ES2293845B2 - Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. - Google Patents
Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. Download PDFInfo
- Publication number
- ES2293845B2 ES2293845B2 ES200602421A ES200602421A ES2293845B2 ES 2293845 B2 ES2293845 B2 ES 2293845B2 ES 200602421 A ES200602421 A ES 200602421A ES 200602421 A ES200602421 A ES 200602421A ES 2293845 B2 ES2293845 B2 ES 2293845B2
- Authority
- ES
- Spain
- Prior art keywords
- control
- laser
- signal
- monitoring
- neuronal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/352—Working by laser beam, e.g. welding, cutting or boring for surface treatment
-
- B23K26/0066—
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/06—Surface hardening
- C21D1/09—Surface hardening by direct application of electrical or wave energy; by particle radiation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Metallurgy (AREA)
- Mathematical Physics (AREA)
- Materials Engineering (AREA)
- Crystallography & Structural Chemistry (AREA)
- Thermal Sciences (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
- Laser Beam Processing (AREA)
Abstract
Sistema de monitorización y control de procesos de tratamiento térmico superficial de materiales con láser mediante un control neuronal adaptativo mediante modelo de referencia. Consiste en un sistema de monitorización y control en tiempo real de procesos de tratamiento térmico superficial de materiales con láser mediante control neuronal mediante modelo de referencia, que emplea como variable de entrada la máxima temperatura en la superficie del material y como variable de actuación la potencia de salida de la fuente láser. El sistema calcula cíclicamente la señal de actuación sobre la potencia de la fuente láser (8), en base al error de seguimiento (4). La señal de control sobre la potencia de la fuente láser (8) es calculada en dos etapas: en primer lugar, el controlador lineal tipo Proporcional, Integral y Derivativo, PID (5) genera, en base al error de seguimiento (4), la correspondiente actuación (6), y posteriormente, a partir de dicha señal y el estado del proceso (2), el controlador neuronal mediante modelo de referencia (7) calcula la señal de actuación sobre la fuente láser (8).
Description
Sistema de monitorización y control de procesos
de tratamiento térmico superficial de materiales con láser mediante
un control neuronal adaptativo mediante modelo de referencia.
La invención se encuadra en el sector técnico de
procesos de tratamiento térmico superficial de materiales mediante
la tecnología láser, centrándose en la monitorización y el control
avanzado de estos procesos.
En los últimos años, la tecnología láser se está
aplicando con éxito en una amplia variedad de tratamientos térmicos
superficiales, proporcionando una enorme flexibilidad y rapidez,
permitiendo realizar tratamientos superficiales localizados y de
espesores muy reducidos, con una mínima alteración del material
base o substrato, lo que le ha conferido una cierta sensación de
madurez tecnológica, si bien un análisis en profundidad permite
detectar todavía infinidad de aspectos y cuestiones sin resolver,
fundamentalmente en el área de la monitorización y el control
automático del proceso.
Entre las principales limitaciones para la
aplicación industrial a gran escala de la tecnología láser cabe
destacar la posible falta de uniformidad en el tratamiento como
consecuencia de la elevada sensibilidad del proceso a
perturbaciones externas, derivadas esencialmente de inestabilidades
en la fuente láser e imperfecciones en el acabado superficial del
elemento a tratar.
Las irregularidades en el tratamiento pueden dar
lugar a un comportamiento inaceptable del producto final, como
consecuencia de una disminución de su resistencia al desgaste, a la
fatiga o a la corrosión, requiriendo un postprocesado del mismo o
incluso conllevar su rechazo y destrucción, con el consiguiente
incremento de coste.
Estas consideraciones permiten establecer la
necesidad de diseñar un sistema de monitorización y control del
proceso en tiempo real capaz de mantenerlo dentro de las
condiciones nominales de trabajo, mejorando la uniformidad del
tratamiento e incrementando la calidad final del producto
obtenido.
Si bien en la literatura se pueden encontrar
diversas referencias a sistemas de control para procesos de
tratamiento de materiales con láser, pudiendo citarse como ejemplos
las patentes EP0836905, EP0086540 y JP2003183726, la mayoría de las
referencias se limitan a sistemas de control lineales,
esencialmente controladores tipo Proporcional, Integral y Derivativo
del Error (PID) y algún controlador mediante realimentación del
vector de estados, sin que se hayan encontrado referencias acerca
de la aplicación de un sistema de control neuronal mediante modelo
de referencia a procesos de tratamiento de materiales con
láser.
De todos modos, a pesar de la elevada no
linealidad y complejidad de los procesos de tratamiento de
materiales con láser, sus fundamentos teóricos han sido ampliamente
estudiados en los últimos años, pudiéndose encontrar en la
literatura amplia documentación al respecto, incluyendo diversos
modelos matemáticos de altas prestaciones, alguno de los más
significativos desarrollados por los solicitantes de la patente (J.
L. Ocaña et al. "Modelo Numérico Tridimensional para la
Simulación de Procesos de Tratamiento Superficial de Materiales con
Láser". Revista de Metalurgia. 35. 75-83. 1999.).
Estos modelos están basados en su mayoría en elementos finitos y
son de gran utilidad para el estudio y análisis predictivo del
tratamiento.
Sin embargo, como consecuencia de su complejidad
y elevado tiempo de cálculo, estos modelos no son adecuados para la
simulación del tratamiento en tiempo real, siendo necesario
recurrir a técnicas de modelado no lineal de última generación,
tales como el modelado mediante redes neuronales artificiales para
obtener un modelo del tratamiento adecuado y suficientemente rápido
para su evaluación directa en tiempo real.
Como consecuencia, tampoco se han encontrado
referencias a la integración en sistemas de monitorización y
control de procesos de tratamiento térmico superficial de
materiales con láser de una etapa de supervisión del proceso que
verifique la coherencia entre la información procedente de los
sensores con la proporcionada por un modelo neuronal de altas
prestaciones incorporado al sistema de monitorización y control del
proceso, poniendo de manifiesto la originalidad del sistema de
monitorización y control objeto de patente.
La figura 1 presenta un diagrama de bloques del
sistema de monitorización y control propuesto en su modo de
realización completo, en el cual el sistema de monitorización y
control calcula cíclicamente la señal de actuación sobre la
potencia de salida de la fuente láser (8) en base a la señal de
error de seguimiento (4), definida como la diferencia entre el
valor deseado de máxima temperatura, especificado por la consigna
de referencia (1) y el valor realmente alcanzado por el tratamiento
(2), valor que ha sido previamente filtrado y acondicionado (12) y
verificada su validez por la etapa de supervisión del proceso
(13).
\newpage
Con el objeto de optimizar las prestaciones del
sistema de monitorización y control del proceso, el sistema de
control se ha dividido en dos etapas: un controlador lineal tipo
Proporcional, Integral y Derivativo, PID (5) el cual genera la
correspondiente señal de actuación (6) en base al error de
seguimiento (4) y en segundo lugar un controlador neuronal
adaptativo mediante modelo de referencia (7), el cual calcula la
señal de actuación sobre la potencia de salida de la fuente láser
(8) a partir de la señal de actuación del controlador PID (6) y el
estado del proceso, representado por el valor de máxima temperatura
en la superficie del material realmente alcanzado por el
tratamiento (2).
La figura 2 describe de un modo detallado el
funcionamiento del controlador lineal PID (5), el cual calcula la
señal de actuación (6) como una combinación lineal de tres acciones
de control básicas: la acción proporcional (15), es decir una
actuación proporcional al error de seguimiento (4), la acción
integral (18), una actuación proporcional a la integral temporal
del error de seguimiento y la acción derivativa (24), una actuación
proporcional a la derivada temporal del error de seguimiento (22).
Con el objeto de acotar el rango de actuación, el controlador PID
(5) incorpora un mecanismo antisaturación (26).
La figura 3 presenta un detalle del
funcionamiento del controlador neuronal mediante modelo de
referencia (7), el cual calcula la señal de actuación sobre la
potencia de salida de la fuente láser (8) a partir de la señal de
actuación del controlador PID (6) y el estado del proceso,
representado por el valor de máxima temperatura en la superficie
del material realmente alcanzado por el tratamiento (2).
La figura 4 presenta un esquema detallado del
funcionamiento del modelo neuronal incremental del proceso
incorporado a la etapa de supervisión (13), el cual estima el
incremento de temperatura en el siguiente instante de muestreo (30)
en función de la máxima temperatura en la superficie del material
estimada por el modelo en el instante actual (28) y la actuación
sobre la potencia de salida de la fuente láser (8) en el instante
actual. El valor de la máxima temperatura en el instante actual
(28) se obtiene sumándole el valor de temperatura ambiente (35) a
la integral del incremento de temperatura (34), calculada por
acumulación.
La figura 5 presenta un esquema simplificado del
funcionamiento de la etapa de supervisión (13), la cual verifica la
coherencia entre la señal de máxima temperatura en la superficie
del material ya filtrada y acondicionada (12) con el valor de
temperatura estimado mediante el modelo neuronal incremental del
proceso (28), comparando la diferencia entre ambos valores,
expresada en valor relativo (40) con un umbral de aceptación o
rechazo (41), definido en base a las características particulares
de los procesos de tratamiento térmico de materiales con láser y el
tipo de sensor de temperatura empleado.
En el caso de que la diferencia entre ambos
valores, expresada en valor relativo (40) supere el valor umbral de
aceptación (41), definido como el porcentaje de diferencia
admisible, la etapa de supervisión del proceso (13) emite una señal
de alarma, permitiendo al operador del sistema adoptar las medidas
correctivas oportunas.
La figura 6 presenta un diagrama de bloques del
sistema de monitorización y control propuesto en su modo de
realización simplificado, en el que se elimina la etapa de
supervisión del proceso (13), manteniendo el resto de los elementos
del sistema de control descritos anteriormente, de tal modo que la
única variación en el funcionamiento del sistema de monitorización y
control es que el error de seguimiento (4) se calcula directamente
en base a la medida de temperatura proporcionada por el sensor una
vez filtrada y acondicionada (12), sin ningún tipo de supervisión,
suprimiéndose por consiguiente la capacidad de detección en tiempo
real de fallos en el funcionamiento del sistema de monitorización y
control.
De un modo más detallado, se indica a
continuación el significado de los distintos símbolos
empleados:
- 1 -
- Consigna de referencia de temperatura, especifica el valor deseado para la máxima temperatura en la superficie del material durante el proceso.
- 2 -
- Señal de máxima temperatura en la superficie del material, ya validada por la etapa de supervisión (13).
- 3 -
- Sumador.
- 4 -
- Señal de error de seguimiento, calculada como la diferencia entre la medida de la máxima temperatura en la superficie del material ya validada (2) y el valor deseado, especificado por la consigna de referencia (1).
- 5 -
- Controlador lineal PID.
- 6 -
- Señal de actuación del controlador PID.
- 7 -
- Controlador neuronal mediante modelo de referencia.
- 8 -
- Señal de actuación del controlador neuronal mediante modelo de referencia sobre la potencia de salida de la fuente láser.
- 9 -
- Sistema de tratamiento de materiales con láser.
- 10 -
- Señal de salida del proceso, máxima temperatura en la superficie del material.
- 11 -
- Etapa de adquisición de datos, incluyendo el pirómetro infrarrojo sensor de temperatura, así los elementos necesarios para el filtrado y acondicionamiento de la señal medida.
- 12 -
- Señal de máxima temperatura en la superficie del material medida por el pirómetro infrarrojo, ya filtrada y acondicionada.
- 13 -
- Etapa de supervisión del proceso, verifica la coherencia entre la señal de temperatura medida por el pirómetro infrarrojo, una vez filtrada y acondicionada (12), con la temperatura estimada (28) mediante un modelo neuronal incremental del proceso.
- 14 -
- Ganancia proporcional.
- 15 -
- Acción proporcional, actuación proporcional al valor del error de seguimiento (4).
- 16 -
- Ganancia integral.
- 17 -
- Integrador.
- 18 -
- Acción integral, actuación proporcional a la integral temporal del error de seguimiento.
- 19 -
- Retardo puro.
- 20 -
- Señal del error de seguimiento en el instante de muestreo anterior.
- 21 -
- Sumador.
- 22 -
- Derivada temporal del error de seguimiento, calculada directamente a partir de la diferencia del error de seguimiento entre dos instantes de muestreo consecutivos (4 y 20).
- 23 -
- Ganancia diferencial.
- 24 -
- Acción derivativa, actuación proporcional a la derivada temporal del error de seguimiento (22).
- 25 -
- Sumador.
- 26 -
- Mecanismo antisaturación.
- 28 -
- Señal de temperatura estimada por el modelo en el instante actual.
- 29 -
- Red neuronal tipo perceptrón multicapa.
- 30 -
- Incremento de temperatura en el siguiente instante de muestreo.
- 31 -
- Sumador.
- 32 -
- Señal de temperatura estimada en el siguiente instante de muestreo.
- 33 -
- Retardo puro.
- 34 -
- Integral del incremento de temperatura
- 35 -
- Temperatura ambiente.
- 36 -
- Sumador.
- 37 -
- Sumador.
- 38 -
- Valor absoluto.
- 39 -
- Divisor.
- 40 -
- Diferencia entre la señal de máxima temperatura medida por el pirómetro infrarrojo, ya filtrada y acondicionada (12) y la temperatura estimada por el modelo neuronal incremental del proceso (28), expresada en valor relativo.
- 41 -
- Umbral de aceptación o rechazo, expresado en %.
- 42 -
- Comparador. Si la diferencia no supera el umbral, la etapa de supervisión valida el valor de máxima temperatura en la superficie del material medida por el pirómetro infrarrojo, ya filtrada y acondicionada (12), en caso contrario emite una alarma permitiendo al operador del sistema adoptar las medidas correctivas oportunas.
La presente invención introduce un sistema de
monitorización y control de procesos de tratamiento térmico
superficial de materiales con láser mediante control neuronal
adaptativo mediante modelo de referencia, el cual emplea como
variable de entrada la máxima temperatura en la superficie del
material medida mediante un pirómetro infrarrojo, convenientemente
calibrado y posicionado y como variable de actuación la potencia de
salida de la fuente láser.
El empleo de la potencia de salida de la fuente
láser como variable de actuación permite compensar cualquier
desviación detectada en el valor de la temperatura alcanzada sin
alterar el perfil espacial de la distribución de temperaturas en la
zona tratada, garantizando así la uniformidad y calidad del
tratamiento.
En la presente patente se proponen dos modos de
realización del sistema de monitorización y control: un modo de
realización completo en el que además de monitorizar y controlar el
proceso, se supervisa en tiempo real el desarrollo del mismo,
verificando la coherencia entre la temperatura medida por el
pirómetro infrarrojo con la temperatura estimada mediante un modelo
neuronal incremental del proceso incorporado al sistema de
monitorización y control y un modo de realización simplificado en
el que se suprime la supervisión del proceso.
De acuerdo con el esquema propuesto en la figura
1, que corresponde a la realización completa del sistema, el
sistema de monitorización y control calcula cíclicamente la señal
de actuación sobre la potencia de la fuente láser (8) en base a la
señal de error de seguimiento (4), definida como la diferencia entre
el valor de máxima temperatura deseado, especificado por la
consigna de referencia (1) y el valor realmente alcanzado por el
tratamiento (2), el cual ha sido previamente filtrado y
acondicionado (12) y verificada su validez por la etapa de
supervisión del proceso (13).
En el caso de que la señal de máxima temperatura
en la superficie del material ya filtrada y acondicionada (12) no
sea coherente con el valor de temperatura estimado mediante el
modelo neuronal incremental del proceso (28), la etapa de
supervisión del proceso (13) emite una señal de alarma, permitiendo
al operador del sistema adoptar las medidas correctivas
oportunas.
La coherencia entre ambas señales se verifica
directamente comparando la diferencia en valor relativo (40) entre
el valor de la máxima temperatura en la superficie del material ya
filtrada y acondicionada (12) y el valor de temperatura estimado
mediante el modelo neuronal incremental del proceso (28), con un
umbral de aceptación o rechazo (41) definido en base a las
características particulares de los procesos de tratamiento térmico
de materiales con láser y el tipo de sensor de temperatura
empleado.
Esencialmente, el controlador neuronal
adaptativo mediante modelo de referencia (7), base del sistema de
monitorización y control, permite asimilar la respuesta dinámica
del proceso de tratamiento térmico superficial de materiales con
láser, respuesta altamente no lineal y compleja, a la respuesta en
lazo abierto de un sencillo sistema lineal de prestaciones
conocidas, sistema que se denomina modelo de referencia, en este
caso un sistema lineal de primer orden cuyo comportamiento dinámico
es aproximadamente tres veces más rápido que el del proceso
original.
Como consecuencia, el conjunto formado por el
proceso y el controlador neuronal mediante modelo de referencia se
comporta como un simple sistema lineal conocido de primer orden,
sistema que es fácilmente controlable mediante un controlador
lineal Proporcional, Integral y Derivativo del error de
seguimiento, PID.
Desde un punto de vista conceptual, eligiendo
como modelo de referencia el comportamiento deseado para el proceso
en lazo cerrado, se podría prescindir del controlador lineal PID,
pero sin embargo, la inserción de un bloque de control lineal tipo
PID cerrando el lazo de control permite obtener una mejora
considerable en las prestaciones del conjunto, principalmente en lo
que respecta a su estabilidad y robustez ante perturbaciones
externas no previstas.
Además, la división del sistema de control en
dos etapas, simplifica considerablemente el diseño y sintonización
de los parámetros operativos del sistema de control, por cuanto es
posible sintetizar cada etapa de forma independiente.
En la figura 3, se puede observar como mediante
una compleja red neuronal tipo perceptrón multicapa (27), el
controlador neuronal mediante modelo de referencia (7) calcula la
actuación sobre la potencia de salida de la fuente láser (8), en
función de la señal de actuación del controlador PID (6) y el estado
actual del proceso, representado por el valor de máxima temperatura
en la superficie del material (2).
Teniendo en cuenta que el objetivo fundamental
de un controlador mediante modelo de referencia es corregir el
comportamiento dinámico del proceso, asimilándolo al del modelo de
referencia, las prestaciones del proceso una vez controlado vendrán
definidas en gran medida por la correcta elección de las
características dinámicas del modelo de referencia.
En el sistema de control objeto de patente, se
han establecido como criterios básicos para la elección del modelo
de referencia limitar la sobreoscilación del proceso, es decir la
máxima desviación de la respuesta con respecto al valor deseado y
además reducir el tiempo de establecimiento del sistema, es decir el
tiempo necesario para que el sistema alcance el estado
estacionario, mejorando de este modo considerablemente la
eficiencia del proceso. Como consecuencia, se ha estimado
conveniente emplear como modelo de referencia un sistema lineal de
primer orden cuya dinámica es aproximadamente tres veces más rápida
que la original del proceso a controlar.
Considerando las particularidades de los
procesos de tratamiento térmico superficial de materiales con
láser, caracterizados por un elevado grado de no linealidad y una
gran rapidez de respuesta, el controlador mediante modelo de
referencia se ha implementado mediante una red neuronal tipo
perceptrón multicapa (27).
Históricamente, las redes neuronales
artificiales surgen en un intento de emular los mecanismos
biológicos básicos de procesado y almacenamiento de información,
mediante una compleja red formada por múltiples unidades simples de
procesado en paralelo denominadas neuronas artificiales,
interconectadas entre sí mediante una densa estructura de conexiones
unidireccionales, formando diversas topologías o arquitecturas en
función de la aplicación para la cual han sido diseñadas.
Por su naturaleza, las redes neuronales
artificiales constituyen una de las técnicas fundamentales para el
modelado y control de procesos no lineales altamente complejos,
tales como el tratamiento térmico superficial de materiales con
láser, por su excelente capacidad para aprender y corregir su
comportamiento a partir de un conjunto suficientemente
representativo de datos de entrada-salida del
proceso.
Atendiendo al tipo de señales que procesan, las
distintas neuronas de la red pueden agruparse en estructuras
homogéneas denominadas capas, siendo posible distinguir en
cualquier red neuronal típica al menos tres tipos de capas: la capa
de entrada, que agrupa todas las neuronas que reciben información
del exterior, un conjunto de capas internas u ocultas que carecen
de contacto con el exterior y la capa de salida, la cual
proporciona la respuesta de la
red.
red.
En la actualidad están documentadas en la
literatura al menos unas cincuenta arquitecturas distintas de redes
neuronales artificiales, siendo una de las más empleadas en el
modelado y control de procesos no lineales la arquitectura conocida
como perceptrón multicapa, una red multicapa con una sola capa
interna u oculta, en la que todas las neuronas que constituyen la
red son del tipo perceptrón simple.
Como neurona artificial, el perceptrón simple
trata de emular el funcionamiento de las unidades de procesado de
los sistemas sensoriales de los vertebrados, siendo su respuesta
una función no lineal de los valores de entrada a la neurona,
función conocida como función de activación o función de
transferencia.
De acuerdo con las consideraciones anteriores,
el controlador mediante modelo de referencia (7) se ha implementado
mediante una red neuronal tipo perceptrón multicapa (27), con una
capa interna formada por seis neuronas con función de activación de
tipo sigmoidal, es decir una función continua y derivable de la
familia de las funciones trigonométricas hiperbólicas, en este caso
concreto, la tangente hiperbólica.
En su realización completa, el sistema de
monitorización y control de procesos de tratamiento térmico
superficial de materiales con láser propuesto incorpora una etapa
de supervisión del proceso (13), la cual verifica la coherencia
entre la señal de máxima temperatura en la superficie del material
ya filtrada y acondicionada (12) con el valor de temperatura
estimado mediante el modelo neuronal incremental del proceso (28),
permitiendo detectar en tiempo real fallos en el funcionamiento del
sistema de monitorización y control y adoptar las medidas
correctivas
oportunas.
oportunas.
Como consecuencia de la elevada complejidad y no
linealidad de los procesos de tratamiento térmico de materiales con
láser, así como su bajo tiempo de respuesta, para la simulación del
tratamiento en tiempo real es necesario recurrir a técnicas de
modelado no lineal de última generación, tales como el modelado
mediante redes neuronales artificiales para obtener un modelo del
tratamiento adecuado y suficientemente rápido para su evaluación
directa dentro del sistema de monitorización y control.
En base a las consideraciones anteriores, para
el modelado del proceso de tratamiento térmico superficial de
materiales con láser se ha desarrollado un modelo neuronal
incremental del proceso, implementado mediante una red neuronal
tipo perceptrón multicapa, con una capa interna formada por seis
neuronas con función de activación de tipo sigmoidal.
En la realización simplificada del esquema de
monitorización y control propuesto, de acuerdo con la estructura
representada en la figura 6, se elimina la etapa de supervisión del
proceso (13), manteniendo el resto de los elementos descritos
anteriormente, de tal modo que la única variación en su
funcionamiento es que el error de seguimiento (4) se calcula
directamente en base a la medida proporcionada por el sensor de
temperatura una vez filtrada y acondicionada (12), sin ningún tipo
de supervisión, suprimiéndose por consiguiente la capacidad de
detección en tiempo real de fallos en el funcionamiento del sistema
de monitorización y control.
\newpage
El sistema de monitorización y control propuesto
puede llevarse a cabo mediante un equipo de tratamiento térmico
superficial de materiales con láser equivalente al siguiente:
- -
- Un sistema de tratamiento de materiales con láser (9), el cual incluye una fuente láser adecuada al tipo de tratamiento térmico a realizar y que permita el control en tiempo real de la potencia de salida, además de los sistemas de posicionamiento del haz y del elemento a tratar y demás elementos auxiliares necesarios para su correcto funcionamiento. Teniendo en cuenta las características del proceso, es posible emplear una amplia variedad de fuentes láser (CO_{2}, Nd:YAG, Diodo, etc.), sin que esto influya en la aplicabilidad de la invención objeto de patente.
- -
- Un pirómetro infrarrojo, el cual se emplea como sensor para la monitorización de la máxima temperatura en la superficie del material durante el tratamiento. Teniendo en cuenta las características del proceso, es posible emplear tanto pirómetros de un color como de dos colores.
- -
- Un ordenador personal para el control del proceso, provisto de tarjeta de adquisición de datos, pantalla gráfica y demás periféricos de entrada/salida de datos habituales, además de un software de monitorización y control de procesos de tratamiento de materiales con láser mediante control neuronal adaptativo mediante modelo de referencia.
- La conexión entre el ordenador y el pirómetro se efectúa mediante un canal de entrada analógica de la tarjeta de adquisición de datos, incorporando una etapa de adaptación y filtrado de la señal adecuada al rango de trabajo de ambos elementos.
- De un modo similar, para la señal de actuación del sistema de control sobre la potencia de la fuente láser se emplea un canal de salida analógica de la tarjeta de adquisición de datos.
En la presente patente se proponen dos modos de
realización: un modo de realización completo en el que además de
monitorizar y controlar el proceso, se supervisa en tiempo real el
funcionamiento del mismo, verificando la coherencia entre la
temperatura medida por el pirómetro infrarrojo empleado como
sensor, con la temperatura estimada mediante un modelo neuronal del
proceso incorporado al sistema de monitorización y control y un modo
de realización simplificado en el que se suprime la etapa de
supervisión del proceso.
De acuerdo con el esquema propuesto en la figura
1, en su realización completa, el sistema de monitorización y
control calcula cíclicamente la señal de actuación sobre la
potencia de la fuente láser (8) en base a la señal de error de
seguimiento (4), definida como la diferencia entre el valor de
máxima temperatura deseado, especificado por la consigna de
referencia (1) y el valor realmente alcanzado por el tratamiento
(2), el cual ha sido previamente filtrado y acondicionado (12) y
verificada su validez por la etapa de supervisión del proceso
(13).
En el caso de que la señal de máxima temperatura
en la superficie del material ya filtrada y acondicionada (12) no
sea coherente con el valor de temperatura estimado mediante el
modelo neuronal incremental del proceso (28), la etapa de
supervisión del proceso (13) emite una señal de alarma, permitiendo
al operador del sistema adoptar las medidas correctivas
oportunas.
En su realización simplificada, de acuerdo con
el esquema de la figura 6, se elimina la etapa de supervisión del
proceso (13), manteniéndose el resto de los elementos descritos
anteriormente, de tal modo que la única variación en su
funcionamiento es que el error de seguimiento (4) se calcula
directamente en base a la medida proporcionada por el sensor de
temperatura una vez filtrada y acondicionada (12), sin ningún tipo
de supervisión, suprimiéndose por consiguiente la capacidad de
detección en tiempo real de fallos en el funcionamiento del sistema
de monitorización y control.
Con carácter general, el sistema de
monitorización y control descrito es de aplicación inmediata en
cualquiera de los tratamientos térmicos superficiales de materiales
con láser realizados habitualmente en la industria, (temple,
normalizado, refusión, recubrimiento superficial, aleado
superficial, etc.), siendo necesarios únicamente pequeños ajustes
en función de las características específicas de la instalación y
el proceso a controlar.
Claims (2)
1. Sistema de monitorización y control de
procesos de tratamiento térmico superficial de materiales con láser
mediante control neuronal adaptativo mediante modelo de referencia
que comprende los siguientes elementos:
- -
- Sistema de tratamiento de materiales con láser, el cual incluye una fuente láser, equipos de posicionamiento del haz y del elemento a tratar y demás elementos auxiliares necesarios para su correcto funcionamiento (7).
- -
- Pirómetro infrarrojo empleado como sensor de la máxima temperatura en la superficie del material.
- -
- Ordenador personal para el control del proceso, provisto de tarjeta de adquisición de datos, pantalla gráfica y demás periféricos de entrada/salida de datos, además de un software de monitorización y control de procesos de tratamiento de materiales con láser mediante control neuronal adaptativo mediante modelo de referencia.
caracterizado porque:
- -
- Cíclicamente, la máxima temperatura en la superficie del material a tratar (12), medida mediante el pirómetro infrarrojo y convenientemente filtrada y acondicionada, es comparada con el valor de temperatura de proceso deseada, especificado mediante la señal de consigna de referencia (1), introducida mediante el dispositivo de entrada de datos del ordenador que controla el proceso, obteniendo el error de seguimiento (4), el cual es procesado por el sistema de monitorización y control, generando la señal de actuación sobre la potencia de salida de la fuente láser (8),
- -
- El sistema de control está dividido en dos etapas: un controlador lineal tipo Proporcional, Integral y Derivativo, PID (5), el cual genera la correspondiente señal de actuación (6) en base al error de seguimiento (4) y en segundo lugar un controlador neuronal adaptativo mediante modelo de referencia (7), implementado mediante una red neuronal tipo perceptrón multicapa, el cual calcula la señal de actuación sobre la potencia de salida de la fuente láser (8) a partir de la señal de actuación del controlador PID (6) y la máxima temperatura en la superficie del material (12), medida mediante el pirómetro infrarrojo, filtrada y acondicionada, y
- -
- El controlador lineal PID (5) calcula la señal de actuación correspondiente (6) en base al error de seguimiento (4), como una combinación lineal de tres acciones de control básicas: una actuación proporcional al error de seguimiento (15), una actuación proporcional a la integral temporal del error de seguimiento (18) y una actuación proporcional a la derivada temporal del error de seguimiento (24).
2. Sistema de monitorización y control de
procesos de tratamiento térmico superficial de materiales con
láser, según reivindicación 1, caracterizado porque
incorpora una etapa de supervisión del proceso (13), que verifica la
coherencia entre la señal de máxima temperatura en la superficie
del material medida por el pirómetro infrarrojo, una vez filtrada y
acondicionada (12), con el valor estimado de máxima temperatura en
la superficie del material (28), el cual se estima mediante un
modelo neuronal del proceso implementado de modo incremental
mediante una red neuronal completamente independiente (29), tipo
perceptrón multicapa con seis neuronas en su capa interna, la cual
estima en tiempo real el incremento en la máxima temperatura en la
superficie del material en el siguiente instante de muestreo (30)
en función de la máxima temperatura en la superficie del material
estimada por el modelo en el instante actual (28) y la actuación
sobre la potencia de salida de la fuente láser (8) en el instante
actual, y en el caso de que la señal de máxima temperatura en la
superficie del material medida por el pirómetro sensor de
temperatura una vez filtrada y acondicionada (12) no sea coherente
con el valor de temperatura estimado mediante el modelo neuronal
del proceso (28), la etapa de supervisión del proceso (13) emite
una señal de alarma, permitiendo adoptar las medidas correctivas
oportunas.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES200602421A ES2293845B2 (es) | 2006-09-25 | 2006-09-25 | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES200602421A ES2293845B2 (es) | 2006-09-25 | 2006-09-25 | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2293845A1 ES2293845A1 (es) | 2008-03-16 |
| ES2293845B2 true ES2293845B2 (es) | 2008-12-16 |
Family
ID=39166520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES200602421A Active ES2293845B2 (es) | 2006-09-25 | 2006-09-25 | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2293845B2 (es) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107012299A (zh) * | 2017-04-25 | 2017-08-04 | 广东工业大学 | 一种激光热力效应协同变刚度减重轻量化方法及系统 |
| CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
| DE102019212171A1 (de) * | 2019-08-14 | 2021-02-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Optimieren eines induktiven Wärmebehandlungsprozesses mithilfe eines Bayes'schen Optimierungsprozesses |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0510112A1 (en) * | 1990-01-08 | 1992-10-28 | Automation Tecnhnology, Inc. | Process control using neural network |
| US5396415A (en) * | 1992-01-31 | 1995-03-07 | Honeywell Inc. | Neruo-pid controller |
| US5450315A (en) * | 1994-09-26 | 1995-09-12 | Square D Company | Apparatus using a neural network for power factor calculation |
| EP0710902A1 (en) * | 1994-11-01 | 1996-05-08 | The Foxboro Company | Method and apparatus for controlling multivariable nonlinear processes |
| US5674415A (en) * | 1996-01-22 | 1997-10-07 | The University Of Chicago | Method and apparatus for real time weld monitoring |
-
2006
- 2006-09-25 ES ES200602421A patent/ES2293845B2/es active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0510112A1 (en) * | 1990-01-08 | 1992-10-28 | Automation Tecnhnology, Inc. | Process control using neural network |
| US5396415A (en) * | 1992-01-31 | 1995-03-07 | Honeywell Inc. | Neruo-pid controller |
| US5450315A (en) * | 1994-09-26 | 1995-09-12 | Square D Company | Apparatus using a neural network for power factor calculation |
| EP0710902A1 (en) * | 1994-11-01 | 1996-05-08 | The Foxboro Company | Method and apparatus for controlling multivariable nonlinear processes |
| US5674415A (en) * | 1996-01-22 | 1997-10-07 | The University Of Chicago | Method and apparatus for real time weld monitoring |
Non-Patent Citations (3)
| Title |
|---|
| LIGHTBODY G. et al. Nonlinear Control Structures Based on Embedded Neural System Models. IEEE Transactions on Neural Networks, vol. 8, n. 3. Mayo de 1997. Apartado IV-A, figura 10. * |
| MING-GUANG ZHANG et al. Single Neuron PID Model Reference Adaptive Control Based on RBF Neural Network. Proceedings of the Fifth International Conference on Machine Learning and Cybernetics, Dalian, 13-16 de Agosto de 2006. Figura 3, apartado 4.1. * |
| MORGADO F. et al. A Comparison between a PID and Internal Model Control using Neural Networks. 9th Mediterranean Conference on Control and Automation. Dubrovnik, Croacia. Junio de 2001. Figura 5, apartado 5. * |
Also Published As
| Publication number | Publication date |
|---|---|
| ES2293845A1 (es) | 2008-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Nonlinear control for tracking and obstacle avoidance of a wheeled mobile robot with nonholonomic constraint | |
| Han et al. | Precise positioning of nonsmooth dynamic systems using fuzzy wavelet echo state networks and dynamic surface sliding mode control | |
| CN112631215A (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
| Miao et al. | Cyber-physical system for thermal stress prevention in 3D printing process | |
| Zhu et al. | Deep learning-based predicting and compensating method for the pose deviations of parallel robots | |
| Jin et al. | Optimal terminal iterative learning control for the automatic train stop system | |
| Luan et al. | Robust adaptive control for greenhouse climate using neural networks | |
| Al-Amin et al. | Design of an intelligent temperature controller of furnace system using the fuzzy self-tuning PID controller | |
| ES2293845B2 (es) | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. | |
| Rsetam et al. | Robust composite temperature control of electrical tube furnaces by using disturbance observer | |
| Dinh et al. | Neuro-fuzzy MIMO nonlinear control for ceramic roller kiln | |
| JP2020040002A (ja) | 車両の塗装方法及び塗装システム | |
| Zhao et al. | Learning-based occupancy behavior detection for smart buildings | |
| Aftab et al. | Adaptive PID controller based on Lyapunov function neural network for time delay temperature control | |
| CN107807531A (zh) | 一种用于超磁致伸缩跟踪平台的自适应逆跟踪控制方法 | |
| Ashrafizadeh et al. | A hybrid optimization algorithm for the thermal design of radiant paint cure ovens | |
| Shahzad et al. | Design and implementation of a state-feedback controller using LQR technique | |
| Koch et al. | Sliding mode control of a distributed-parameter wafer spin clean process | |
| Ling et al. | ANFIS modeling and Direct ANFIS Inverse control of an Electro-Hydraulic Actuator system | |
| Rincon et al. | Expressive states with a robot arm using adaptive fuzzy and robust predictive controllers | |
| Meng et al. | Dynamic adaptive learning algorithm based on two-fuzzy neural-networks | |
| ES2293846A1 (es) | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante control borroso. | |
| Shi et al. | A New Control Strategy for Greenhouse Environment Control System Based on Inverse Model. | |
| Oubehar et al. | Fuzzy-super twisting sliding mode for greenhouse climate control | |
| Ouaret et al. | A direct adaptive control architecture for buildings thermal comfort and energy efficiency optimization using multilayer perceptron neural networks and model reference learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EC2A | Search report published |
Date of ref document: 20080316 Kind code of ref document: A1 |
|
| FG2A | Definitive protection |
Ref document number: 2293845B2 Country of ref document: ES |