Professional Documents
Culture Documents
ACTIVIDAD 3
TRABAJO COLABORATIVO
LUIS ALBERTO SANCHEZ CORREA - Cd.: 16.786.134
ENVER RICARDO PIZO - Cd.: 94517159
INTRODUCCION
OBJETIVOS
Generales
Especficos
las
El modelado del aire de salida, la mezcla de aire, tanque de agua fra, el calentador, y de sus
componentes del humidificador.
constantes, no hay ninguna fuga de aire en el proceso, El lmite es aislado. Y El aire es el gas ideal.
La ley de termodinmica en este caso es:
energa
entrada
energa
salida
{prdidas
energa
} = acumulada
sistema
La eficiencia energtica de des humidificacin: Mide en litros de agua extrados del aire por kWh
de energa consumida. Un factor ms alto significa mayor eficiencia, con un rendimiento que van
desde 1 L / kWh a ms de 4 L / kWh. La interaccin compleja de la temperatura del aire, significa
la temperatura, la velocidad del aire radiante y la humedad con el ambiente trmico humano. Se
analiza el efecto de la manipulacin de la humedad relativa HR del ambiente en un cuarto en el
confort trmico y sensacin trmica ocupantes humanos. El efecto de controlar la RH junto con la
temperatura en la zona de confort trmico se traduce en:
El aumento de la humedad relativa final reduce la cantidad de calor rechazado por lo
tanto hace que el sistema de aire acondicionado eficiente en consumo de combustible.
El aire acondicionado en aire caliente y seco es ms eficiente energticamente que en
condiciones de calor y humedad.
El control de la humedad relativa en el cuarto cuenta con el valor RH, como valor de
humedad relativa inicial alta conduce a una mayor cantidad de rechazo de calor.
Sistema de refrigeracin por evaporacin utiliza controlar la humedad relativa del cuarto.
Donde:
Donde:
()* +)*
,* ( $*-
()! +!
#$%&
#'
!"
Donde:
(UA)ah = Factor de transmitancia por rea de la unidad de aire acondicionado = 0.04 kJ/sC
#$"
#'
= ()!
,! ($)-
(2)
Dnde:
Ch = Mxima capacidad del humidificador =0.63 kJ/C
Th =
" = Factor de Transmitancia por unidad de area del humidificador 0.0183 kJ/s C
To = Temperatura externa=32 ?C (Verano)=5 ?C (Invierno)
7"
#*"
#'
"('/
+!
(3)
Donde:
Vh = Volumen total del Humidificador=0.44 m3
Wh = Relacion del suministro de aire / humedad en el humidificador en kg/kg(Aire seco)
Donde:
G
I ( J 9 /
GH
(LB 9@ /
FK FK
;= (9/ = E
I (JD JK/ , ;@ (9/ =
GH
MH
;@ (9/ =
( KNO @ /
L 9=
, ;= ( / =
,
MH
M_Q
91 = J, 9= = T ,
?@ ( / =
9@ = T=
S (/
M
FQ H
; (9/
0
;= (/
= U 0 W = X;= (9/Y < + U 0 W <=
?@ (9/
;@ (/
0
De aqu se calcula:
Z = S ( / =
[1 = S= ( / = @
; (9/
^(/ = E
;@ (/
;=
I
0
M = ^3 ( /_ ( / + ^3 ( /M
M = ^3 ( /[ M _ ( /]
De aqu:
\b= S (9/
_ ( /
0
_( / = E
I=a =
d = e f
_= (9/
0
\c = ( /
1
M
0
g@
M=E
I [E
I = E I
_g= g
M=
g g@
h@ = ij hj = M=
Donde las variables controladas V1 y V2 son capaces de controlar los estados as:
i = S(l/ = 9
i= = ;
i@ = S= (/ = 9@
ij = ;@
x = ax + bu
Estructura ms apropiada para la identificacin del sistema que se ajusta a los datos de entradasalida registrados:
Dnde:
d es la temperatura ambiente,
r seria la temperatura deseada,
k seria el controlador, planta decide si calentar o enfriar
Mathlab Solucin:
A=[0 1 ; 18 -6 ]; B= [1;0]; C=[0 1]; D= 0;
[num,den] = ss2tf(A,B,C,D)
S1= tf(num,den)
h = stepplot(S1)
rlocus (S1)
nyquist (S1)
bode (S1)
Respuesta Mathlab
num =
0 0 18
den =
1 6 -18
Transfer function:
m = N o pqN3n
n
Convirtiendo a discreto
Transfer funcin:
62.75 z + 17.08
--------------------z^2 - 77.69 z + 0.854
Las redes neuronales, con su notable capacidad para entender el significado de los datos
complicado o impreciso, se pueden utilizar para extraer patrones y detectar tendencias
que son demasiado complejos para ser observado por los seres humanos o de otras
tcnicas informticas. Una red neuronal entrenada puede ser pensada como un "experto"
en la categora de informacin que se ha dado a analizar. Este experto puede ser utilizado
para proporcionar proyecciones dadas las nuevas situaciones de inters y "qu pasara si"
las preguntas a responder. Otras ventajas incluyen:
Una neurona artificial es un dispositivo con muchas entradas y una salida. La neurona
tiene dos modos de operacin; el modo de entrenamiento y el modo de usarlo. En el
modo de entrenamiento, la neurona puede ser entrenado para disparar (o no), para los
particulares patrones de entrada. En el modo de usar, cuando se detecta un patrn de
entrada se ensea en la entrada, su salida asociado se convierte en la salida de corriente.
Si el patrn de entrada no tiene cabida en la lista enseado de patrones de entrada, la
regla de disparo se utiliza para determinar si el despido o no.
La regla de ejecucin es un concepto importante en las redes neuronales y representa por
su alta flexibilidad. Una regla de disparo determina cmo se calcula si una neurona debe
disparar para cualquier patrn de entrada. Se relaciona con todos los patrones de
entrada, no slo los que en la que se entren el nodo. Una regla de disparo simple puede
ser implementada mediante el uso de la tcnica de la distancia de Hamming. La regla es
la siguiente: Tome una coleccin de patrones de entrenamiento para un nodo, algunos de
los cuales hacen que se dispare (el conjunto 1 enseado de patrones) y otros que le
impiden hacerlo (el conjunto 0 enseado). Entonces no en la recogida de los patrones
hacen que el nodo a disparar si, por comparacin, que tienen ms elementos de entrada
en comn con el patrn ' cercano ' en el conjunto 1 enseado que con el patrn ' cercano '
en el conjunto 0 enseado. Si hay un empate, entonces el patrn se mantiene en el
estado indefinido. Una aplicacin importante de las redes neuronales es el reconocimiento
de patrones. El reconocimiento de patrones se puede implementar mediante el uso de
una alimentacin hacia adelante
consecuencia. Durante el entrenamiento, la red est entrenada para asociar salidas con
Feed-forward RNAs permiten que las seales viajen de una sola manera; de entrada a
salida. No hay comentarios (bucles) es decir, la salida de cualquier capa no afecta a la
misma capa. RNAs de alimentacin directa tienden a ser sencillo redes que asocian las
entradas con las salidas. Se utilizan ampliamente en el reconocimiento de patrones. Este
tipo de organizacin tambin se le conoce como de abajo hacia arriba o de arriba hacia
abajo.
de la red neuronal artificial se compone de tres grupos, o capas, de las unidades: una
capa de unidades de "entrada" est conectada a una capa de unidades "ocultos", que
est conectado a una capa de unidades de "salida". La actividad de las unidades de
entrada representa la informacin en bruto que se alimenta a la red. La actividad de cada
unidad oculta est determinada por las actividades de las unidades de entrada y los pesos
de las conexiones entre la entrada y las unidades ocultas. El comportamiento de las
unidades de salida depende de la actividad de las unidades ocultas y los pesos entre las
unidades ocultas y de salida.
Este simple tipo de red es interesante porque las unidades ocultas son libres de construir
sus propias representaciones de la entrada. Los pesos entre la entrada y unidades ocultas
determinar cundo cada unidad oculta est activo, por lo que mediante la modificacin de
estos pesos, una unidad oculta pueden elegir lo que representa. Tambin nos
distinguimos de una sola capa y de mltiples capas arquitecturas. La organizacin de una
sola capa, en la que todas las unidades estn conectadas entre s, constituye el caso ms
general y es de potencial ms potencia computacional que las organizaciones de
mltiples capas jerrquicamente estructuradas. En las redes de mltiples capas, las
unidades son a menudo contadas por capa, en lugar de seguir una numeracin global.
que
es
comn
muchos
(LMS)
convergencia
significa.
externo
se
basa
en
una
Neuronas Humano a
lineal (o rampa),
lmite,
Podemos ensear a una red de tres capas para realizar una tarea particular, utilizando el
siguiente procedimiento: Presentamos la red con ejemplos de entrenamiento, que
consisten en un patrn de actividades para las unidades de entrada junto con el patrn
deseado de actividades para las unidades de salida. Nosotros determinamos cmo de
cerca la salida real de la red coincide con la salida deseada. Cambiamos el peso de cada
conexin de modo que la red produce una mejor aproximacin de la salida deseada.
CONTROL ROBUSTO
Control robusto es una rama de la teora de control cuyo enfoque al controlador de diseo
se ocupa explcitamente con la incertidumbre. Mtodos de control robustos estn
diseados para funcionar correctamente siempre que los parmetros inciertos o trastornos
se encuentran dentro de un conjunto (normalmente compacto). Mtodos robustos tienen
como objetivo lograr un rendimiento y / o estabilidad robusta en presencia de errores de
modelado acotadas.
que llev la
investigacin
mejorarlos.
para
Este
fue
el
comienzo de la teora de control robusto, que tom forma en los aos 1980 y 1990 y sigue
activo en la actualidad. En contraste con una poltica de control adaptativo, una poltica de
control robusto es esttica; en lugar de adaptar a las mediciones de las variaciones, el
controlador est diseado para trabajar suponiendo que ciertas variables sern
Un rea emergente de control robusto desde el punto de vista de aplicacin se control por
modo deslizante (SMC), que es una variacin del control de estructura variable (VSS).
Robustez propiedad de SMC hacia la incertidumbre emparejado as como la simplicidad
en el diseo atrados una variedad de aplicaciones. Otro ejemplo es la recuperacin bucle
de transferencia (LQG / LTR),
robustez del control LQG. Otras tcnicas robustas incluyen Retroalimentacin cuantitativa
controladores Teora (QFT), control basado en la pasividad.
disco
ordenador.
sistema
duro
del
Modos del
de
control
para
hacer
la
rpida
Uno de los retos es disear un sistema de control que se ocupa de estos diversos modos
de funcionamiento del sistema y permite la transicin sin problemas de un modo a otro lo
ms rpido posible. Sistema de control compuesto impulsado Dicha mquina de estados
es una extensin de la idea de programacin de ganancia, donde todo el control de los
cambios de estrategia basado en los cambios en el comportamiento del sistema. Control
robusto se refiere al control de las plantas desconocidas con la dinmica desconocidos
sujetos a perturbaciones desconocidas. Claramente, la cuestin clave con sistemas de
control robusto es la incertidumbre y cmo el sistema de control puede hacer frente a este
problema. Sencilla bucla de control la incertidumbre se muestra entra en el sistema en
tres lugares. Hay incertidumbre en el modelo de la planta. Hay perturbaciones que se
producen en el sistema de la planta. Tambin hay ruido que se lee en las entradas del
sensor. Cada una de estas incertidumbres puede tener un aditivo o componente
multiplicativa.
Incluso si hay plantas similares en la existencia, cada planta es un poco diferente debido a
las tolerancias asociadas con los componentes individuales.
Varan en el Tiempo plantas - La dinmica de algunas plantas varan con el tiempo. Un
modelo de control fijo puede que no representen la planta en todo momento.
Dinmicas de orden superior - Algunas plantas tienen una alta dinmica de frecuencia que
a menudo se descuida en el modelo de la planta nominal. Por ejemplo, la vibracin puede
causar no deseada afecta a altas frecuencias. A veces esta dinmica es desconocida y, a
veces se ignora deliberadamente con el fin de simplificar el modelo.
para
el control
de
la
planta
requiere
de
matemticas
aplicadas.
Una de las tcnicas para el manejo de la incertidumbre del modelo que a menudo se
produce a altas frecuencias es equilibrar el rendimiento y la robustez en el sistema a
travs de la programacin de ganancia. Una alta ganancia significa que el sistema va a
responder rpidamente a las diferencias entre el estado deseado y el estado real de la
planta. A bajas frecuencias donde la planta se modela con precisin, esta alta ganancia
(cerca de 1) da como resultado un alto rendimiento del sistema. Esta regin de operacin
se llama la banda rendimiento.
A altas frecuencias en las que la planta no se modela con precisin, la ganancia es menor.
Una baja ganancia a altas frecuencias se traduce en un trmino de error ms grande
entre la salida medida y la seal de referencia. Esta regin es llamada la banda robustez.
En esta regin la retroalimentacin desde la salida est esencialmente ignorada.
Entre estas dos regiones, el rendimiento y la robustez, hay una regin de transicin. En
esta regin el controlador no funciona bien, ya sea para el rendimiento o robustez. La
regin de transicin no se puede hacer arbitrariamente pequea, ya que depende del
nmero de polos y ceros de la funcin de transferencia. Adicin de trminos para la
funcin de transferencia aumenta la complejidad del sistema de control.
CONTROL
ADAPTATIVO
Estimacin de parmetros
La fundacin de control adaptativo es la estimacin de parmetros. Los mtodos comunes
de estimacin incluyen mnimos cuadrados recursivos y descenso de gradiente. Ambos de
estos mtodos proporcionan leyes de actualizacin que se utilizan para modificar las
estimaciones en tiempo real (es decir, como opera el sistema) . La estabilidad se utiliza
para derivar las leyes de actualizacin y criterio espectculo convergencia (excitacin
tpicamente persistente). Proyeccin (Matemticas) y la normalizacin se utilizan
comnmente para mejorar la robustez de los algoritmos de estimacin. Tambin se le
llama control ajustable.
En general hay que distinguir entre: Adaptive Control anticipativo, y Feedback Control
Adaptativo as como entre Mtodos directos e Mtodos indirectos. Los mtodos directos
son aquellos en los que los parmetros estimados son los utilizados directamente en el
controlador adaptativo. En contraste, los mtodos indirectos son aquellos en los que se
utilizan los parmetros estimados para calcular los parmetros de controlador necesario.
CONTROL PREDICTIVO
Control predictivo de modelo (MPC) es un mtodo avanzado de control de proceso que ha
estado en uso en las industrias de proceso en plantas qumicas y refineras de petrleo
desde los aos 1980. En los ltimos aos tambin se ha utilizado en los modelos de
balance de la red de alimentacin. Controladores predictivos de modelos se basan en
modelos dinmicos del proceso, con mayor frecuencia lineal modelos empricos obtenidos
por la identificacin del sistema. La principal ventaja de MPC es el hecho de que permite
que el intervalo de tiempo actual a ser optimizado, mientras se mantenga intervalos de
tiempo futuros en cuenta. Esto se logra mediante la optimizacin de un horizonte de
tiempo finito, pero slo la aplicacin de la ranura de tiempo actual. MPC tiene la
capacidad de anticipar los acontecimientos futuros y puede tomar acciones de control en
consecuencia. Controladores PID y LQR no tienen esta capacidad predictiva.
Modelos MPC predicen el cambio en las variables dependientes del sistema de modelado
que se debe a los cambios en las variables independientes. En un proceso qumico, las
variables independientes que pueden ser ajustados por el controlador son a menudo bien
los puntos de ajuste de controladores PID de regulacin (presin, caudal, temperatura,
etc.) o el elemento final de control (vlvulas, amortiguadores, etc.). Las variables
independientes que no pueden ser ajustados por el controlador se utilizan como
perturbaciones. Las variables dependientes en estos procesos son otras medidas que
representan bien los objetivos de control o restricciones del proceso.
MPC utiliza las mediciones en las plantas actuales, la corriente de estado dinmico del
proceso, los modelos MPC, y el proceso de los objetivos y lmites variables para calcular
los futuros cambios en las variables dependientes. Estos cambios se calculan para
mantener las variables dependientes cerca de orientar al tiempo que respeta las
limitaciones de ambas variables independientes y dependientes. El MPC normalmente
enva slo el primer cambio de cada variable independiente a implementar, y repite el
clculo cuando se requiere el siguiente cambio.
Mientras
que
procesos
reales
lineales,
que
pueden
ser
muchos
no
son
menudo
considerados
Cuando los modelos lineales no son lo suficientemente precisas para representar las no
linealidades del proceso real, se pueden utilizar varios enfoques. En algunos casos, las
variables de proceso pueden ser transformados antes y / o despus de la MPC modelo
lineal para reducir la no linealidad. El proceso se puede controlar con MPC no lineal que
utiliza un modelo no lineal directamente en la aplicacin de control.
En concreto, una lnea o en la marcha de clculo se utiliza para explorar las trayectorias
de estado que emanan de la situacin actual y encontrar (a travs de la solucin de las
ecuaciones de Euler-LaGrange) una estrategia de control costo minimizando hasta el
momento t + T. Slo se implementa la primera etapa de la estrategia de control, entonces
el estado de la central se muestrea de nuevo y los clculos se repiten a partir de la nueva
estado actual, produciendo un nuevo control y nueva ruta de estado predicho. El horizonte
de prediccin sigue siendo desplazado hacia adelante y por esta razn MPC tambin se
llama retroceso control de horizonte. Aunque este enfoque no es ptimo, en la prctica ha
dado muy buenos resultados. La investigacin acadmica se ha hecho mucho para
encontrar mtodos rpidos de solucin de las ecuaciones de tipo de Euler-LaGrange, para
entender las propiedades de estabilidad globales de optimizacin local del MPC, y en
general para mejorar el mtodo MPC. Hasta cierto punto, los tericos han estado tratando
Controladores predictivos modelo puede ser utilizado para optimizar el rendimiento del
sistema en bucle cerrado de las plantas MIMO con limitaciones de entrada y salida.
Debido a que basan sus acciones en un modelo de planta de interior, los controladores
predictivos modelo puede predecir el comportamiento futuro proceso y calcular las
acciones de control ptimo en consecuencia. La capacidad de modelar las interacciones
de procesos a menudo permite a los controladores predictivos modelo de superar
mltiples lazos de control PID , que requieren afinacin individual y otras tcnicas para
reducir el acoplamiento bucle.
Diseando Controladores: Una vez que haya definido el modelo de planta interna, puede
completar el diseo de su modelo de controlador predictivo especificando los siguientes
parmetros del controlador:
Intervalo de control ( tiempo de muestreo )
Prediccin y control horizontes
Los factores de escala para las entradas y salidas de las plantas
Restricciones duras y suaves en las variables manipuladas , tasas variables
manipuladas y variables de salida
Pesos en variables manipuladas , tasas variables manipuladas y variables de salida
Los modelos que caracterizan ruido de medicin y perturbaciones de entrada y salida
no medidas
Para evaluar la robustez bajo el modelo de falta de coincidencia, se puede simular un
controlador en contra de un modelo de planta lineal que es diferente de la planta modelo
interno utilizado por el controlador. Tambin puede simular mltiples diseos de
controladores contra el mismo modelo de planta para ver cmo los diferentes ajustes de
peso y de restricciones afectan el desempeo del controlador. Con esta caja de
herramientas, usted tambin tiene la capacidad de deshabilitar las restricciones para
evaluar las caractersticas de la dinmica de ciclo cerrado, como la estabilidad y la
amortiguacin. El uso de bloques de Simulink proporcionadas con el modelo predictivo
Cuadro de controles, puede ejecutar simulaciones de circuito cerrado de su controlador
predictivo modelo frente a un modelo Simulink no lineal. Es posible configurar los bloques
para aceptar seales de restriccin de tiempo de ejecucin y el peso que se generan por
otros bloques de Simulink.
Se busca en este caso que el coeficiente de regresin de los parmetros de la red neuronal sean los
ms ajustados a una pendiente de 45 grados en el pronstico, queriendo con esto decir que el
pronstico es ms confiable.
Aqu se muestran los resultados de los parmetros de una red en este caso 4 entradas de control que son la
entrada del sensor de temperatura, la entrada del set point de temperatura, la entrada del sensor de
humedad y la entrada del set point de humedad.
Y por el lado de las salidas de la red neuronal tenemos la salida del control de calor, la salida del control de
humedad, la salida de control de ventilacin.
Se seleccionan 4 capas den la red, 24 perceptrn en capa dos, y 12 en la capa tres. Los parmetros
calculados por capa y los pesos de las neuronas se encuentran en la siguiente tabla:
[Application]
Name=Visual Gene Developer - Neural
Network
[Topology]
Total input= 4
Total output= 3
Total layer= 4
Transfer function=Mod. Sigmoid
[Training information]
learning rate= .01
momentum coefficient= .1
[Total node]
layer=total node
02= 24
03= 12
[Threshold value]
layer-node=threshold value
01-01= 0
01-02= 0
01-03= 0
01-04= 0
02-01=-1.75019585204505
02-02=-6.47563704270661
02-03=-8.27042477581578
02-04= .0862981890900636
02-05= 1.17743055855144
02-06=-.0780398510721011
02-07=-.368156439267503
02-08= 2.78403401694887
02-09= 1.89649293257698
02-10= .672788868312284
02-11= 6.6930924363714
02-12=-.974286104313331
02-13= 1.58122512559528
02-14= 2.43152032193611
02-15=-1.17468298759803
02-16=-1.15841023767558
02-17= 1.68253179019415
02-18= 2.39456108886327
02-19= 11.3304567925595
02-20= 3.48555192585567
02-21= 1.81662704332877
02-22=-2.1059585939773
02-23= 3.04790612919575
02-24= 10.3818693968883
03-01= 1.33962768475871
03-02= 10.7611145707882
03-03=-14.1584333931923
03-04=-.0720407957336854
02-04-21=-.562009657859007
02-04-22= 3.2167054193724
02-04-23= 1.179805119488
02-04-24=-5.73946803367713
03-01-01= 2.16846657395465
03-01-02=-9.96760489511066
03-01-03= 1.9125089603212
03-01-04=-.758438062856434
03-01-05=-2.16224135781709
03-01-06= .635768304205871
03-01-07=-2.08230427732448
03-01-08= .15384176979699
03-01-09= .943233285291459
03-01-10=-.746095205042225
03-01-11=-1.62297360255997
03-01-12=-.272861558248618
03-02-01= 4.08260871351128
03-02-02= 3.17991688908688
03-02-03=-10.9510091440059
03-02-04= .467898578541563
03-02-05= 3.35903453898293
03-02-06= 3.81497946654904
03-02-07=-1.22536827581375
03-02-08=-3.03581925247742
03-02-09=-.525260651787915
03-02-10= .338254176087928
03-02-11= .595838244095398
03-02-12= 1.69546129901446
03-03-11= .139048651675796
03-03-12=-1.86204991611663
03-04-01=-1.18849763448459
03-04-02=-2.12538844534965
03-04-03=-3.41652243119717
03-04-04=-.76754468932447
03-04-05= .0313336170738165
03-04-06=-1.17136452881976
03-04-07= .737155719597608
03-04-08=-.507271558631321
03-04-09= 1.7935894179362
03-04-10=-1.75190917783255
03-04-11= .323272537089091
03-04-12=-.0243994310076128
03-05-01=-.448719837093368
03-05-02= .639502415897222
03-05-03= 6.84733716304229
03-05-04= .46961978091167
03-05-05=-1.62338190655662
03-05-06=-3.28421820488357
03-05-07=-1.49931286221288
03-05-08= 2.48317620363065
03-05-09= 2.31155525749026
03-14-06=-.754132047441227
03-14-07=-.51629679167439
03-14-08= .677975288354328
03-14-09= .277080576344895
03-14-10= 1.22624873817814
03-14-11= .385945013251949
03-14-12= 1.20140842418788
03-15-01=-1.05080194066467
03-15-02=-3.1878809245183
03-15-03= 3.97290798209513
03-15-04= .290918985772122
03-15-05= .220090659485785
03-15-06= .0759573131213909
03-15-07= .928828846359748
03-15-08= 1.37234647801744
03-15-09=-.194313290893815
03-15-10=-.864599428632854
03-15-11= .0282857311103218
03-15-12= .221727876926427
03-16-01=-.293291999135427
03-16-02=-8.3348641789018
03-16-03= 9.95316224910945
03-16-04= 1.0060852916924
03-16-05=-1.0695930875572
03-16-06=-.463346922000974
03-16-07= .440611822950814
03-16-08= 1.47839532354753
03-16-09= 3.14140735113906
03-16-10=-.831577005967154
03-16-11=-1.42574954419469
03-16-12= 1.28561143451952
03-17-01= 1.30610124934447
03-17-02= 7.31979097551539
03-17-03=-7.20914443542092
03-17-04= .945728109028996
03-17-05= 1.70584042531861
03-17-06=-2.56242155915601
03-17-07=-5.38763655796576
03-17-08=-2.25162620352081
03-17-09=-.465976762633192
03-17-10= 2.94621140584576
03-17-11=-1.97764817771508
03-17-12= 1.14631946612971
03-18-01= 1.49110798397848
03-18-02= 6.31904156639843
03-18-03= 2.88681540973433
03-18-04= .784363010074828
03-18-05= 1.44284432849547
03-18-06= .283810755523142
03-18-07=-1.38998060608482
03-18-08=-.0244857434517091
03-18-09=-.68135624096206
03-18-10= .91587930127173
03-05-10=-1.65539765478212
03-05-11= .597078214916271
03-05-12= .920207072483448
03-06-01=-1.06891545293033
03-06-02= 3.5263142769139
03-06-03= 7.86103801347127
03-06-04= 1.23321029145542
03-06-05= 1.11009566474028
03-06-06=-2.12602494002673
03-06-07=-.150146512905853
03-06-08= .356628635359084
03-06-09=-1.0627904348919
03-06-10= 2.63498457432811
03-06-11= .561487369783802
03-06-12=-.21583882554
03-07-01= .909250037916919
03-07-02=-3.30640442626676
03-07-03= 5.49193369946619
03-07-04= .146920650136623
03-07-05=-.712341462051319
03-07-06= 1.44428015386016
03-07-07= .720699328853234
03-07-08= 3.27077278833001
03-07-09=-1.00044602879109
03-07-10=-2.2194241444002
03-07-11=-.543671411153322
03-07-12=-.784558765317895
03-08-01= 2.48717571156638
03-08-02= 9.8740553318387
03-08-03= 7.6692878778281
03-08-04=-1.68132915602038
03-08-05=-.333104525747905
03-08-06=-2.64759063935988
03-08-07=-3.53554684391646
03-08-08=-1.11481059096308
03-08-09= .351797920587419
03-08-10= 2.76762359345644
03-08-11=-.077201239949255
03-08-12= .0276567130874248
03-09-01= 1.59525256950714
03-09-02= 3.83199532335164
03-09-03= .993218803630829
03-09-04= .759804988858107
03-09-05= 1.55370435473985
03-09-06= 1.1237418966542
03-09-07=-1.51220353327197
03-09-08= .818412348189178
03-03-01=-9.86413231896151
03-03-02= 7.21750398073027
03-03-03= 4.13099302456092
03-03-04= .616098873451798
03-03-05= 3.30423932348835
03-03-06= .0424286730618694
03-03-07= 6.91350114947114
03-03-08= 1.81985491930485
03-03-09=-3.19908379030418
03-03-10=-5.29968126810794
03-09-09=-2.24931302098878
03-09-10= .179462203491221
03-09-11= .507673809675214
03-09-12= .741294992874434
03-10-01= .377482876831516
03-10-02= 5.82243590890546
03-10-03= 5.71859628183311
03-10-04=-.343589640578262
03-10-05= 1.57219880677516
03-18-11= .16410706407184
03-18-12= .830877939486624
03-19-01=-9.00922217545009
03-19-02= 20.1099476729462
03-19-03= 4.62559485484988
03-19-04= .320989890056933
03-19-05= 6.03352849443119
03-19-06= 4.22817919341394
03-19-07= 9.08687459423327
03-19-08=-.290597170191291
03-19-09=-4.88492614179489
03-19-10=-5.64379800345186
03-19-11=-.779833126511847
03-19-12=-3.34390370386231
03-20-01= 2.11827115702382
03-20-02= 9.08332348640825
03-20-03= 1.12795996750855
03-20-04= 1.44349990238851
03-20-05= 1.73083881128682
03-20-06= 1.17670370941564
03-20-07=-.43909119843236
03-20-08= 1.18890564503614
03-20-09=-2.02695115461687
03-20-10= 1.93247367711191
03-20-11= 1.43106665913908
03-20-12= 1.17245215159386
03-21-01= 1.35089138500413
03-21-02= 6.21689256020818
03-21-03=-1.94185904875268
03-21-04= .637080879115936
03-21-05= .66701246005145
03-21-06= .322802674459679
03-21-07=-.266943347825786
03-21-08= .272407570957461
03-21-09=-.353959549758887
03-21-10= .986115227204827
03-21-11= .197147478464764
03-21-12= .279850747838625
03-22-01=-.0675325820071615
03-22-02= 1.50633769132711
03-22-03=-4.6102424124457
03-22-04= .781218324491232
03-22-05= .486211142065193
03-22-06= .887782886924837
03-22-07=-.122236806145817
03-22-08=-2.54993363715031
03-22-09= .23363291969721
03-22-10= 2.30077895008499
03-22-11= .0804296051888801
03-22-12= 1.39264031548186
03-23-01=-.38790421139279
03-23-02= 12.124396854788
03-23-03=-3.50979459242502
03-23-04=-1.64581196077838
03-23-05=-.0180762248749971
03-23-06=-5.25315907403116
03-23-07=-1.86301207325771
03-23-08= 4.68540757465419
03-23-09= 1.1405867626308
03-23-10=-1.20001142061191
03-23-11=-.296610752504981
03-23-12=-.530911688608992
03-24-01= 1.83080926125452
03-24-02= 8.03884876644228
03-24-03= 9.59430466486498
03-24-04=-1.77085078827853
03-24-05=-1.91547952738791
03-24-06= 7.61006620817018
03-10-06=-1.60294509898672
03-10-07=-.840782993939335
03-10-08=-1.09734380580218
03-10-09=-.463506360657627
03-10-10= 2.37278096648638
03-10-11=-.305928212470517
03-10-12=-.887013002800887
03-11-01= .121339178746476
03-11-02= 19.636914204107
03-11-03= 1.22300095005329
03-11-04= 2.39856117025044
03-11-05= .437740977883397
03-11-06=-1.76026683305792
03-11-07=-.742285772960334
03-11-08= 4.21735737200485
03-11-09=-.929103850007859
03-11-10= .978887210874895
03-11-11= .819138106720404
03-11-12= 1.3891779380607
03-12-01= 2.88472444198551
03-12-02=-8.89570846448329
03-12-03= 5.46775691081992
03-12-04= .264910044528475
03-12-05=-2.33204992083166
03-12-06= 1.07010764619744
03-12-07=-3.48941498910492
03-12-08=-.233978707590207
03-12-09= .495668539300409
03-12-10= .525523624052335
03-12-11=-1.01292589010863
03-12-12= 1.219164320017
03-13-01= .332204640248555
03-13-02= 6.65238432905963
03-13-03=-5.16624086113085
03-13-04= .66854391807845
03-13-05= 1.95431966886782
03-13-06=-.657127787453181
03-13-07=-.772244802328888
03-13-08=-1.21978344504625
03-13-09=-.8444371114186
03-13-10= 2.15493909872803
03-13-11=-.326852916196546
03-13-12= .17243072512843
03-14-01= .700115671212826
03-14-02= 6.18510446942879
03-14-03= 2.31056407054945
03-14-04= 1.58735795520065
03-14-05= 1.3790046189536
03-24-07= 6.99780240355012
03-24-08=-4.47181615555565
03-24-09= 3.41003824026307
03-24-10=-4.26584355402662
03-24-11= 4.56780293998045
03-24-12=-.291156353510062
04-01-01=-1.81597860530824
04-01-02= .24554449046523
04-01-03=-.579747044109422
04-02-01= .937233315933275
04-02-02=-.446942888765512
04-02-03= .126142751911653
04-03-01=-.810741726367268
04-03-02= .42017775294259
04-03-03=-.07622284721937
04-04-01=-.38674160462269
04-04-02=-.170575326116265
04-04-03=-1.49857925636236
04-05-01= 1.17404845806547
04-05-02=-.258047742660253
04-05-03=-.027757414587177
04-06-01= 2.17848993304015
04-06-02=-.426362730075637
04-06-03= .830535960959169
04-07-01=-1.42052106299017
04-07-02= .457531349661082
04-07-03=-.21179290604912
04-08-01= 1.10588576387874
04-08-02=-.163929098444708
04-08-03= .842287415417905
04-09-01= 1.55631164759525
04-09-02=-.454153763990341
04-09-03=-.397901538453179
04-10-01= .518093370435213
04-10-02=-.141669926801495
04-10-03= .866246516810642
04-11-01= .665558855909002
04-11-02=-.234812198735711
04-11-03=-.0274069089862611
04-12-01= 1.54525717731481
04-12-02= .549959495109851
04-12-03= .549492020581661
Con estos parmetros se puede crear una red neuronal de 4 niveles para control de temperatura y
humedad.
En ambos casos de control del espacio de estado y discreto en z se puede realizar control robusto, solo que se debe
tener en cuenta los requerimientos de diseo y lmites de control de entradas y de las salidas del actuador.
ADAPTATIVO
El algoritmo de control adaptativo aprende con una red arima de orden 1, de tal formas
cambios en las entradas son ajustadas en la salidas utilizando la informacin actual y
pasada.
CONCLUSIONES
Hay una preocupacin por los extremos de la operacin de un sistema de control
integrado que tiene implicaciones de seguridad. Es en estos extremos que la
incertidumbre es alta y mtodos robustos de control pueden ser de servicio.
Los buenos modelos de sistemas son difciles de construir. Requieren una variedad
de habilidades de la fsica, la ingeniera elctrica, mecnica y equipo para disear y
poner en prctica.
Un gran volumen de investigacin en control robusto en los ltimos 15 aos ha
llevado a un crecimiento en las tcnicas.
Las tcnicas de control robusto han sido criticados por su accesibilidad al ingeniero
practicante, el tedio de los mtodos, la aplicacin general a los sistemas normales
y el conservadurismo que a menudo presentes.
En la industria en general, existe el desarrollo de una gran variedad de
herramientas de control que se han desarrollado.
Con el alto nivel de investigacin dedicado al control robusto la brecha entre
robusta teora de control y su aplicacin se puede cerrar.
El comportamiento del aire acondicionado, del Sistema de Calefaccin, Ventilacin
tiene una gran importancia en el consumo de energa como la calidad del aire.
Combinacin eficiente de demanda y consumo da control adecuado de la planta.
Las funciones de cualquier sistema de climatizacin son proporcionar condiciones
satisfactorias interiores confortables (temperatura y humedad relativa) para
edificios y viviendas, para los seres humanos y equipo, y, al mismo tiempo, reducir
BIBLIOGRAFIA
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html#What is a
Neural NetworkMantz. R., J. (2003).
http://www.zwallpix.com/artificial-neural-network-example.html
https://en.wikipedia.org/wiki/Adaptive_control
https://en.wikipedia.org/wiki/Model_predictive_control
https://en.wikibooks.org/wiki/Control_Systems/System_Modeling
http://www.mathworks.com/help/mpc/examples/designing-a-model-predictivecontroller-in-simulink.html
http://www.mathworks.com/help/control/getstart/siso-design-tool.html#f2-1031158
http://www.mathworks.com/help/mpc/examples.html