Professional Documents
Culture Documents
Resumen.- El presente proyecto trata sobre el soluciones. Las aplicaciones exitosas más
diseño e implementación de un neurocontrolador que relevantes incluyen desde elementos que operan
realizará el control de posición y velocidad del como identificadores hasta aquellos que trabajan
servomotor DC que tiene incorporado un encoder como controladores de optimización utilizando
óptico incremental para sensar la posición angular del
modelos del proceso.
eje del servomotor.
El modelo de un servomotor DC es conocido, Hoy en día la inteligencia artificial está siendo
debido a esto sus parámetros deben ser previamente usada en la industria, por ejemplo la tecnología
identificados. Siemens incorpora a sus PLC la lógica difusa. En
Las metas impuestas en este proyecto son: control de calidad, para la identificación de
diseñar, simular e implementar en tiempo real un materiales defectuosos. Identificar fisuras en piezas
sistema de control basado en una ley neuronal. El mecánicas mediante fotografía. En la facultad de
sistema será implementado usando la tarjeta de Ingeniería Mecánica de la UNI así como en
adquisición de datos de National Instruments DAQ diferentes facultades del mundo, investigadores han
USB-6008 que interactúa con el servomotor DC y a su
realizado notables aplicaciones de Identificación
vez con el programa LabVIEW, el mismo que nos
proporcionará los resultados provenientes de la Facial e Identificación de Voz usando algoritmos
simulación indicando la respuesta de los algoritmos neuronales con excelentes resultados.
basados en redes neuronales. El estudio de los neurocontroladores ha sido
utilizado en sistemas de control, debido a que una
Abstract.- This project focuses on the design and red neuronal tiene la capacidad de aproximar
implementation of a neurocontrolador to perform cualquier función no lineal, como lo demuestra el
position and speed control of DC servo motor that has teorema de Funahashi. Entonces, se puede entrenar
a built-optical incremental encoder to sense the a una red neuronal para que se comporte como un
angular position of the axis of the servomotor.
controlador no lineal. Es así que nacen los
The model of a DC servomotor is known, because its
parameters that must be identified. Neurocontroladores, que es la aproximación de un
The targets are imposed on this project: to design, controlador no lineal, por lo que su análisis es muy
simulate and implement a real-time control system similar a cuando tenemos sistemas de control no
based on a neuronal law. The system will be lineales.
implemented using the data acquisition board from Lo importante del diseño de un
National Instruments USB-6008 DAQ interacts with neurocontrolador es que podemos usarlos para
DC servo motor and in turn with the LabVIEW diversas áreas de la Mecatrónica, entre ellas en la
program, which will give us the results from the robótica, en la automatización. Los
simulation showing the response of the algorithms
neurocontroladores no están ajenos a esta
based in neural networks.
innovación tecnológica, actualmente se están
1. INTRODUCCIÓN haciendo pruebas de neurocontroladores para ser
incorporados a la industria como solución a
problemas más complejos que requieran de la
cognoscitivas, la arqueología, las finanzas, etc. En El problema que se estudia en este proyecto es
estos campos, hay dos categorías de problemas que el control de la posición angular y velocidad
se han resuelto con éxito usando la metodología de angular del servomotor DC, este problema de
la RNA. Ellos son el reconocimiento de patrones control es resuelto por medio del diseño de un
provenientes de diferentes datos, la identificación neurocontrolador. Para esto se requiere que el
de parámetros de sistemas y el control servomotor DC realice: el seguimiento de
(conocido/desconocido) de sistemas dinámicos. trayectorias de referencia arbitrarias empleando la
Hasta la fecha existe un creciente interés en los fuerza de control adecuada. Por consiguiente, el
sistemas de control que incluyen redes neuronales proceso a controlar posee una entrada y una salida,
artificiales como elementos de control, por lo que es decir, es un proceso SISO (Single-Input-Single-
se han implementado un importante número de Output).
Es necesario modelar la dinámica del sistema armadura, es el voltaje de armadura y es la
servomotor DC mediante las ecuaciones de energía salida (posición del eje del motor).
de Lagrange. En algunos casos la exactitud del Para este proyecto el motor que se utilizará no
modelo puede ser fundamental para aplicarle una dispone de una hoja técnica de la cual extraer los
técnica de control. Siendo el modelo del sistema parámetros de la planta, por lo que el sistema será
conocido se procederá a identificar la planta y identificado experimentalmente, procedimiento que
expresarla por una función de transferencia en S. se justificará más adelante.
construir.
3.1. OBJETIVOS GENERALES !
definida por la función de transferencia de que permite analizar sistemas aún con fuertes no
linealidades presentes, la desventaja es su
naturaleza aproximada que nos puede llevar a
8 9:;
/.#+0 tanh.#+0
=8
< ?
> 8
El objetivo es que la red neuronal aprenda la
función no lineal y pueda reproducir su Donde:
comportamiento para cualquier entrada. Los pesos
y bías iniciales serán aleatorios. El algoritmo de < Función descriptiva.
aprendizaje será el Backpropagation, que es un > Amplitud de la senoidal de entrada.
=8 Amplitud de la primera armónica de la
algoritmo poderoso de entrenamiento supervisado,
salida.
8 Desplazamiento de fase de la primera C
7 ! )!
< ^) A 7 B _1 : `
armónica de la salida. 6
Como mencionamos anteriormente, podemos D8
a-^) 10
válido para una arquitectura que presenta una
función de activación Púrelin en la capa de salida.
EF 2E I 17E M :1
tanhE E : : N a-
3 15 315 ^)
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
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
: ! )
a- :-
! )! ! !
: !
) ! !
!
:
^) :1
! )! ! !
: ! )
0
! )! ! !
^) 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
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.]
el valor de límite horizontal del saturador.
Igualamos:
^) <p
p 1.4831
> p sin+
2 ) ) )2
=8 qsinr8 s t u1 : v p sin+
Q p p p2