• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería Mecatrónica
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4349
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorRamírez Rodríguez, José Fernando.-
    dc.date.accessioned2022-11-11T14:53:19Z-
    dc.date.available2021-03-16-
    dc.date.available2022-11-11T14:53:19Z-
    dc.date.issued2021-
    dc.identifier.citationRamírez Rodríguez, J. F. (2020). Implementación de un control neuronal directo en el controlador lógico programable S7-1200 para aplicaciones industriales [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4349es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4349-
    dc.descriptionPara responder a las exigencias de la industria hoy en día se realizan nuevos avances en la implementación de técnicas de control no convencionales (ej: control adaptativo, control in teligente) buscando la optimización, calidad y competitividad en los procesos de producción. El presente trabajo propone la implementación de control neuronal directo en un controlador lógico programable (PLC) S7-1200 de la marca Siemens, un algoritmo adaptativo basado en redes neuronales artificiales para el control de procesos, el algoritmo de control se implantará directamente en el PLC y podrá ser utilizado en diferentes aplicaciones. El control adaptativo es de gran utilidad para la solución de una variedad de problemas de control no lineal donde el control convencional no resulta eficiente, esta característica provee de atractivo a estas técnicas para una gran cantidad de aplicaciones de control en la industria, el algoritmo esta disponible en en el lenguaje de programación de de alto nivel de PLC’s SCL, este lenguaje permite flexibilidad para los cálculos matemáticos. Se desarrollaron dos algoritmos de control neuronal uno basado en una red de tipo ADA LINE y otro basado en una red tipo perceptron multi-capa (MLP), los dos algoritmos de control se validaron en diferentes plantas junto a un controlador PID, donde se analizaron y se compararon las respuestas de cada uno de los controles.es_CO
    dc.description.abstracto respond to the demands of the industry today, new advances are being made in the im plementation of unconventional control techniques (eg: adaptive control, intelligent control) seeking optimization, quality and competitiveness in production processes. The present work proposes the implementation of direct neural control in a Siemens S7-1200 programmable logic controller (PLC), an adaptive algorithm based on artificial neural networks for process control, the control algorithm will be implemented directly in the PLC and it can be used in different applications. Adaptive control is very useful for solving a variety of non-linear control problems where conventional control is not efficient, this characteristic makes these techniques attractive for a large number of control applications in industry, the algorithm is Available in the high level programming language of PLC’s SCL, this language allows flexibility for mathematical calculations. Two neuronal control algorithms were developed, one based on an ADALINE type network and the other based on a multi-layer perceptron type network (MLP), the two control al gorithms were validated in different plants together with a PID controller, where they were analyzed and The responses of each of the controls were compared.es_CO
    dc.format.extent132es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona- Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectEl autor no proporciona la información sobre este ítem.es_CO
    dc.titleImplementación de un control neuronal directo en el controlador lógico programable S7-1200 para aplicaciones industriales.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2020-12-16-
    dc.relation.referencesAcedo Sanchez, J. (2003). CONTROL AVANZADO DE PROCESOS (Teoría y práctica) (1a ed.; E. D. d. S. S.A., Ed.). Madrid, España. doi: M.43.580-2002es_CO
    dc.relation.referencesAcosta, B., Maria, I., Salazar, I., Zuluaga, y Harold;. (2000). Tutorial de redes neuronales (Tesis Doctoral, Universidad Tecnológica de Pereira, Colombia). Descargado de http:// ohm.utp.edu.co/neuronales/main.htm.es_CO
    dc.relation.referencesAntonsen, T. M. (2019). Controles PLC con Texto Estructurado (ST) (Spanish Edition) (1a ed.; D. Books on Demand GmbH, Copenhagen, Ed.). Dinamarca,Randers: Books on Demand GmbH, Norderstedt, Germany.es_CO
    dc.relation.referencesAsesorado, S. E. T. C. (2007). DISEÑO DE CONTROLADORES PID EN TIEMPO DIS CRETO, Y ANÁLISIS DE RESPUESTA UTILIZANDO HERRAMIENTAS COMPU TACIONALES (Tesis Doctoral no publicada). UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD.es_CO
    dc.relation.referencesBarnes, J. C. i. (2007). Plc S7-300 Programación estructurada. Descargado de http:// www.infoplc.net/files/descargas/siemens/infoPLC{_}net{_}S7{_}SCL{_}v1{_}0 .pdfes_CO
    dc.relation.referencesCaicedo B, E. F., y López S, J. A. (2009). Una aproximación práctica a las redes neuronales artificiales (Edición di ed.). Cali, Colombia. doi: 10.25100/peu.64es_CO
    dc.relation.referencesCarelli, I. R. (2014). Controladores Discreto de Bajo Orden (Vol. 7) (no 2). Descargado de http://www3.fi.mdp.edu.ar/control4c7/APUNTES/Clase7-PID.pdfes_CO
    dc.relation.referencesCui, X., y Shin, K. G. (1993). Direct Control and Coordination Using Neural Networks. IEEE Transactions on Systems, Man and Cybernetics, 23(3), 686–697. doi: 10.1109/21.256542es_CO
    dc.relation.referencesDaneri, P. A. (2008). PLC Automatizacion y Control Industrial.es_CO
    dc.relation.referencesDaza Salinas, S. (2018). ESTUDIO DE LA CAIDA DE PRESIÓN A TRA VÉS DE UNA VÁLVULA DE BOLA AL GENERAR VARIACIONES EN EL ÁNGULO DE APERTURA Y EN EL CAUDAL DEL FLUJO, MEDIANTE EL USO DEL SOFTWARE DE INGENIERÍA ANSYS (Tesis Doctoral, UNI VERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS). Descargado de https://doi.org/10.1016/j.cell.2017.12.025{%}0Ahttp://www.depkes.go.id/ resources/download/info-terkini/hasil-riskesdas-2018.pdf{%}0Ahttp:// www.who.int/about/licensing/es_CO
    dc.relation.referencesDorf, R. C. (2005). Sistemas de control moderno (10a ed.; HALL PEARSON PRENTICE, Ed.). Madrid, España: Pearson Educación.es_CO
    dc.relation.referencesDURTRON. (2018). Plc Siemens Cpu 1214c 6es7 214-1ag40-0xb0 S7-1200 – Durtron. Des cargado 2020-11-15, de https://www.durtron.com/producto/plc-siemens-cpu-1214c -6es7-214-1ag40-0xb0-s7-1200/es_CO
    dc.relation.referencesEl-Araby, E. A. (2006). Real-Time Neural Network Speed Adaptive Controller Implemen tation on the PLC for a DC Drive. Menoufia Journal of Electronic Engineering Research, 16(1), 45–59. doi: 10.21608/mjeer.2006.64776es_CO
    dc.relation.referencesELECTRO HER. (2018). Resistencia Eléctrica Tubular Varias Medidas | Mercado Libre. Descargado 2020-11-14, de https://articulo.mercadolibre.com.co/MCO-463138166 -resistencia-electrica-tubular-varias-medidas-{_}JMes_CO
    dc.relation.referencesHUIMAIKEJI. (2018). 0-200 Celsius RTD PT100 SBW Sensor de Temperatura Medidor Transmisor de Temperatura Módulo Detector Aislado 0~200 Grados 4-20MA: Amazon.es: Electrónica. Descargado 2020-11-23, de https://www.amazon.es/Celsius-Temperatura -Medidor-Transmisor-Detector/dp/B07GD12PM9es_CO
    dc.relation.referencesJaimes, L., y Giraldo, M. (2015). Controladores avanzados en Plc. Revista Politécni ca, 57–66. Descargado de https://scholar.google.es/scholar?start=10{&}q=que+es+ SCADA+ARTICULOS+EN+ESPA{~{N}}OL{&}hl=es{&}as{_}sdt=0,5{#}4es_CO
    dc.relation.referencesMartín del Brio, B., y Sanz, A. (2001). Redes neuronales y logica borrosa (2a ed.; Alfaomega, Ed.). Zaragoza, España: Alfaomega.es_CO
    dc.relation.referencesMarulanda Gonzalez, L. G. (2010). CONTROL POR MEDIO DE REDES NEURONALES. Santiago de Cali.es_CO
    dc.relation.referencesMazzone, V. (2002). Controladores PID. Bernal, Argentina. Descargado de http://www.dia .uned.es/{~}fmorilla/MaterialDidactico/ElcontroladorPID.pdfes_CO
    dc.relation.referencesMeneses Jurado, E. E. (2019). Implementación de técnicas de control avanzadas en un sistema embebido (Tesis Doctoral no publicada). Universidad de Pamplona - Colombia.es_CO
    dc.relation.referencesNaylamp Mechatronics. (2018). Sensor de flujo de agua 3/4” FS300A. Descargado 2020- 12-05, de https://www.naylampmechatronics.com/sensores-liquido/156-sensor-de -flujo-de-agua-34-fs300a.htmles_CO
    dc.relation.referencesNguyen, D. H., y Widrow, B. (1990). Neural Networks for Self-Learning Control Systems. IEEE Control Systems Magazine, 18–23.es_CO
    dc.relation.referencesNoriega, A., Barrera, A., y Ordez, A. (2008). Diseño de un controlador neuronal y su implan tación en un microcontrolador. XIII Congreso Latinoamericano de Control Automático / VI Congreso Venezolano de Automatización y Control(1).es_CO
    dc.relation.referencesPardo, C. (2020). Controlador PID - Control Automático - Picuino. Descargado 2020-09-03, de https://www.picuino.com/es/arduprog/controlAsesorado2007-pid.htmles_CO
    dc.relation.referencespardo Carlos. (2014). Controlador PID digital - Control Automático - Picuino. Descargado 2020-12-03, de https://www.picuino.com/es/arduprog/control-pid-digital.htmles_CO
    dc.relation.referencesPLC-City. (2018). 6ES7232-4HA30-0XB0 | Siemens Simatic S7-1200 - Signal Board. Descargado 2020-11-15, de https://www.plc-city.com/shop/es/siemens-simatic-s7 -1200-signal-boards/6es7232-4ha30-0xb0.htmles_CO
    dc.relation.referencesQuiña, P. S. (2014). DISEÑO E IMPLEMENTACIÓN DE SISTEMAS DE CONTROL NEURONAL DE TEMPERATURA UTILIZANDO EL SOFTWARE. ESCUELA POLI TECNICA DEL EJERCITO, ECUADOR, 1, 9.es_CO
    dc.relation.referencesSanchez medina, J. (1998). Linealización del algoritmo de backpropagation para el entre namiento de redes neuronales (Tesis Doctoral no publicada). UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA.es_CO
    dc.relation.referencesSanchis Llopis, R., Romero Perez, J., y Ariño Latorre, C. (2010). Automatización Industrial (Publicacio ed., Vol. 10) (no 1). Castellon, España.es_CO
    dc.relation.referencesSiemens AG. (2015). Hoja de Datos: 6ES7214-1AG40-0XB0. Siemens.es_CO
    dc.relation.referencesSsdielect. (2011). PT100 SENSOR DE TEMPERATURA RTD DE PLATINO 3 HI LOS. Descargado 2020-11-14, de https://ssdielect.com/es/magnitudes-electricas -1/2102-pt100-sensor-temperatura.htmles_CO
    dc.relation.referencesTanomaru, J., y Omatu, S. (1992). Process Control by On-Line Trained Neural Controllers. IEEE Transactions on Industrial Electronics, 39(6), 511–521. doi: 10.1109/41.170970es_CO
    dc.relation.referencesYalçm, Y., y Kurtulan, S. (2003). Implementation of a PID-neural network with PLC. IFAC Proceedings Volumes (IFAC-PapersOnline), 36(7), 89–93. doi: 10.1016/S1474-6670(17) 35812-3es_CO
    dc.relation.referencesYe, Z., y Kim, M. K. (2018). Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China. Sustainable Cities and Society, 42(March 2019), 176–183. Descargado de https://doi.org/10.1016/j.scs.2018.05.050 doi: 10.1016/ j.scs.2018.05.050es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Ingeniería Mecatrónica

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Ramírez_2020_TG.pdfRamírez_2020_TG2,85 MBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.