Professional Documents
Culture Documents
RESUMEN
ABSTRACT
This work is located in an investigation field in which intervene in particular the Control
Theory the computation, Sciences, the Numeric Analysis and the Optimization. The
project cover the properties studys of the RNA, doing emphasis in ideas and methods
more outstanding aplicated to the of systems control in order to use this properties and
aproximation capacity through of Graphical User Interfaces (GUI) in MATLAB® that
allows to applicate the genarelized Inverse Direct Control outline in classic plants.
(2)
Una vez realizado el entrenamiento de la red,
ésta puede utilizarse para el control; basta
sustituir la entrada a la red y(t + 1) por el (3)
objetivo de control, ydes como se muestra en la Para poder realizar el aprendizaje de la red
siguiendo la dirección negativa del gradiente
Figura 1
del error dado por la Ecuación (3), es necesario
conocer el Jacobino del proceso, es decir, la
variación de la salida del proceso respecto de la
du
entrada . Esto es debido a que el proceso se
dy
coloca entre la red que actúa como controlador
y la función error a minimizar. En el caso de
que dicho Jacobiano sea desconocido, es
necesario utilizar una aproximación.
Página 4
3 Principios básicos para aplicar control siguiente manera.
directo inverso generalizado (CDIG)
Página 5
arquitectura del controlador seleccionado debe tener una estructura flexible que permite la
representar la dinámica inversa de la planta con incorporación de cambios definidos por el
el menor grado de error posible. usuario según los requerimientos del problema
que se esté estudiando. Estas características
c. Entrenamiento del controlador fueron las que se utilizaron y permitieron el
El entrenamiento del controlador se efectúa desarrollo final de la GUI.
para que el modelo aprenda la dinámica inversa
de la planta y consiste en la obtención de los En las siguientes secciones se expondrán los
parámetros que mejor realizan la asociación conceptos generales pertenecientes a las
entre entradas y salidas. Este es un proceso de diferentes etapas en las cuales se estructuro la
estimación paramétrica convencional. interfaz para aplicar el Esquema de Control
Directo Inverso Generalizado (CDIG)
d. Validación del controlador utilizando las funciones presentes en el Toolbox
En esta etapa la gran incógnita es conocer si el NNCTRL; para ello se utilizaron las
modelo entrenado corresponde a una herramientas de MATLAB®: GUIDE Quick
representación suficiente del proceso estudiado. Start y Toolbox de Redes Neuronales. La GUI
En esta etapa se debe definir un criterio para se estructuro y diseño buscando una
evaluar la calidad del modelo. Esto se puede metodología simple y fácil de utilizar para el
llevar a cabo evaluando el error obtenido entre diseño y simulación de los controladores.
la salida del modelo y la salida de la planta real
al aplicar la misma. La interfaz se compone de cinco bloques
principales:
e. Aplicación del esquema de Control Directo 1) Obtención de los datos de la planta,
Inverso Generalizado 2) Selección de la arquitectura del controlador,
Finalmente, cuando se cuenta con el modelo del 3) Entrenamiento del controlador,
controlador entrenado bajos los requerimientos 4) Validación del controlador y
exigidos, basta colocar planta y controlador en 5) Aplicación del esquema de Control Directo
serie para implementar el esquema de control. Inverso Generalizado.
Página 6
En la Figura 7., se muestra la apariencia de la
interfaz implementada. El botón [Descripción
General] proporciona una descripción básica de
la interfaz. El botón [Ejecutar GUI] abre la
interfaz de trabajo y los restantes botones
muestran las características principales de las
etapas necesarias (descritas en apartados
anteriores) para el diseño e implementación de
controladores, así como datos de autores y
referencias bibliográficas.
Página 7
Cuando se tiene el modelo de la planta es
necesario cargarlo en la Interfaz. Para ello se
presiona el botón [Plantas], con lo cual se
visualiza la ventana de la Figura 3.17;
c) RBS d) Seno
Figura 11. Señales de entrada
Página 8
Segundo: Configuración de los parámetros Figura 14. Gráfica que muestra el porcentaje
para el experimento de ejecución de un proceso
Página 9
Figura 19. RN implementada y entrenada
Página 13
Un segmento de datos se presenta a la red, y 5) Identificación de la planta: es necesario
entonces se realiza el entrenamiento el número identificar la planta antes de realizar el
de epocas especificado. El próximo segmento entrenamiento del controlador.
se presenta entonces, y el proceso se repite
hasta que todos los segmentos de datos se
hayan presentado. 3.4 Brazo Robot De Un Eslabón
10) Segmentos para entrenamiento del
controlador: Define en cuántos segmentos los El modelo del brazo robot corresponde a una
datos de entrenamiento se dividen. variación del modelo del péndulo mostrado en
11) Entrenamiento acumulativo: Si se la Figura 29. En los cursos de física elemental,
selecciona, el entrenamiento inicial se hace con el péndulo se aproxima por una ecuación lineal
un segmento de datos. Los entrenamientos simple, que sólo es válida para pequeñas
futuros se llevan a cabo agregando los amplitudes de oscilación. En el presente
segmentos de datos anteriores al entrenamiento, ejercicio no haremos esta aproximación, sino
hasta que el conjunto de datos de entrenamiento que supondremos que el péndulo puede llegar
entero se use. El tiempo de entrenamiento incluso a dar vueltas completas sobre sí mismo.
aumenta considerablemente por tal motivo es En ese caso se puede comprobar, mediante las
necesario usarlo con precaución. leyes básicas de la mecánica newtoniana, que la
12) Uso de pesos actuales: Si selecciona este ecuación que rige el movimiento del péndulo es:
parámetro, los pesos actuales del controlador se
usan como los pesos iníciales para el
entrenamiento del controlador. Por otra parte,
se generan los pesos iníciales aleatorios. Si la
estructura de la red del controlador es
modificada, opción arrojara error y se usarán (7)
los pesos aleatorios. En esta ecuación, φ es la posición angular del
péndulo respecto al eje vertical, medida en
Los datos de entrenamiento se generan con el radianes. Se ha considerado también un término
botón “Generate Taining Data” y se obtienen de amortiguamiento proporcional a la velocidad,
del modelo de referencia. Estos datos se pueden siendo b la constante de amortiguamiento del
importar de otra fuente como por ejemplo de un sistema. Este sistema tiene dos puntos fijos, uno
archivo de Excel o simplemente del Workspace estable y el otro inestable. El punto fijo estable
de MATLAB®. se tiene para una posición 0 y una velocidad 0,
Finalmente cuando se cuenta con una buena y corresponde a un péndulo colgando
colección de datos se puede proceder de la verticalmente hacia abajo y en reposo. El punto
siguiente forma: fijo inestable se tiene para una posición π y una
1) Entrenamiento del controlador. velocidad 0, y corresponde a un péndulo
2) Almacenamiento: Los pesos son guardados colgado "hacia arriba". Esta situación es muy
en el bloque del controlador. Es posible simular inestable, especialmente si el amortiguamiento
el sistema mientras esta ventana permanezca es pequeño.
abierta.
3) Confirmación: Los pesos son guardados en Si el término de amortiguamiento b es igual a 0,
el bloque de la red neuronal del controlador y la el sistema es conservativo. Esto quiere decir
ventana se cierra que no se pierde energía en la trayectoria y hace
4) Cancelación: La ventana es cerrada y ningún que el comportamiento del sistema sea
valor es guardado. periódico. La solución de la ecuación anterior
es una oscilación, pero no una oscilación lineal.
Por ello, a diferencia del comportamiento de un
péndulo simple, en este caso el periodo no es
Página 14
independiente de la amplitud. En la El brazo robot se puede representar con la
aproximación lineal el periodo siempre es el siguiente ecuación de movimiento:
mismo, sea cual sea el valor de la amplitud de
las oscilaciones. Esta es una aproximación
válida en muchos casos, pero como es bien
sabido, no es cierta para oscilaciones grandes. (9)
En definitiva, el péndulo es un sistema no lineal Donde es el ángulo del brazo y u corresponde al
bastante simple, pero no es fácil de resolver. torque suministrado por un motor de corriente
Un sistema derivado del anterior y que tiene continua.
también mucho interés es el péndulo
amortiguado y forzado. En este caso, añadimos El objetivo es entrenar y obtener un controlador
al modelo anterior un término que da cuenta de neuronal con modelo de referencia. Este
una fuerza periódica que actúa sobre el péndulo modelo está representado por la ecuación:
mientras este realiza su movimiento oscilatorio.
Llamando F a la amplitud de la fuerza periódica,
que supondremos sinusoidal, y omega a su (10)
frecuencia, la ecuación que gobierna el Donde corresponde a la salida del modelo de
comportamiento de este sistema es: referencia y r a la señal de entrada.
Inicialmente se utilizara una arquitectura de tres
(8) capas tipo perceptrón. La capa de entrada con
Esta ecuación, en la suposición de oscilaciones dos retardos de la entrada y salida, una capa
de pequeña amplitud, es una ecuación lineal, y oculta y una capa de salida. Este esquema se
como tal se estudia en los cursos elementales de aplicara para el proceso de identificación y para
física, donde se observa que presenta el proceso de entrenamiento del controlador.
comportamientos interesantes tales como Los parámetros básicos de configuración inicial
fenómenos de resonancia. La versión no lineal, se muestran a continuación:
sin embargo, tiene un comportamiento mucho
más rico, dando lugar a movimiento periódico Capa oculta: 5 neuronas
para muchos valores de los parámetros, pero Muestras: 500
caótico para otros. Tiempo de muestreo: 0.2 segundos
Épocas de entrenamiento para identificación de
la planta: 300
Épocas de entrenamiento para entrenamiento
del controlador: 10 y 20 segmentos
Página 16
CONCLUSIONES
Página 17
neuronales RMC de MATLAB® y Control [11] The MathWorks (2008): “Control System
Predictivo (GPC) del Toolbox NNCTRL, se Toolbox, User’s Guide, Version 4.2” The
observo como utilizando una arquitectura más MathWorks, Inc.
sencilla y con menores parámetros en los [12] K.J. Hunt, D. Sbarbaro (1991): “Neural
procesos de entrenamiento, se igualaba y Networks for Nonlinear Internal Model
mejora el desempeño y rendimiento del Control,” IEE, Proceedings-D, Vol. 138, No. 5,
controlado. pp. 431-438.
Página 18
Investigación en fuentes alternativas de energía
LINFAE, Bogotá D.C., 2007
[22] Hernández, M. Hernández, A., Magallón,
J., Urrego, D., Identificación, control
neuronal y difuso aplicado a un helicóptero de
base fija, Cinvestav, Centro de Investigaciones
y estudios avanzados del IPN, Guadalajara ,
2007
Página 19