún cuando adolecen de una baja
  velocidad de procesamiento al ser ejecutadas en
  microcontroladores sin coprocesador matemático,
  en la mayoría de los casos son más que
  suficientes para la solución de una amplia
  variedad de problemas, sin necesidad alguna de
  realizar cambios drásticos en su estructura.

78
CONCLUSIONES

• Existen actualmente gran cantidad de herramientas
  computacionales para utilización en problemas de
  ingeniería aplicada como son paquetes de
  simulación, procesamiento de datos, estadística,
  control de procesos, adquisición de datos, CAD,
  CAM, etc. con los cuales se pueden realizar todo
  tipo de procesos a la información que entra o
  sale de los sistemas, dando valiosa información a
  cerca de como mejorarlos y sobre todo ahorrando
  gran cantidad de tiempo en el desarrollo de
  proyectos

79
CONCLUSIONES

• Como se mostró en el diseño y realización de este
  proyecto, las tecnologías actuales debido a su
  nivel de integración y complejidad, permiten e
  incluso, a veces, requieren, que la lógica de
  control utilizada sea muy compleja, lo que hace
  muy poco práctica la utilización de lógica
  cableada (compuertas, decodificadores, etc.
  interconectados entre si) dejando solo la opción
  de la lógica programable, la cual es una
  herramienta muy poderosa para el desarrollo de
  este tipo de proyectos.

80
CONCLUSIONES

• En niveles básicos de ingeniería, se toman los
  componentes que se tienen a disposición y se
  adaptan para la tarea que se necesita realizar
  esto en general puede llegar a ser algo económico
  financieramente hablando pero un desperdicio
  total en tiempo. Cuando se desea realizar un
  proyecto con los más altos estándares de calidad
  no se puede recurrir a lo anteriormente
  mencionado, ya que si se considera el estadio
  actual de desarrollo de las comunicaciones y de
  los medios de transporte, el comercio con
  cualquier país del mundo se encuentra
  relativamente al alcance de la mano.

81
FIN