Você está na página 1de 4

Study of the Behavior of Batteries to Different

Temperature Conditions
J. Mari, M. Martnez, R. Yez, and J. Aguilar

Abstract in this paper it has been studied the behavior of


batteries in different temperatures conditions, such as over
zero and under zero. This study is apply for understand how
influences the geography of the country if this have very
marked the seasons of the year. The temperature is a principal
fact and this can be increase or decrease the useful life of
batteries. Verification of the time of charging and time of
discharging in different temperatures. The behavior the
batteries with resistive load or impedance load and compare
the performance and answer of the batteries. All this study with
a test base and ideal conditions for charging and discharging.
Figura 1: Robot Hiro desarrollado por la empresa Kadawa de Japn.
Keywords Battery, temperature, charging, discharging,
behavior
III. ROBOT REDUNDANTE DE 5 GDL
I. INTRODUCCIN El manipulador robotizado en estudio incorpora dos grados

E L USO de bateras en este era ha aumentado de forma


importante, por lo que es necesario entender el
comportamiento de forma ms detallada de ellas. EMPLEO
de libertad adicionales, en comparacin con un robot
industrial SCARA clsico, dotndolo de redundancia tanto en
su movimiento rotatorio, en el plano x-y, como en su
de robot industriales, desde sus inicios hace ya ms de sesenta movimiento prismtico, en el eje z, como se aprecia en la Fig.
aos, ha permitido aumentar la productividad y mejorar la Figura 2.
calidad de los productos fabricados, masificndose y
extendindose rpidamente a diversas reas de aplicacin,
como en las industrias: automotriz, plstica, alimentaria,
maderera, agrcola, aeronutica, ferroviaria, energtica, entre
otras. Este amplio campo de aplicacin ha requerido como
consecuencia la flexibilizacin del espacio de trabajo de los
sistemas robotizados; caracterstica que puede lograrse
aumentando el nmero de grados de libertad del robot, es
decir, dotndolo de redundancia, e incorporando una tcnica
de control adecuada a esta nueva estructura.

II. ROBOTS REDUNDANTES


Los robots redundantes corresponden a aquellos que
poseen ms grados de libertad que los necesarios para realizar
una determinada tarea [1], [2]. En los ltimos aos se ha
prestado especial atencin al estudio de los manipuladores
redundantes; esta redundancia ha sido considerada como una Figura 2: Esquema de un manipulador redundante de 5 GDL.
caracterstica importante en el desempeo de tareas que
requieren destreza comparable a la del brazo humano, como Los modelos cinemtico y dinmico del robot han sido
la es por ejemplo, la del robot Hiro, primer robot industrial desarrollados por los autores en [4], de acuerdo a [5], [6] y
que interacta directamente con las personas, desarrollado en [7], empleando, para la dinmica, las ecuaciones (1) y (2):
Japn por la empresa Kadawa, como se muestra en la Fig. = M ( q) q
&+ C ( q, q&) + G ( q ) + F ( q&)
& (1)
Figura 1.
= M ( q) q
&+ Vm ( q, q&) q&+ G ( q ) + F ( q&)
& (2)

donde representa el vector de fuerzas generalizadas (de


dimensin n 1), M la matriz de inercia (de dimensin n n ),
C el vector de fuerzas centrfugas y de Coriolis (de dimensin
n 1), q los componentes del vector de posicin de las
articulaciones, q& los componentes del vector de velocidad de
las articulaciones, G el vector de fuerza gravitatoria (de
dimensin n 1) , q && el vector de aceleracin de las
articulaciones (de dimensin n 1), q& el vector de velocidad
de las articulaciones (de dimensin n 1 ), F el vector de
fuerzas de friccin (de dimensin n 1 ), Vm la matriz de
fuerzas centrifugas y de Coriolis, y n el nmero de grados del
libertad del robot.

IV. CONTROLADOR PAR CALCULADO CLSICO


El controlador neuronal propuesto se basa en la ley de
control por par calculado clsico; ste consiste en la Figura 3. Diagrama de bloques del simulador empleado para ensayar el modelo
aplicacin de un par con el objeto de compensar los efectos del manipulador junto con las leyes de control mencionadas.
centrfugos y de Coriolis; gravitatorios; y de fricciones, como
se indica en la ecuacin (3) [10]: Los valores de los parmetros considerados en el
manipulador se muestran en la Tabla I.
( q) q
=M (
&d + K v e&+ K p e + C
& )
( q, q&) + G
( q ) + F ( q&) (3)
TABLA I
donde M expresa la estimacin de la matriz de inercia (de PARMETROS CONSIDERADOS EN EL MANIPULADOR.
dimensin n n), C la estimacin del vector de fuerzas Par-
Eslabn 1 Eslabn 2 Eslabn 3 Eslabn 4 Eslabn 5 Unidades
centrfugas y de Coriolis (de dimensin n 1), G la metro
estimacin del vector de fuerza gravitatoria (de dimensin n l 0,524 0,2 0,2 0,2 0,14 [m]
1) , F la estimacin del vector de fuerzas de friccin (de lc - 0,0229 0,0229 0,0229 - [m]
dimensin n 1 ), q&
&d el vector de aceleracin deseada de las
m 1,228 1,023 1,023 1,023 0,5114 [kg]
articulaciones (de dimensin n 1 ), Kp = diag(Kp1, Kp2, ...,
Kpn) y Kv = diag(Kv1, Kv2, ..., Kvn) son matrices de ganancias Izz - 0,0058 0,0058 0,0058 - [kgm2]
proporcional y derivativa, diagonales y definidas positivas (de Fv 0,03 0,025 0,025 0,025 0,02 [Nms/rad]
dimensiones n n), respectivamente.
Feca 0,05 0,05 0,05 0,05 0,03 [Nm]
V. CONTROLADOR NEURONAL POR MODELO INVERSO Fecb -0,05 -0,05 -0,05 -0,05 -0,03 [Nm]
Segn se plantea en [11], una de las propiedades ms
importantes de las Redes Neuronales Artificiales (ANN,
Artificial Neural Networks) es la de ser es capaz de aproximar VII. RESULTADOS (RESULTADOS)
cualquier funcin continua real con precisin arbitraria. Esta
Luego de ejecutar el modelo del manipulador,
caracterstica ha permitido emplearlas en diferentes
incorporando la dinmica de los actuadores, en el entorno de
aplicaciones tales como: identificacin de sistemas [12],
simulacin y de entrenar la red neuronal estableciendo las
reconocimiento de patrones [13], control de sistemas
leyes de control a utilizar, se selecciona una trayectoria de
dinmicos [14], etc., sin embargo, ninguna de estas
prueba en el espacio cartesiano para someter el manipulador
operaciones sera posible sin un adecuado algoritmo de
al seguimiento de la misma y, consecuentemente, estudiar los
aprendizaje. Durante muchos aos se han utilizado los
resultados en funcin del desempeo del controlador par
algoritmos basados en gradiente; alcanzado gran popularidad
calculado clsico y del controlador neuronal; tal trayectoria se
[15], como los algoritmos: de primer orden (gradiente
indica en la Fig. Figura 4.
descendente) y de segundo orden (gradiente conjugado), y los
algoritmos basados en la metodologa de Levenberg-
Marquardt [16].

VI. ENTORNO DE SIMULACIN (DESARROLLO)


Los esquemas de control mencionados, junto con el
modelo dinmico del manipulador redundante de de 5 GDL y
de la dinmica de los actuadores, se ejecutan en una
estructura de simulacin, realizada utilizando herramientas
de programacin MatLab/Simulink, como la que se
representa en la Fig. Figura 3.

Figura 4. Trayectoria cartesiana de prueba.

La respuesta de seguimiento del modelo del robot en el


espacio articular, a travs del uso del controlador par AGRADECIMIENTOS (AGRADECIMIENTOS)
calculado, se indica en las Figs. Error: Reference source not Este trabajo ha contado con el apoyo del Programa
found y Error: Reference source not found sealando las Postdoctoral de la Universidad de Santiago de Chile; y del
curvas deseada y real en: el plano x-y y el plano y-z, Fondo de Fomento al Desarrollo Cientfico y Tecnolgico
correspondientemente, donde xyzd y xyz, xyd y xy, y yzd e yz (FONDEF), a travs del Proyecto FONDEF CA12I10167,
indican las trayectorias cartesianas deseada y real, en el Chile.
espacio, en el plano x-y, y en el plano y-z, respectivamente.
REFERENCIAS (REFERENCIAS BIBLIOGRFICAS)
[1] J. Lu, L. Wei, M. M. Pour, Y. Mekonnen, y A. I. Sarwat, Modeling
discharge characteristics for predicting battery remaining life, en 2017
IEEE Transportation Electrification Conference and Expo (ITEC), 2017, pp.
468-473.
[2] B. L. McKinney, T. J. Dougherty, y M. Geibl, The Comparison of Flooded,
Gelled and Immobilized Lead-Acid Batteries, en Telecommunications
Energy Conference, 1984. INEC 84. International, 1984, pp. 41-44.
[3] S. S. Misra, S. L. Mraz, J. D. Dillon, y D. B. Swanson, VRLA battery with
AGM-gel hybrid for superior performance, en Telecommunications
Energy Conference, 2003. INEC 03. The 25th International , 2003, pp.
378-382.
[4] M. Huang, H. Ji, J. Sun, L. Wei, y X. Zha, Bifurcation-Based Stability
Analysis of Photovoltaic-Battery Hybrid Power System, IEEE Journal of
Emerging and Selected Topics in Power Electronics, vol. 5, n.o 3, pp. 1055-
1067, sep. 2017.
VIII. CONCLUSIONES (CONCLUSIONES) [5] C. M. T. Cruz et al., Comparison of VRLA-AGM batteries lifetime
charging with different currents waveforms for use on low power UPS, en
En este trabajo se ha presentado un esquema de control 2015 IEEE 13th Brazilian Power Electronics Conference and 1st Southern
para un robot redundante de 5 GDL empleando una red Power Electronics Conference (COBEP/SPEC), 2015, pp. 1-6.
neuronal feedforward con algoritmo de aprendizaje [6]
backpropagation Levenberg-Marquardt. [1]
Conforme al comportamiento conseguido a travs de los
ensayos de simulacin, del controlador neuronal junto con el [1] J. Rub, Cinemtica, Dinmica y Control de Robots Redundantes y
modelo del robot redundante y sus actuadores, se comienza Robots Subactuados, Tesis doctoral, Navarra, San Sebastin, Espaa,
una nueva etapa en el estudio, diseo y anlisis de los 2002.
controladores basados en redes neuronales aplicados en [2] A. Ollero, Robtica: Manipuladores y robots mviles, 1a ed. Barcelona,
Espaa: Marcombo, 2006.
manipuladores robotizados redundantes consistente en la
[3] R. V. Patel y F. Shadpey, Control of Redundant Robot Manipulators:
implementacin prctica de: robots de tipo industrial reales; Theory and Experiments. Heidelberg, Germany: Springer, 2005.
de sus actuadores y de sus controladores, mediante el
[4] J. Kern y C. Urrea, Modelamiento y simulacin de un robot redundante
desarrollo del hardware necesario, como se esquematiza en la de tipo manipulador SCARA, Lat. Am. J. Phys. Educ. Vol, vol. 5, no. 4,
Fig. Figura 5. p. 824, 2011.
[5] J. J. Craig, Introduction to Robotics: Mechanics and Control, 3a ed.
New Jersey: Prentice Hall, 2004.
[6] M. W. Spong, S. Hutchinson, y M. Vidyasagar, Robot Modeling and
Control, 1a ed. New York: Wiley, 2005.
[7] J. Angeles, Fundamentals of Robotic Mechanical Systems: Theory,
Methods, and Algorithms, 3a ed. New York: Springer, 2006.
[8] C. Urrea y J. Kern, A New Model for Analog Servomotors. Practical
Implementations, Canadian Journal on Automation, Control and
Intelligent Systems, vol. 2, no. 2, pp. 29-38, 2011.
[9] R. Iigo y E. Vidal, Robots industriales manipuladores. Mxico:
Alfaomega, 2004.
[10] B. Siciliano y O. Khatib, Springer Handbook of Robotics, 1a ed. Berlin,
Heidelberg: Springer, 2008.
[11] K. Hornik, M. Stinchcombe, y H. White, Multilayer feedforward
networks are universal approximators, Neural Networks, vol. 2, no. 5,
pp. 359-366, 1989.
[12] G. Pezzotti, J. Valencia, y N. Londono, Deabbeat discrete control throgh
of the identification with neural networks for presure system, IEEE
LATIN AMERICA TRANSACTIONS, vol. 10, no. 4, pp. 19671972, jun.
2012.
[13] M. Maglianesi y G. Stegmayer, Methodology for the construction of a
biometric facial recognition system based on a neural classifier, IEEE
LATIN AMERICA TRANSACTIONS, vol. 10, no. 5, pp. 135-144, sep.
2012.
Figura 5. Esquema del robot redundante de tipo manipulador industrial [14] F. G. Rossomando, C. Soria, y R. Carelli, Adaptive Neural Dynamic
(unidades medidas en mm). Compensator for Mobile Robots in Trajectory tracking control, IEEE
LATIN AMERICA TRANSACTIONS, vol. 9, no. 5, pp. 593602, sep.
2011.
[15] O. Pealoza, J. Alvarez, y J. Alvarez, Chaos Suppression Of An Bibliografa de los integrantes .
Underactuated Manipulator: Experimental Results, IEEE LATIN
AMERICA TRANSACTIONS, vol. 2, no. 1, pp. 19-24, mar. 2004.
[16] M. T. Hagan, H. B. Demuth, y M. H. Beale, Neural network design.
Boston: PWS Publishing Company, 1996.
[17] V. A. Rodriguez, J. E. Garzon, y J. A. Lopez, Control Neuronal por
Modelo Inverso de un Servosistema Usando Algoritmos de Aprendizaje
Levenberg-Marquardt y Bayesiano, in VIII Congreso de la Asociacin
Colombiana de Automtica, Universidad Tecnolgica de Bolvar,
Cartagena, Colombia, 2009.
[18] C. Aldrich, Exploratory Analysis Of Metallurgical Process Data With
Neural Networks And Related Methods, 1a ed., vol. 12. New York, NY,
U.S.A.: Elsevier Science Ltd, 2002.
[19] G. Acua y J. Gonzlez, Desarrollo de Modelos de Caja Gris utilizando
Mquinas de Vectores de Soporte, in XXIII Encuentro Chileno de
Computacin (ECC), Universidad de Talca, Curic, Chile, 2011.
[20] D. Psaltis, A. Sideris, y A. A. Yamamura, A multilayered neural network
controller, IEEE Control Systems Magazine, vol. 8, no. 2, pp. 17 -21,
abr. 1988.
[21] G. Artola y R. S. Apstoli, Controlador de robots basado en redes
neuronales, in 9o Congreso Chileno de Ingeniera Mecnica, 2000.