COPIMERA 2015

IMPLEMENTACIÓN DE UNA RED NEURONAL EN UN DISPOSITIVO EMBEBIDO PARA EL SEGUIMIENTO DEL MÁXIMO PUNTO DE

POTENCIA EN UN SISTEMA SOLAR FOTOVOLTAICO

MSc. Carlos Arturo Vides HerreraIng. Jesús Eduardo Ortiz

Ph.D. Ivaldo Torres Chávez

INTRODUCCIÓN METODOLOGÍA RED NEURONAL RED NEURONAL MLP ADQUISICIÓN DE LA DATA ENTRENAMIENTO RESULTADOS CONCLUSIONES

CONTENIDO DE LA CONFERENCIA

INTRODUCCIÓN

La Inteligencia Artificial es el responsable del desarrollo de máquinas con comportamiento igual al de los seres humanos. cada nuevo desarrollo tecnológico implica la aparición de problemas de mayor complejidad o que gracias a la rápida evolución de la tecnología es posible afrontar la solución de problemas que antes no se tenían en consideración. En aplicaciones donde prima un entorno cambiante o con altos niveles de incertidumbre, como lo es en el caso de un sistema de seguimiento solar debido a que la radiación solar recibida por lo celdas solares depende de varios factores como lo es el entorno en el que se encuentre, el estado del tiempo, posición de las celdas, entre otros.

DAQ APLICACIONES

Análisis y Procesado de señales Reconocimiento de Imágenes Control de Procesos Robótica Diagnósticos médicos

INTRODUCCIÓN

ARDUINO (2560) VS TIVA C EK –TM41294XL )

ARDUINO 2560

Microcontroller ATmega2560 8 bits

Operating Voltage 5V

ADC 10 bits

Digital I/O Pins 54

Flash Memory 256 KB

SRAM 8 KB

EEPROM 4 KB

Clock Speed 16 MHz

costo 130000

TIVA C EK- TM4C1294XL

Microcontroller ARM Cortex-M4F 32 bits

Operating Voltage 3,3 V – 5V

ADC 12 bits

Digital I/O Pins 320

Flash Memory 1024 kB

SRAM 256 kB

EEPROM 6-kB

Clock Speed 120 MHz

Costo 50000

Posee puerto ETHERNET, 4 LED para que el usuario realice pruebas, además posee el sistema de EXOSITE Que le permite al usuario hacer interconexión con la placa por medio de Internet.

SISTEMA EMBEBIDO

SISTEMA EMBEBIDO APLICACIÓN

METODOLOGÍA

Adquisición de la data

Del controlador

Obtención del

modelo neuronal

Implementación del modelo

neuronal en la tarjeta TIVA C

Acople de la tarjeta TIVA al sistema

Controlador neuronal Para

sistema de seguimiento

Pretensiones del proyecto Realizar la clonación del un controlador existente. Implementar una red neuronal en un sistema embebido. Mejorar el funcionamiento del controlador existente.

RED NEURONAL

Neurona artificial

Como un resultado de la emulación del funcionamiento de las neuronas cerebrales surge el modelo de “La neurona artificial”. El modelo es simple y su capacidad de procesamiento es limitada. Las RNA están formadas por la interconexión de las neuronas artificiales con el fin de incrementar la capacidad de procesamiento y por ende la posibilidad de solucionar problemas complejos.

Arquitectura del perceptrón MLP

Las neuronas de la capa de entrada no actúan como neuronas propiamente dichas, sino que se encargan únicamente de recibir las señales o patrones del exterior y propagar dichas señales a todas las neuronas de la siguiente capa. La última capa actúa como Salida de la red, proporcionando al exterior la respuesta de la red para cada uno de los patrones de entrada. Las neuronas de las capas ocultas realizan un procesamiento no lineal de los patrones recibidos.

Función TANSING

Figura. 1 Grafica característica función TANSING

Dicha función delimita los valores de la salida entre [-1,1], ya que se acota los resultados, aun si alguna variable tienda al infinito no será problema ya que las limitaciones que presenta esta función frenarían este comportamiento.

𝑓ሺ𝑛ሻ= 𝑒𝑛 − 𝑒−𝑛𝑒𝑛 + 𝑒−𝑛

Adquisición de la data

Entrenamiento

Entrenamiento

Entrenamiento

MICROCONTROLADOR ARM Cortex-M4F de 32 bits con 1024 kB de memoria Flash, 256 kB SRAM, 6-kB EEPROM, y 120 MHz de operación.

Energía es una plataforma de prototipos electrónicos de código abierto iniciado por Robert Wessels en enero de 2012

Un seguidor solar es un dispositivo conformado básicamente por una parte fija y una móvil, cuya finalidad es el aumento de la captación de radiación solar

IMPLEMENTACIÓN

IMPLEMENTACIÓN

COSTO COMPUTACIONAL

Implementación Numero de neuronas Costo computacional

Compuerta AND 1 1,37 %

Compuerta XOR 4 1,9 %

sistema temperado 20

Seguidor solar 40

RESULTADOS

norte Sur Salida red FUZZY

Salida dela red neuronal

% error

3 1 120 120.9 0.75%

-0.5 -0.5 90 91.36 1.5%

2 3.1 79.98 80.67 0.86%

3.8 1.6 112.2 116.1 3.4%

RESULTADOS

VIDEO

CONCLUSIONES

Lo importante del proyecto fue que se pudo obtener una red neuronal implementada de forma embebida, a través de la clonación de un controlador difuso (FUZZY),al cual solo se conocía algunos conceptos básicos del funcionamiento, como el valor máximo de las entradas y el tipo de salida de este. Este proceso se podría realizar en aplicaciones más novedosas; donde se requieran un alto nivel de programación, pero con la diferencia que este resultaría más fácil de programar.

Son muchas las aplicaciones que se han realizado con redes neuronales y estas solo llegan hasta la simulación. Con la realización del proyecto se demuestra que se pueden hacer diversas aplicaciones de manera práctica esto se puede utilizar con fines académicos para que las personas relacionadas con el tema adquieran los conocimientos necesarios de forma práctica y puedan comparar la teoría con resultados reales.

Las pruebas realizadas con las compuertas lógicas y el sistema temperado permitió obtener la experiencia necesaria para la realización de la implementación final estas pruebas ayudaron a pronosticar si la tarjeta TIVA C cumplía con los requisitos exigidos por la red neuronal artificial, los resultado de cada implementación fueron muy precisos; esto brindo la confianza necesaria para culminar con el proyecto.

CONCLUSIONES

Gracias a la experimentación producto de este trabajo se pudo determinar una capacidad aproximada de almacenamiento de mas de 600 neuronas en una red multicapa. Esto unido a la resolución y velocidad del dispositivo nos permite inferir que puede ser usado en muchas aplicaciones del control inteligente y expandirse a otros tipos de métodos sea para clasificación o control.

REFERENCIAS

[1]. Caicedo B,López J, Muñoz M. “Control Inteligente”Universidad del Valle, año 2009.[2].Olabe X. “Redes neuronales y sus aplicaciones” Escuela Superior de Ingeniería de Bilbao año, año 2008.[3]. Sánchez A. “Máquinas de Aprendizaje Extremo Multicapa: Estudio y Evaluación de Resultados en la Segmentación Automática de Carótidas en Imágenes Ecográficas” universidad politécnica de Cartagena.[4].Ortiz. J, Gualdrón. O, Durán .C, “Implementación de un modelo neuronal en un dispositivo hardware (FPGA) para la clasificación de compuestos químicos en un sistema multisensorial (nariz electrónica)”, Universidad de Pamplona, Año 2011.[5]. Ruge. J, Alvarado. J “Sistema basado en FPGA para la evaluación de redes neuronales orientadas al reconocimiento de imágenes”, Universidad de Cundinamarca, AÑO 2011.[6]. J.M. Sánchez-Dehesa, I. García, “implementación de una red neuronal autoorganizativa para el análisis hiperespectral sobre procesadores DSP” Universidad de Extremadura.[7].Mejía. A” Diseño e implementación de un seguidor solar para la optimización de un sistema fotovoltaico” universidad tecnológica de Pereira, año 2010.[8].Ramón Galán, Agustín Jiménez “Control inteligente” Universidad Politécnica de Madrid, Madrid, AÑO 2006.