Академический Документы
Профессиональный Документы
Культура Документы
N-NO3, N-NH4, P, K, Mn
Ca, B, S
Uno de los principales problemas con el manejo y control de las soluciones nutritivas
es que la concentracin de los elementos del grupo 1 (N, P, K, Manganeso) debe ser adecuada
para prevenir una acumulacin indeseable en el tejido de las plantas. Las concentraciones
bajas son difciles de vigilar y de controlar.
En la prctica, la frecuencia de riego, est determinada por la relacin entre volumen
retenido en un riego y la tasa de absorcin y crecimiento de la plata. Pequeos volmenes
radiculares para grandes plantas requerirn frecuentes riegos de agua y nutrientes.
Control de invernaderos: temperatura y humedad.
El control del clima del invernadero es complejo debido a la alta interaccin no lineal
entre el subsistema biolgico y el subsistema fsico, y debido a un fuerte acoplamiento de las
dos variables controladas principales: temperatura y humedad.
1
donde Tin, Tout son las temperaturas (C) interior y exterior del aire del invernadero, V es el
volumen del invernadero (m3), UA es el coeficiente de transferencia de calor W/K , es la
densidad del aire (1,2 kg/m3), Cp es el calor especfico del aire (1006 J ( kgK) -1), Qheater es el
calor suministrado por el calentador al invernadero (W), Si es la energa solar radiante
interceptada (W), Qfog es la capacidad del sistema de niebla (gH2O/s ), es el calor latente de
vaporizacin (2257 J/g), V es la tasa de ventilacin (m3/s), win y wout son la humedad absoluta el
interior y el exterior (gH2O/m3), E (Si, win) es la tasa de evapotranspiracin de la plantas
(gH2O/s).
El propsito de la ventilacin es eliminar el aire hmedo para reemplazarlo con aire
fresco del exterior, al regular las altas temperaturas causadas por el influjo de la radiacin
solar, para deshumidificar el aire del invernadero cuando la humedad del aire exterior es muy
baja, para proporcionar un flujo de aire uniforme a lo largo de todo el invernadero, y para
mantener aceptables los niveles de concentracin de gas en el invernadero. Lo sistemas de
nebulizacin (como nebulizadores, unidades antiniebla, techo o aspersores) son utilizados
principalmente para la humidificacin del invernadero. De hecho, los sistemas de
condensacin tambin desempean un papel de enfriamiento debido a evaporacin
enfriamiento. Por otra parte, el aire fresco debe ser continuamente ventilado en el
invernadero, mientras que el aire calentado y humidificado agotarse. Cuando humidificacin
se produjo bajo condiciones soleadas, la ventilacin es necesaria, ya que el invernadero pronto
se convertira en un bao de vapor sin proporcionar fresco aire seco.
Las variables de estado x1 y x2 (idntica a las variables de salida y1, y2) son las
temperaturas interior del invernadero (Tin) y la humedad interior absoluta (win). El control de
entrada u1 y u2 son la tasa de ventilacin ( ) y del capacidad del agua de la niebla del sistema
(Qfog). Las perturbaciones externas v1, v2 y v3 corresponden a la radiacin solar (Si), la
temperatura exterior (Tout) y humedad absoluta exterior (wout). Las ecuaciones que describen
el proceso, se caracterizan por una alta linealidad y acoplamiento.
8.1.1. LINEALIZACIN Y DESACOPLAR FEEDBACK-FEEDFORWARD
entonces, el vectores de entradas de control u para la ley de control feedforward est dada
por:
donde i son los nuevos componentes del vector de control del proceso equivalente
controlado por disociadar en cerrado bucles.
As, mediante la sustitucin en yi(ri) del vector de entrada de control u de la expresin
anterior, se obtiene un sistema lineal equivalente con desacoplamiento:
yi(ri)= i
que consiste en integradores desconectados de orden ri-simos.
En conclusin, mediante el compensador basado en la ley de control feedbackfeedforward , el sistema no lineal se reduce a subsistemas equivalentes desacoplados
consistentes en integradores de orden ri-simo controlado por el desacoplado en bucle
cerrado. Cada entrada nueva i controla la velocidad de cambio ri (ri-sima derivada) de la
salida asociada yi.
En el caso particular del modelo de clima del invernadero, las variables i1, 2
administran los integradores equivalentes como procesos desconectados para la temperatura
y la regulacin de la humedad. En este caso, tras la linealizacin por realimentacin
feedforward y con el procedimiento de desacoplo presentado anteriormente, las variables de
control de procesos u(u1,u2) tiene la forma:
10
Para los sistemas en los que el seguimiento del set-point es importante, una solucin
para la sintonizacin de PID se puede realizar mediante el ajuste de los coeficientes para bucle
cerrado. El mtodo de sintonizacin propuesto consiste en la adecuacin de los coeficientes
del polinomio numerador y el denominador de la funcin transferir en bucle cerrado.
Para aumentar las prestaciones del sistema descritos en la seccin anterior, se puede
utilizar un controlador PID filtrado. Para ajustar este controlador, el mtodo basado en sntesis
directa se utiliza en un lazo cerrado deseado de la funcin de transferencia.
11
Se sugiere que se elija [0.8L, 3L], y utilizar un conjunto de [0,3, 0,4] entorno al
set-pont para reducir el sobreimpulso de respuesta al escaln.
8.1.2.5. Especificacin de la seal de control deseada
En las especificaciones generales, los parmetros tpicos en el dominio del tiempo son:
pico sobre-oscilacin, tiempo de subida, tiempo de establecimiento y estacionario error. El
error integral es el criterio ms comnmente usado como una buena medida para el
rendimiento del sistema. Todas las clases de criterios de desempeo, tales como el error
absoluto integrado (IAE), error cuadratico integrado (ISE), error cuadrtico integrado del
13
Adems, el criterio de rendimiento para un proceso MIMO de una salida puede ser diferente al
resto de las salidas, adems puede tener una prioridad ms alta de las otras. Consideraremos
que la misma prioridad, y por lo tanto, la misma clase de criterios de rendimiento. Por
consiguiente, para una representacin digital del sistema, el ndice de rendimiento para el
sistema MIMO del invernadero se reescribe como sigue:
donde i es el i-simo bucle cerrado, t (k) representa el tiempo de la k-sima iteracin. Adems,
para evitar el dao del actuador causada por oscilaciones de control, consideraremos otro
ndice de desempeo definidos como
14
15
adaptativo
Neuro-PID
de
Las Funciones de Base Radial (RBF), presentado por J.Moody y C.Darken, surgi como una
variante de la red neuronal artificial a finales de los 80. Las redes neuronales RBF tienen una
capa de entrada, una capa oculta y una capa de salida. La capa de las neuronas ocultas
contiene las funciones Gaussianas cuya transferencia salidas son inversamente proporcionales
a la distancia de la centro de la neurona. La arquitectura de un RBF tpico la red se muestra en
la figura siguiente.
16
Donde wij es el peso de la conexin del nodo oculto j-simo al nodo de salida de la i-sima, y L
es el nmero de nodos de salida.
8.3.2. Estrategia de control
17
18
20
Basndose en el anlisis de los procesos fsicos del clima del invernadero, podemos
obtener la ecuacin dinmica de la temperatura del aire del invernadero mediante el equilibrio
energtico. La expresin general es:
VgCapg dTg/dt = Es + Ecrad +Eheat +Ega+Ecac +Event +Esoil E
Donde Vg es el volumen del invernadero (m3), CAPg es la capacidad de calor del invernadero
(J/mK), Tg y Td temperaturas interior y exterior, respectivamente (K o C).
Es es la radiacin solar:
ES =Qs x s
Ecrad es la radiacin de onda larga entre la cubierta y el aire exterior,
Ecrad=-caFc (Tg4 Ta4)
21
VgCapg dTg/dt = s l cos s -caFc (Tg4 Ta4) + p (Tg Ta) sp + sc kc (Tg-Ta)/d + c sc (Ta - Tg)
+ v Capg (Tg-Ta) - l(dTs / dt) s - Hrtot-1(cl-cb).
Donde s es el rea de terreno de efectivo del invernadero (m2), sc es el rea de cobertura (m2),
sp es el rea exterior de los tubos de calefaccin (m2).
El modelo muestra que el sistema climtico de un invernadero es un sistema no lineal
variante en el tiempo. Para un invernadero dado, algunos coeficientes, tales como s, , ca, Vg
,Fc, s, sp Sc, d son fijos, que son determinados por la estructura y la propiedad fsica de
invernadero. Otros son difciles de fijar. Al principio, la conveccin es un proceso complejo. La
ley de enfriamiento de Newton no contabiliza la esencia de la conveccin, y slo se concentra
en los coeficientes de transferencia de calor que incluyen todos los factores que afectan a la
conveccin, como la velocidad de flujo de aire, temperatura, etc, la diferencia de transferencia
de calor entre el sistema de calefaccin y de invernadero es la conveccin natural . Debido al
flujo de aire constante relativa, coeficiente de transferencia de calor p se puede fijar. c es
variante en el tiempo y no lineal debido a la incertidumbre del tiempo exterior. En segundo
lugar, la ventilacin de cambio se relaciona con la dinmica de fluidos, su anlisis preciso y
clculo son difciles. Incluso si se utilizan frmulas empricas, tenemos que hacer muchos
experimentos para determinar los coeficientes. En tercer lugar, debido a la complejidad de los
componentes del suelo, es difcil calcular la transferencia de calor con el suelo, que es una
funcin de la temperatura exterior y el interior. Por ltimo, la resistencia a la transpiracin r tot
22
23
Cuando l el centro del conjunto difuso de salida, il y il son el centro y el ancho del
conjunto difuso de entrada, respectivamente, xi es i-sima entrada. La construccin de un
sistema de lgica difusa inicial razonable es para seleccionar los parmetros iniciales (l, il y il)
correctamente.
24
Los parmetros del modelo q, p1, p2, p3, p4 y p5 deben ser identificados para obtener el
modelo aplicable. Una identificacin alternativa aceptada para los parmetros en el modelo no
lineal se basa por lo general en un algoritmo recursivo de mnimos cuadrados. En caso de
parmetros desconocidos, la introduccin de las variables estimadas i, el modelo se puede
escribir como:
i (k) = T (k -1)
Donde
T (k -1) = [Ti(k-1) Ti,o(k-1) Tp,i(k-1)H(k-1)]
= [q p1 p2 p3 p4 p5]
Los parmetros del modelo se determinan de tal una manera que reducen al mnimo
las siguientes funciones:
26
8.5.3.1. Predictor.
El rendimiento del MPC depende en gran medida de la exactitud del modelo del
proceso. El modelo utilizado para el predictor es el modelo de temperatura del aire del
invernadero que se ha mencionado anteriormente y es capaz de describir la dinmica del clima
del invernadero. Futuras salidas se pueden predecir por el predictor en el sistema.
8.5.3.2. Funcin de coste
27
donde
28
Suponiendo funciones gaussianas para poner en prctica las neuronas RNFBR, la salida
global de la red puede ser descrito por las siguientes ecuaciones:
f(x) = 0 +
(x-ci)
29
(x-ci) =
Una variable independiente de los datos, a menudo llamado sesgo, se incluye
mediante la adicin de un trmino adicional, 0; es una norma, por lo general euclidiana; c
= {ci}ni = 1 son un conjunto de puntos llamados centros de RBF; = {i}ni = 1 son los diferenciales
de las funciones de Gauss; y = {i}Ni=1 son el conjunto de coeficientes desconocidos del
combinador lineal de salida. Con el fin de disear una RNFBR, deben calcularse los parmetros
de red {c, , }. Por lo general son extradas de un conjunto existente de los datos de entradasalida, el conjunto de entrenamiento, en un proceso conocido como la formacin o el
aprendizaje. Esto requiere que la estructura de la red, que consiste en el nmero de neuronas,
n, y de la composicin del vector de entrada, x, se debe dar de antemano. La topologa de una
RNFBR y la naturaleza no lineal de las funciones de las capas ocultas conducen a la idea de que
la formacin de los pesos lineales de salida y los parmetros de la neurona puede considerarse
diferentes tareas a las que tiene sentido el empleo de
diferentes tcnicas de optimizacin. La capa oculta
RNFBR realiza una transformacin no lineal del
espacio de entrada de red para un mayor dimensin
del espacio intermedio (por lo general), de tal manera
que las salidas objetivo pueden ser mejor linealmente
descrito por los datos de transformadas no lineales.
La capa de salida es una combinacin lineal
ponderada de las salidas de las neuronas, cuyos pesos pueden ser bien determinados
utilizando tcnicas lineales. Estas diferentes funciones de las capas de red son comnmente
reconocidos por la comunidad de investigacin, que conduce a la introduccin de varios
mtodos hbridos compuestos por algoritmos de supervisin (para los pesos de salida) y los
algoritmos de agrupamiento (para la determinacin del centro y se extiende de las funciones
gaussianas), o an algoritmos constructivos. Estos algoritmos son computacionalmente por lo
general no muy costosos, pero no aprovechan totalmente la estructura general de la red nolinear/linear, por lo tanto, conduce a resultados de exactitud que se pueden mejorar si esta
estructura est totalmente explotada por el algoritmo de entrenamiento. El mtodo propuesto
sigue las ideas de un enfoque similar en el contexto de la formacin de mltiples capas de
redes neuronales perceptrn. En este enfoque, todos los parmetros de la red se determinan
en virtud de un procedimiento de aprendizaje supervisado, basado en la optimizacin
determinista sin restricciones, mediante la minimizacin de un criterio nico y explcito.
Supongamos un conjunto de datos de entrenamiento conjunto compuesto de N pares
de entrada/salida del proceso, de la forma T = {xi, yi}Ni=1. Los nuevos valores de los parmetros
se calculan de una manera iterativa con el fin de minimizar la funcin de coste,
; i = yi f(xi)
en forma vectorial.
= A+ y
31
33
34
Como se puede entender, este enfoque se ve fuertemente afectado por el ajuste inicial
de parmetros. Por ejemplo, el incremento sigma provoca modelo ms suave. Una eleccin
sigma muy grande lleva al modelo al sistema real; por el contrario, la seleccin sigma pequea
hace que el modelo difuso sea incapaz de seguir las variaciones rpidas del proceso. El
modelado fsico suele ser insuficiente para las predicciones precisas del comportamiento de
35
j = 1,2,,l
D. Actualizando
Ajustar los vectores de peso sinpticas de todas las neuronas mediante el uso de la
frmula de actualizacin:
wj(n+1) = wj(n) + (n) * h(x)(n) * (x(n) - wj(n))
donde (n) es el parmetro de tasa de aprendizaje, y hj,i (x) es la funcin de vecindad centrada
alrededor de la neurona ganadora i(x). Tanto (n) y hj,i(x) se varan dinmicamente durante el
aprendizaje para obtener mejores resultados.
37
38
39
A. Estrategia MOCC
Los mtodos de control multiobjetivo convencionales siempre seleccionan el valor
ptimo de cada actuacin como el punto de control objetivo y minimizar la desviacin de cada
criterio de rendimiento. Sin embargo, es muy difcil alcanzar mltiples puntos objetivos
simultneamente debido a los conflictos entre ellos. Por ejemplo, dado un problema de
control, los conflictos de dos objetivos en la figura siguiente, siempre se desea obtener el
punto mnimo de uno de los dos objetivos simultneamente. En realidad, la regin factible con
las soluciones de control existentes es el rea sombreada. Esto sucede a otros problemas de
control de objetivos mltiples, por lo que es utpico y poco prctico para los problemas de
control multiobjetivo para adoptar el mtodo del control de punto preciso en aplicaciones
prcticas.
Teniendo en cuenta los problemas anteriores y sobre la base de las experiencias de aplicacin
exitosa de la produccin en invernadero, se propuso dos capas para el marco de control
compatible y otro para el control Compatible Multi-objetivo modificada (MOCC) algoritmo
mediante el uso de un intervalo ptimo o los objetivos de control de la regin (por ejemplo, las
regiones del objetivo compatibles) en lugar de los objetivos ptimos de control de punto, a
saber, la ampliacin de los objetivos de punto de intervalos o regiones para garantizar la
existencia de la controladora. Por ejemplo, los rangos de [f1min, f1max] y [f2min, f2max]
generalmente se selecciona como sus respectivas regiones del objetivo compatibles, y
40
Por otra parte, la estrategia de control anterior proporciona un enorme espacio para el
ahorro de energa debido a la precisin bajo control que significa un bajo costo. Se propone un
marco de control compatibles modificado que se muestra en anterior. Se adopta dos niveles
jerrquicos, a que se refiere como el nivel de optimizacin compatible y el nivel de control
compatible.
B. Aplicacin Algoritmo
1) optimizacin multi-objetivo: los dos niveles tienen una etapa de optimizacin multiobjetivo, que se utiliza para obtener soluciones de Pareto para mltiples objetivos en conflicto.
Considerando MOEAs recin desarrollados y verstiles, contamos con un NSGA-II modificado
para la optimizacin compatible para obtener el error de control mnimo y el consumo de
energa. En comparacin con el origenal NSGA-II, el algoritmo de resta la fase de inicializacin
de la poblacin retiene el cuerpo principal de NSGA-II. Con el fin de lograr un menor consumo
de energa y una mayor precisin de control, se construye la siguiente funcin de error
objetivo
41
Sujeto a
43