sistema de arranque suave y control de velocidad de ... · sistema de arranque suave y control de...
TRANSCRIPT
SISTEMA DE ARRANQUE SUAVE Y CONTROL DE VELOCIDAD DE MAQUINAS DE INDUCCIÓN MEDIANTE EL USO DE REDES NEURONALES
JAIME ANDRES ARRIETA OSORIO
JHON ELKIN CALLE GONZALEZ
UNIVERSIDAD TECNOLÓGICA DE PEREIRA
FACULTAD DE INGENIERÍA ELÉCTRICA, ELECTRÓNICA, FÍSICA Y
CIENCIAS DE LA COMPUTACIÓN
PEREIRA
2007
SISTEMA DE ARRANQUE SUAVE Y CONTROL DE VELOCIDAD DE MAQUINAS DE INDUCCIÓN MEDIANTE EL USO DE REDES NEURONALES
JAIME ANDRES ARRIETA OSORIO
JHON ELKIN CALLE GONZALEZ
Proyecto de grado para optar al titulo de
Ingeniero Electricista
ASESOR
ALFONSO ÁLZATE G
Ingeniero electricista
UNIVERSIDAD TECNOLÓGICA DE PEREIRA
FACULTAD DE INGENIERÍA ELÉCTRICA, ELECTRÓNICA, FÍSICA Y
CIENCIAS DE LA COMPUTACIÓN
PEREIRA
2007
Nota de aceptación
Firma del presidente del jurado
Firma del Jurado
Firma del Jurado
PEREIRA, ____ ____ ____
Dedicado a mis padres por su incondicional apoya y fe en mi, a mis hermanos por haberme acompañado en este largo camino.
JHON ELKIN CALLE
A mis padres, quienes con su dedicación y esfuerzo durante toda la vida han hecho posible este logro y a quienes debo todo lo que soy.
JAIME ANDRÉS ARRIETA OSORIO
Los autores expresan sus agradecimientos a:
Agradecemos al ingeniero Alfonso Álzate, por su paciencia y apoyo.
Al grupo de investigación de electrónica de potencia por su colaboración logística y académica durante el desarrollo del proyecto
A todas aquellas personas, que de una u otra forma contribuyeron a la realización de este proyecto.
I
TABLA DE CONTENIDO
RESUMEN 7
OBJETIVOS 8
INTRODUCCION 9
1. METODO DE ARRANQUE SUAVE 11 1.1 Descripción de la Curva Torque vs Velocidad 11
1.2 Implementación de la red neuronal 12
1.2.1 Red neuronal Backpropagation 13
1.2.1.1 Estructura de aprendizaje de la red 14
1.2.1.2 Funciones de las herramientas de redes neuronales
en MATLAB 18
1.2.2 Entrenamiento de la red neuronal 20
1.2.2.1 Acondicionamiento de los patrones de entrenamiento
de la red neuronal 22
1.3 Microcontroladores MC68HC908GP32 y MC68HC908JK3 24
1.3.1 microcontrolador MC68HC908GP32 24
1.3.1.1 Características 24
1.3.1.2 Asignación de pines 26
1.3.2 microcontrolador MC68HC908JK3 27
1.3.2.1 Características 27
1.3.2.2 Asignación de pines 28
1.4 Programación de los microcontroladores 29
II
1.4.1 Diagramas de flujo 29
1.4.2 Diagramas circuitales 31
2. PRUEBAS, RESULTADOS Y ANALISIS 34 2.1. Implementación y pruebas de las circuitos impresos 34 2.2. Acondicionamiento de las señales 39 2.3. Toma de resultados 40 2.4. Análisis de resultados 57
3. Conclusiones y recomendaciones 60
4. Bibliografía 61
5. ANEXO 1 PROGRAMA DEL MICROCONTROLADOR
MC68HC908GP32 62
6. ANEXO 2 PROGRAMACIÓN DE LA RED NEURONAL 66
III
LISTA DE FIGURAS
Figura 1. Controlador simétrico de voltaje 11
Figura 2. Secuencia de disparo 11
Figura 3. Torque vs velocidad para diferentes ángulos de disparo de los
Tiristores 12
Figura 4 Arquitectura de una red Backpropagation 13
Figura 5. Red neuronal Backpropagation 4-3-1 21
Figura 6.curvas características torque-velocidad 22
Figura 7. Asignación de pines MC68HC908GP32 (40 pines-PDIP) 26
Figura 8. Asignación de pines MC68HC908JK3 (20 pines-PDIP) 28
Figura 9. Diagrama de bloques principal del GP32 29
Figura 10. Interrupción por IRQ del GP32 30
Figura 11. Subrutina de retardo de 10º 30
Figura 12. Diagrama de bloques del JK3 31
Figura 13.Diagrama circuital de los microcontroladores 31
Figura 14. Fuentes reguladas y detector de cruce por cero 32
Figura 15. Interfaz de potencia 33
Figura 16.Diseño de los circuitos impresos para las fuentes reguladas
y detector de cruces por cero 34
Figura 17. Circuitos impresos implementados para las fuentes reguladas y
detector de cruces por cero 35
Figura 18. Diseño de los circuitos impresos para el funcionamiento de los
IV
microcontroladores e interfaz de potencia 35
Figura 19. Implementación de los circuitos impresos para el funcionamiento
de los microcontroladores e interfaz de potencia 36
Figura 20. señal del detector de cruces por cero 36
Figura 21. Pulsos de disparo de las fases A y B 38
Figura 22. Pulsos de disparo de las fases A y C 38
Figura 23. Señal de torque antes y después de ser filtrada 39
Figura 24. Curvas de torque vs velocidad para distintos ángulos de
disparo del motor de inducción 40
Figura 25. Forma de onda del voltaje aplicado en bornes de la maquina
para 60º ! 90º 41
Figura 26. Torque de 0 N.m 42
Figura 27. Torque de 0.1 N.m 43
Figura 28. Torque de 0.2 N.m 43
Figura 29. Torque de 0.3 N.m 44
Figura 30. Torque de 0.4 N.m 44
Figura 31. Torque de 0.5 N.m 45
Figura 32. Torque de 0.6 N.m 45
Figura 33. Torque de 0.7 N.m 46
Figura 34.Torque de 0.8 N.m 46
Figura 35.Torque de 0.9 N.m 47
Figura 36. Torque de 1 N.m 47
Figura 37. Torque de 1.1 N.m 48
Figura 38. Torque de 1.2 N.m 48
V
Figura 39. Torque de 1.3 N.m 49
Figura 40. Torque de 1.4 N.m 49
Figura 41. Torque de 1.5 N.m 50
Figura 42. Torque de 1.6 N.m 50
Figura 43. Torque de 1.7 N.m 51
Figura 44. Torque de 1.8 N.m 51
Figura 45. Torque de 1.9 N.m 52
Figura 46. Torque de 2 N.m 52
Figura 47. Torque de 2.1 N.m 53
Figura 48. Torque de 2.2 N.m 53
Figura 49. Torque de 2.3 N.m 54
Figura 50. Torque de 2.4 N.m 54
Figura 51. Torque de 2.5 N.m 55
Figura 52. Torque de 2.6 N.m 55
Figura 53. Torque de 2.7 N.m 56
Figura 54. Torque de 2.8 N.m 56
Figura 55. Diagrama fasorial de los voltajes de línea y fase 57
Figura 56. Resultados obtenidos sobre los patrones de entrenamiento de
la R.N.A. 59
VI
LISTA DE TABLAS
Tabla 1. Datos de torque, velocidad y ángulo de disparo de las pruebas
realizadas. 58
7
RESUMEN
En el desarrollo de este proyecto se pretende implementar un dispositivo capaz de
lograr un arranque suave de la máquina, además de permitir adaptar su velocidad
y par a las necesidades de su carga mecánica. Para este fin se utilizo la variación
en la tensión de alimentación, técnica conocida como control de fase, el cual
consiste en producir en el momento del arranque una tensión menor que la
nominal en los arrollamientos del motor; con este fin se reduce proporcionalmente
la corriente, la intensidad del campo magnético y el torque. Sin embargo el ajuste
para cualquier condición de operación no es una tarea sencilla, lo que hace
necesario la utilización de una red neuronal para calcular el ángulo de disparo
apropiado de los tiristores para cualquier condición de operación de la máquina.
8
OBJETIVO GENERAL
Implementar un dispositivo electrónico que permita el control del arranque y
velocidad de la máquina de inducción, utilizando una técnica como el control de
fase a través redes neuronales para lograr un apropiado ajuste del voltaje en
terminales para cualquier condición de operación del sistema.
OBJETIVOS ESPECÍFICOS
Reducir las corrientes de arranque del motor.
Entrenar una red neuronal capaz de determinar en forma apropiada el ángulo
de encendido de los tiristores para cualquier condición de operación de la
máquina de inducción.
Implementar el hardware que recoja el ángulo de encendido proporcionado por la
red neuronal y lo aplique a los tiristores conectados a las fases de la máquina de
inducción.
9
INTRODUCCIÓN
En muchos casos, los motores de inducción pueden ponerse en marcha
simplemente conectándolos a la red. A veces sin embargo existen razones de tipo
técnico para no hacerlo así, por ejemplo la alta corriente de arranque requerida
que puede causar una caída de voltaje del sistema de potencia tal que haga
inaceptable el arranque a través de la línea.
En algunas aplicaciones no basta solo con garantizar un arranque adecuado, si no
que se hace necesario conseguir una continua regulación de la velocidad ya que
para ciertos tipos de cargas el torque necesario disminuye rápidamente al
decrecer la velocidad.
El control de fase es usado en motores de inducción que controlan cargas como
compresores, ventiladores y bombas; esto debido a que estos tipos de cargas
presentan la característica de un torque proporcional al cuadrado de la velocidad.
El control del voltaje basado en el ángulo de disparo ofrece muchas ventajas sobre
los arranques convencionales como son:
Suave aceleración, la cual reduce fuerzas en los mecanismos de la máquina
debido a los elevados torques de arranque, lo cual incrementa la vida útil de
los componentes mecánicos del motor.
Ahorros de energía en condiciones ligeras de carga, ya que se puede variar el
voltaje aplicados a terminales de la máquina, por lo que se reducen las
pérdidas en el cobre y el estator.
Para la realización de este proyecto se utilizo el arranque de motores por
dispositivos electrónicos por lo que se hace necesario conocer en todo momento
el torque y velocidad de la máquina. Estos dos valores serán los parámetros de
entrada de la red neuronal la cual debe ser capaz de determinar el ángulo correcto
10
de disparo de los tiristores para cualquier condición de operación de la máquina de
inducción.
Las ventajas de una red neuronal para el cálculo del ángulo de disparo se deben
a sus principales características:
Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un
entrenamiento con base en una experiencia inicial.
Auto-organización: una red neuronal puede crear su propia organización o
representación de la información que recibe mediante una etapa de
aprendizaje.
Tolerancia a fallos: la destrucción parcial de una red conduce a una
degradación de su estructura; sin embargo, algunas capacidades de la red se
pueden retener, incluso sufriendo un gran daño.
Además de esto pueden abstraer características esenciales a partir de entradas
que representan información irrelevante.
Es texto se encuentra constituido de dos capítulos; en el primer capitulo se
exponen los elementos básicos que comprenden la construcción del proyecto,
como son:
Estructura y entrenamiento de la red neuronal.
Características esenciales de los microcontroladores utilizados.
Estructura de los programas para los microcontroladores.
Diseño de los circuitos del proyecto.
El segundo capitulo contiene los pasos desarrollados desde la implementación,
hasta la obtención de los resultados y su posterior análisis.
11
CAPITULO 1
METODO DE ARRANQUE SUAVE
1.1 DESCRIPCIÓN DE LA CURVA TORQUE VS VELOCIDAD
Una de las maneras de realizar el arranque suave se logra mediante el control del
voltaje AC aplicado a los terminales de la máquina, esto se logra con un
controlador simétrico de voltaje. Por fase se disponen de dos tiristores en
antiparalelo, esto para permitir el flujo de corriente durante todo el ciclo de la onda
sinusoidal; mediante el ajuste del ángulo de disparo de los tiristores se puede
controlar el voltaje aplicado.
Figura 1. Controlador simétrico de voltaje Figura 2. Secuencia de disparo
Los seis tiristores mostrados en la figura 1 son disparados de acuerdo a la
secuencia mostrada en la figura 2; se puede observar que en todo momento
conducen mínimo dos tiristores simultáneamente, esto para permitir el flujo de
corriente hacia la carga. El ángulo de disparo es medido a partir del cruce por
cero de la fase A.
12
Con la configuración de la figura 1, dejando el ángulo de disparo fijo para
diferentes valores de torque, se miden las velocidades respectivas de la máquina.
Este mismo procedimiento se repite para diferentes ángulos de disparo,
obteniendo de este modo las curvas características de torque contra velocidad
para diferentes ángulos de disparo.
Figura 3. Torque vs velocidad para diferentes ángulos de disparo de los tiristores
1.2 IMPLEMENTACIÓN DE LA RED NEURONAL
Para el tipo de carga que se prevé manejar con este proyecto contamos con la
relación de torque contra velocidad existente en la máquina de inducción para
ciertos ángulos de disparo (figura 3).
Se hace necesario implementar una red neuronal que tenga la habilidad de
determinar la correspondencia de unos patrones dados con su respectiva salida.
De acuerdo a los datos con que se cuentan se ve que la red que debe
implementarse debe ser del tipo aprendizaje supervisado; además de tener la
capacidad de generalización, facilidad de dar salidas satisfactorias a entradas que
el sistema no ha visto nunca en su fase de entrenamiento. Esta red debe
enco
resp
pres
opció
1.2.1
El m
auto
perfe
En e
salid
neur
neur
post
las n
ontrar una
pecto a lo
sentadas d
ón es una
1 RED NEU
método de
omático d
eccionado
este tipo d
da con m n
rona de u
ronas de la
terior, exce
neuronas d
representa
os datos d
durante la
red de tipo
URONAL
e Backpro
de entren
en 1986, p
de red exis
neuronas y
una capa,
a capa an
epto las de
de la mism
Figu
ación inter
de entrena
etapa de a
o Backprop
BACKPRO
pagation
amiento
por Rumel
ste una ca
y al menos
excepto
nterior y en
e salida. N
a capa.
ra 4 Arquitec
rna que le
amiento, y
aprendizaj
pagation.
OPAGATIO
(o entrena
de redes
hart, Hinto
apa de en
s una cap
las de en
nvía su sa
o hay cone
ctura de una
permita ge
y que pue
e para cla
ON
amiento h
s neurona
on y William
trada con
a oculta d
ntrada, rec
alida a tod
exiones ha
red Backpro
enerar las
eda aplica
asificarlas;
hacia atrás
ales con
ms.
n neurona
de neurona
cibe entrad
as las neu
acia atrás,
opagation
salidas de
ar a entra
por esto l
s) es un
capas
as y una c
as internas
das de to
uronas de
ni laterale
13
eseadas,
adas no
la mejor
sistema
ocultas,
capa de
s. Cada
odas las
la capa
es entre
14
1.2.1.1 ESTRUCTURA DE APRENDIZAJE DE LA RED
El desarrollo del algoritmo cuenta con dos fases, una hacia delante y otra hacia
atrás. En la primera fase el patrón de entrada es introducido a la red y propagado
a través de las capas hasta llegar a la capa de salida. A partir de los valores
obtenidos a la salida de la red, se inicia la segunda fase, estos valores se
comparan con la salida esperada para obtener el error. Se ajustan los pesos de la
última capa proporcionalmente al error. Se pasa a la capa anterior con una
retropropagación del error, ajustando convenientemente los pesos y continuando
con este proceso hasta llegar a la primera capa. De esta manera se han
modificado los pesos de las conexiones de la red para cada patrón de aprendizaje
del problema, del que se conocía su valor de entrada y la salida deseada que
debería generar la red ante dicho patrón.
La técnica Backpropagation requiere el uso de neuronas cuya función de
activación sea continua, y por lo tanto, diferenciable.
A continuación se presentan los pasos y formulas a utilizar para aplicar el
algoritmo de entrenamiento:
Paso 1
Inicializar los pesos de la red con valores pequeños aleatorios.
Paso 2
Presentar un patrón de entrada Xp: xp1, xp2,… xpn, y especificar la salida deseada
que debe generar la red: d1, d2… dm.
15
Paso 3
Calcular la salida actual de la red. Para ello se presentan las entradas a la red y se
va calculando la salida que presenta cada capa hasta llegar a la capa de salida,
ésta será la salida de la red y1, y2… ym. Los pasos son los siguientes:
- Se calculan las entradas netas para las neuronas ocultas procedentes
de las neuronas de entrada. Para una neurona j oculta:
!"#$% &'($)%*
)+,-#) . /$%
En donde el índice h se refiere a magnitudes de la capa oculta; el
subíndice p, al p-ésimo vector de entrenamiento, y j a la j-ésima neurona oculta.
El término puede ser opcional, pues actúa como una entrada más.
- Se calculan las salidas de las neuronas ocultas:
0#$ & 1$%2 !"#$% 34
- Se realizan los mismos cálculos para obtener las salidas de las neuronas de
salida:
!"#56 &7'85$69
$+,0#$ .7/56
0#57 &7156: !"#56 ;
Paso 4
Calcular los términos de error para todas las neuronas.
16
Si la neurona k es una neurona de la capa de salida, el valor de la delta es:
<#56 & 2=#5 > 0#53156?: !"#56 ;
La función f debe ser derivable, lo que implica la imposibilidad de utilizar una
función escalón. En general disponemos de dos formas de función de salida. La
función lineal :152 !"$53 & !"$5;77y la función sigmoidal, definida por la expresión:
152 !"7$53 & @@ . !ABCDEF
La selección de la función de salida depende de la forma que se decida
representar la salida: si se desea que las neuronas de salida sean binarias, se
utiliza la función sigmoidal, en otros casos es tan aplicable una función como otra.
Para una función lineal, tenemos:715G? & @7, mientras que la derivada de una función
sigmoidal es:
715G? & 15G:@ > 15G; & 0#52@ > 0#537
Por lo que los términos de error para las neuronas de salida quedan:
<#5G & :=#5 > 0#5;
Para la salida lineal, y
<#5G & 2=#5 > 0#530#57:@ > 0#5;
Para la salida sigmoidal.
17
Si la neurona j no es de salida, entonces la derivada parcial del error no puede ser
evaluada directamente, por tanto se obtiene el desarrollo a partir de valores que
son conocidos y otros que pueden ser evaluados.
La expresión obtenida en este caso es:
<#$% & 1$%H: !"#$% ;'<#565
85$6
Donde se observa que el error en las capas ocultas depende de todos los términos
de error de la capa de salida. De aquí surge el término propagación hacia atrás.
En particular, para la función sigmoidal:
<#$% & -#):@ > -#);'<#565
85$6
Donde k se refiere a todas las neuronas de la capa superior a la de la neurona j.
Así, el error que se produce en una neurona oculta es proporcional a la suma de
los errores conocidos que se producen en las neuronas a las que está conectada
la salida de ésta, multiplicado cada uno de ellos por el peso de la conexión. Los
umbrales internos de las neuronas se adaptan de forma similar, considerando que
están conectados con pesos desde entradas auxiliares de valor constante.
Paso 5
Actualización de los pesos: para ello se utiliza un algoritmo recursivo, comenzando
por las neuronas de salida y trabajando hacia atrás hasta llegar a la capa de
entrada, ajustando los pesos de la siguiente forma:
Para los pesos de las neuronas de la capa de salida:
85$6 :" . @; & 85$6 :"; . I85$6 :" . @;
I85$6 :" . @; &J <#56 0#$
18
Para los pesos de las neuronas de la capa oculta:
8$)%:" . @; & 8$)%:"; . I8$)%:" . @;
I8$)%:" . @; &J <#$% -#)
En ambos casos, para acelerar el proceso de aprendizaje se puede añadir un
término momento de valor: K:85$6 :"; > 85$6 :" > @;; en el caso de la neurona de
salida, y K:8$)%:"; > 8$)%:" > @;; cuando se trata de una neurona oculta.
Paso 6
El proceso se repite hasta que el término de error
L# & @M7'<#5N
O
5+,
resulta aceptablemente pequeño para cada uno de los patrones aprendidos.
1.2.1.2 FUNCIONES DE LAS HERRAMIENTAS DE REDES NEURONALES EN
MATLAB
El entrenamiento de la red neuronal se realizo en Matlab 6.5. Las herramientas
utilizadas para dicho fin son las siguientes:
newff : Crea una red tipo Backpropagation, requiere que se especifiquen los
siguientes parámetros:
newff: (PR, [S1 S2 …SN],{TF1 TF2…TFN},BTF,BLF,PF)
PR: Rx2 Matriz de valores máximos y mínimos de cada uno de las R
neuronas de entrada.
SI: Número de neuronas para cada capa.
19
TFI: Función de transferencia a utilizar en cada una de las capas por defecto
utiliza tansig.
BTF: Algoritmo de entrenamiento a utilizar, por defecto utiliza trainlm.
BLF: Función de actualización de los pesos, por defecto utiliza learngdm.
PF: Función para evaluar el desempeño de la red, por defecto utiliza mse.
Los siguientes fueron los tipos de entrenamiento que se utilizaron hasta que se
encontrara uno que brindara un aprendizaje óptimo:
- traingd: Algoritmo de pasos descendientes, que actualiza pesos y ganancias
variándolos en la dirección negativa del gradiente de la función del error.
- traingdm: Equivale al algoritmo, mas un nuevo coeficiente de momentun, que
interviene en el proceso de actualización de los pesos.
- traingda: Algoritmo de gradiente descendiente, que emplea una rata de
aprendizaje adaptativa durante el proceso de entrenamiento. La rata de
aprendizaje varia entre 0.01 y 1.
- Trainrp: Las redes multicapa, utilizan típicamente una función de transferencia
sigmoidal en las capas ocultas. Estas funciones comprimen un rango infinito de
entradas, dentro de un rango finito de salidas, además se caracterizan porque
su pendiente tendera cada vez mas a cero.
- trainbfg: Algoritmo alternativo que emplea la técnica del gradiente conjugado, su
expresión matemática se deriva del método de newton, con la ventaja que no es
necesario computar las segundas derivadas; este algoritmo requiere mas
capacidad de almacenamiento que el algoritmo tradicional, pero generalmente
converge en menos iteraciones.
- trainlm: Algoritmo que actualiza los pesos y las ganancias de acuerdo de la
optimización de Levenberg-Marquardt. Es el algoritmo mas rápido para redes
backpropagation; tiene la desventaja de requerir un set de entrenamiento lo
mas estándar posible.
20
La sintaxis básica para cualquiera de estos tipos de entrenamiento es la siguiente:
- net.TrainParam.epochs: Máximo número de iteraciones para obtener
convergencia.
- net.TrainParam.goal: Error máximo permitido.
- net.TrainParam.show: Intervalo de visualización de los resultados
El tipo de entrenamiento que menor grado de error presento fue traingdm. Esto
Debido a la naturaleza de los datos de entrenamiento presentados a la red.
1.2.2 ENTRENAMIENTO DE LA RED NEURONAL
Para realizar el entrenamiento de la red neuronal se debe tener en cuenta el
ambiente de trabajo en el que esta debe operar. La red neuronal es programada
dentro del microcontrolador, por esto se debe tener en cuenta la cantidad de
memoria que esta ocupa en su ejecución.
Dado que el microcontrolador MC68HC908GP32 solo tiene 512 bytes de memória
RAM y que las operaciones necesarias para calcular la salida de la red requieren
gran espacio de memoria, se limita el tamaño de la red neuronal; esto conlleva a
que se deba sacrificar exactitud para lograr una red que opere lo más
eficientemente posible.
De acuerdo a lo anterior, la red neuronal que mejor se acoplo a las necesidades
del proyecto fue la siguiente:
21
Figura 5. Red neuronal Backpropagation 4-3-1
La red neuronal utilizada es una red Backpropagation con dos neuronas de
entrada, dos capas ocultas con cuatro neuronas en la primera capa oculta, tres en
la segunda capa y una neurona en la capa de salida.
La primera capa oculta utiliza una función de activación:
PQR!ST : ; &
La función de activación de la segunda capa oculta es:
PQR!ST : ; &
Para la capa de salida se utiliza :
SUVWTV7: ; & @:@ . !B;
Esta red fue entrenada en Matlab 6.5, el tipo de entrenamiento que mejor
resultados brindo fue el realizado con traingdm obteniendo con este resultados
satisfactorios para el proyecto a realizar.
22
1.2.2.1 ACONDICIONAMIENTO DE LOS PATRONES DE ENTRENAMIENTO DE
LA RED NEURONAL
Los patrones de entrenamiento de la red neuronal se obtendrán de las curvas de
la figura 6; de donde se utilizara el torque y velocidad como patrones de entrada y
el ángulo de disparo será la salida de de la red neuronal.
.
Figura 6.curvas características torque-velocidad
Debido a que la red neuronal opera dentro de la ejecución del programa del
microcontrolador, las señales de entrada se deben acondicionar para adecuarlas a
los patrones de entrenamiento de la red.
Del dinamómetro de los módulos del LabVolt, existente en el laboratorio de
máquinas eléctricas, se adquirirán las señales de torque y velocidad del motor de
inducción. La relación existente entre la velocidad (vel) y el voltaje (V), a la salida
del sensor esta dada por la ecuación:
X & YZ!S . [\][^]]]_ `
@]]a\a^\
23
Mientras que la relación entre el torque (torq) y el voltaje (V) es:
X & Y"URb . @a]]_ `
^]]]@ac\
La señal del sensor de torque se encuentra en el rango de 0-10 Vdc, la cual se
debe disminuir al rango de 0-5 Vdc, para poder ser llevada al microcontrolador,
esto se hará con un divisor de tensión; sin embargo la señal se debe restablecer al
rango original dentro del programa del microcontrolador.
Los valores de torque y velocidad obtenidos de las curvas características (figura 6)
se deben convertir a voltajes de acuerdo a las relaciones obtenidas de los
sensores antes de entrenar la red.
El ADC del microcontrolador convierte señales análogas, de un rango de 0-5 Vdc,
a un número binario de 8 bits que él puede utilizar. Por esta razón los patrones de
entrada se deben acondicionar a estos valores para poder entrenar la red.
24
1.3 MICROCONTROLADORES MC68HC908GP32 Y MC68HC908JK3
1.3.1 MICROCONTROLADORES MC68HC908GP32
El MC68HC908GP32 es miembro de la familia MC68HC08 de bajo costo y alto
rendimiento de los microcontroladores de 8 bits. Todos los microcontroladores de la
familia MC68HC08 usan la unidad central de procesamiento mejorada (CPU08) y
son compatibles con una variedad de módulos, tamaños de memoria y tipos de
paquetes.
1.3.1.1 CARACTERÍSTICAS
- Frecuencia interna de bus de 8Mhz.
- Seguridad en la programación de la memoria FLASH.
- Propiedades de protección del sistema:
- Reset COP opcional.
- Detección de bajo voltaje con reset opcional.
- Detección de OPCODE ilegal con reset.
- Detección de dirección ilegal con reset.
- Diseño de bajo consumo.
- Modos de operación de bajo consumo estándar:
- Modo WAIT.
- Modo STOP.
- Pin de Reset maestro y power-on-reset (POR).
- 32 Kbyte de memoria FLASH (on-chip) con capacidades in-circuit-programming.
- Arquitectura de alto rendimiento M68HC08 optimizada para compiladores C.
- 512 bytes de memória RAM (on-chip).
- Modulo de interfaz periférica serial (SPI).
- Modulo de interfaz de comunicaciones serial (SCI).
25
- Dos módulos de 16 bits de interfaz de temporizador con dos canales (TIM1 y
TIM2), con capacidades seleccionables de captura de entrada, comparación de
salida, y PWM en cada canal.
- Conversor analógico-digital de aproximación sucesiva de 8 bits con 8 canales.
- Modulo BREAK para permitir la selección de un breakpoint en la depuración in-
circuit.
- Pullups en IRQ' y RST' para reducir el costo del sistema.
- Modulo generador de clock con PLL (on-chip) compatible con cristal de 32Khz.
- Hasta 33 I/O de propósito general incluyendo:
- 26 pines I/O de función compartida.
- 5 o 7 pines I/O dedicados dependiendo del encapsulado
- Pullups seleccionables en las entradas de los puertos A,C y D. Durante el modo
de salidas los pullups son desenganchados.
- Capacidad de altas corrientes en todos los puertos.
- Modulo de base de tiempos con circuitería preescaladora del clock para ocho
interrupciones periódicas en tiempo real seleccionables por el usuario, con
fuente opcional de clock activo durante el modo STOP para activaciones
periódicas usando un cristal externo de 32Khz.
- Bit de habilitación del oscilador en el modo STOP.
- Puerto wakeup para teclado de 8 bits.
26
1.3.1.2 ASIGNACION DE PINES
pines no compatibles en el
encapsulado de 40 pines
Conexión interna
PTC5 conectados a tierra
PTC6 conectados a tierra
PTD6/T2CH0 desconectados
PTD7/T2CH1 desconectados
Figura 7. Asignación de pines MC68HC908GP32 (40 pines-PDIP)
27
1.3.2 MICROCONTROLADORES MC68HC908JK3
1.3.1.1 CARACTERÍSTICAS
- Arquitectura de alto rendimiento M68HC08 optimizada para compiladores C.
- Completamente compatible con las familias M6805, M146805 y M68HC05.
- Diseño de bajo consumo.
- Modos de operación de bajo consumo estándar:
- Modo WAIT.
- Modo STOP.
- Voltaje de operación entre 3V y 5V.
- Bus interno de operación de 8 MHz.
- Seguridad en la programación de la memoria FLASH.
- Memoria flash de 4096 bytes.
- 128 bytes de memoria RAM.
- 2 canales del modulo de interfaz de tiempo (TIM).
- 8 canales para el conversor análogo digital de 8 bits.
- 15 puertos de propósito general incluyendo.
- 1 pin de interrupción por teclado con entradas de pull-up.
- 4 LED drivers
- 2 puertos de 2 X 25 mA de colector abierto con entradas de pull-up.
- Propiedades de protección del sistema:
- Reset COP opcional.
- Detección de bajo voltaje con reset opcional.
- Detección de OPCODE ilegal con reset.
- Detección de dirección ilegal con reset.
- IRQ1 con entrada de pull-up y Schmitt-trigger input
28
1.3.1.2 ASIGNACION DE PINES
Pines no existentes en el encapsulado DIP 20: PTA0, PTA1, PTA2, PTA3, PTA4,
PTA5, PTD0, PTD1.
Figura 8. Asignación de pines MC68HC908JK3 (20 pines-PDIP)
29
1.4 PROGRAMACIÓN DE LOS MICROCONTROLADORES
1.4.1 DIAGRAMAS DE FLUJO
El microcontrolador GP32 es el encargado de leer la velocidad y el torque para
realizar el cálculo del ángulo de disparo por medio de la red neuronal.
Figura 9. Diagrama de bloques principal del GP32.
Para la sincronización del disparo de los tiristores se hace necesario la detección
del cruce por cero de una las fases de la red. Esta señal es leída por el pin IRQ del
GP32, el cual genera una interrupción cada vez que se presente un cruce por
cero.
30
Figura 10. Interrupción por IRQ del GP32.
Figura 11. Subrutina de retardo de 10º.
El TIM1 del GP32 se encuentra programado a 120º de la activación de la fase A,
configurado como salida de comparación de este modo generara un pulso cada
vez que se cumplan los 120º por el canal 1 del TIM1 para activar la fase B.
Para la activación de la fase C se hace necesario contar con un microcontrolador
JK3 al cual le llegara la señal del TIM1 del GP32 por el medio del pin IRQ1
31
Figura 12. Diagrama de bloques del JK3.
El TIM del JK3 también se encuentra programado a 120º de la activación de la
fase B, a la vez se encuentra configurado como salida de comparación por el
canal cero del TIM.
1.4.2 DIAGRAMAS CIRCUITALES
En la figura 13 se muestra el diagrama circuital de los microcontroladores con las
salidas, entradas, alimentación, circuito oscilador e integrado 74LS244.
Figura 13.Diagrama circuital de los microcontroladores
32
Además se requiere una fuente regulada de 5 voltios para la alimentación de los
circuitos y un detector de cruce por cero para la sincronización de los pulsos de
disparo de los tiristores. El detector de cruce por cero requiere una fuente
adicional para no sobrecargar la fuente regulada que alimenta los
microcontroladores.
Se hace necesario filtrar las señales de torque y velocidad antes de entrar al
microcontrolador, ya que estas señales contienen mucho ruido de alta frecuencia
por lo que se hizo necesario utilizar filtros pasabajo (Figura 14).
Figura 14. Fuentes reguladas y detector de cruce por cero
33
Para la conexión entre el motor y la salidas del 74LS244 se requiere de una
interfaz de potencia mostrada a continuación.
Figura 15. Interfaz de potencia por fase.
34
CAPITULO 2
PRUEBAS, RESULTADOS Y ANÁLISIS
Las pruebas se realizaron en el laboratorio de máquinas eléctricas de la Universidad Tecnológica de Pereira utilizando los siguientes equipos:
Fuente de alimentación trifásica de los módulos de LabVolt.
Motor de inducción jaula de ardilla.
Dinamómetro.
Osciloscopio tektroniks.
Modulo de control de arranque y velocidad.
2.1 IMPLEMENTACIÓN Y PRUEBAS DE LAS CIRCUITOS IMPRESOS A partir del diagrama circuital de la figura 14 se realizo el diseño y montaje de las fuentes reguladas y el circuito detector de cruces por cero.
Figura 16.Diseño de los circuitos impresos de las fuentes reguladas y detector de cruces por cero
35
Figura 17. Circuitos impresos implementados para las fuentes reguladas y detector de
cruces por cero
Con los diagramas circuitales de las Figuras 13 y 15 se diseño e implemento los circuitos para el funcionamiento de los microcontroladores e interfaz de potencia.
Figura 18. Diseño de la circuitos impresos para el funcionamiento de los microcontroladores e interfaz de potencia
36
Figura 19. Implementación de la baquela para el funcionamiento de los microcontroladores e
interfaz de potencia
Con los circuitos impresos ya implementadas se procedió a comprobar su correcto funcionamiento, verificando que los pulsos enviados por el circuito detector de cruces por cero se realicen cada 180º, además que la señal salga invertida para poder ser detectada por pin IRQ del microcontrolador GP32
Figura 20.señal del detector de cruces por cero
37
Para comprobar el correcto funcionamiento de la señal se debe tener en cuenta que:
de7fgfhij k l7jmnopqi777777777777777r777777777777l7fgfhi & lde7 jmnopqi
Además 7 sdet k l7fgfhi
Por lo tanto
sdet k lde jmnopqij
De esta relación se puede observar que
l7jmnopqi & de ` sdet Por medio de una regla de tres simple podemos obtener de la diferencia de tiempo entre pulsos su equivalente en grados.
77777777777l7j777 k de ` sdet7 u4 s7vj k w
w & de ` sdet `4 u4 svjl7j
w & luet
En un sistema trifásico la fases se encuentran desfasadas entre si 120º, por este motivo se debe garantizar que los pulsos de disparo, mandados por los microcontroladores, tengan este mismo desfase entre si.
A continuación se observan los pulsos de disparo de las tres fases y el desfase que estas presentan.
38
7777777777l7x777 k de ` sdet7 7y4 d7vj k w7 w & de`sdet`y4dvj
l7j
w & lze4 {dt
Figura 21. Pulsos de disparo de las fases A y B
l7x777 k de ` sdet7 7777777777777ll4 l7vj k w7 w & de`sdet`ll4lvj
l7j
w & zs{4 |dt
Figura 22. Pulsos de disparo de las fases A y C.
39
2.2 ACONDICIONAMIENTO DE SEÑALES
Después de verificar el correcto funcionamiento de los circuitos impresos se conectan los pulsos de disparo a lo tiristores en antiparalelo de cada fase, ambos tiristores comparten la misma señal de disparo por fase; esta configuración de tiristores será la encargada de variar el voltaje aplicado en terminales del motor de inducción.
Para la generación de los pulsos de disparo se hace necesario estar leyendo continuamente las señales de torque y velocidad del dinamómetro existente en los módulos del LabVolt; sin embargo se observa que estas señales presentan una gran cantidad de ruido de alta frecuencia. Estas alteraciones en las señales DC provocan errores en la ejecución del programa del microcontrolador por lo que debieron ser filtradas con un filtro pasabajo de frecuencia de corte de aproximadamente 70 Hz, lográndose así mejorar considerablemente la señal. En la figura 25 se puede observar la señal de torque antes y después del filtro.
Figura 23. Señal de torque antes y después de ser filtrada
40
2.3 TOMA DE RESULTADOS
Las características técnicas del motor de inducción jaula de ardilla, datos de placa,
Son:
- 120/208 V. 60Hz
- 175 W. - 1800 rev/min.
Con estos datos podemos obtener el torque nominal del motor de inducción, sabemos que:
} & 7~ ` X , de donde ~ & 7 ��
Así que ~ & ,��7�,�667�C���)B &7 ,��77��4�����
,�66 ������`������7�
= 5.83 N.m
Ya que el dinamómetro cuenta con un sensor de torque de 0-3N.m,para estos valores de torque no bajan a mas de 1670 rev/min, los ángulos de disparo estarán comprendidos entre 60º ! ! 90º.
Figura 24. Curvas de torque vs velocidad para distintos ángulos de disparo del motor de inducción
41
A continuación se muestra la forma de onda aplicada en bornes del motor de inducción para ángulos de disparo entre 60º ! ! 90º.
Figura 25. Forma de onda del voltaje aplicado en bornes de la maquina para 60º! ! 90º
Como se puede observar, la forma de onda ya no es sinusoidal, por este motivo no se puede tomar lecturas de voltaje verdaderas, ya que los instrumentos de medición solo miden valores RMS de ondas sinusoidales.
42
Para verificar el funcionamiento del sistema se procede ha arrancar el motor, para observar el ángulo de disparo con el que este arranca. El ángulo se puede ver tomando la señal del pulso de disparo de la fase A y compararla con la señal del detector de cruces por cero.
l7j7 k de ` sdet7 777777777777�4 u�7vj k Iw7
Iw & de ` sdet ` �4 u�vjl7j
7777777777Iw & le�4 y�t
Figura 26. Torque de 0 N.m
Después de arrancar el motor, se procede a aumentar el torque aplicado a la máquina y tomar el valor del ángulo de disparo para diferentes valores de torque con su respectiva velocidad.
Los resultados obtenidos se muestran en las siguientes graficas con el valor de su ángulo de disparo.
43
l7j7 k de ` sdet7 �4 u7vj k Iw7 Iw & de`sdet`�4uvj
l7j
Iw & les4 |t
Figura 27. Torque de 0.1 N.m.
l7j7 k de ` sdet7 �4 u7vj k Iw7
Iw & de ` sdet ` �4 uvjl7j
Iw & les4 |t
Figura 28. Torque de 0.2 N.m.
44
l7j7 k de ` sdet7
�4 |d7vj k Iw7 Iw & de`sdet`�4|dvj
l7j
Iw & lez4 uzt
Figura 29. Torque de 0.3 N.m.
l7j7 k de ` sdet7 �4 |d7vj k Iw7 Iw & de`sdet`�4|dvj
l7j
Iw & lez4 uzt
Figura 30. Torque de 0.4 N.m
45
l7j7 k de ` sdet7 �4 |d7vj k Iw7 Iw & de`sdet`�4|dvj
l7j
Iw & lez4 uzt
Figura 31. Torque de 0.5 N.m
l7j7 k de ` sdet7 �4 |z7vj k Iw7
Iw & de ` sdet ` �4 |zvjl7j
Iw & lel4 {yt
Figura 32. Torque de 0.6 N.m
46
l7j7 k de ` sdet7 �4 |z7vj k Iw7 Iw & de`sdet`�4|zvj
l7j
Iw & lel4 {yt
Figura 33. Torque de 0.7 N.m
l7j7 k de ` sdet7 �4 d�7vj k Iw7
Iw & de ` sdet ` �4 d�vjl7j
Iw & lee4 zzt
Figura 34.Torque de 0.8 N.m
47
l7j7 k de ` sdet7 �4 d7vj k Iw7 Iw & de`sdet`�4dvj
l7j
Iw & {{4 sdt
Figura 35.Torque de 0.9 N.m
l7j7 k de ` sdet7 �4 d7vj k Iw7
Iw & de ` sdet ` �4 dvjl7j
Iw & {{4 sdt
Figura 36. Torque de 1 N.m
48
l7j7 k de ` sdet7 �4 yd7vj k Iw7 Iw & de`sdet`�4ydvj
l7j
Iw & {u4 yt
Figura 37. Torque de 1.1 N.m
l7j7 k de ` sdet7 �4 yd7vj k Iw7
Iw & de ` sdet ` �4 ydvjl7j
Iw & {u4 yt
Figura 38. Torque de 1.2 N.m
49
l7j7 k de ` sdet7 �4 yz7vj k Iw7 Iw & de`sdet`�4yzvj
l7j
Iw & {|4 dst
Figura 39. Torque de 1.3 N.m
l7j7 k de ` sdet7 �4 ��7vj k Iw7
Iw & de ` sdet ` �4 ��vjl7j
Iw & {y4 {t
Figura 40. Torque de 1.4 N.m
50
l7j7 k de ` sdet7 �4 �u7vj k Iw7 Iw & de`sdet`�4�uvj
l7j
Iw & {d4 ||t
Figura 41. Torque de 1.5 N.m
777
l7j7 k de ` sdet7 �4 ��7vj k Iw7 Iw & de`sdet`�4��vj
l7j
Iw & {y4 {t
Figura 42. Torque de 1.6 N.m
51
777777 777777l7j7 k de ` sdet7
�4 �7vj k Iw7
Iw & de ` sdet ` �4 �vjl7j
Iw & {y4 e�t
Figura 43. Torque de 1.7 N.m
l7j7 k de ` sdet7 �4 sz7vj k Iw7 Iw & de`sdet`�4szvj
l7j
Iw & {s4 slt
Figura 44. Torque de 1.8 N.m
52
l7j7 k de ` sdet7 �4 zu7vj k Iw7 Iw & de`sdet`�4zuvj
l7j
Iw & {z4 �yt
Figura 45. Torque de 1.9 N.m
l7j7 k de ` sdet7 �4 zu7vj k Iw7 Iw & de`sdet`�4zuvj
l7j
Iw & {z4 �yt
Figura 46. Torque de 2 N.m
53
l7j7 k de ` sdet7 �4 z�7vj k Iw7 Iw & de`sdet`�4z�vj
l7j
Iw & {l4 yut
Figura 47. Torque de 2.1 N.m
l7j7 k de ` sdet7 �4 z�7vj k Iw7 Iw & de`sdet`�4z�vj
l7j
Iw & {l4 yut
Figura 48. Torque de 2.2 N.m
54
l7j7 k de ` sdet7 �4 z7vj k Iw7 Iw & de`sdet`�4zvj
l7j
Iw & {e4 |zt
Figura 49. Torque de 2.3 N.m
l7j7 k de ` sdet7 �4 ld7vj k Iw7 Iw & de`sdet`�4ldvj
l7j
Iw & u{4 uyt
Figura 50. Torque de 2.4 N.m
55
7777 7777l7j7 k de ` sdet7 �4 ld7vj k Iw7
Iw & de ` sdet ` �4 ldvjl7j
Iw & u{4 uyt
Figura 51. Torque de 2.5 N.m
7777777777777l7j7 k de ` sdet7 �4 ld7vj k Iw7 Iw & de`sdet`�4ldvj
l7j
Iw & u{4 uyt
Figura 52. Torque de 2.6 N.m
56
l7j7 k de ` sdet7 �4 ld7vj k Iw7 Iw & de`sdet`�4ldvj
l7j
Iw & u{4 uyt
Figura 53. Torque de 2.7 N.m
l7j7 k de ` sdet7 �4 ld7vj k Iw7 Iw & de`sdet`�4ldvj
l7j
Iw & u{4 uyt
Figura 54. Torque de 2.8 N.m
57
2.4 ANALISIS DE RESULTADOS
La detección de cruces por cero se realiza con respecto a un voltaje de línea, mientras que la alimentación del motor es trifásica; por este motivo se debe tener en cuenta el desfase de 30º existente entre los voltajes de línea y de fase.
Figura 55. Diagrama fasorial de los voltajes de línea y fase.
Al detectar el cruce por cero, se calcula el ángulo de disparo a través de la red neuronal, y a este ángulo se le suman 30º de desfase entre los voltajes de línea y de fase. Por esta razón lo que se observa en las graficas es el ángulo de disparo de los tiristores además del desfase de 30º.
58
En la tabla 1. se muestran los datos obtenidos en las figuras 26-54, con su respectivo ángulo de disparo.
TORQUE (N.m) VELOCIDAD (RPM) "x ANGULO DE DISPARO 0 1790 104.54 74.54
0.1 1786 103.7 73.7 0.2 1782 103.7 73.7 0.3 1777 102.82 72.82 0.4 1775 102.82 72.82 0.5 1771 102.82 72.82 0.6 1765 101.95 71.95 0.7 1762 101.95 71.95 0.8 1759 100.2 70.2 0.9 1756 99.36 69.36 1 1755 99.36 69.36
1.1 1750 98.5 68.5 1.2 1746 98.5 68.5 1.3 1742 97.63 67.63 1.4 1738 95.9 65.9 1.5 1733 96.77 66.77 1.6 1730 95.9 65.9 1.7 1724 95.04 65.04 1.8 1721 93.31 63.31 1.9 1712 92.45 62.45 2 1710 92.45 62.45
2.1 1709 91.58 61.58 2.2 1701 91.58 61.58 2.3 1696 90.72 60.72 2.4 1691 89.85 59.85 2.5 1689 89.85 59.85 2.6 1680 89.85 59.85 2.7 1675 89.85 59.85 2.8 1671 89.85 59.85
Tabla 1. Datos de torque, velocidad y ángulo de disparo de las pruebas realizadas.
Los resultados obtenidos de las pruebas realizadas se proceden a graficar sobre las curvas de entrenamiento de la red neuronal.
59
Figura 56. Resultados obtenidos sobre los patrones de entrenamiento de la R.N.A.
Como se puede observar se presentaron errores, que no sobrepasaron el 10% entre los datos obtenidos y los patrones de entrenamiento. Se ve además que en donde existen crucen entre las curvas, se presenta un mayor error, esto debido a que la red neuronal puede confundirse por la cercanía de los datos que se le presentan.
60
3. CONCLUSIONES Y RECOMENDACIONES
Al arrancar el motor con un ángulo de disparo, el voltaje aplicado en bornes de la máquina es menor que el voltaje de operación, por lo que se reduce la corriente en el arranque.
Con la red neuronal utilizada se logro alcanzar la precisión esperada para el proyecto. Para mejorar el rendimiento de la red se pueden aumentar las capas ocultas y la cantidad de neuronas en ellas, sin embargo se debe utilizar un dispositivo de más alto rendimiento como una FPGAS.
Se disminuyo la corriente nominal de operación del motor en aproximadamente un 15%.
Se puede mejorar el rendimiento del dispositivo al aumentar el torque aplicado a la maquina, ya que la red neuronal entregaría un ángulo mas preciso.
Se presentaron problemas en la operación del motor debido a la gran cantidad de armónicos que presenta la universidad. Además el dinamómetro al generar el torque provoca mas armónicos en la red, lo cual no se presentaría con carga no simulada. Este problema se puede amortiguar en gran medida filtrando la red antes de alimentar el dispositivo.
Los objetivos propuestos se cumplieron a cabalidad
61
4. BIBLIOGRAFÍA
1. CHAPMAN Sthepen J. Máquinas eléctricas.3 edición. Santa fe de Bogotá:
McGraw-Hill, 2000. p 768.
2. RASHID MUHAMMAD H. Power Electronics.2 edición. Canada: Academic
press, 2001. P 892.
3. DEWAN S.B, SLEMON G.R. Y STRAUGTH A. Power Semiconductor
4. Drives. U.S.A: Wiley-Interscience publication, 1984. P 340.
5. GASTLI Adel y AHMED Mohamed M ANN-Based Soft Starting of
Voltage Controlled-Fed IM Drive System En: IEEE Transactions on Energy
Conversion. Vol. 15, No 3 (abril 2004)
6. ALZATE Alfonso y RÍOS Luis H. Control de Velocidad de una Máquina de
Inducción Mediante la Variación del voltaje. En: SCIENTIA ET TECHNICA, No 3
(abril 1996), p 23-27.
7. Hilera, José R y Martínez, Víctor J. Redes Neuronales Artificiales: Fundamentos
Modelos y Aplicaciones. MEXICO: ALFAOMEGA GRUPO EDITOR, S.A. DE
CV, C2000. P 390.
62
ANEXO 1
PROGRAMA DEL MICROCONTROLADOR MC68HC908GP32
!"#$%&'()*!&'+,*-(./(+01(2"34$'5"6'11%768(93#10(/.(
!"#$%&'(:&'1!;36!;',*:(./(!"#$%&'(7'1!7*'13$(&'#$3136!0"8(/.(
!"#$%&'(:93!"<389,*:(./(!"6'1+3#'(60(6*'(388'94$=(90&%$'(/.(
!"#$%&'()936*,*-(
!"#$%&'()>?@AB?CDAEFGH,*-((
(
;0!&(>?I<!"!6J;0!&KL(./(M';!#'(!"!6!3$!N36!0"(+%"#6!0"(&'#$3136!0"(/.(
(&0%4$'((8DO8PO8HO8GO=AO=CO=PDO=DO=PL(
(&0%4$'((83$O3"Q%$0L(
(!"6((601R%'O;'$0#!&3&O!O3"QL(((
(
!"6'11%76(H(;0!&(5STJ;0!&K(
U((((((((((((((((
(!V3"QL((
(W*!$'(J!-DK(U(
(389(U((((
(((((((((((((((((($&3((((( PX(
(1'6Y((((((((((((&'#3((((((((((((((((((((L(?31Q3(#0"863"6'(&'(1'631&0(P(
((((((((((((((((((#97((((( ZDD(
((((((((((((((((((4"'(((((1'6(((((((((((((L(?!#$0(!"6'1"0((((
(((([((
!V!\PL(
([((
63
!"#$
#%& '()*+,-./ 0 12"!345&% ,67-
8"24 9+:,; 0 ;345&! <!"2 ;
83=> ?+,-./ 0 !345&! ,67-
@@>24!>A% A2 -* B>!A%"
=A! '-CD
>24DE A23! 0 /!>B! 3%F"4!F42 A2 >24!>A% -
3#G '(**
8F2 >24D 0 /53=% 5F42>F%
83=> 9+:,;
H
>24I>F0
H
&%5A #!5FJ&%5AK $
@L MF3%##2F4 4N5" <IF345%F 3!== !<42> I"5FB 12&532 6F545!=5O!45%F
4% I"2 4N2 B2F2>!42A 3%A2 L@
@L 7/MP5F54JK0 L@
!"#
$
3=>! 0 5F535!=5O!FA% !3I#I=!A%>
3=>Q 0 5F535!=5O!FA% 2= >2B5"4>% 5FA532
8"24 *+/RST6U- 0 12"!345&! 2= /R:
#%& '(TT+11V; 0 /%F<5BI>! =%" 854" WDEXY A2= GI2>4% 1 3%#% "!=5A!"
64
#%& '(**+:,;
#%& '(?*+;1/Z[ 0 3%F<5BI>! 2= >2=%\ A2= ;1/ JG>2"3!=2> A2 DK
#%& '()*+,-./ 0 >2"242% ,67-
#%& '()9+,-7R1] 0 3!>B! 2=&!=%> 3%>>2"G%FA52F42 ! -D* B>!A%" 2F ,67-
#%& '(X*+,-7R1Z
#%& '(*C+,-/]-] 0 3!>B! 2=&!=%> 3%>>2"G%FA52F42 ! D* B>!A%" A2 !345&!35%F A2 ,67-
#%& '(*;+,-/]-Z
#%& '(-;+,-./- 0 3%F<5BI>! %I4GI4 3%#G!>2 3!F!= - A2= ,67-
8"24 D+6S,./V 0V2!=5O% >23%F%35#52F4% G>2&5%
3=5
H
^F!8=26F42>>IG4"0 @L 2F!8=2 5F42>>IG4" L@
!"#
$
.^S.RV^.E #%& '(**+;1./V 0 3%F<5BI>! 2= ;1/ J/!F!= * __ :,`* __ 4%>aI2K
83=> ?+;1./V 0 .%=5354! IF! 3%F&2>"5!F
ZZE 8>3=> b+;1./V+ZZ 0 ^"G2>! G%> >2"I=4!A% A2 3%F&2>"5!F
H
4%>aI2c;1V0
!"#$
#%& '(*D+;1./V 0 3%F<5BI>! 2= ;1/ J/!F!= D __ :,`D __ &2=%35A!AK
83=> ?+;1./V 0 .%=5354! IF! 3%F&2>"5!F
..E 8>3=> b+;1./V+.. 0 ^"G2>! G%> >2"I=4!A% A2 3%F&2>"5!F
65
H
&2=%35A!Ac;1V0
@@;ZURV6,7R 1^ Z; V^1 S^MVRS;Z
d*c&2=%35A!A0
d-cDL4%>aI20
"*cJJd*@-e?KL*f?*)?)b-KgJJd-@--e*KL_*f-DDC?X)Kg*f)9*C9eX0
"-cJJd*@-e?KL_*f-X?DbeXKgJJd-@--e*KL*f9)-eX9*Kg*f9D??99-0
"DcJJd*@-e?KL*fbX*?)*?KgJJd-@--e*KL*f??b9-DbK_*fCDCD9X*0
")cJJd*@-e?KL_*f*9?)-??KgJJd-@--e*KL_*fX?**De9K
decJ"*LJ_*f*Cb-b-*KKgJ"-LJ_*f*XeD*e9eKKgJ"DLJ_*f9X)?*X)KKgJ")LJ_*f*C-X*)bKKg*f)X9b-eX0
dCcJ"*LJ*fb*b9-b-KKgJ"-LJ_*fDb-bDe9KKgJ"DLJ_*f9D*?9))KKgJ")LJ*f-9C9--XKK_*fD?)-9X)0
d-*cJ"*LJ*f**D*X9-KKgJ"-LJ_*f)e)*))CKKgJ"DLJ*f)9?DeDbKKgJ")LJ_*fb*X***-KKg*fb-C9CX*0
"!=cJdeLDf9)D9DDD9e99*DbKgJdCL*fe-))X*C9*?bXD?CKgJd-*L_*f*?X)-DXCDeC*C?*eK_*f*-b9)))?-C)e-beD0
!FBI=%cJ-D*@J-g2QGJ_"!=KKK0
!FBc)*g!FBI=%0 @@ 3%#G2F"!35!F A2= A2"<!"2 2F4>2 &%=4!\2" A2 =5F2! d A2 <!"2
&2=%35A!Ac*0
4%>aI2c*0
!"#$
8>! .^S.RV^. 0 &I2=&2 ! =22> =%" "2F"%>2"
H
H
66
ANEXO 2
PROGRAMACIÓN DE LA RED NEURONAL
clear all
clc
% ENTRADAS
p1=[ patrones de entrenamiento de velocidad];
p2=[ patrones de entrenamiento de torque];
P=[p1;p2];
ang1=3/12;
ang2=5/12;
ang3=7/12;
ang4=9/12;
ang5=11/12;
for i=1:21
T(:,i)=ang1; end
for i=21:40
T(:,i)=ang2;
end
for i=41:61
T(:,i)=ang3;
end
for i=62:81
T(:,i)=ang4;
end
for i=82:102
T(:,i)=ang5;
end
inic=minmax(P)
net=newff(inic,[4 3 1],{'purelin' 'purelin' 'logsig'},'traingdm')
net.TrainParam.epochs=30000; % épocas de entrenamiento
net.TrainParam.goal=1e-3; % error
net.TrainParam.show=100;
RED=train(net,P,T)
dato = [19/185 2834/1180]';
Salida=sim (RED, dato)