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.