Universidad de las Fuerzas Armadas. Salazar, Ivn. Sistemas de Control Hbridos.
Sistemas de Control Neuroborroso Aplicado al
Proceso de Taladrado de Alto Rendimiento. Salazar, Ivn. ivantonios@hotmail.com Universidad de las Fuerzas Armadas ESPE Departamento de Energa y Mecnica
computacionales avanzados, como software de ResumenEl presente trabajo presenta el diseo de un procesamiento matemtico. [2] sistema Neuroborroso para el modelado y control en red de un En el presente trabajo presenta la combinacin de proceso de taladrado de alto rendimiento. El sistema Neuroborroso empleado en el estudio es conocido como las redes neuronales con lgica borrosa, ANFIS (Sistemas Adaptativos de Inferencia Neuro-Difusa), en combinando las ventajas de las mismas. La lgica el cual las reglas borrosas se obtienen a partir de os daros de borrosa es una posibilidad de convertir una entrada y salida. El diseo del sistema de control es realizado estrategia lingstica de control basada en los por modelo interno. Con la implementacin del sistema de conocimientos de expertos. Por otra parte, las redes control se pretende aumentar la tasa de arranque de material y garantizar el aprovechamiento de la vida til de la herramienta neuronales pueden realizar un procesamiento de corte paralelo, aceptar entradas procedentes de diferentes sensores, adems de aprender funciones no lineales. ndice de TrminosSistemas Neuroborrosos, control [3] por modelo interno, taladrado de alto rendimiento II. PROCESO DE TALADRADO DE ALTO RENDIMIENTO I. INTRODUCCIN El taladrado es uno de los procesos de La aplicacin de tcnicas de Inteligencia Artificial manufactura ms utilizados en la fabricacin de al control de procesos se ha incrementado en los componentes, moldes y matrices en los diferentes ltimos aos, ya que las mismas son capaces de sectores industriales. Debido al mercado exigente generar resultados ptimos. El uso masivo de las las empresas tienen como objetivo principal la tcnicas de Inteligencia Artificial en el control de optimizacin de todos los procesos, y con ello procesos se ha llevado a cabo debido a que las reducir considerablemente los tiempos empleados tcnicas clsicas no han generado los resultados en la fabricacin y aumentar la calidad de los deseados para el sistema. Cabe mencionar que los productos. En el proceso de taladrado la reduccin controladores clsicos se deterioran en gran medida del tiempo de produccin est directamente debido a presencia de incertidumbre y de no relacionado con una mayor tasa de arranque de linealidades. [1] material y con el aprovechamiento de la mxima vida til de la herramienta de corte. Un proceso de Los procesos de mecanizado estn inmersos en la taladrado de alto rendimiento es considerado serie de procesos de difcil modelado a travs de cuando se trabaja a altas velocidades de corte con tcnicas clsicas, debido a que son procesos las consideraciones de la dureza del material, la extremadamente complejos, no lineados, cargados herramienta y la maquinaria. [1] de incertidumbre y con comportamientos imposibles de describir por herramientas de De todas las variables que influyen en un proceso modelado convencionales. Por lo tanto, se necesita de mecanizado, la fuerza de corte es la ms de tcnicas de Inteligencia Artificial, haciendo una importante para el estudio. La fuerza de corte se sinergia entre todas, y uniendo los mtodos puede mantener de forma constante modificando la velocidad de avance de la herramienta de corte
Automatizacin Industrial Mecatrnica
Universidad de las Fuerzas Armadas. Salazar, Ivn. Sistemas de Control Hbridos. 2
sobre el material. Incrementar el arranque de cuadrados tienen parmetros ajustables, mientras
material se lo puede realizar maximizando la fuerza que los nodos circulares son nodos fijos. [1] de corte, pero as mismo producir un mayor desgaste de la herramienta de corte.
Por lo tanto, con el anlisis del proceso de
taladrado y sus variables ms importantes a considerar se considera como un sistema de una entrada y una salida (SISO). La velocidad de avance de la herramienta (f) es considerada como la entrada y la fuerza media de corte (F) como salida. El proceso taladrado en el presente estudio se lo representa mediante un modelo lineal con una funcin de transferencia de tercer orden. [1] Figura 1: Arquitectura del sistema ANFIS
El sistema ANFIS utiliza como estrategia de
aprendizaje la retro-propagacin o propagacin hacia atrs de los errores para determinar el III. SISTEMA NEUROBORROSO antecedente de las reglas. El consecuente de la regla Las tcnicas de control borroso y neuronal pueden se estima por medio del mtodo de los mnimos combinarse entre s, puesto que son cuadrados. [1] complementaros. Los sistemas borrosos proporcionan una buena herramienta de control para IV. CONTROL POR MODELO INTERNO BASADO los sistemas complejos, pero no tienen un mtodo EN ANFIS sistemtico que permita ajustar sus parmetros El control por modelo interno incluye la como funciones de pertenencia y creacin de reglas utilizacin explcita de modelos, y surge a de forma autnoma. En cambio, la red neuronal principios de los aos ochenta de la mano de tiene la capacidad de aprendizaje y adaptacin, pero Morari. Utiliza un esquema de control de lazo como controlador no es muy extendido puesto que cerrado en el que intervienen un modelo directo es difcil entender y modificar la red de manera (GM) del proceso a controlar (GP) situado en apropiada. [2] paralelo a ste, as como un modelo inverso (GM). Las perturbaciones son representadas por d. El sistema ANFIS es uno de los primeros sistemas Neuroborrosos conocidos. Es un tipo de red neuronal cuyas neuronas tienen incorporados el sistema de lgica borrosa de Takagi-Sugeno. Integra las redes neuronales, o sea que es adaptativo, tolerante a fallos, distribuido, aprende por la experiencia y con capacidad de generalizacin; con los principios de lgica difusa, heredando su sistema de inferencia correspondiente al conjunto de reglas difusas, y aprovechando as los beneficios de Figura 2: Esquema de control por modelo interno. ambos. [1]
La arquitectura de ANFIS dispone de cinco capas
como se puede observar en la Figura 1. Los nodos
Automatizacin Industrial Mecatrnica
Universidad de las Fuerzas Armadas. Salazar, Ivn. Sistemas de Control Hbridos. 3
Este tipo de control ha generado una mayor
adaptacin porque tiene una gran capacidad para hacer frente a las perturbaciones y su comportamiento robusto. [1]
El filtro GF est en el controlador con el afn de
reducir la ganancia de alta frecuencia y mejorar la robustez del sistema. Adems, sirve para suavizar los cambios rpidos y bruscos en las seales. [1]
Un esquema de Control por Modelo Interno
puede implementarse usando un sistema ANFIS. Es necesario un sistema ANFIS para que aprenda la Figura 3: Funciones de pertenecia modelo directo ANFIS. dinmica del proceso a travs de datos entrada- salida obteniendo el modelo directo. Adems, otro Funciones Takagi-Sugeno de salida: Fuerza Media (baja)= -62.3f + 6786 N sistema ANFIS que es entrenado para aprender de Fuerza Media (alta)= -322.9f + 3.2*10-4 N manera inversa el proceso y funcionar como Regla 1: Si Velocidad de Avance es baja, entonces controlador lineal obteniendo el modelo inverso. [1] Fuerza Media es baja Regla 2: Si Velocidad de Avance es alta, entonces Las variables considerado son la velocidad de Fuerza Media es alta avance como entrada y la fuerza de corte media como salida, los datos utilizados fueron obtenidos de manera experimental. Para un mejor ajuste del modelo se introduce un conjunto de 133 datos de entrenamiento al sistema Neuroborroso. Luego, se ajusta el modelo creado anteriormente, introduciendo un conjunto de 128 datos de prueba distintos al primero en el sistema Neuroborroso. [1]
El resultado ptimo para los modelos directos e
inversos se obtiene con dos funciones de pertenencia en la fase de emborrado, las cuales son de tipo Gauss, y con reglas de primer orden. Figura 4: Funciones de pertenencia modelo inverso ANFIS. Los parmetros de entrenamiento realizado por la Funciones Takagi-Sugeno de salida: red fueron de 100 iteraciones del algoritmo, modo Fuerza Media (baja)= -0.005F + 99.2 mm/min de entrenamiento hbrido y tamao del paso de 0.01. Fuerza Media (alta)= -0.02F+ 113.9 mm/min El software Matlab representa una herramienta de Regla 1: Si Fuerza Media es baja, entonces gran ayuda mediante el que se obtiene los modelos. Velocidad de Avance es baja Regla 2: Si Fuerza Media es alta, entonces El tiempo de entrenamiento de los modelos fue de Velocidad de Avance es alta 0.14 segundos. Este tiempo depende de la computadora donde se realice el modelamiento. El V. SIMULACIN entrenamiento realizado fue de tipo offline. [1] Creados los modelos Neuroborrosos directo e inverso se simula el comportamiento del sistema.
Automatizacin Industrial Mecatrnica
Universidad de las Fuerzas Armadas. Salazar, Ivn. Sistemas de Control Hbridos. 4
El controlador Neuroborroso nos permite asegurar
la estabilidad del sistema para la seleccin de las reglas del conjunto borroso.
La simulacin en el trabajo presenta una gran
optimizacin del proceso, brindando gran estabilidad en tiempos acordes a la exigencia de los estndares de produccin.
VII. REFERENCIAS
[1] A. Gajate y R. Haber, Control Neuroborroso en Red.
Figura 5: Respuesta del sistema ante escaln. Aplicacin al Proceso de Taladrado de Alto, Revista Iberoamericana de Automtica e Informtica Industrial, vol. VI, n 1, pp. 31-38, 2009J. [2] J. Fraile, Diseo de un estabilizador de sistemas de potencia neuro-borroso adaptativo ajustado mediante algoritos genticos., Universidad Politcnica de Madrid, vol. I, n 2, 2003. [3] M. Strefezza, Diseo de un Controlador Neuro-Borroso coon un algoritmo de aprendizaje Acelerado., SBAI, vol. II, pp. 20-25, 1999.
Figura 6: Accin de control.
VI. CONCLUSIONES
Las tcnicas de inteligencia artificial es el proceso
de taladrado de alto rendimiento trata de aprovechar la experiencia de operadores para incorporarlas en los sistemas de control reduciendo la complejidad del sistema.
Los sistemas de control Neuroborrosos permiten
combinar las ventajas de las Redes Neuronales y la Lgica Borrosa
El control aplicado en el trabajo es muy eficiente,
ya que se puede obtener los modelos Neuroborrosos a partir de datos experimentales de entrada y salida y no requiere de un modelo matemtico exacto del proceso para el diseo del sistema de control.