1 MODELO NEURO-DIFUSO DE PARÁMETROS DE

Facultad Regional Concepción del Uruguay
MODELO NEURO-DIFUSO DE PARÁMETROS DE FUNCIONAMIENTO DE PRENSA
PELLETIZADORA DE ALIMENTOS BALANCEADOS
Autores: Juan Carlos Ansaldi - Jorge Antivero - Grupo de Investigación Sobre
Automatización (GISA)
1. Introducción
Este trabajo presenta la primer etapa del proyecto de investigación "Control difuso de
una Prensa Pelletizadora de Alimentos Balanceados", la implementación de un modelo
neuro-difuso de los parámetros principales de funcionamiento de la prensa: la
temperatura de la mezcla y la intensidad de corriente del motor.
El objetivo básico del proyecto general es controlar los parámetros de funcionamiento de
una prensa pelletizadora por medio de un control basado en lógica difusa.
En la provincia de Entre Ríos, Argentina, exiten 25 plantas que producen alimentos
balanceados cuyo destino principal es la producción avícola. El ritmo de crecimiento del
sector, ha sido del orden del 2% anual, caracterizandose por una permanente mejora en
la calidad de productos ofrecidos. Sin embargo, la antigüedad de equipos, en
particular de peleteadoras (o pelletizadoras), mezcladoras y enfriadoras tienen un
promedio de 15 años, con rangos comprendidos entre 1,5 y 29,5 años, con marcadas
carencias de equipos modernos y escasa automatización y computarización de los
sistemas operativos, datos de una encuesta realizada sobre 11 molinos de la provincia
(Suarez D. y otros, 1996).
Este proyecto pretende resolver una parte de estos problemas: automatización de la
pelletizadora, incorporando tecnología
nacional
ante una demanda concreta de la
empresa privada en el área agroindustrial, la cual concentra el 65% de demandas de
investigación y desarrollo de las necesidades regionales (Rochin R y otros, 1998)
Una prensa de este tipo consta en general de un acondicionador/alimentador al cual
ingresa la mezcla de granos previamente molidos con los aditivos correspondientes y en
donde se le adiciona vapor con motivo de elevar su temperatura y humedad.
Esta mezcla húmeda ingresa a la prensa pelletizadora y una vez formados los pellets
pasan por una enfriadora de flujo a contracorriente en la cual se le disminuye la
temperatura, logrando de esta forma la consistencia deseada.
1
Ciencia y Técnica
Para una formulación de alimentos determinada, se debe ajustar la temperatura y caudal
de vapor adicionado y el caudal con que se alimenta a la prensa, de manera de lograr
que el producto final sea lo más uniforme posible trabajando a la máxima capacidad con
el menor consumo de energía posible, evitando la sobrecarga de la prensa.
2. Materiales y Métodos
La prensa sobre la que se trabajo es marca Giulliani, con una producción promedio de 10
Tn/h y un motor de accionamiento de 150 CV.
La adquisición de datos se realizó utilizando módulos de adquisición y control de la serie
ADAM 4000 de la firma Advantech. El módulo 4017 presenta 8 canales analógicos de
entrada de 14 bit de resolución, configurables para 4-20 mA y 0-10 V.
Los módulos 4050 presentan canales de entrada digitales que se utilizaron para
seleccionar el tipo de alimento que se está procesando. Dichos módulos se conectan a la
computadora Pentium II por medio de una interfaz RS 232 / RS 485, (ADAM 4520).
Se utilizaron termorresistencias con transductores de 4-20 mA para sensar las
temperaturas de la mezcla que ingresa a la prensa y la temperatura del pellet a la salida
de la enfriadora, un transductor de corriente 0-300 A / 4-20 mA para registrar la variación
de la corriente del motor de 150 CV de la prensa. El caudal de vapor adicionado a la
mezcla se obtuvo de manera empírica, ya que se midió el grado de apertura de la válvula
de vapor utilizando un potenciómetro multivueltas.
El caudal de alimentación de la prensa se obtuvo también empíricamente registrando la
frecuencia del variador de velocidad que comanda el motor de accionamiento del
acondicionador/alimentador.
Se utilizó el software TAURUS Active Scada Control, Versión 5.2 de Nivaltec para la
adquisición de los datos, ejecutándose en un entorno con sistema operativo MS
Windows NT Ver 2000. El software scada utilizado es un Servidor de E/S ActiveX, que
permite implementar aplicaciones en ambientes de desarrollo visual para Windows. En
este caso en particular, utilizamos como ambiente de desarrollo el software Visual Basic
Ver 6.0.
Se registraron los siguientes datos:
‰
Temperatura de la mezcla
‰
Temperatura del pellet luego del enfriador
2
Facultad Regional Concepción del Uruguay
‰
Caudal de vapor adicionado a la mezcla
‰
Velocidad de alimentación de la prensa
‰
Intensidad de corriente del motor de la prensa
‰
Temperatura y humedad ambientes
‰
Tipo de mezcla utilizada
Se tomaron registros diarios durante el mes de octubre a partir de los cuales se
obtuvieron los datos para el desarrollo del modelo. El intervalo de registros se fijo en 2
segundos.
Se realizó un preprocesado de los datos para eliminar valores redundantes y resolver
posibles conflictos que se presenten en los mismos, sobre todo en los momentos de
arranque y parada del sistema.
Como el sistema modelado es un sistema de múltiples entradas, múltiples salidas
(MIMO), se descompuso el mismo en dos modelos de múltiples entradas, simple salida
(MISO), de manera de simplificar el método a utilizar (Babuska, R., 1998).
De esta forma se generaron dos subsistemas que se interconectaron en una estructura
multicapa, convirtiéndose la salida de una regla en entrada de otra, reduciéndose
sustancialmente el número de reglas difusas a utilizar.
Se utilizó la estructura neuro-difusa ANFIS (Adaptive Neuro-Fuzzy Inference Systems)
propuesta por Roger Jang (Jang, Jyh-Shing Roger, 1993, 1995) implementada en
MatLab Versión 5.3 para obtener el modelo de la temperatura de la mezcla y de la
intensidad de corriente del motor.
La arquitectura de ANFIS está basada en el modelo difuso de Takagi-Sugeno, TS,
(Takagi, T and Sugeno, M., 1985) que permite generar un sistema de inferencia difusa
partiendo de un conjunto de datos de entrada-salida.
Una regla difusa típica en este tipo de modelos tiene la forma:
If x is Ai and y is Bi and z is Ci then ui=fi(x,y,z) i=1;2;3;...;k
En la identificación de este sistema no lineal, se utilizaron reglas de inferencia de primer
orden, con lo que resulta:
ui=fi(x,y,z)=pi x+qi y + ri z +ci i=1;2;3;...;k
3
Ciencia y Técnica
Se aplicó el método de entrenamiento híbrido, para determinar los valores de los
coeficientes, el cual combina los métodos del gradiente descendente y de estimación por
mínimos cuadrados.
Las funciones de pertenencia utilizadas para la generación de los conjuntos difusos
fueron en todos los casos campanas de Gauss generalizadas.
Se seleccionaron las variables de entrada de un conjunto de 12 posibles, reduciendo su
número basándonos en que los modelos ANFIS con pequeños errores medios
cuadráticos reducen después del primer entrenamiento sustancialmente el error RMS,
comparado con los posteriores entrenamientos, lo cual nos resultó razonable en nuestra
aplicación.
El método aplicado es el método propuesto por Jang (Jang, Jyh-Shing Roger, 1998), y
utilizado en la determinación del modelo de concentración de CO2 de los gases de
escape de una caldera en función del flujo de entrada de aire, partiendo de 24 posibles
modelos de varias combinaciones de las entradas, y seleccionando como mejor aquel
que presenta el menor error de entrenamiento.
En el caso en cuestión, para realizar el modelo de la temperatura de la mezcla tm(t), se
seleccionaron como posibles entradas:
tm(t-1);tm(t-2);tm(t-3);tm(t-4);Qv(t-1);Qv(t-2);Qv(t-3);Qv(t-4); Qm(t-1); Qm(t-2); Qm(t-3); Qm(t-4)
Para la corriente del motor:
tm(t-1);tm(t-2);tm(t-3);tm(t-4);Im(t-1);Im(t-2);Im(t-3); Im(t-4); Qm(t-1); Qm(t-2); Qm(t-3); Qm(t-4)
tm: Temperatura de la mezcla
Qv: Caudal de vapor
Qm: Caudal de mezcla
Im : Intensidad de corriente del motor prensa.
De esta manera se construyeron 64 modelos con distintas combinaciones de variables
de entrada, para cada una de los dos parámetros a modelar, los cuales se entrenaron
utilizando 1000 registros de datos de las mediciones en la planta y otros 1000 registros
para validar los modelos obtenidos.
4
Facultad Regional Concepción del Uruguay
Esto nos permitió seleccionar el modelo que presenta el menor error de entrenamiento y
de validación.
Una vez seleccionado el modelo, se procedió a su validación por medio de registros de
datos de días diferentes al utilizado para el desarrollo del modelo.
3. Resultados
Se crearon 27 reglas difusas para cada uno de los parámetros modelados, obteniendo
finalmente 54 reglas difusas para el modelo propuesto.
El modelo obtenido para la temperatura de la mezcla presenta un error medio cuadrático
RMEStrn = 0,30 para los datos de entrenamiento, y RMESchk= 0,31 para los datos de
validación utilizados en su construcción, mientras que para el modelo de la intensidad de
corriente los errores medios cuadráticos son RMEStrn = 2,10 y RMESchk = 3,31.
El mayor error obtenido al evaluar el modelo resultante para la intensidad de corriente del
motor de la prensa, se debe a la variación de la potencia consumida por la distribución
no uniforme de la mezcla en la matriz de la prensa.
En las gráficas de las figuras 1 y 2, de la próxima página, se observan los resultados
obtenidos luego de 100 ciclos de entrenamiento.
Fig. 1: Modelo ANFIS de la Temperatura de la Mezcla.
5
Ciencia y Técnica
Fig. 2: Modelo ANFIS de la Int. de Cte.
4. Conclusiones
El sistema propuesto ha resultado útil para simular la evolución térmica de la mezcla y la
variación de la potencia consumida por la prensa para diferentes condiciones de trabajo.
Se lograron aumentos de aproximadamente 10% de producción debido a la utilización de
este modelo y al análisis de los datos registrados.
La aplicación de estos resultados permitirá en la próxima etapa de este proyecto el
desarrollo de un controlador difuso para la prensa pelletizadora sobre la base de la
utilización de control inverso, a implementarse primeramente como una aplicación DDE
con el sistema
SCADA y posteriormente llevarla a una arquitectura basada en
microcontroladores PIC, aplicando para este punto de la implementación el software
FuzzyTech (Von Altrock, C., 1995).
5. Referencias
‰
Abonyi, Janos; Babuska, Robert y otros. Fuzzy modeling and model based control
whith use of a priori knowledge. 1999.
‰
Abonyi, Janos and Nagy, Lajos. Adaptive Fuzzy Inference System and its Application
in Modelling and Model Based Control, 1999.
‰
Babuska, R.; Verbruggen, H.B. and Hellendoorn,H. Promising Fuzzy Modeling and
Control Methodologies for Industrial Appications, 1998.
6
Facultad Regional Concepción del Uruguay
‰
Jang, Jyh-Shing Roger. Input Selection for ANFIS Learning ,1998.
‰
Jang, Jyh-Shing Roger. ANFIS: Adaptive-Network-Based Fuzzy Inference System,
IEEE Transactions on Systems, Man and Cibernetycs 23(03) 665-685, 1993.
‰
Jang, Jyh-Shing Roger and Sun, Chuen-Tsai. NeuroFuzzy Modeling and Control.
The Proceeding of IEEE, 83(3): 378-406, 1995.
‰
Johansen,T. A. ; Shorten, R. and MurraySmith, R. On the Interpretation and
Identification of Dynamic TakagiSugeno Fuzzy Models, 1999.
‰
Kosko, Bart. Neural Networks anf Fuzzy Systems. Prentice Hall, Englewood Ciffs,
NJ, 1993.
‰
Rochín, R.; Riley, H; Fienup, D. Sistemas Agro-Alimentarios en Entre Ríos,
Argentina: Evaluación de retos y Oportunidades. Instituto de Investigación Julián
Zamora. Universidad Estatal de Michigan (1998).
‰
Ross, Thimothy J. Fuzzy Logic With Engineering Applications, Mc Graw-Hill, Inc,
1995.
‰
Suarez, D.; Lamelas, K.; Schang, J y Trindidad, J. Relevamiento Físico y
Tecnológico de Plantas Elavoradoras de Alimentos Balancedos para Pollos
Parrilleros en la Provincia de Entre Ríos. Secretaría de Agricultura, Pesca y
Alimentación (1996)
‰
Takagi, T and Sugeno, M. Fuzzy Identificación of Systems and its Applications to
Modeling and Control. IEEE Transactions on Systems, Man and Cybernetics, 15:116
132, 1985.
‰
Von Altrock, Constantin. Fuzzy Logic and NeuroFuzzy Applications Explained,
Prentice Hall, Englewood Ciffs, NJ, 1995.
7