Act3 Colaborativo Sistemas Control

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
Escuela de Ingenieras. Ingeniera Electrnica

SISTEMAS AVANZADOS DE CONTROL 299018-6 - 2015
Act. No. 3 Trabajo Colaborativo Unidad 3
ACTIVIDAD 3
TRABAJO COLABORATIVO
LUIS ALBERTO SANCHEZ CORREA - Cd.: 16.786.134
ENVER RICARDO PIZO - Cd.: 94517159
Director: CARLOS VERA ROMERO

Grupo Colaborativo: 299018-6
Universidad Nacional Abierta y a Distancia UNAD.

Programa: Ingeniera Electrnica
Cead: Palmira- Valle- Colombia
Noviembre- 2015

INTRODUCCION
En este curso de sistemas avanzados de control automtico para Ingeniera electrnica

de la Universidad UNAD, se busca profundizar en la ciencia de los sistemas automticos
de control,
que estudia, disea y permite simular procesos lgicos de control, con
programas y algoritmos muchas veces sofisticados. Las herramientas de simulacin y

programacin estn unidas al sueo y constante construccin, pruebas y el deseo de
crear mejores sistemas de control que nos permitan.
Este trabajo es un acercamiento al campo de los sistemas avanzados de control de

modo individual principalmente para la Unidad 3. Tcnicas avanzadas de control II
(control ptimo, control basado en lgica difusa).
Se deben leer los contenidos
propuestos en el entorno de conocimiento para la Unidad 3. Tcnicas avanzadas de

control III, (Control basado en redes neuronales artificiales, control robusto, adaptativo y
predictivo). En este trabajo buscamos aplicar y argumentar la aplicacin de una red
neuronal artificial en el control de temperatura y humedad de una habitacin, como
tambin aplicar y argumentar una mejora del sistema de control de temperatura y
humedad a travs del control robusto, y/o adaptativo y/o predictivo.
Adicionalmente de modo grupal se pretende aplicar y argumentar la aplicacin de una

red neuronal artificial en el control de temperatura y humedad de una habitacin y
aplicar y argumentar una mejora del sistema de control de temperatura y humedad a
travs del control robusto, y/o adaptativo y/o predictivo, argumentado con la bibliografa
revisada y contextualizada en los aportes individuales.

OBJETIVOS
Generales
Realizar las actividades correspondientes de la Unidad 3 del Curso.
Especficos
Leer los contenidos propuestos en el entorno de conocimiento para la Unidad 3. Tcnicas

avanzadas de control III, (Control basado en redes neuronales artificiales, control robusto,
adaptativo y predictivo)
Aplicar y argumentar la aplicacin de una red neuronal artificial en el control de
temperatura y humedad de una habitacin.
Aplicar y argumentar una mejora del sistema de control de temperatura y humedad a travs
del control robusto, y/o adaptativo y/o predictivo.
Aplicar y argumentar la aplicacin de una
red neuronal artificial en el control de
temperatura y humedad de una habitacin.

Aplicar y argumentar una mejora del sistema de control de temperatura y humedad a travs
del control robusto, y/o adaptativo y/o predictivo, argumentado con la bibliografa revisada
y contextualizada en los aportes individuales.

MARCO TEORICO DEL PROBLEMA

El sistema de control para temperatura y humedad que hemos venido modelando desde la unidad
1 y 2 de esta materia sistemas avanzados de control es necesario conocer la dinmica de la planta,
comportamiento y reacciones ante estmulos externos y buscar su estabilidad y controlabilidad.
Durante la fase inicial se obtuvo un modelo de la planta que reproduzca con suficiente precisin
el comportamiento del proceso real requerido en este proyecto. La solucin matemtica de
ecuaciones del comportamiento real en la habitacin que incluya la temperatura y la humedad, se
construye un modelo matemtico que lo represente.
Identificacin de sistemas. En la habitacin vamos a controlar la temperatura y la humedad,

con un modelo matemtico que lo represente. Durante la identificacin de sistemas en la unidad 1
se obtuvo un modelo matemtico que reproduce con exactitud para fines acadmicos
las
caractersticas dinmicas del proceso de temperatura y humedad. El proceso de identificacin

comprendi e los siguientes pasos generales: Obtencin de datos de entrada salida de
temperatura y humedad, Eleccin de la estructura del modelo matemtico y conceptual,
Obtencin de los parmetros del modelo y variaciones, y finalmente la validacin del modelo.
Modelado matemtico del sistema Temperatura y Humedad

A travs de ecuaciones matemticas, el Modelo de temperatura controlada y Humedad del
Sistema de Aire Acondicionado. El control agua refrigerada, calentador, y el humidificador de la
temperatura y la humedad del aire acondicionado controlado sistema, el aire Acondicionado es
apropiado para mantener temperatura y humedad a las condiciones establecidas.

El modelado del aire de salida, la mezcla de aire, tanque de agua fra, el calentador, y de sus
componentes del humidificador.
El modelo: El calor y la densidad del aire especficos son
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.
MODELACION MATEMATICA SISTEMAS DE

CONTROL DE LA HABITACION
Se concluy en la unidad 1:
Qin - Q out = d(Q)/dt,
Donde:
Qin = Energia entrado al cuarto.

Qout = Energia saliendo el cuarto.
d(Q)/dt es la proporcin de cambio de la energa almacenada.
La energa del aire en el cuarto es definida como: Q = M * Cp * t, Donde:
M es la masa de aire define como Volumen * Presion
Cp = Calor constante especifico.
t = Diferencial de temperatura del cuarto, d( T gas) / dt.
Combinando las ecuaciones en el proceso de mezclar el volumen de aire en el cuarto con el suministro de
volumen de aire as:
Q interior + Q exterior + Q suministro Q salida =

V cuarto * P aire * Cp * d (T cuarto)/ dt

Donde:
Pair, Rho aire es la densidad del aire.

V cuarto es el volumen del cuarto.
T cuarto es la temperatura del cuarto
Q interior = energa generada al interior del cuarto como carga, personas, luces y computadores.
Q exterior = Energa generada al exterior por cargas, tales como sol, y frio del medio ambiente
externo.
De aqu que Q salida = M * Cp * ( T cuarto T aire deja cuarto)
Y T cuarto = Temperatura aire que deja el cuarto.
Y Q salida = 0.
Q suministro = M * Cp * ( T suministro T cuarto).
Q suministro = K * Volumen Flujo de aire * ( T suministro T cuarto)
K es constante
T suministro es la temperatura del aire del suministro en el cuarto.
Q interior + Q exterior + K * volumen Flow Aire ( T suministro T cuarto)
Vcuarto * Paire * Cp * d(T cuarto)/dt
Establecer la ecuacin que determina la temperatura del cuarto as:
T cuarto = ( [ + (T suministro T cuarto)] dt

Cp = 0.241 btu (Lb F)

P aire = 0.075 Lb/ ft^3
K = 1.08 (Cfin Btu) / Hour F
Q suministro = K * Volumen Suministro flujo de aire * (T suministro T cuarto)
Q suministro = K * Max Volumen Flow aire * (T suministro T cuarto)
El control simultneo, y el establecimiento de parmetros es difcil y el acoplamiento

trmico entre RH y la temperatura, la respuesta del sistema oscila.
Los efectos de acoplamiento de HR y temperatura deben ser considerados, cuando se
desea controlar estos parmetros simultneamente.
Hay dos enfoques para abordar la desvinculacin de la temperatura y humedad relativa.
El acoplamiento entre la temperatura y la humedad relativa se puede superar mediante la
utilizacin de un algoritmo de desacoplamiento.

El modelo presenta ecuaciones de balance de masa de energa para cada HVAC

componente. Dos bucles de control para este modelo, bucle de control de temperatura y
circuito de control de relacin de humedad.
El controlador del sistema vara FSW fsa acuerdo con cambios de carga, los puntos de
ajuste de temperatura y humedad relativa, como variables de control, se mantienen.
Modelo de control para temperatura de la habitacin se define como:
()* +)*
,* ( $*-
()! +!
#$%&
#'
!"
$*&/ + (01/! ($23 $%& / +

,! ($4 $%& / (1)
Donde:
Cah= Mxima capacidad trmica de la unidad de Aire Acondicionado = 4.5 Kj/C

Tco = Temperatura del aire de salida de la unidad del calentador de aire (C)
Fsw = Rata de flujo de agua = 8.02*10-5 m3/s
Psw = Presin del agua de suministro.
Cpw = Temperatura especifica del agua = 4.1868 kJ/kg C
Twi = Temperatura del agua de suministro = (C)
Two = Temperatura del agua de retorno=10 (C)
(UA)ah = Factor de transmitancia por rea de la unidad de aire acondicionado = 0.04 kJ/sC
To = Temperatura externa=32 C (Verano)=5 C (Invierno)
Tco = Temperatura del aire de salida del coil (C)
Fsa = Volumen Flujo de aire de suministro = 0.192 m3/s
Pa = Presin del aire de suministro.

Cpa = Temperatura especifica del aire =1.005 kJ/kg C
Tco = Temperatura de aire de salida del calentador de aire (C)
Tm = Temperatura de salida del aire de la caja mezcladora (C)
Modelo de control para Humedad de la habitacin se define como:

5
#$"
#'
= ()!
,! ($)-
$" / + " ($& $" /
(2)
Dnde:
Ch = Mxima capacidad del humidificador =0.63 kJ/C
Th =
Temperatura del aire de suministro (en el Humidificador) in (C)
Fsa = Volumen del flojo de aire suministro = 0.192 m3/s
Cpa = Temperatura especifica del aire = 1.005 kJ/kg C
Tsi = Temperatura del aire de suministro (al humidificador) (C)
Th = Temperatura del suministro de aire (en el humidificador) in (C)
" = Factor de Transmitancia por unidad de area del humidificador 0.0183 kJ/s C
To = Temperatura externa=32 ?C (Verano)=5 ?C (Invierno)
Th = Temperatura del aire de suministro en el humidificador en (C)
Modelo de control para Humidificado de la habitacin se define como:
7"
#*"
#'
()! ( 8)- 8" / +
"('/
+!
(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)
Fsa = Volumen de flujo del aire de suministro = 0.192 m3/s

Wsi = Proporcin humedad en el aire de suministro entrando el humidificador en kg/kg

(dry air)
Wh = Proporcin de humedad en el aire en el humidificador en kg/kg(Aire seco)
h(t) = Proporcin de aire hmedo producido por el humificador.
Pa = Presin del aire.
Las ecuaciones 1 y 3 muestras que el control de la humedad y de la temperatura est

interconectado.
La ecuacin (1) indica que la velocidad de cambio de la energa en el aire pasa a travs de
la bobina es igual a la energa aadida por el caudal de agua en la bobina de calentamiento,
y la energa transferida por el aire de retorno a los alrededores .
En la ecuacin (3), h (t) es la tasa de aire hmedo que el humidificador puede producir y es
funcin de relacin de humedad.
Revisado ecuaciones diferenciales en el sistema se pueden expresar en forma de espacio de
estado de la siguiente manera:
9 = ; ( /< + ;= (9/<=

9= = ;= (9/<
93 = ?@ (9/ + ;@ (9/<
Donde:
<1 = ?B , <= = ?BD , ; (9/ = EF
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= ( / = @
\] S ( / = ; , \]= S ( / = ;= , \] S= ( / = ;@ , \]= S= ( / = 0
; (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 = ;@
Abreviando, el Modelo matemtico de temperatura y humedad de acuerdo a sugerencias del

instructor puede expresar de modo ms simple as:
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

CONTROL BASADO EN REDES NEURONALES

Una red neuronal artificial (RNA) es un paradigma de tratamiento de la informacin que se
inspira en la forma en que los sistemas nerviosos biolgicos, como el cerebro, la
informacin del proceso. El elemento clave de este paradigma es la nueva estructura del
sistema de procesamiento de informacin. Se compone de un gran nmero de elementos
de procesamiento altamente interconectadas (neuronas) que trabajan al unsono para
resolver problemas especficos. RNA, como las personas, aprender con el ejemplo. Un
ANN est configurado para una aplicacin especfica, tales como el reconocimiento de
patrones o la clasificacin de datos, a travs de un proceso de aprendizaje. El aprendizaje
en los sistemas biolgicos implica ajustes en las conexiones sinpticas que existen entre
las neuronas.
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:

Aprendizaje adaptativo: La capacidad de aprender a hacer las tareas basadas en

los datos que se dan para la formacin o la experiencia inicial.
Auto-organizacin: Una RNA puede crear su propia organizacin o representacin
de la informacin que recibe durante el tiempo de aprendizaje.
Operacin Tiempo real: clculos ANN pueden llevarse a cabo en paralelo, y los
dispositivos de hardware especiales estn siendo diseados y fabricados, que se
aprovechan de esta capacidad.
Tolerancia a fallos a travs de informacin redundante Codificacin: la destruccin
parcial de una red conduce a la degradacin correspondiente de rendimiento. Sin
embargo, algunas capacidades de la red pueden ser retenidos incluso con daos a
la red principal.

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
de la red neuronal que ha sido entrenado en
consecuencia. Durante el entrenamiento, la red est entrenada para asociar salidas con

patrones de entrada. Cuando se usa la red, se identifica el patrn de entrada y trata de

salida el patrn de salida asociado. El poder de las redes neuronales cobra vida cuando
un patrn que no tiene salida asociado a l, se da como una entrada. En este caso, la red
da la salida que corresponde a un patrn de entrada enseado que es menos diferente
del patrn dado.
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.
Redes de realimentacin pueden tener seales que viajan en ambas direcciones

mediante la introduccin de bucles en la red. Redes de retroalimentacin son muy
poderosas y pueden llegar a ser extremadamente complicado. Redes de votos son
dinmicas; su "estado" est cambiando de forma continua hasta que llegan a un punto de
equilibrio. Permanecen en el punto de equilibrio hasta que cambie la entrada y un nuevo
equilibrio tiene que ser encontrado. Arquitecturas de realimentacin tambin se conocen
como interactivo o recurrente, aunque el ltimo trmino se utiliza a menudo para denotar
conexiones de realimentacin en las organizaciones de una sola capa. El tipo ms comn

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.
La memorizacin de patrones y la posterior respuesta de la red se pueden clasificar en

dos paradigmas generales: mapeo asociativo en el que la red aprende a producir un

patrn particular en el conjunto de unidades de entrada siempre que se aplique otro

patrn particular en el conjunto de unidades de entrada. El mapeo asociativo en general
se puede dividir en dos mecanismos: auto-asociacin: un patrn de entrada se asocia a s
mismo y los estados de las unidades de entrada y salida coinciden. Esto se utiliza para
proporcionar patrn completo, es decir, para producir un patrn cada vez que se presenta
una parte de ella o un patrn distorsionado. En el segundo caso, la red almacena
realmente pares de patrones de la construccin de una asociacin entre dos conjuntos de
patrones.
Hetero - asociacin: se relaciona con dos mecanismos de retirada: retiro del vecino ms
prximo, donde el patrn de salida producida corresponde al patrn de entrada
almacenado, que est ms cerca del patrn presentado, y recordatorio de interpolacin,
donde el patrn de salida es una interpolacin depende similitud de los patrones
almacenados correspondientes al patrn presentado. Sin embargo, otro paradigma, que
es un mapeo asociativo variante es la clasificacin, es decir, cuando hay un conjunto fijo
de categoras en las que los patrones de entrada se clasifican.
Deteccin de la regularidad en el que las unidades de aprender a responder a las

propiedades particulares de los patrones de entrada. Considerando que la red en la
cartografa asociativa almacena las relaciones entre los patrones, en la deteccin de la
regularidad la respuesta de cada unidad tiene una particular "que significa". Este tipo de
mecanismo de aprendizaje es esencial para el descubrimiento de caractersticas y
representacin del conocimiento.
Cada neuronal conocimiento Posee red que est

contenida en los valores de los pesos de las conexiones. Modificar el conocimiento

almacenado en la red como una funcin de la experiencia implica una regla de
aprendizaje para cambiar los valores de los pesos. Mtodos de aprendizaje ll utilizados
para redes neurales adaptativas se pueden clasificar en dos categoras principales:
Aprendizaje supervisado que incorpora un profesor externo, de modo que cada unidad de
salida se le dice lo que su respuesta deseada a seales de entrada debe ser. Durante el
proceso de aprendizaje global de la informacin puede ser requerida. Paradigmas de
aprendizaje supervisado incluyen el aprendizaje de correccin de errores, aprendizaje por
refuerzo y aprendizaje estocstico. Una cuestin importante concernan aprendizaje
supervisado es el problema de la convergencia de error, es decir, la minimizacin de error
entre los valores unitarios deseados y calculados.
El objetivo es determinar un conjunto de
pesos que minimiza el error. Un mtodo muy
conocido,
que
es
comn
muchos
paradigmas de aprendizaje es el de mnimos

cuadrados
(LMS)
convergencia
significa.
Aprendizaje no supervisado utiliza ningn

maestro
externo
se
basa
en
una
informacin del local. Tambin se conoce

como auto-organizacin, en el sentido de que los datos se auto-organiza presentan a la
red y detecta sus propiedades colectivas emergentes. Paradigmas de aprendizaje no
supervisado son Lerning Hebbian y el aprendizaje competitivo.
Neuronas Humano a

Artificial aspecto del aprendizaje se refiere a la distincin o no de una fase independiente,

durante el cual la red se entrena, y una fase posterior operacin. Decimos que una red
neuronal aprende fuera de lnea si la fase de aprendizaje y de la fase de operacin es
distinta. Una red neural aprende en lnea si se aprende y se opera al mismo tiempo. Por lo
general, bajo la supervisin de aprendizaje se lleva a cabo fuera de lnea, mientras que el
aprendizaje supervisado se realiza en lnea.
Funcin de transferencia Redes Neuronales

El comportamiento de una ANN (Artificial Neural Network) depende tanto de los pesos y la
funcin de entrada-salida (funcin de transferencia) que se especifica para las unidades.
Esta funcin normalmente cae en una de tres categoras:
lineal (o rampa),
lmite,
Sigmoideo. Para las unidades lineales, la actividad de salida es proporcional a la salida

total ponderada. Para las unidades de umbral, la salida se fija en uno de dos niveles,
dependiendo de si la entrada total es mayor o menor que un cierto valor umbral.
Para las unidades sigmoides, la salida vara continuamente, pero no linealmente a medida
que los cambios introducidos. Unidades sigmoides tienen un mayor parecido con
neuronas reales de hacer unidades lineales o umbral, pero los tres se deben considerar
aproximaciones.
Para que una red neuronal que realiza alguna tarea especfica, debemos elegir cmo las
unidades estn conectadas entre s (vase la figura 4.1), y hay que establecer los pesos
de las conexiones de manera apropiada. Las conexiones de determinar si es posible que
una unidad a influir en otra. Los pesos especifican la fuerza de la influencia.

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.
Los primeros mtodos de

Bode y otros eran bastante
robustos; los mtodos de
espacio de estado inventados
en los aos 1960 y 1970 se
encuentran a veces carecer
de solidez,
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

desconocida, pero limitada.

Un controlador diseado para un determinado conjunto de parmetros se dice que es
robusta si tambin funcionara bien en un conjunto diferente de supuestos.
Retroalimentacin de alta ganancia es un simple ejemplo de un mtodo de control
robusto; con suficientemente alta ganancia, el efecto de las variaciones de los parmetros
ser insignificante. A partir de la funcin de transferencia de bucle cerrado perspectiva, de
alta ganancia de bucle abierto conduce a rechazo de perturbaciones sustancial en la cara
del parmetro del sistema incertidumbre. El principal obstculo para el logro de altas
ganancias del bucle es la necesidad de mantener la estabilidad en lazo cerrado del
sistema. Conformacin de bucle que permite el funcionamiento de bucle cerrado estable
puede ser un desafo tcnico.
Sistemas de control robustos incorporan a menudo topologas avanzadas que incluyen

mltiples bucles de retroalimentacin y caminos de alimentacin directa. Las leyes de
control pueden ser representados por funciones de transferencia de alto orden requeridos
para llevar a cabo simultneamente el rendimiento rechazo de perturbaciones deseada
con la operacin de bucle cerrado robusto. La teora de control robusto comenz a finales
de 1970 y principios de 1980 y pronto desarroll una serie de tcnicas para hacer frente a
la incertidumbre del sistema acotado. Probablemente el ejemplo ms importante de una
tcnica de control robusto es H-infinito loop - shaping, que fue desarrollado por Duncan de
la Universidad de Cambridge; Este mtodo minimiza la sensibilidad de un sistema a
travs de su espectro de frecuencia, y esto garantiza que el sistema no se desviar
mucho de trayectorias esperadas cuando las perturbaciones entran en el sistema.

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),
que fue desarrollado para superar los problemas de
robustez del control LQG. Otras tcnicas robustas incluyen Retroalimentacin cuantitativa
controladores Teora (QFT), control basado en la pasividad.
Cuando el comportamiento del sistema vara considerablemente en el funcionamiento

normal, mltiples leyes de control pueden tener que ser ideado. Cada ley de control
distinta aborda un modo
de comportamiento del
sistema especfico. Un
ejemplo es una unidad
de
disco
ordenador.
sistema
duro
del
Modos del
de
control
robusto separados estn

diseados
frente
para
hacer
la
rpida
operacin de recorrido de cabezal magntico, conocido como el buscar, una operacin de

transicin como la cabeza magntica se acerca a su destino, y una pista del modo
siguiente durante el que la unidad de disco realiza su operacin de acceso de datos.

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.
Efectos de la incertidumbre control Robusto

Tres temas principales: Observabilidad, controlabilidad y estabilidad. Observabilidad es la
capacidad de observar todos los parmetros o variables de estado del sistema.
Controlabilidad es la capacidad de mover un sistema de cualquier estado dado a cualquier
estado deseado. Estabilidad a menudo se expres como la respuesta acotada del sistema
a cualquier entrada acotada. Cualquier sistema de control de xito tendr y mantener los
tres de estas propiedades. La incertidumbre representa un desafo de sistema de control
que trata de mantener estas propiedades utilizando informacin limitada.

Uno de los mtodos para hacer frente a la incertidumbre en el pasado es el control

estocstico. En control estocstico, las incertidumbres en el sistema se modelan como
distribuciones de probabilidad. Estas distribuciones se combinan para producir la ley de
control. Este mtodo trata con el valor esperado de control. Situaciones anormales
pueden surgir que ofrecen resultados que no necesariamente estn cerca del valor
esperado. Esto puede no ser aceptable para los sistemas de control integrados que tienen
implicaciones de seguridad.
Mtodos de control robusto buscan obligado la incertidumbre en lugar de expresarlo en

forma de una distribucin. Dado un salto en la incertidumbre, el control puede ofrecer
resultados que cumplan con los requisitos del sistema de control en todos los casos. Por
lo tanto robusto teora de control podra ser declarado como un mtodo de anlisis del
peor caso en lugar de un mtodo tpico caso. Hay que reconocer que algo de rendimiento
puede ser sacrificado con el fin de garantizar que el sistema cumple con ciertos requisitos.
Sin embargo, esto parece ser un tema comn cuando se trata de sistemas integrados de
seguridad crtica.
Modelado Control Robusto

Una de las partes ms difciles de disear un sistema de buen control es la modelizacin
del comportamiento de la planta. Hay una variedad de razones de por qu el modelado es
difcil. Datos de planta imperfecta - A menudo, los pocos datos duro es disponible de la
planta. Muchos sistemas de control estn diseados al mismo tiempo que la planta.

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.
No linealidad - La mayora de los sistemas de control estn diseadas asumiendo

sistemas invariantes de tiempo lineal. Esto se hace porque simplifica en gran medida el
anlisis del sistema. Sin embargo, todos los sistemas se encuentran en el mundo real
tienen algn componente no lineal. As, el modelo siempre ser una aproximacin del
comportamiento del mundo real.
Complejidad - Los sistemas mecnicos y elctricos son inherentemente complejos de

modelar. Incluso un sistema simple con un simple requiere complejas ecuaciones
diferenciales para describir su comportamiento.
Habilidades - Modelado requiere una variedad de habilidades. Fenmenos fsicos tales

como la transferencia de calor requieren la fsica a la conducta de modelo y con el fin de
medir este comportamiento. Sistemas que implican cuerpos rgidos o actuadores
requieren ingenieros mecnicos. Conversin de parmetros fsicos en seales que

pueden ser controlados por un sistema de control requiere ingenieros elctricos.

Algoritmos
para
el control
de
la
planta
requiere
de
matemticas
aplicadas.
Implementacin de algoritmos de control en los sistemas digitales.
En un sistema integrado, los recursos de computacin y de costos son un problema

importante. El problema para el ingeniero de control es sintetizar un modelo que es
bastante simple de implementar dentro de estas limitaciones, pero realiza con precisin
suficiente para cumplir con los requisitos de rendimiento. Esta simplificacin del modelo
de la planta se refiere a menudo como la reduccin de modelo.
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.

El mtodo para cambiar la ganancia sobre diferentes frecuencias es a travs de la funcin

de transferencia. Esto implica el establecimiento de los polos y ceros de la funcin de
transferencia para lograr un filtro.
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
El control adaptativo es el mtodo de control utilizado por un controlador que debe

adaptarse a un sistema controlado con los parmetros que varan, o son inicialmente
inciertos. Por ejemplo, como una aeronave vuela, su masa disminuir lentamente como
resultado del consumo de combustible; Se necesita una ley de control que se adapta a las
condiciones cambiantes. El control adaptativo es diferente de control robusto en que no
necesita una informacin a priori acerca de los lmites en estos parmetros inciertos o
variables en el tiempo; robustos garantas de control que si los cambios son dentro de los
lmites dados la ley de control no necesita ser cambiado, mientras que el control
adaptativo tiene que ver con la ley de control cambiarse a s mismos.
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 Adaptativo abarca un conjunto de tcnicas que proporcionan un enfoque

sistemtico para ajuste automtico de los controladores en tiempo real, con el fin de lograr
o mantener un nivel deseado de rendimiento del sistema de control cuando los
parmetros de la planta modelo dinmico son desconocidos y / o cambio en el tiempo.
Consideremos primero el caso cuando los parmetros del modelo dinmico de la planta
son para ser controlado desconocida, pero constante (por lo menos en una cierta regin
de la operacin).
En tales casos, aunque la estructura del controlador no depender en general en los

valores particulares de los parmetros del modelo de la planta, la afinacin correcta de la
Parmetros del controlador no se puede hacer sin el conocimiento de sus valores.
Adaptable tcnicas de control pueden proporcionar un procedimiento de sintonizacin
automtica en bucle cerrado para los parmetros del controlador.

En tales casos, el efecto de la adaptacin como se desvanece tiempo aumenta. Los

cambios en las condiciones de operacin pueden requerir un reinicio del procedimiento de
adaptacin. Parmetros del modelo dinmico de la planta cambiar de manera
impredecible en el tiempo.
El modelo dinmico de la planta puede ser identificado a partir de las mediciones de la

planta de salida / entrada obtenido en virtud de un protocolo experimental en abierto o en
lazo cerrado. Uno se puede decir que el diseo y puesta a punto del controlador se realiza
a partir de datos recogidos en el sistema. Un sistema de control adaptativo puede verse
como una implementacin de la diseo de arriba y procedimiento de ajuste en tiempo real.
La afinacin del controlador ser realiza en tiempo real de los datos recogidos en tiempo
real en el sistema. La informacin se procesa en tiempo real con el fin de ajustar el
controlador para el logro de las actuaciones deseadas va a caracterizar los diversos
adaptacin tcnicas. Se ve claramente que un sistema de control adaptativo es no lineal
ya que los parmetros del controlador dependern de las mediciones de variables del
sistema a travs del bucle de la adaptacin.
Control Adaptativo Versus Control de Evaluacin Convencional

Las variaciones desconocidas y no medibles de los parmetros del proceso degradan las
actuaciones de los sistemas de control. De manera similar a las perturbaciones que acta
sobre las variables controladas, se puede considerar que las variaciones de los
parmetros del proceso son causadas por perturbaciones que actan sobre los
parmetros (llamado perturbaciones de parmetros).

Estas perturbaciones de parmetros afectarn al rendimiento del mando sistemas. Por lo

tanto las perturbaciones que actan sobre un sistema de control se pueden clasificar
como sigue:
(a) las perturbaciones que actan sobre las variables controladas;
(b) (parmetros) perturbaciones que acta sobre el rendimiento del sistema de control.
Feedback se utiliza bsicamente en sistemas de control convencionales para rechazar el
efecto de perturbaciones sobre las variables y controladas para traer de vuelta a su
deseada valores de acuerdo con un determinado ndice de rendimiento. Para lograr esto,
uno primeras medidas las variables controladas, a continuacin, las mediciones se
comparan con los valores deseados y la diferencia se introduce en el controlador, el cual
generar el apropiado control.
Para el problema de lograr y mantener el rendimiento deseado de un sistema de control

en presencia de alteraciones de los parmetros. Tendremos que definir primero un ndice
de rendimiento (IP) para el sistema de control que es una medida de la actuacin del
sistema (por ejemplo: la factor de amortiguamiento para un sistema de bucle cerrado que
se caracteriza por una transferencia de segundo orden funcin es una IP que permite
cuantificar un rendimiento deseado expresado en trminos de "amortiguacin"). Entonces
tendremos que medir esta IP. La medido IP ser en comparacin con el IP deseada y su
diferencia (si la medida IP no es aceptable) se introduce en un mecanismo de adaptacin.
La salida del mecanismo de adaptacin actuar sobre los parmetros del controlador de
la seal de control y / o en el momento en orden para modificar el rendimiento del sistema
en consecuencia.

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.
Los modelos utilizados en MPC estn destinados generalmente para representar el

comportamiento de los sistemas dinmicos complejos. La complejidad adicional del
algoritmo de control MPC no es generalmente necesaria para proporcionar un control
adecuado de los sistemas simples, que son controlados a menudo bien por los
controladores PID genricos. Caractersticas dinmicas comunes que son difciles para
los controladores PID incluyen grandes retrasos de tiempo y la dinmica de alto orden.

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
como aproximadamente lineal

sobre un pequeo rango de
operacin. Enfoques lineales
MPC se utilizan en la mayora
de aplicaciones con el mecanismo de retroalimentacin del MPC para compensar los
errores de prediccin debido a la falta de correspondencia estructural entre el modelo y el
proceso. En los controladores predictivos modelo que consisten nicamente de los
modelos lineales, el principio de superposicin de lgebra lineal permite que el efecto de
los cambios en mltiples variables independientes que se suman para predecir la
respuesta de las variables dependientes. Esto simplifica el problema de control a una
serie de clculos de lgebra de matriz directos que son rpidos y robustos.

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.
MPC se basa en iterativo, finito-horizonte de optimizacin de un modelo de la planta. En el

tiempo t el estado actual de la planta se realiza un muestreo y una estrategia de control de
costes minimizando se calcula (a travs de un algoritmo de minimizacin numrico) para
un horizonte de tiempo relativamente corto en el futuro: [t, t + T].
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

de ponerse al da con los ingenieros de control cuando se trata de MPC.
Modelo de Control predictivo (MPC) es un algoritmo de control multivariable que utiliza:

un modelo de dinmica interna del proceso de
una historia de control de ltimos movimientos y
una funcin de coste J optimizacin sobre la prediccin del retroceso horizonte,
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.
Modelo Predictivo de Control Toolbox ofrece funciones, una aplicacin y bloques de

Simulink para el diseo y simulacin de controladores predictivos modelo en MATLAB y
Simulink. Puede iterativa mejorar su diseo del controlador mediante la definicin de un
modelo de planta de interior, ajustando los parmetros del controlador, tales como pesos y
limitaciones, y la simulacin de la respuesta del sistema de circuito cerrado para evaluar
el desempeo del controlador.

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.

DESARROLLO DE LAS SIMULACIONES CON MATLAB

SIMULACIONES CONTROL BASADO EN REDES NEURONALES
Se selecciona la red neuronal despus de salvar los datos de entrada y salida, la red de entrena
apropiadamente para que aprenda el comportamiento de las entradas y su respuesta en las salidas.


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=-5.35404453116505
03-06=-.534988706705644
03-07=-2.22561358544724
03-08=-1.11553270959761
03-09= 4.73259880716159
03-10=-1.21225641769931
03-11= .0487181720225616
03-12= .957010639979969
04-01= 1.32052230026613
04-02= 1.53368859544006
04-03= 1.71272996839653
[Weight factor]
layer-node(layer n-1)-node(layer
n)=weight factor
02-01-01=-3.21230492041501
02-01-02= 4.89517002186317
02-01-03= 3.24240623807732
02-01-04=-5.05795278268497
02-01-05=-3.1453047160263
02-01-06= 1.02168887892237
02-01-07= 3.92618837137947
02-01-08= 4.17846393873989
02-01-09= 2.05822795712125
02-01-10= 2.57721332418624
02-01-11=-.661066573590535
02-01-12=-2.343295031674
02-01-13=-2.66639706949525
02-01-14=-2.88686347272612
02-01-15= 3.20416108676058
02-01-16= 4.78728448427478
02-01-17= .774637511668042
02-01-18= .291997063875224
02-01-19= 5.85649154864252
02-01-20= 1.59418875033404
02-01-21=-.815868030675837
02-01-22= 2.00166840672347
02-01-23= .497370155977912
02-01-24=-8.33261335172447
02-02-11=-18.709301988148
02-02-12= 9.25400510924328
02-02-13=-5.81595671713873
02-02-14=-5.62292201504229
02-02-15= 2.88948350926832
02-02-16= 7.57022145866442
02-02-17=-12.9649216670872
02-02-18=-6.28006791972043
02-02-19=-15.8031402966826
02-02-20=-8.17128942577495
02-02-21=-5.53857145659854
02-02-22=-1.76402043488886
02-02-23=-18.1679281963751
02-02-24=-15.6953194225883
02-03-01=-2.11670505425886
02-03-02= 8.21437783478693
02-03-03=-.865888808700821
02-03-04= 4.67548423493577
02-03-05=-8.06008784497928
02-03-06=-7.17125995424779
02-03-07=-4.92888830348712
02-03-08=-11.2144492031212
02-03-09=-2.47580505688736
02-03-10=-7.28115879620653
02-03-11=-1.58710592866194
02-03-12=-6.57239238166646
02-03-13= 3.15092267451818
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

02-03-14=-3.64905840110013
02-03-15=-2.90052054838997
02-03-16=-9.49472658379046
02-03-17= 10.0217131847037
02-03-18=-3.45714319131165
02-03-19=-26.5967740234811
02-03-20=-3.53467220865515
02-03-21= .390186741711543
02-03-22= 3.88496781776133
02-03-23= 4.12041282231975
02-03-24=-11.3181285152235
02-02-01= 9.47347240495447
02-02-02=-1.95040909385981
02-02-03=-7.05072534012705
02-02-04= 2.71616658818866
02-02-05= 1.95153828308863
02-02-06=-3.46804299247225
02-02-07= 3.19800028927832
02-02-08=-10.9270615323338
02-02-09=-4.15451828466781
02-02-10=-5.9749819603796
02-04-01= 2.36413454977352
02-04-02= 10.6130754770493
02-04-03= 20.1121626358989
02-04-04=-.312053017493657
02-04-05= 3.90043479238296
02-04-06= 6.7737742127016
02-04-07=-2.37215674663286
02-04-08= 4.27752954825753
02-04-09=-2.69391888858789
02-04-10= 4.7783982969201
02-04-11=-2.63479822892417
02-04-12= 1.71022782871772
02-04-13= .385627198510778
02-04-14= 1.93788133170159
02-04-15=-.0345897146099115
02-04-16=-2.18867572010159
02-04-17=-6.27058143787
02-04-18=-.206854300806461
02-04-19= 1.37757995845774
02-04-20=-2.98864474452343
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.

SIMULACIONES CON CONTROL PREDICTIVO
Iniciamos planteando en mathlab usando el tools de MPCdesign para control predictivo

as:
Importamos nuestra funcin de transferencia. (Trabajos colaborativos pasados)

Configuramos la prueba en control predictivo de Mathlab

Configuramos las temperaturas en que vamos a probar

La planta funciona de manera que a los diferentes cambios de temperatura, me mantiene

climatizada la habitacin a 10 grados como fue configurada, partiendo de una temperatura
cero y demorndose 300 segundos en estabilizar el cuarto.



Se usa la herramienta de importacin del modelo de planta, se eligen los requerimientos

de diseo del modelo predictivo y el software realiza la construccin del Modelo de control
predictivo realizando los pazos configuracin de control y estimacin, linearizando las
entradas y las salidas, encontrando los puntos ptimos de operacin, linearizando el
modelo, y construyendo finalmente el controlador MPC requerido.

SIMULACIONES CON CONTROL ROBUSTO

Mathlab v9 para control robusto el Toolbox no Funciono, mientras que mathlab v.2014b y finalmente el
Toolbox FUNCIONA. Adjunto imagen Toolbox utilizada as, Para el diseo de control robusto, se uso mathlab tol
box as ::









Consecutivamente se hace control robusto en el espacio discreto z as:

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.

SIMULACIONES CON CONTROL
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

al mnimo el consumo total de energa al tiempo que proporciona temperaturas

agradables y la humedad para los ocupantes.
Diferentes parmetros, la temperatura y la humedad relativa tienen una influencia
directa en el rendimiento de sistemas de aire acondicionado en las aplicaciones.
El diseo de controladores para los sistemas de climatizacin depende de modelos
dinmicos de los sistemas y ecuaciones matemticas.
Temas como la eficiencia energtica, recientemente, tienen inters en modelado
matemtico de sistemas de HVAC y componentes.
Mejores tcnicas de control no lineal es posible tratar el comportamiento no lineal
de los sistemas de climatizacin por medio de algoritmos de control Modernos.

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

Act3 Colaborativo Sistemas Control

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Act3 Colaborativo Sistemas Control

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Escuela de Ingenieras. Ingeniera Electrnica

Director: CARLOS VERA ROMERO

Universidad Nacional Abierta y a Distancia UNAD.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

En este curso de sistemas avanzados de control automtico para Ingeniera electrnica

que estudia, disea y permite simular procesos lgicos de control, con

programas y algoritmos muchas veces sofisticados. Las herramientas de simulacin y

Este trabajo es un acercamiento al campo de los sistemas avanzados de control de

Se deben leer los contenidos

propuestos en el entorno de conocimiento para la Unidad 3. Tcnicas avanzadas de

Adicionalmente de modo grupal se pretende aplicar y argumentar la aplicacin de una

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Realizar las actividades correspondientes de la Unidad 3 del Curso.

Leer los contenidos propuestos en el entorno de conocimiento para la Unidad 3. Tcnicas

red neuronal artificial en el control de

temperatura y humedad de una habitacin.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

MARCO TEORICO DEL PROBLEMA

Identificacin de sistemas. En la habitacin vamos a controlar la temperatura y la humedad,

caractersticas dinmicas del proceso de temperatura y humedad. El proceso de identificacin

Modelado matemtico del sistema Temperatura y Humedad

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

El modelo: El calor y la densidad del aire especficos son

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

MODELACION MATEMATICA SISTEMAS DE

Qin - Q out = d(Q)/dt,

Qin = Energia entrado al cuarto.

Q interior + Q exterior + Q suministro Q salida =

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Pair, Rho aire es la densidad del aire.

Establecer la ecuacin que determina la temperatura del cuarto as:

T cuarto =     ( [   +      (T suministro T cuarto)] dt

Cp = 0.241 btu (Lb F)

El control simultneo, y el establecimiento de parmetros es difcil y el acoplamiento

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

El modelo presenta ecuaciones de balance de masa de energa para cada HVAC

Modelo de control para temperatura de la habitacin se define como:

$*&/ + (01/! ($23 $%& / +

Cah= Mxima capacidad trmica de la unidad de Aire Acondicionado = 4.5 Kj/C

Fsw = Rata de flujo de agua = 8.02*10-5 m3/s

Psw = Presin del agua de suministro.

Cpw = Temperatura especifica del agua = 4.1868 kJ/kg C

Twi = Temperatura del agua de suministro = (C)

Two = Temperatura del agua de retorno=10 (C)

To = Temperatura externa=32 C (Verano)=5 C (Invierno)

Tco = Temperatura del aire de salida del coil (C)

Fsa = Volumen Flujo de aire de suministro = 0.192 m3/s

Pa = Presin del aire de suministro.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Cpa = Temperatura especifica del aire =1.005 kJ/kg C

Tco = Temperatura de aire de salida del calentador de aire (C)

Tm = Temperatura de salida del aire de la caja mezcladora (C)

Modelo de control para Humedad de la habitacin se define como:

$" / + " ($& $" /

Temperatura del aire de suministro (en el Humidificador) in (C)

Fsa = Volumen del flojo de aire suministro = 0.192 m3/s

Cpa = Temperatura especifica del aire = 1.005 kJ/kg C

Tsi = Temperatura del aire de suministro (al humidificador) (C)

Th = Temperatura del suministro de aire (en el humidificador) in (C)

Th = Temperatura del aire de suministro en el humidificador en (C)

Modelo de control para Humidificado de la habitacin se define como:

()! ( 8)- 8" / +

Fsa = Volumen de flujo del aire de suministro = 0.192 m3/s

T cuarto = ( [ + (T suministro T cuarto)] dt

9 = ; ( /< + ;= (9/<=

<1 = ?B , <= = ?BD , ; (9/ = EF

\] S ( / = ; , \]= S ( / = ;= , \] S= ( / = ;@ , \]= S= ( / = 0