Diseño e Implementación de un Sistema
Neurocontrolador para un Servomotor DC
José Huamán Gurmendi. e Ysmael Ysidro S. Estudiantes de último semestre. Universidad Nacional de
Ingeniería.
Lima-Perú
Resumen.- El presente proyecto trata sobre el
diseño e implementación de un neurocontrolador que
realizará el control de posición y velocidad del
servomotor DC que tiene incorporado un encoder
óptico incremental para sensar la posición angular del
eje del servomotor.
El modelo de un servomotor DC es conocido,
debido a esto sus parámetros deben ser previamente
identificados.
Las metas impuestas en este proyecto son:
diseñar, simular e implementar en tiempo real un
sistema de control basado en una ley neuronal. El
sistema será implementado usando la tarjeta de
adquisición de datos de National Instruments DAQ
USB-6008 que interactúa con el servomotor DC y a su
vez con el programa LabVIEW, el mismo que nos
proporcionará los resultados provenientes de la
simulación indicando la respuesta de los algoritmos
basados en redes neuronales.
Abstract.- This project focuses on the design and
implementation of a neurocontrolador to perform
position and speed control of DC servo motor that has
a built-optical incremental encoder to sense the
angular position of the axis of the servomotor.
The model of a DC servomotor is known, because its
parameters that must be identified.
The targets are imposed on this project: to design,
simulate and implement a real-time control system
based on a neuronal law. The system will be
implemented using the data acquisition board from
National Instruments USB-6008 DAQ interacts with
DC servo motor and in turn with the LabVIEW
program, which will give us the results from the
simulation showing the response of the algorithms
based in neural networks.
1. INTRODUCCIÓN
L a RNA, también conocido como red con
aprendizaje conexionista y procesamiento de
distribución paralela, está encontrando
aplicaciones en diversas áreas: muchas ramas de
ingeniería, ciencias de la salud, ciencias
cognoscitivas, la arqueología, las finanzas, etc. En
estos campos, hay dos categorías de problemas que
se han resuelto con éxito usando la metodología de
la RNA. Ellos son el reconocimiento de patrones
provenientes de diferentes datos, la identificación
de parámetros de sistemas y el control
(conocido/desconocido) de sistemas dinámicos.
Hasta la fecha existe un creciente interés en los
sistemas de control que incluyen redes neuronales
artificiales como elementos de control, por lo que
se han implementado un importante número de
soluciones. Las aplicaciones exitosas más
relevantes incluyen desde elementos que operan
como identificadores hasta aquellos que trabajan
como controladores de optimización utilizando
modelos del proceso.
Hoy en día la inteligencia artificial está siendo
usada en la industria, por ejemplo la tecnología
Siemens incorpora a sus PLC la lógica difusa. En
control de calidad, para la identificación de
materiales defectuosos. Identificar fisuras en piezas
mecánicas mediante fotografía. En la facultad de
Ingeniería Mecánica de la UNI así como en
diferentes facultades del mundo, investigadores han
realizado notables aplicaciones de Identificación
Facial e Identificación de Voz usando algoritmos
neuronales con excelentes resultados.
El estudio de los neurocontroladores ha sido
utilizado en sistemas de control, debido a que una
red neuronal tiene la capacidad de aproximar
cualquier función no lineal, como lo demuestra el
teorema de Funahashi. Entonces, se puede entrenar
a una red neuronal para que se comporte como un
controlador no lineal. Es así que nacen los
Neurocontroladores, que es la aproximación de un
controlador no lineal, por lo que su análisis es muy
similar a cuando tenemos sistemas de control no
lineales.
Lo importante del diseño de un
neurocontrolador es que podemos usarlos para
diversas áreas de la Mecatrónica, entre ellas en la
robótica, en la automatización. Los
neurocontroladores no están ajenos a esta
innovación tecnológica, actualmente se están
haciendo pruebas de neurocontroladores para ser
incorporados a la industria como solución a
problemas más complejos que requieran de la
optimización.
2. PLANTEAMIENTO DEL PROBLEMA
El problema que se estudia en este proyecto es
el control de la posición angular y velocidad
angular del servomotor DC, este problema de
control es resuelto por medio del diseño de un
neurocontrolador. Para esto se requiere que el
servomotor DC realice: el seguimiento de
trayectorias de referencia arbitrarias empleando la
fuerza de control adecuada. Por consiguiente, el
proceso a controlar posee una entrada y una salida,
es decir, es un proceso SISO (Single-Input-Single-
Output).
 Es necesario modelar la dinámica del sistema
servomotor DC mediante las ecuaciones de energía
de Lagrange. En algunos casos la exactitud del
modelo puede ser fundamental para aplicarle una
técnica de control. Siendo el modelo del sistema
conocido se procederá a identificar la planta y
expresarla por una función de transferencia en S.
3. JUSTIFICACIÓN
En este proyecto se escoge la técnica del
control basado en redes neuronales, por ser una
candidata natural para resolver el problema del
control de la posición y velocidad del servomotor
DC. La técnica usada por el neurocontrolador se
basa en la estructura del poderoso algoritmo
computacional Backpropagation, que resolverá el
problema del control resultando así la mejor
solución a nuestro problema de control, más aún
cuando el modelo matemático es difícil de
construir.
3.1. OBJETIVOS GENERALES
1. Implementar un sistema de control para la
velocidad y posición de un servomotor DC
basado en un neurocontrolador, usando la
NIDAQ USB-6008 y un algoritmo de redes
neuronales.
2. Construir un módulo de entrenamiento y
control de motores DC usando para esto
algoritmos neuronales.
4. FORMULACIÓN DE LA HIPÓTESIS
El entrenamiento de la red neuronal le
permitirá al neurocontrolador comportarse tal cual
un controlador previamente diseñado para alcanzar
ciertas condiciones o parámetros esperados del
sistema a controlar. El diseño y construcción de la
electrónica permitirán implementar el sistema de
control y observar su desarrollo en tiempo real.
5. FUNDAMENTO TEÓRICO
5.1. MODELAMIENTO DEL MOTOR
La función de transferencia de un servomotor
DC con excitación independiente es un sistema de
tercer orden cuando la salida es la posición,



definida por la función de transferencia
armadura,  es el voltaje de armadura y  es la
salida (posición del eje del motor).
Para este proyecto el motor que se utilizará no
dispone de una hoja técnica de la cual extraer los
parámetros de la planta, por lo que el sistema será
identificado experimentalmente, procedimiento que
se justificará más adelante.
5.2. TÉCNICA DE IDENTIFICACIÓN DE LA
FUNCIÓN DE TRANSFERENCIA
La eficiencia del Sistema va ligado a los
parámetros de la planta, debido a que nuestro
sistema es retroalimentado, es necesario diseñar un
buen neurocontrolador, por ende identificar bien
nuestro sistema, para ello utilizaremos el IDENT
del Matlab, el cual va a mimetizar el sistema
Motor, un sistema de orden 2 con polos negativos,
sin ceros, y con una ganancia positiva, como el que
se muestra a continuación

    !
  "#$%&'()( *%+%,
  "%$+)-# (# #.,)()
Obtenido el Modelo Matemático del Motor
podemos diseñar el Neurocontrolador, para esto es
necesario conocer el valor de parámetros J, K, b, R,
L del sistema los cuales desconocemos.
La Solución propuesta para la obtención de
parámetros del sistema, consiste en obtener los
datos de velocidad con el decodificador de
cuadrantes por medio del encoder, generar una
señal de entrada de voltaje que actuaría como
generador. Esto se realizaría con el fin de obtener
por medio de la tarjeta de adquisición de datos
(DAQ) y LabVIEW, dos señales que serían el
voltaje aplicado al motor uno y el voltaje generado
por el decodificador y por medio del TOOLBOX
del Matlab IDENT relacionar estas dos señales para
obtener un modelo aproximado al del motor.
5.3. EL NEUROCONTROLADOR
Una red neuronal es un elemento no lineal
dentro de la estructura de control, por lo que la
técnica de análisis estará basada en el análisis por
función descriptiva la que tenemos que aplicar al
neurocontrolador. Esto tiene como ventaja el hecho
de que permite analizar sistemas aún con fuertes no

    

 
linealidades presentes, la desventaja es su
naturaleza aproximada que nos puede llevar a

Donde  es el momento de inercia,  es el

errores.

coeficiente de amortiguamiento,  es la constante

El principio del neurocontrolador se basa en la
premisa de que toda red neuronal puede aproximar

con la constante contra electromotriz  ),  es la

del torque de motor (que muchas veces coincide una función no lineal (Teorema de Funahashi).

resistencia de la armadura,  es la inductancia de


8   9:; 
Figura 3. Representación gráfica del teorema de
Funahashi.
Aunque el teorema garantiza la existencia de
una red neuronal capaz de aproximar una función
pero no indica la arquitectura de esta, ni tampoco
garantiza que la red aprenderá la función. Por lo
que será necesario realizar experiencias
seleccionando una arquitectura apropiada para la
red, así como un criterio de aprendizaje de la ley de
control.
Se propone la estructura del Perceptron
Multicapa con una capa oculta como la mostrada en
la figura 4. Las funciones de activación en este caso
serán elegidas tomando en consideración que deben
ser derivables pues así lo exige el Algoritmo de
entrenamiento Backpropagation.
/.#+0   tanh.#+0 
Donde .#+0 es una suma ponderada de la
de entrada que ahora pasan por la neurona " ' " de la
entrada a la red por los pesos sinópticos de la capa
capa oculta.
.#+0  06 70
Figura 4. Arquitectura de la red neuronal
El objetivo es que la red neuronal aprenda la
función no lineal y pueda reproducir su
comportamiento para cualquier entrada. Los pesos
y bías iniciales serán aleatorios. El algoritmo de
aprendizaje será el Backpropagation, que es un
algoritmo poderoso de entrenamiento supervisado,
basado en la regla de actualización de los pesos de
las capas por la expresión (11.15)
Esta regla se encargará de minimizar el error
cuadrático medio entre la salida de la red y la salida
deseada, hasta alcanzar un estado en el que por más
datos que se envíen a la red el error irá
disminuyendo muy lenta e imperceptiblemente.
La estrategia de entrenamiento supervisado
seguirá la dinámica mostrada en la figura 5, donde
el Supervisor es un controlador previamente
diseñado al que se desea aproximar. Notamos que
la salida de la red no es digital, por lo que se tomará
en la capa de salida como función de activación una
función de la forma (11.13) o lineal.
Una vez alcanzado el objetivo del
entrenamiento, el controlador será reemplazado por
la red neuronal entrenada y este será el
neurocontrolador conectado en cascada con la
planta que controle el lazo de la figura 6.
Figura 5. Estrategia de Entrenamiento Supervisado
5.3.1. FUNCIÓN DESCRIPTIVA DEL
NEUROCONTROLADOR
Si aplicamos una entrada senoidal a un
elemento no lineal su salida generalmente no es
senoidal pero si periódica, con el mismo periodo
que la entrada. En el análisis de la Función
Descriptiva se supone que sólo la primera armónica
de la salida es significativa (esto se debe a que la
mayoría de sistemas de control son filtro pasa-
bajos). La Función Descriptiva de un elemento no
lineal está definida como la relación compleja entre
la componente armónica fundamental de la salida
respecto a la entrada, cuando se aplica una entrada
senoidal. Es decir:
=8
< ?
> 8
Donde:
<  Función descriptiva.
>  Amplitud de la senoidal de entrada.
=8  Amplitud de la primera armónica de la
salida.
 8  Desplazamiento de fase de la primera C
7 ! )!
<  ^)  A 7 B _1 : `
armónica de la salida. 6
Como mencionamos anteriormente, podemos D8

Donde 7 #! P Q ! ⁄4 es el máximo valor para

considerar en el control una red neuronal multicapa,
que se puede aproximar a un elemento no lineal. La
ley de control está dada por: el argumento de cada función de activación.

@  A B tanh7 # 5.3.2. CICLOS LÍMITES DEL

D8
NEUROCONTROLADOR

Donde B y 7 son los pesos de la red neuronal

y < el número de neuronas ocultas. Lo anterior es
Para hallar los ciclos límites del
neurocontrolador tenemos que resolver la ecuación:

a-^) 10
válido para una arquitectura que presenta una
función de activación Púrelin en la capa de salida.

función +)./, tenemos:

Utilizando la serie de Taylor para desarrollar la
Despejando tenemos:

EF 2E I 17E M :1
tanhE  E : : N a- 
3 15 315 ^)

Si |E| P Q⁄2, es una función impar. Si Reemplazando la Función descriptiva

E  7 #, podemos reemplazar en la ecuación:

tomamos sólo dos términos de la serie, es decir para encontrada en el apartado anterior, continuamos
con las operaciones:

7 #F :1
tanh7 #  7 # : a- 
3 72 )2
∑ 7 B c1 : d
6
Esta aproximación es válida para 7 #! P
Q ! ⁄4. Luego, la ecuación puede expresarse como:
Suponiendo que: a-  :|a-| Luego
C
7 #
3 reemplazando y despejando ) de la ecuación:
@  A B T7 # : U
3
1
6 e∑ 7 B : f
D8
|a-|
) 
!
∑ 7 F B
neuronal, el error # se reemplaza por ) sin+ y
Para obtener la función descriptiva de la red

usando identidades trigonométricas: Entonces, para que haya ciclo límite se tiene
C
7 )! 7 )! cos2+
que cumplir la siguiente condición:
@  A )B 7 X1 : \ sin+
6 2 C
D8 1
A 7 B g
|a-|
Donde la amplitud de la primera armónica es: D8

C
7 )
2
La amplitud ) del ciclo límite se puede
=8  A )B 7 T1 : U
6 predecir con este método cuando:
D8

1
6 e∑ 7 B : f Q!
|a-|
0P P
La amplitud de la senoidal de entrada es:
∑ 7 B
F 47
>)
Donde 7  *áEi7 ! j.
Y el desfase, siempre que 7 #! P Q ! ⁄4. Ya
que esta condición hace a la función impar:

8  0
5.4. ESTRUCTURA DE CONTROL

Esta sección presenta algunos aspectos

Finalmente, reemplazando las ecuaciones importantes para el diseño de un neurocontrolador.
anteriores, la Función Descriptiva para el Aunque existen otros caminos para clasificarlos
Neurocontrolador es la siguiente: esta sección adopta una estructura similar a la teoría
de control adaptivo. Son tres familias de
arquitecturas para la aplicación de las RNA’s en
sistemas de modelado y control.
A. Arquitecturas para el modelado de
sistemas
En primer lugar tenemos las arquitecturas de
modelado de sistemas, donde se utiliza una red
neuronal para imitar el comportamiento de un
elemento físico real. Generalmente se realizan
usando la estrategia de entrenamiento supervisado,
aunque también las técnicas de control adaptivo son
aplicadas con el fin de no depender de las salidas de
la planta.
B. Neurocontroladores Indirectos.
En el esquema de neurocontroladores
indirectos, la red neuronal no envía señales de
control directamente al proceso. En lugar de esto, la
red indica algunas características dinámicas de
relevancia en el proceso. Este indicador puede ser
un modelo que se comporta de forma similar al
proceso ó bien un parametrizador que ajusta a un
controlador produciendo configuraciones
apropiadas basadas en el comportamiento de dicho
proceso.
· Controlador neuronal basado en modelo
completo.
· Controlador neuronal basado en modelo
paramétrico ó parcial.
· Modelo inverso neuronal.
· Parametrizador de controladores basado en
Redes Neuronales Artificiales.
C. Neurocontroladores Directos.
En el esquema de un neurocontrol directo, una
red neuronal es empleada como un controlador de
retroalimentación que envía señales directamente al
proceso. Dependiendo del concepto del diseño, los
elementos del neurocontrolador directo se
categorizan principalmente atendiendo su
dependencia al modelo del sistema.
· Modelado del controlador.
· Neurocontrolador libre de modelo.
· Neurocontrolador basado en modelo.
· Neurocontrol robusto.
Entre las estructuras de control propuestas
como aplicación de un sistema neurocontrolador
tenemos: Estructuras de Control Adaptivo,
Estructuras de Control Óptimo y Estructuras de
Control con Modelo de referencia.
Partiremos de la Estructura de Control
Óptimo, al que agregamos el neurocontrolador en
cascada con la planta.
Figura 6. Esquema de Control Óptimo
La ventaja de esta estructura frente a otras es
que nos enfoca directamente con la respuesta del
neurocontrolador, nos permitirá validar su
aprendizaje. Por otro lado exige una inversión
menor comparado a otras estructuras, siendo en
nuestro caso suficiente para los objetivos del
presente proyecto.
6. CARACTERÍSTICAS DEL SERVOMOTOR DC
La planta se trata de un motor DC que tiene
incorporado un encoder óptico incremental. En la
tabla 6 que se presenta a continuación, enumeramos
las características que se han podido determinar del
motor.
Nº Característica Dato o Valor
1 Marca HITACHI DC MOTOR
2 Serie AX060092
3 Tensión Nominal 24V
4 Potencia Salida 19 W
5 Velocidad Nominal
6 Corriente Vacío
7 Corriente Nominal 0.792 A
8 Encoder 100 PPR
Tabla 6. Especificaciones técnicas del Motor DC.
La respuesta que el encoder nos da se comporta
de la siguiente manera como se muestra en la
siguiente tabla.
El encoder fue probado, la frecuencia que
entrega el encoder a 12V es de 3.7 KHz
La tensión DC de alimentación es aquella con
la que se alimentó al motor. La frecuencia del
encoder fue medido usando un Osciloscopio
TECKTRONIC.
7. DISEÑO DEL MÓDULO DE CONTROL
7.1. PUENTE AMPLIFICADOR DE POTENCIA
El circuito puente de amplificación de potencia
permite la alimentación al Motor DC con una
fuente de tensión de 12 V. Se utiliza el L298 para
esta función.
 7.2. CIRCUITO GENERADOR DE PWM Las entradas analógicas de la DAQ, tienen un
rango de valores de niveles de voltaje que no está
El circuito generador de PWM está basado en garantizado su correcta adquisición. Según el
un Micro Controlador PIC 16F877A. Usando un fabricante se habla del rango de -1V a1V. Siendo
cristal de 4KHz para trabajar con una frecuencia de este rango el menos recomendable para trabajar en
adquisición y de generación de PWM de el control. Sin embargo hay la posibilidad de
aproximadamente 1KHz. amplificar la señal antes del muestreo.
La NIDAQ-USB mediante una de sus salidas Las salidas Analógicas de la tarjeta soportan un
analógicas brindará el nivel de Dutty-Cycler al que nivel de 0-5V. La señal de control que será
el PIC generará el PWM. Siendo que la salida de la calculada por el Algoritmo Neuronal será escalada
DAQ está limitada a sólo 5V, y el puente H permite de manera proporcional a este rango, de manera que
alimentar al motor con 12 V, planteamos que: 5V a la salida de la DAQ signifique para el Circuito
generador de PWM el 100% del ancho de pulso.
Salida DAQ Dutty Valor
Medio 8. CÁLCULOS DE IDENTIFICACIÓN Y DISEÑO
0V 0% 0V
5V 100% 12V 8.1. IDENTIFICACIÓN DE LA PLANTA

Sin embargo la DAQ no es capaz de brindar a Para la adquisición de los voltajes de

su salida voltajes de valores muy pequeños como
0.001V, por esta razón el 0% es precisamente
cuando la señal de la DAQ sea cero o muy cercano
al ese valor, como inferior a 0.07 V.
7.3. CIRCUITO ACONDICIONADOR DE
SEÑAL
Para poder sensar la señal del encoder y medir
la velocidad del eje del motor se implementa un
circuito acondicionador de señal, detector de
flancos basados en el LM2907.
7.4. TARJETA NI-DAQ USB 6008
La tarjeta NI-DAQ USB 6008 ofrece la
posibilidad de comunicarse con la PC y usando el
Software de LabVIEW. No necesita fuente externa
ya que su comunicación vía USB con la PC le
brinda la alimentación.
Presenta las siguientes características
generales.
excitación y generado, se uso el criterio de
estabilidad de Nyquist, una frecuencia de muestreo
de 1000 Hz debido a que el sistema trabaja con
bajas frecuencias. También se definió un tiempo de
adquisición de 2s Suficiente para aproximar el
comportamiento del sistema.
Durante el tiempo de adquisición voltaje de
entrada o de excitación del motor se vario de 0 a
12V todo esto con el puente H debido a que los
datos adquiridos presentaban una alteración de por
ruido con una frecuencia aproximada de 30Hz, se
implemento un filtro Butter pasa bajos de orden 1, y
frecuencia de corte de 60 Hz con el fin de eliminar
este ruido y así poder apreciar las señales
originales.
Se procede a adquirir datos usando la tarjeta
NI-DAQ USB 6008. Los datos son mostrados en la
figura para una respuesta a un escalón de amplitud
5V. Se observa que debido al Decodificador de
Cuadratura se está infiltrando un excesivo ruido en
los datos.

Característica Valor
Modos de Operación Diferencial / RSE
Frecuencia de Muestreo 10 K muestras/segundo
Resolución 12 bits
Entradas Analógica 8 Canales
Salidas Analógicas 2 Salidas
Entradas Digitales 12 Canales
Salidas Digitales 12 Salidas
Contadores de 32 bits 1

Tabla. Características generales de la NI-DAQ USB

6008.
Figura 12. Respuesta natural del motor DC.
La tarjeta de Adquisición de Datos permitirá
realizar las mediciones de las señales de estado de
la planta. La salida del Acondicionador será Para solucionar el percance del ruido vamos a
conectada en Modo RSE a una entrada analógica de proceder a filtrar los datos previamente antes de
la DAQ y observada en el Front Panel de aplicar el algoritmo de identificación. Para esto se
LabVIEW.
diseña un Filtro Pasa Alto tipo Butterworth de
primer orden. Con lo que obtenemos como
resultado una data menos ruidosa y más apropiada
para la identificación, la que se muestra en la figura
13.
estaba siendo excitada con 12v DC, pero la
referencia de 4 voltios hace alusión a la salida de la
NI-DAQ USB 6008 que al ser 4 voltios, está
comunicando al circuito generador PWM que
brinde al motor un PWM con un alto ancho de
pulso, como se explicó en la descripción del
módulo PWM.
En conclusión, la salida y entrada a la DAQ era
lo único posible de observar directamente,
convirtiéndose el módulo: motor, acondicionador,
puente H y generador PWM en nuestro sistema, por
lo que el modelo es un esfuerzo por modelar toda la
planta pasando por alto las no linealidades e
inconvenientes de la calibración de los
acondicionadores.

8.2. DISEÑO DEL NEUROCONTROLADOR

Una vez que tenemos la planta identificada,

podemos proceder a simular el sistema colocando la
no linealidad en cascada con la planta y anotar las
características del saturador que haga que el sistema
Figura 13. Datos después del tratamiento de aplicar el
se estabilice, no presente sobre picos altos y sea lo
filtro pasa alto.
más rápido posible.
Procedemos a resolver la siguiente ecuación:
Luego de aplicar el procedimiento de
a-^) 10
identificación según el algoritmo descrito en el
fundamento teórico, tenemos la función de
trasferencia expresado por:
Ya que tenemos identificado que:
1244.9711
a  
 65.97 18.88 a 
 ) 
Con lo anterior podemos comprar la respuesta
Evaluando:
de la función de transferencia identificada y los

a 
datos de entrada y salida del proceso de
-- )- 
adquisición. Este resultado se muestra a
continuación en la figura 14.

: ! )
a-  :-
 ! )!  !  ! 

: !
 )  !  ! 
!

Con lo que para cumplir la ecuación inicial se

debe cumplir:

:
^)  :1
 ! )!  ! !

: ! )
0
 ! )!  !  ! 

Entonces se tiene que:  !  1⁄78 7! 

Figura 14. Comparación de los datos de la respuesta de la

resultando que el valor es   35.2877 ,)(/#o.

planta identificada.

Reemplazando en la primera ecuación ahora se

^)  84.8638
En este punto aclararemos que en los gráficos tendrá
se observa que la señal de entrada en un escalón de
un poco más de 4 voltios. En realidad la planta
 Siendo esta la función descriptiva del C urva de m otor

1.5
neurocontrolador. entrenada
Salida
Vamos a elegir la no linealidad de Saturación 1
Entrada

para ser aproximada, porque mejores prestaciones

u [Sa lida de la R e d N e urona l]

tiene en las simulaciones que se han realizado con 0.5

la planta identificada. 0
La función descriptiva del saturador está dado
por: -0.5

2 ) ) )!
<p  qsinr8 s t u1 : v
Q p p p!
-1

-1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Tie mpo [s e g.]

w  1 y un   1.0009 con lo que )  0.999

Seleccionamos un nivel del saturador con
x
Figura. Verificación del entrenamiento de la red

el valor de límite horizontal del saturador.
Igualamos:

^)  <p

De donde debemos despejar el valor de p que

es la amplitud de la señal de entrada que servirá de
referencia para el entrenamiento. Resolviendo:

p  1.4831

Con todo lo anterior tenemos definido las

señal de entrada y salidas deseadas para el
8.4. RESULTADOS DE SIMULACIONES
entrenamiento del neurocontrolador siendo:

>  p sin+

2 ) ) )2
=8  qsinr8 s t u1 : v p sin+
Q p p p2

8.3. ENTRENAMIENTO DE LA RED

NEURONAL

Para el entrenamiento se hace uso del Toolbox

de Matlab, se Normalizo la señal de entrada y salida
para un mejor seguimiento, se eligió un red Figura. Esquema de Simulación para comparar la
neuronal TRN Back Propagation, se creó mediante respuesta del Neurocontrolador y la No Linealidad.
la función newff dicha reden el Matlab, nuestra red
neuronal cuenta con 3 capas ocultas, una capa de
entrada y una de salida, en la capa oculta se uso la
función de activación tansig y en la capa de salida
se uso la función de activación pureline, definimos
pesos iniciales aleatorios, el numero de épocas del
entrenamiento es de 100 épocas y se observo dicho
entrenamiento cada 10 épocas, el valor de alpha de
0.01.
Simulamos la red creada con la entrada del
sistema y observamos que esta le sigue a la salida la
cual habíamos entrenado

Figura. Comparación de la salida del Neurocontrolador y

la No Linealidad, para una referencia de 2 unidades.
 8.5. IMPLEMENTACIONES
Existen 4 etapas bien definidas en el módulo
que se fabricará para implementar el algoritmo del
neurocontrolador. La primera consiste en el mismo
motor, donde se lleva a cabo la dinámica. La salida
será sensada: cuando es velocidad, la señal del
encoder óptico será acondicionada a un valor de
tensión proporcional a la frecuencia, el nivel será
adquirido por una DAQ6008 por una de sus
entradas analógicas y comparada con la señal de
referencia que puede ser interna o externa (Ver
figura 6).
Figura. Sistema de Control final (Ver Anexos)
Esta comparación dará como resultado el
error, que pasará a la segunda etapa que es la
ejecución del algoritmo de control, es decir el error
pasará por la red neuronal que calculará el valor de
la señal de control.
Un microprocesador ejecutará un
algoritmo para generar la señal de control analógica
usando la técnica de PWM. La tercera etapa es la
generación del PWM que finalmente funcionará
con la etapa de potencia y hará llegar el valor
proporcional a la señal de control hacia el motor.
8.6. CONCLUSIONES Y RECOMENDACIONES
1. Hay que cuidar la elección de la estructura de la
Red Neuronal. Un número mayor que 3
neuronas en la capa oculta puede llevar a
minimizar el error de aproximación pero a la
vez puede ocasionar que el neurocontrolador
memorice la ley de control y no responda
adecuadamente cuando enviamos referencias
fuera del rango de entrenamiento. Se
recomienda supervisar el criterio de parada del
entrenamiento no sacrificando la memorización
en un afán de seguir disminuyendo el error.
2. De lo anterior se deduce que existe una
desventaja al usar la estrategia del
neurocontrolador partiendo de un entrenamiento
supervisado, por el hecho que se tiene que
conocer de antemano la ley de control y/o un
controlador previamente diseñado que trabaje
como supervisor. Por lo que debemos
seleccionar una estrategia de control previa par
que supervise el entrenamiento.
3. Se toma la recomendación de ver al sistema,
motor, circuito de potencia y sensor óptico,
como planta. Esto puede ocasionar que la
técnica de identificación descrita no modele los
demás componentes de la planta, puesto que se
estarán agregando no linealidades, se espera que
el neurocontrolador amortigüe las no
linealidades introducidas, siendo este su ventaja
frente a controladores clásicos.
4. Se demostró que el sistema es estable debido a
que el sistema no presenta ciclo límite ni para la
no linealidad signo ni para la no linealidad.
5. Se concluye que es posible obtener diferentes
tipos de respuesta variando los valores de la
función descriptiva.
6. Se comprobó que disminuyendo el valor del
factor de aprendizaje la red aprende con mayor
velocidad.
7. Para nuestro primer análisis usamos la función
de activación LOGSIG y obtuvimos como
resultado una respuesta no tan cercana a la
función no lineal, por lo tanto usamos una
función de activación TANSIG, ya que esta
presenta valores negativos y positivos que
aproxima mejor a la función no lineal, ya sea
una función saturación o relay.
8. Se concluye que es posible aproximar de una
manera casi exacta, a través de un
neurocontrolador una función no lineal en un
sistema de lazo cerrado.
9. Una función no lineal se utiliza para rangos de
salidas muy alto es un proceso de lazo cerrado,
de aquí se determina la necesidad de usar
funciones no lineales para los procesos.
10. El número de neuronas a utilizar se basó en
pruebas de ensayo y error, se comprobó que un
mayor número de neuronas no asegura una
buena performance del proceso.
11. La arquitectura 1-3-1 brinda suficientes
posibilidades para que la red neuronal aprenda
la función no lineal.
12. Es posible que el neurocontrolador pueda
aproximar el comportamiento de un controlador
de otra naturaleza, esto nos puede servir para
validar los algoritmos de entrenamiento.
13. El control es lento. Siendo que es sólo una
simulación, notamos un tiempo de asentamiento
muy alto, esto es por la naturaleza del saturador
que está siendo usado como controlador pues
sólo garantiza que el sistema se estabiliza pero
no podemos variar los parámetros de respuesta
del sistema directamente por diseño. Estos
parámetros se pueden manejar en el análisis en
frecuencia y variando los patrones de
entrenamiento de la red neuronal.
14. Podemos correr el riesgo de que la neurona no
aprenda la función si es que forzamos a que sea
más rápida. Por eso tendremos en cuenta la
posibilidad de aproximar otros controladores.
 8.7. REFERENCIAS

[1] Neural Networks. Algorithms, Applications and

Programming Techniques. James A. Freeman,
David M. Skapura.
[2] Foundations of Neural Networks, Fuzzy
Systems and Knowledge Engineering. Nikola K.
Kasabov. Massachusetts Institute of
Technology. 1996.
[3] An Introducction to Neuronal Networks. Ben J.
A. Kröse, P. Pratrick Van der Smagt. 1993.
[4] Toolbox de Identificación de Matlab.
http://www.mathworks.com/products/sysid/