1
Descripción del Equipo a Emplear para Aplicar Control
Neurodifuso en Tiempo Real a un Motor de Corriente Directa
Considerando Perturbaciones de Carga
William Torres Hernández
1, José Antonio Ruz Hernández
2, José Luis Rullán Lara
2 1Universidad Tecnológica de Campeche
[email protected]
2
Universidad Autónoma del Carmen
{jruz,jrullan}@pampano.unacar.mx
Resumen
En este trabajo se presenta la descripción de equipo a emplear para controlar la velocidad de un motor de corriente directa empleando la conexión en excitación separada al cual se le aplicarán perturbaciones en la carga, como es el caso de un sistema motor-generador. Esto es, el sistema de control en lazo cerrado deberá ser robusto ante la presencia de variaciones en la entrada, o de perturbaciones ocasionadas por la carga. El esquema de control en lazo cerrado se validará en tiempo real. El motor de corriente directa es de la marca DE LORENZO® modelo DL 10200A1.
Palabras Clave
Control Difuso, Motor de Corriente Directa, Dspace DS1104, Tiempo Real.
1. Introducción
Los motores de corriente directa (CD) se utilizan ampliamente en aplicaciones industriales. Debido a sus propiedades de operación, se emplean como actuadores en sistemas de control de posición tales como robots industriales, máquinas herramientas de control numérico, sistemas de posicionamiento de radares, antenas, estampadoras y pulidoras.
No obstante que sus propiedades de operación son accesibles, son bien conocidos los efectos no lineales presentes en la máquina y que se reflejan durante el control de los mismos, particularmente en la región de operación del motor a baja velocidad. Aquí, los efectos de la fricción son los más significativos, además de otras no linealidades típicas como son: histéresis, zona muerta y saturación (Tsang K. M., et al 2001), (Chiasson J., et al 1993).
Como consecuencia, mientras mejor sea un modelo para describir el comportamiento dinámico de un motor de CD, más no lineal lo será. Sin embargo, existen diversas aplicaciones de control en donde un modelo linealizado alrededor de un punto de operación es suficiente para tener un desempeño aceptable en lazo cerrado. Ahora bien, cuando la fricción o la zona muerta son de magnitud considerables, se pueden diseñar compensadores de estas no linealidades que se agregan a la ley de control del sistema lineal (Tsang K. M., et al 2001).
En el área educativa, los motores de CD se emplean en equipos como la bola y la viga, servomecanismos, brazos de robots y otros, así como en la implementación de prototipos donde se requiera control. En este sentido, en el Laboratorio de Electricidad de la Facultad de Ingeniería de la UNACAR, se encuentran diversos motores de CD para aplicaciones didácticas.
2
2. Planteamiento del problema
Uno de los problemas principales al trabajar con motores de CD es la regulación de la velocidad de giro, debido a que se presentan diversas perturbaciones que alteran esta variable. Por consecuencia, es necesario plantear alguna estrategia de control que solucione este tipo de problema.
En la figura 1 se muestra el motor de corriente directa modelo DL 10200A1, de la marca DE LORENZO®, con conexión en excitación separada que se encuentra en el laboratorio de eléctrica de la Facultad de Ingeniería de la UNACAR.
Figura 1 Motor de corriente directa DL 10200A1.
En la tabla 1 se puede observar los parámetro de placa del motor de Corriente Directa DL10200A1
Tabla 1: Parámetros del Motor de Corriente Directa DL 10200A1 Código del motor DL10200A1
Tensión de alimentación 220V Potencia Nominal 200W Velocidad Nominal 3600RPM Tensión de excitación 180V Corriente de armadura 1.3A Corriente de Excitación 0.06A
Este motor generalmente se emplea en prácticas de máquinas eléctricas, normalmente sin carga acoplada a la flecha. Sin embargo, el motor puede ser operado en condiciones con carga. El sensor de voltaje empleado es de la marca LEM modelo LV 100-300, este sensor y su diagrama esquemático se muestra en la figura 2. Proporciona una señal de corriente en su salida M, si se conecta una resistencia en serie se puede obtener una señal de voltaje. En este trabajo se empleó una resistencia de 120Ω proporcionando una ganancia de voltaje de 50. Las terminales de alto voltaje (± AT) se conectan al devanado de armadura del motor, las terminales ± se alimentan con un voltaje de ±15 volts. Este sensor se emplea con la finalidad de obtener la señal de voltaje aplicado a la armadura como señal de entrada a la planta.
Figura 2 (a) Foto del sensor de nivel de voltaje de la marca LEM. (b) Diagrama esquemático, la señal que proporciona en su terminal M es una señal de corriente.
3 Para obtener la señal de velocidad se emplea el módulo DL 10300PAC de la marca DE LORENZO. Este módulo proporciona una ganancia de 1mv/min-1, es decir para 3600 rpm del motor proporciona 3.6 volts. La ganancia se calcula entonces:
que es la ganancia con la que el sensor atenúa en su salida el voltaje proporcional a la velocidad.
Para aplicar un esquema de control de la velocidad de un motor de corriente directa es necesario conocer su modelo matemático. En la figura 3 (a) se observa que el devanado de campo se encuentra conectado en paralelo con el devanado de armadura (inducido). En la figura 3 (b) se observa que el voltaje de campo es constante y que el voltaje aplicado al devanado de armadura puede variarse a través de una fuente de voltaje variable.
Figura 3. Diagrama de conexión eléctrica de un motor de CD. (a) Con excitación en derivación. (b) Con excitación separada.
2.1 Objetivos
El objetivo general de este trabajo consiste en diseñar y aplicar en tiempo real estrategias de control neurodifuso para regular la velocidad del motor de CD propuesto y en presencia de variaciones en la carga.
Los objetivos particulares para este trabajo son los siguientes:
• Obtener datos experimentales útiles para la identificación neurodifusa del proceso y de su inverso mediante el entrenamiento de sistemas tipo ANFIS.
• Seleccionar los mejores modelos mediante la aplicación del criterio de selección de entradas y un índice de desempeño.
• Validar los modelos seleccionados con datos frescos.
• Desarrollar esquemas de control basados en los modelos neurodifusos. Realizar la validación en tiempo real y con aplicación de variaciones en la carga. 2.2 Alcances
Los controladores diseñados serán evaluados y validados en tiempo real para controlar la velocidad de un motor de corriente directa de la marca DE LORENZO® modelo DL 10200A1, con conexión en excitación separada, bajo distintos escenarios de operación. Este motor se encuentra en el Laboratorio de Simulación y Control de la Facultad de Ingeniería de la Universidad Autónoma del Carmen (UNACAR). La carga aplicada a este motor será variada para así poder comprobar el buen desempeño de los controladores diseñados.
La realización de este trabajo incluye las siguientes actividades:
• Obtención de datos experimentales útiles para la identificación neurodifusa. empleando la tarjeta de adquisición Dspace DS1104 y el módulo de conexiones.
• Calibrar los sensores empleados, como son, de velocidad y voltaje. • Entrenamiento con sistemas tipo ANFIS.
4 • Obtención de modelos neurodifusos mediante la herramienta Fuzzy Logic de Matlab y la aplicación
ANFISEDIT.
• Validar los modelos obtenidos con datos frescos.
• Diseñar los esquemas de control basados en modelos neurodifusos para la regulación de velocidad. • Validar los controladores diseñados en tiempo real.
• Aplicar diferentes cargas al equipo para verificar su desempeño en tiempo real. • Comparar el desempeño de los controladores diseñados en tiempo real con carga.
Dado que es un motor para el aprendizaje guiado basado en la experimentación, es posible obtener datos con excitación persistente en su región de operación nominal que permita la obtención de modelos confiables del motor. Por lo que se pensó en un modelo neurodifuso, el cual consiste en una red adaptable basada en un sistema de inferencia difusa (ANFIS, por sus siglas en inglés).
3. Control de velocidad de motores de corriente directa
Es posible controlar la velocidad de un motor de CD en derivación empleando cualquiera de los siguientes métodos (Stephen J. C. 1995):
• Ajustando la resistencia de campo RF. (y con ello el flujo de campo φ) como se muestra en la figura 3 (a). • Ajustando el voltaje terminal aplicado al inducido (armadura) a través de una fuente de voltaje variable
como se muestra en la figura 3 (b).
El método menos común de control de velocidad es insertar una resistencia en serie con el circuito de inducido (armadura).
El primer método es el que se utiliza con menor frecuencia, ya que al variar el campo magnético del estator el comportamiento de la velocidad del motor de CD exhibe características no lineales (Stephen J. C. 1995). Por otra parte, al manipular el voltaje del inducido (voltaje de armadura), es posible encontrar una relación lineal entre este voltaje y la velocidad del motor. Por esta razón en este trabajo se elige el voltaje de inducido como la variable a manipular para controlar la velocidad del motor y se opta por el método del empleo de una fuente controlada de tensión de CD, mejor conocido como control de la tensión de inducido. Esta forma de conexión se muestra en la figura 3 (b).
Para realizar el diseño de un algoritmo de control es necesario contar con un modelo que describa la dinámica de la planta; en este caso, del motor de CD. Una de las formas para resolver esta necesidad, es obtener un modelo a través de una identificación entrada-salida. La librería de Identificación de Sistemas de Matlab es una herramienta útil y a la vez fácil de manejar, que se utilizará para obtener un modelo mediante los datos adquiridos de las variables de entrada y salida, del motor en operación.
4. Metodología
La metodología detallada para realizar este trabajo es la siguiente:
• Revisión y estudio del estado del arte referente al diseño y fundamentos de las técnicas de identificación neurodifusa.
• Estudiar y analizar los tipos de control neurodifuso que puedan aplicar para el diseño. • Validar los modelos neurodifusos identificados y realizar las simulaciones en Matlab. • Diseñar los controladores neurodifusos seleccionados.
• Realizar simulaciones en Matlab para estudiar el desempeño de los controladores neurodifusos. • Implementar en tiempo real los esquemas de control neurodifuso propuestos.
• Aplicar diferentes cargas al motor y verificar el desempeño de los esquemas de control propuesto. • Analizar los resultados obtenidos en tiempo real.
• Establecer conclusiones acerca del desempeño de los controladores diseñados con base en los resultados obtenidos.
5
5.- Avances
5.1 Estado del arte
Los motores de corriente directa se usan ampliamente en aplicaciones industriales debido a sus propiedades de su operación. Los motores de corriente directa se usan como actuadores en sistemas de control, robótica industrial, control numérico por computadora (CNC), máquinas y sistemas de radar. Los efectos no lineales existentes en los motores afectan el desempeño de los motores cuando se aplica una estrategia de control lineal. Los efectos debido a la fricción son más significativos. Para implementar el sistema de control automático es de suma importancia tener accesible un modelo que describa la dinámica del sistema que se va a controlar (Babuska R. 1999). Un modelo estimado puede obtenerse a través de las herramientas de identificación. En este caso es posible obtener un modelo matemático derivado de datos experimentales las cuales se generan usando una señal de excitación persistente en la entrada. Los modelos que usan sistemas neuro-difusos son útiles para estimar a partir de datos experimentales donde las no linealidades están incluidas. El ANFIS permite modelar sistemas con alto grado de no linealidad e invariante en el tiempo el cual combina los conceptos de las redes neuronales y la lógica difusa para formar un sistema inteligente que resalta la habilidad de adaptación y aprendizaje automático.
Los resultados de simulación obtenidos en (Pacheco J. G., et al 2003), muestran que el modelo neuro-difuso y el control de posición de la “bola y la viga” son satisfactorios. Las estrategias de control neuro-difuso que se consideraron en este trabajo son el control inverso neuro-difuso y el control con modelo interno neuro-difuso que mejoran los resultados cuando se usan controladores convencionales.
En (Ruz-Hernandez J. A., et al. 2003) se describe un modelo neuro-difuso para la puesta en marcha de los generadores de vapor se obtiene a partir de datos experimentales. El modelo neuro-difuso se combina con un algoritmo de control predictivo para producir una estrategia de control para la fase de calentamiento del generador de vapor. Las pruebas de simulación demostraron la factibilidad y resultados benéficos que pueden obtenerse de la aplicación de cualquiera de las tres variantes de control predictivo propuesto por los autores.
En (Allaoua et al 2009) se describe una aplicación del ANFIS para optimizar el control de velocidad de un motor de corriente directa junto con la inteligencia colectiva. En primer lugar, los controladores están diseñados con las reglas difusas. En segundo lugar un controlador neuro-difuso para la velocidad del motor de corriente directa es diseñado y simulado. Finalmente, el ANFIS es optimizado por inteligencia colectiva. Los resultados de simulación digital demuestran que el ANFIS con el control de velocidad demuestra buena dinámica de desempeño en motores de corriente directa.
(Gonzalez-Gomez J. C., et al. 2012) En éste artículo se utilizan técnicas de identificación neurodifusa para obtener el modelo de un motor de corriente directa. Así mismo, se obtiene el modelo inverso del motor. Ambos modelos se emplea para implementar un esquema de control con modelo interno neuro-difuso que permite el seguimiento de trayectoria de velocidad en tiempo real. Los resultados obtenidos son alentadores pero no consideran las perturbaciones de carga.
5.2 Esquema de control preliminar
Dado que es un motor para el aprendizaje guiado basado en la experimentación, es posible obtener datos con excitación persistente en su región de operación nominal que permita la obtención de modelos confiables del motor. Se pensó en un modelo neurodifuso, el cual consiste en una red adaptable basada en un sistema de inferencia difusa (ANFIS, por sus siglas en inglés). Un modelo de este tipo se obtiene a partir del entrenamiento de una red ANFIS con datos reales de operación.
Existe una gran variedad de esquemas de control convencional cuyo diseño se basa en modelos. Ejemplos de tales esquemas son el control inverso, el control con modelo interno y el control predictivo.
6 Figura 5 Esquema de Control con Modelo Neurodifuso Interno.
Figura 6 Esquema de Control Predictivo Basado en el Modelo Neurodifuso.
6. Conclusiones
La principal contribución de este trabajo de tesis de doctorado será la aplicación en tiempo real de esquemas de control neurodifuso y el análisis de su comportamiento frente a perturbaciones de carga, esto es, dentro de los límites de operación del equipo.
Generalmente las aplicaciones con esta metodología se realizan a nivel simulación, por lo tanto, la aplicación en tiempo real cobra una relevancia importante porque se aportará información básica y experimental para realizar estas aplicaciones, incluso en otros sistemas de control.
Referencias
Tsang K. M. and Li G. (2001). “Robust Nonlinear Nominal-Model Following Control to Overcome Deadzone Nonlinearities”, IEEE Transactions on Industrial Electronics, vol. 48, NO. 1, pp. 177-184.
Chiasson J. and Bodson M. (1993). “Technical Notes and Correspondence Nonlinear Control of a Shunt DC”, IEEE Transactions on Automatic control, vol. 38, No. 11. pp. 935-942.
De Lorenzo Teaching Sistems 1991-2000. For Technical Trainning “Manual de De Lorenzo Motor De C.C. Excitation Shunt 10200A1 SPA”. Printed in Italy.
Stephen J. C. (1995), “Máquinas Eléctricas” McGraw-Hill, segunda edición, Mexico D.F.
Babuska R.(1999). An overview of fuzzy modeling and model-based fuzzy control. World Scientific Series in Robotics and Intelligent Systems, 3-36.
Pacheco J. G., Ruz-Hernandez J. A. and Shelomov E. (2003). “Técnicas Neurodifusas Aplicadas al Control del Equipo de la Bola y la viga”. In Proceedings of Seminario Anual de Automática, Electrónica Industrial e Instrumentación, SAAEI 2003, Vigo Spain, pp. 1-6.
7 Ruz-Hernandez J. A., Suarez-Cerda D.A., Shelomov E., and Villavicencio-Ramírez A. (2003). “Predictive Control based on an Auto- Regressive Neuro-Fuzzy Model Applied to the Steam Generator Startup Process at a Fossil Electric Power Plant”, Computación y Sistemas, Vol. 6, Num. 3, pp. 204-212.
Allaoua B., Laoufi A., Gasbaoui B. and Abderrahmani A. (2009) “Neuro-Fuzzy DC Motor Speed Control Using Particle Swarm Optimization”, Leonardo Electronic Journal of Practices and Technologies, Issue 15, pp. 1-18. Jang J. (1993), ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Transactions on Systems, Man and Cybernetics, 665-671.
The Mathworks Inc. (2001). Fuzzy Logic Toolboox User´s Guide for Use with MATLAB User´s Guide Versión 2. U.S.A.
Nauck D. (1999). Neuro-fuzzy methods, in fuzzy Logic Control Advances in Applications, H.B. Verbruggen and R. Babuska, Eds. New Jersey, USA: World Scientific Series in Robotics and Intelligent Systems, 65-86.
Gonzalez-Gomez J. C., Ruz-Hernandez J. A. and García-Hernandez R. (2011). Identificación neuro-difusa en tiempo real: Aplicación a un motor de corriente directa, in Memorias del Congreso Nacional de la Asociación de México de Control Automático.
Gonzalez-Gomez J. C., Ruz-Hernandez J. A., García-Hernandez R. and Sánchez-Camperos E. N. (2011). Real-time neuro-fuzzy inverse control for a dc motor, in Proceedings of the 8th International Conference on Electrical Engineering, Computing Science and Automatic Control.
Gonzalez-Gomez J. C., Ruz-Hernandez J. A., García-Hernandez R. y Rullán Lara J. L. (2012). Control con modelo interno Neuro-difuso en tiempo real: aplicación a un Motor de Corriente Directa, Memorias del Congreso Nacional de la Asociación de México de Control Automático.
