Control Inteligente

Control de Sistemas
Dinámicos
Control de Sistemas Alejandro Peña P.
Dinámicos
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introducción
Alejandro Peña P., PhD. Control Inverso
Aprendizaje Generalizado
pfjapena@gmail.com Regla Delta Generalizada
Aprendizaje Específico
Grupo de Investigación en Inteligencia Bibliografía
Computacional y Robótica (GICR)

Escuela de Ingeniería de Antioquia
Control de Sistemas
Introducción Dinámicos
Alejandro Peña P.
• Cualquiera de la representaciones matemáticas de un

sistema, utiliza el concepto del control realimentado de
acuerdo con el siguiente diagrama de bloques:
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introducción
Control Inverso
Regla Delta Generalizada
• El problema del control, se restringe, luego de que ha sido Aprendizaje Específico
seleccionado el sistema de medición, al diseño del Bibliografía
controlador.
• El controlador trata de buscar la relación funcional más
adecuada para generar la entrada u[k] (Entrada de Control).
Control de Sistemas
Alejandro Peña P.
• De acuerdo con esto, un modelo sujeto a un set point (Entrada

de Comando) y posiblemente a entradas inciertas, genera una
respuesta en la señal de salida x[k], o comportamiento
aceptable.
• La relación funcional para el controlador, puede ser una
función del set point xd[k] y la señal del control u[k]. A este Contenido
tipo de sistema se le conoce como control en lazo cerrado o Control Sistemas

Dinámicos
control realimentado. Introducción
Observabilidad
• Los sistemas realimentados son de dos tipos: Controlabilidad
Esquemas de Control
1. Los que realimentan la señal de salida, como se
Control Neuronal
mostró en el esquema de control anterior. Introducción
Control Inverso
2. Los que realimentan el sistema, como ocurre en la Aprendizaje Generalizado
representación en espacio de estados. Regla Delta Generalizada
Bibliografía
Control de Sistemas
Alejandro Peña P.
• El problema fundamental del control, está asociado con la

transferencia de estado del sistema x[k], a un conjunto de
destino (moverse de un estado a otro) x[k+1].
• Cuando el conjunto de destino es constante en el espacio de
estados, el problema se conoce como control de regulación. Contenido
• Si el conjunto de destino es variante con el tiempo, Control Sistemas

Dinámicos
especificado mediante una señal de control, el problema se Introducción
conoce como control de seguimiento. Observabilidad
Controlabilidad
• La teoría del control moderno esta regida por dos conceptos Esquemas de Control
fundamentales como son: controlabilidad y observabilidad. Control Neuronal

Introducción
• La controlabilidad esta relacionada con una entrada de control Control Inverso
existente que llevará un sistema a un punto determinado. Regla Delta Generalizada
• El objetivo de la controlabilidad es que la salida x[k] se
Bibliografía
aproxime, o aproxime al set point xd[k].
Control de Sistemas
Observabilidad Dinámicos
Alejandro Peña P.
• La observabilidad se enfoca en el problema de determinar el

estado x[k], a partir de las mediciones de x[k-1].
• Se dice que un sistema es observable, si es posible inferir el
estado inicial x[0], a partir de un conjunto de mediciones de
salida sobre un intervalo finito de tiempo [0,T]. Contenido
• De la mano de los conceptos anteriores, aparece el concepto Control Sistemas

Dinámicos
de control adaptativo, y que es la base del control inteligente. Introducción
Observabilidad
• En el caso en donde un sistema contenga múltiples entradas y Controlabilidad
salidas, aparece la teoría del control multivariable. Esquemas de Control
Control Neuronal
• En el caso de sistemas donde aparecen fenómenos aleatorios Introducción
se utiliza la teoría de control estocástico. Control Inverso
Ejemplo: Analizar la controlabilidad y la observabilidad Aprendizaje Específico
de un sistema, expresado mediante redes neuronales
Bibliografía
del tipo MADALINE, de forma matemática, y utilizando
MATLAB.
Control de Sistemas
Observabilidad. Dinámicos
Alejandro Peña P.
• Ejemplo:
Determinar la observabilidad de un sistema, el cual fue
identificado mediante la utilización de la red neuronal
MADALINE y el modelo EPR de tipo lineal.
• El concepto de observabilidad, esta relacionado con el Contenido
siguiente problema: Dado un sistema LTI, y sus entradas 𝑢[𝑘] Control Sistemas
y sus salidas 𝑥[𝑘] sobre un intervalo 𝑘𝑜 , 𝑘1 , calcular el estado Dinámicos
inicial 𝑥[0]. Introducción

Observabilidad
Controlabilidad
• Siendo A y C dos matrices constantes de dimensiones nxn y Esquemas de Control
mxn respectivamente, un sistema es completamente Control Neuronal
observable, si y solo si, la matriz de observabilidad 𝐶 𝑚.𝑛 𝑥𝑛 es Introducción
Control Inverso
de rango n. Aprendizaje Generalizado
𝐶 Regla Delta Generalizada
𝐶. 𝐴 Aprendizaje Específico
𝐶. 𝐴2 Bibliografía
𝛾= .
.
.
𝐶. 𝐴𝑛−1
Control de Sistemas
Controlabilidad Dinámicos
Alejandro Peña P.
• La controlabilidad de un sistema, responde a la siguiente

pregunta:
¿Existe siempre una entrada de control 𝒖[𝒌] la cual puede
transferir el sistema desde el estado inicial 𝑥𝑜 a otro estado 𝑥1
deseado en un tiempo finito?
Contenido
• Mientras que la observabilidad responde a la pregunta: Control Sistemas
Dinámicos
¿El estado inicial 𝒙[𝟎] del que parte un sistema, puede siempre Introducción
identificarse mediante la observación de la salida 𝒙[𝒌] y de la Observabilidad
Controlabilidad
entrada 𝑢𝑘 sobre un tiempo finito k? Esquemas de Control
• Estas características del sistema pueden ser contestadas Control Neuronal

Introducción
mediante las propiedades de las matrices A, B, C y D, que Control Inverso
definen un espacio de estados para un sistema. Aprendizaje Generalizado
• Las matrices A, B, son las que tienen que ver con la relación Aprendizaje Específico
entre entrada y estado, y se les conoce como el par de Bibliografía

controlabilidad.
• Las matrices A, C, involucran el estado con la salida, a estas
dos matrices se les conoce como par de observabilidad.
Control de Sistemas
Controlabilidad. Dinámicos
Alejandro Peña P.
• Ejemplo:
Determinar la controlabilidad de un sistema, el cual fue
identificado mediante la utilización de la red neuronal
MADALINE y el modelo EPR de tipo lineal.
• Este estudio se concentrará en sistemas SISO, sistemas de Contenido
una sola entrada, e invariantes en el tiempo (LTI). Control Sistemas
Dinámicos
• Para dichos sistemas la matriz de controlabilidad es cuadrada, Introducción
y si la misma es de rango n, significa la misma es no singular Observabilidad
Controlabilidad
y que es invertible. Esquemas de Control
• La matriz de controlabilidad se construye de la siguiente Control Neuronal

Introducción
manera: Control Inverso
𝐶𝑐 = 𝐴 𝐴. 𝐵 𝐴2 𝐵 Aprendizaje Generalizado
• Para que un sistema descrito sea de estado completamente Aprendizaje Específico
controlable, es necesario y suficiente que la matriz 𝐶𝑛𝑥(𝑛.𝑟) de Bibliografía
controlabilidad, sea de rango igual a n.

Control de Sistemas
Controlabilidad y Observabilidad (MATLAB). Dinámicos
Alejandro Peña P.
• Para calcular la matriz de observabilidad:

>>Co=ctrb(A,B);
• Para calcular la matriz de observabilidad:
>>Ob=obsv(A,C);
Contenido
• Para calcular el rango de una matriz: Control Sistemas
Dinámicos
>>rank(Co); Introducción
Observabilidad
>>rank(Ob); Controlabilidad
Esquemas de Control
• Para simular el comportamiento de un Sistema SISO en tiempo Control Neuronal
discreto: Introducción
Control Inverso
1. Organizamos la red, lado izquierdo los retardos de la Aprendizaje Generalizado
planta en forma descendente. Lado derecho la señal Aprendizaje Específico
de control en orden descendente.
Bibliografía
2. Se calcula la transformada Z.
3. Se divide H(z) por la máxima potencia arriba y abajo.
4. Se construyen los vectores A1, B1 en MATLAB.
Control de Sistemas
Controlabilidad y Observabilidad (MATLAB). Dinámicos
Alejandro Peña P.
• Para llevar a cabo la simulación de un sistema SISO en tiempo

discreto:
>>k=0:0.1:20;
>>escalon=ones(size(k));
Contenido
>>y2=filter (B,A,escalon);
Control Sistemas
• Otra alternativa para llevar a cabo la simulación a la respuesta Dinámicos
Introducción
en tiempo discreto: Observabilidad
Controlabilidad
>>G=tf(B,A,[]); Esquemas de Control
>>y3=step(G,k); Control Neuronal

Introducción
• Para graficar ambos resultados: Control Inverso
>>plot(k,y2); Aprendizaje Específico
>>hold on Bibliografía
>>plot(k,y3);
Control de Sistemas
Dinámicos
Control Inteligente Alejandro Peña P.
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introducción
Control Inverso
Alejandro Peña P., PhD. Aprendizaje Generalizado
pfjapena@gmail.com Aprendizaje Específico
Bibliografía
Grupo de Investigación en Inteligencia
Control de Sistemas
Esquemas del Control Inteligente. Dinámicos
Alejandro Peña P.
• El incremento de las demandas tecnológicas, ha generado

sistemas complejos que requieren de controladores
sofisticados para asegurar alto desempeño ante condiciones
adversas.
• Estas condiciones son difícilmente logrables con controladores Contenido
convencionales, debido al desconocimiento de la dinámica de
Control Sistemas
un sistema, la cual puede variar de manera significativamente Dinámicos
y de manera impredecible con el tiempo. Introducción
Observabilidad
Controlabilidad
• El control inteligente es la disciplina donde los métodos de Esquemas de Control
control se desarrollan para emular características importantes
Control Neuronal
de un controlador o cerebro humano: Introducción
Control Inverso
1. Son robustos y tolerantes a fallas. Aprendizaje Generalizado
2. Son compactos y consumen poca energía. Aprendizaje Específico
Bibliografía
3. Se acomodan a diferentes ambientes por aprendizaje.
Control de Sistemas
Esquemas del Control Inteligente. Dinámicos
Alejandro Peña P.
• Las áreas donde se esta trabajando alrededor del control

inteligente son: redes neuronales, control difuso, algoritmos
genéticos, sistemas de planeación, sistemas expertos y
sistemas híbridos.
• Un sistema de control inteligente debe ser autónomo, con el Contenido
poder de autogobernarse. La autonomía es el objetivo de los
Control Sistemas
sistemas de control complejos, y los controladores inteligentes Dinámicos
son una manera de lograrlo. Introducción
Observabilidad
Controlabilidad
• Un modelo matemático de una planta o sistema debe ser lo Esquemas de Control
bastante simple para que pueda ser analizado, y bastante
Control Neuronal
exacto tal que describa los aspectos más importantes de su Introducción
comportamiento. Control Inverso
• En general, los modelos lineales generan controles para Regla Delta Generalizada
cumplir especificaciones alrededor de un punto de operación.
Bibliografía
• En sistemas de control con alto grado de autonomía (control
inteligente), pueden incrementar significativamente el rango de
operación de un sistema, esto debido a su capacidad de
aprendizaje de la evolución de un sistema.
Control de Sistemas
Control Inteligente de Sistemas. Dinámicos
Alejandro Peña P.
• El objetivo del control inteligente, al igual que el control

adaptativo, es el ajuste de los parámetros del control, para
lograr una respuesta específica de un sistema desconocido, o
variante en el tiempo, con, o sin un modelo de referencia
(Dagli, 1994).
Contenido
• Cuando se habla de control inteligente, generalmente se
entiende que es un modelo por aprendizaje y adaptación, con Control Sistemas
Dinámicos
el objetivo de calcular la acción de control para un proceso Introducción
que cambio con el tiempo, de modo que se alcance el objetivo Observabilidad
Controlabilidad
de control deseado. Esquemas de Control
• La diversidad de los métodos o estrategias de control, radica Control Neuronal

Introducción
en el modo de representación de un sistema dinámico, y en la Control Inverso
forma que generan la acción de control. Aprendizaje Generalizado
• Los algoritmos por aprendizaje, se basan generalmente en la Aprendizaje Específico
Regla Delta Generalizada, de manera que los parámetros del Bibliografía

controlador, se adaptan en la dirección negativa del gradiente
de una determinada función de error.
Control de Sistemas
Dinámicos
Control Neuronal Alejandro Peña P.
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introducción
Control Inverso
Bibliografía
Control de Sistemas
Control Neuronal Dinámicos
Alejandro Peña P.
• En aplicaciones industriales, lo más relevante del uso de

redes neuronales, esta directamente relacionado con la
identificación de sistemas, o con la optimización de
controladores.
• Una de las habilidades más importantes de las redes
Contenido
neuronales artificiales, es su capacidad para aproximar
funciones no lineales. Control Sistemas
Dinámicos
Introducción
• La identificación de sistemas utilizando redes neuronales, Observabilidad
consiste en entrenar la red a partir de un conjunto de pares de Controlabilidad
Esquemas de Control
datos de entrada y salida de una planta, o proceso
característico no lineal. Control Neuronal
Introducción
• El problema de identificación con redes neuronales, se puede Control Inverso
considerar como un problema de aproximación de una función Regla Delta Generalizada
no lineal a un proceso complejo.
Bibliografía
Control de Sistemas
Esquemas de Control Neuronal Dinámicos
Alejandro Peña P.
• Las redes neuronales artificiales, ocupan un lugar importante

en el desarrollo de técnicas de control para proceso dinámicos
no lineales.
• Cuando se habla de control de procesos utilizando redes
neuronales, generalmente se entiende que es una red
Contenido
encargada de calcular la acción de control que hay que aplicar
a un proceso, para que alcance el objetivo de control deseado. Control Sistemas
Dinámicos
Introducción
• La diversidad de los métodos, o estrategias de control, radica Observabilidad
en el modelo de realizar el entrenamiento de la red, así como Controlabilidad
Esquemas de Control
el tipo de red de neuronas a utilizar.
Control Neuronal
• El aprendizaje de las redes neuronales, se basan en el Introducción
Control Inverso
método de la regla delta generalizada, adaptando los pesos Aprendizaje Generalizado
en términos del error con respecto a la señal de referencia. Regla Delta Generalizada
Bibliografía
Control de Sistemas
Esquemas de Control utilizando Redes Neuronales Dinámicos
Alejandro Peña P.
• Los esquemas más utilizados en el control con redes

neuronales, son los siguientes:
1. Copia de un Controlador Existente.
2. Control Inverso.
Contenido
3. Control basado en la Regla Delta Generalizada
(Control Adaptativo). Control Sistemas
Dinámicos
Introducción
4. Control Predictivo. Observabilidad
Controlabilidad
• A pesar de las clasificaciones, un marco unificador para el Esquemas de Control
control neuronal es ver el entrenamiento como un problema Control Neuronal
de optimización no lineal. Introducción
Control Inverso
• El esquema basado en la regla delta, es llamado control Aprendizaje Generalizado
indirecto, ya que una red neuronal no envía una señal de Aprendizaje Específico
control directamente al proceso. Aquí la red neuronal se utiliza
Bibliografía
como indicador de las características del proceso.
Control de Sistemas
Dinámicos
Control Inverso Alejandro Peña P.
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introducción
Control Inverso
Alejandro Peña P., PhD. Regla Delta Generalizada
pfjapena@gmail.com Bibliografía

Control de Sistemas
Control Neuronal Inverso. Dinámicos
Alejandro Peña P.
• El esquema de control inverso, consiste en aproximar

mediante una red de neuronas, la dinámica inversa de un
sistema o proceso.
• La salida de un proceso se puede expresar de la siguiente
manera:
Contenido
x 𝑘 = 𝑆 𝑢 𝑘 , 𝑥[𝑘 − 1, 𝑥 𝑘 − 2 , … … , 𝑥[𝑘 − 𝑛] Control Sistemas
Dinámicos
Donde: Introducción
Observabilidad
u[k]: Representa la entrada del proceso. Controlabilidad
Esquemas de Control
• Por tanto una estrategia de control inverso la red de neuronas Control Neuronal
se utiliza para aproximar la siguiente relación: Introducción
𝑢 𝑘 = 𝑆 −1 𝑥 𝑘 , 𝑥 𝑘 − 1 , … … , 𝑥[𝑘 − 𝑛] Control Inverso
• El aprendizaje mediante un esquema de control inverso Aprendizaje Específico
utilizando redes neuronales, se lleva a cabo mediante
Bibliografía
aprendizaje generalizado.
Control de Sistemas
Aprendizaje Generalizado Dinámicos
Alejandro Peña P.
• En este caso, la red neuronal se entrena para que aprenda la

dinámica inversa del proceso en su totalidad.
• Para dicho entrenamiento, se utiliza un conjunto de datos
representativo de dicha dinámica (dinámica inversa), esta
dinámica se obtiene manipulando la acción de control, y
Contenido
observando o midiendo la salida del proceso para dicha señal.
Control Sistemas
• Por tanto, el aprendizaje de la red realiza mediante la Dinámicos
Introducción
dirección negativa del gradiente de la siguiente función: Observabilidad
1 Controlabilidad
𝑒 𝑘 = 𝑥𝑑 𝑘 − 𝑥 𝑘 2 Esquemas de Control
2
Control Neuronal
Introducción
Control Inverso
Bibliografía
Control de Sistemas
Dinámicos
Control Neuronal Alejandro Peña P.
(Regla Delta Generalizada)
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introducción
Control Inverso
Bibliografía
Control de Sistemas
Aprendizaje Especializado Dinámicos
Alejandro Peña P.
• El modelo neuronal para este tipo de aprendizaje, es obtenido

con la estructura de modelación directa de la siguiente
manera:
Contenido
Control Sistemas
Dinámicos
Introducción
Observabilidad
Controlabilidad
Esquemas de Control
• Para el entrenamiento de la red neuronal, se utiliza el Control Neuronal
algoritmo de entrenamiento backpropagation. Para este tipo Introducción
Control Inverso
de modelación, la función de costo a minimizar es la siguiente: Aprendizaje Generalizado
𝑁𝐷
1 2
𝐽= 𝑥 𝑘 − 𝑥𝑟 𝑘 Aprendizaje Específico
2
𝑘=1 Bibliografía
Control de Sistemas
Aprendizaje Especializado Dinámicos
Alejandro Peña P.
• El control por la regla delta generalizada, se denota y define

de la siguiente manera:
𝜕𝐽 𝑘
𝑢 𝑘+1 =𝑢 𝑘 +𝛼
𝜕𝑢 𝑘
Donde:
Contenido
u[k]: Representan la señal de control. Control Sistemas

Dinámicos
α: Representa la ganancia de paso donde 𝛼 > 0 . Introducción
Observabilidad
𝜕𝐽 𝑘 𝑢 𝑘 : Es el gradiente de la función a optimizar Controlabilidad
Esquemas de Control
con respecto a la señal de control.
Control Neuronal
𝐽 𝑘 : Función candidata de Lyapunov. Introducción
Control Inverso
• Ejemplo: Calcular la regla de control para una red neuronal de Aprendizaje Generalizado
tipo MADALINE con función de activación tanh a la salida de Aprendizaje Específico
la capa oculta de neuronas. Bibliografía
Control de Sistemas
Dinámicos
Análisis de Sistemas Alejandro Peña P.
Contenido
Análisis de Sistemas
Estabilidad
Estabilidad (z-plane)
Root Locus
Respuesta al Escaolón
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Alejandro Peña P., PhD. Esquema MRAC
Modos Deslizantes
pfjapena@gmail.com Algoritmos de Aprendizaje
Grupo de Investigación en Inteligencia Equilibrio y Estabilidad

Función de Lyapunov
Computacional y Robótica (GICR) Definición Intuitiva

Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Estabilidad. Dinámicos
Alejandro Peña P.
• Es una de las características más importantes del control, ya

que en un sistema estable, la señal de salida al tener un
cambio de cualquier tipo a la entrada, este no se sale de los
límites establecidos.
• De esta manera, el sistema mantiene una posición si no igual, Contenido
por lo menos paralela a la señal de entrada. Análisis de Sistemas

Estabilidad
• La estabilidad en sistemas continuos, esta determinada Estabilidad (z-plane)
Root Locus
porque las raíces del denominador de la función de Respuesta al Escaolón
transferencia en lazo cerrado, están en la región estable del Exactitud
plano s. Control Neuronal

Adaptativo
• La estabilidad en sistemas discretos, esta determinada porque Self Tunning
Modelo Indirrecto
los polos de la función de transferencia se encuentran al Esquema MRAC
interior del circulo unitario en el plano z. Modos Deslizantes
Algoritmos de Aprendizaje
Equilibrio y Estabilidad
Definición Intuitiva
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Estabilidad (z-plane). Dinámicos
Alejandro Peña P.
• Para calcular la estabilidad de un sistema en tiempo discreto,

se debe tener en cuenta el siguiente procedimiento:
• Sea la siguiente función de transferencia en tiempo continuo:
>> A1=27;
>> B1=[1 27 0]; Contenido
>> Ga=tf(A1,B1); Análisis de Sistemas
Estabilidad
>> Gz=c2d(Ga,0.1,’zoh’) Estabilidad (z-plane)
>> Tz=feedback(Gz,1); Root Locus
>> r=pole(Tz); Exactitud
>> rm=max(abs(r)); Control Neuronal

Adaptativo
Self Tunning
• Ejemplo: Evaluar la estabilidad de un sistema, a partir de un Modelo Indirrecto
controlador encontrado mediante redes neuronales utilizando Esquema MRAC
Modos Deslizantes
aprendizaje por Regla Delta Generalizada. Analizar la Algoritmos de Aprendizaje
sensibilidad del factor de aprendizaje en el control.
𝑥 𝑘 = 0.2123436𝑢 𝑘 + 0.2611085𝑥 𝑘 − 3 Definición Formal
+ 0.2337058𝑥 𝑘 − 2 + 0.3009152𝑥[𝑘 − 3] Equilibrios
Bibliografía
Control de Sistemas
Root Locus Dinámicos
Alejandro Peña P.
• De manera general, la estabilidad de un sistema realimentado,

esta directamente relacionada con la ubicación de los polos.
• Cuando el sistema posee una ganancia variable, la estabilidad
de un sistema depende del valor escogido para dicha
ganancia. Contenido
• El análisis root locus permite evaluar la estabilidad de un
sistema, en términos de observar el movimiento de los polos Estabilidad
en el plano complejo, de acuerdo con la variación de la Estabilidad (z-plane)
Root Locus
ganancia del sistema. Respuesta al Escaolón
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.
• Ejemplo: Considerar un sistema en lazo cerrado el cual tiene

la siguiente función de transferencia:
𝐾
𝐺 𝑠 =
𝑠 𝑠 + 0.5 𝑠 2 + 0.6𝑠 + 10
Contenido
• El diagrama en root locus se construye utilizando MATLAB de
la siguiente manera: Estabilidad
Root Locus
>>num=[1]; Respuesta al Escaolón
Exactitud
>>den=[1 1.1 10.3 5 0];
Control Neuronal
>>[r,K]=rlocus(num,den); Adaptativo
>>plot(r,’-’) Self Tunning
Modelo Indirrecto
>>axis(‘equal’); Esquema MRAC
Modos Deslizantes
>>V=[-4 4 -4 4]; Algoritmos de Aprendizaje
>>axis(v) Equilibrio y Estabilidad
>>grid Función de Lyapunov
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.

z^4
−−−−−−−−−−−−−−−−−−−−−−−−−−−− −
z^4 − 1.5 z^3 + 0.38 z^2 + 0.128 z − 0.008
Contenido
• El diagrama en root locus en tiempo discreto se construye
utilizando MATLAB de la siguiente manera: Estabilidad
Root Locus
>>num=[1 0 0 0 0]; Respuesta al Escaolón
Exactitud
>>den=[1 -1.5 0.38 0.128 -0.008];
>>Gz=tf(num,den,[]); Control Neuronal
Adaptativo
>>Tz=feedback(Gz,1) Self Tunning
Modelo Indirrecto
>>rlocus(num,den); Esquema MRAC
Modos Deslizantes
>>[K,polos]=rlocfind(num,den); Algoritmos de Aprendizaje
>>axis([-1 1 -1 1]) Equilibrio y Estabilidad
>>K Definición Formal
Equilibrios
Este análisis permite determinar el valor de K para el cual
es modelo presenta estabilidad. Bibliografía
Control de Sistemas
Respuesta al Escalón Dinámicos
Alejandro Peña P.
• Ahora para determinar la respuesta al escalón, debemos tener

en cuenta el siguiente procedimiento:
>>[numcDz,dencDz]=cloop(K*num,den);
>>U=1;
Contenido
>>[x]=dstep(U*numcDz,dencDz,201);
>>figura Estabilidad
>>t=0:0.5:10; Root Locus
>>stairs(t,x) Respuesta al Escaolón
Exactitud
>>grid
Control Neuronal
Adaptativo
• Ejemplo: Analizar la estabilidad de una red neuronal del tipo Self Tunning
Modelo Indirrecto
madaline. Esquema MRAC
Modos Deslizantes
𝑥 𝑘 = 0.2123436𝑢 𝑘 + 0.2611085𝑥 𝑘 − 3 + 0.2337058𝑥 𝑘 − 2
+ 0.3009152𝑥[𝑘 − 3] Función de Lyapunov
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Exactitud Dinámicos
Alejandro Peña P.
• La exactitud de error (static or steady state error), se refiere a

qué tan bien un sistema se ajusta a cambios en el valor de
referencia, y qué también puede eliminar los disturbios en
estado estable.
• Con la palabra estado estable, nos referimos al valor final del
Contenido
sistema después de un cambio, sin estar interesados en su
comportamiento transitorio. Análisis de Sistemas
Estabilidad
• Las siguientes Figuras muestran la diferencia entre un buen Estabilidad (z-plane)
Root Locus
sistema y un mal sistema. Para que un sistema sea bueno , se Respuesta al Escaolón
requiere que la señal de salida se ajuste a la señal de entrada Exactitud
sin error. Control Neuronal

Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Exactitud Dinámicos
Alejandro Peña P.
• Para evaluar la estabilidad y la exactitud de un sistemas de

control, es necesario tener en cuenta el siguiente sistema:
𝐺𝑟𝐺𝑝 𝐺𝑝
𝑌= 𝑅 + 𝑉
1+𝐺𝑟𝐺𝑝 1+𝐺𝑟𝐺𝑝
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
• De manera general, la exactitud de un sistema se puede Adaptativo
calcular de la siguiente manera: Self Tunning
Modelo Indirrecto
∗ −1
𝑅 𝑧 Esquema MRAC
𝑒 ∞ = lim 1 − 𝑧
𝑧→1 1 + 𝐺1 𝑧 𝐺2 𝑧 Modos Deslizantes
Donde: Equilibrio y Estabilidad

𝑒 ∗ ∞ : Es el valor final del error. Definición Intuitiva
Definición Formal
• La ecuación anterior puede ser evaluada para señales de Equilibrios
entrada como: Escalón, Rampa y Parábola. Bibliografía

Control de Sistemas
Exactitud (Unit Step Input) Dinámicos
Alejandro Peña P.
• Para este caso en particular, la función que representa el

Escalón, esta dada dela siguiente manera:
𝑧
𝑅 𝑧 = 𝑧−1
Sustituyendo en la ecuación anterior:
∗
1 Contenido
𝑒 ∞ =
1 + lim 𝐺 𝑧 Análisis de Sistemas
𝑧→1 Estabilidad
Donde: Root Locus
𝐾𝑝 = lim 𝐺 𝑧 Exactitud
𝑧→1
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Reescribiendo Esquema MRAC
1 Modos Deslizantes
𝑒∗ ∞ = Algoritmos de Aprendizaje
1 + 𝐾𝑝
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Exactitud (Unit Ramp Input) Dinámicos
Alejandro Peña P.
• Para este caso en particular, la función que representa la

rampa, esta dada dela siguiente manera:
𝑇𝑧
𝑅 𝑧 =
𝑧−1 2
Contenido
∗
1 Análisis de Sistemas
𝑒 ∞ =
𝐾𝑣 Estabilidad
Root Locus
Donde: Respuesta al Escaolón
Exactitud
1
𝐾𝑣 = lim 𝑧 − 1 𝐺 𝑧
𝑇 𝑧→1 Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
T: Tiempo de muestreo Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Exactitud (Unit Parabolic Input) Dinámicos
Alejandro Peña P.
• Para este caso en particular, la función que representa la

parábola, esta dada dela siguiente manera:
𝑇 2 𝑧(𝑧 + 1)
𝑅 𝑧 =
2(𝑧 − 1)3
Contenido
∗
1 Análisis de Sistemas
𝑒 ∞ = Estabilidad
𝐾𝑎 Estabilidad (z-plane)
Root Locus
Donde: Respuesta al Escaolón
1 2 𝐺𝑟
Exactitud
𝐾𝑎 = lim 𝑧 − 1 𝑧 ∗ 𝐺𝑝 𝑧
𝑇2 𝑧→1 Control Neuronal
Adaptativo
T: Tiempo de muestreo. Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Exactitud (Matlab) Dinámicos
Alejandro Peña P.
• Ejemplo: Evaluar la estabilidad de un sistema, obtenido

mediante la regla delta generalizada (G(z)=Gr(z)*Gp(z)).
𝑥 𝑘 − 0.5𝑥 𝑘 − 1 + 0.12𝑥 𝑘 − 2 − 0.008𝑥 𝑘 − 3 = 𝑢[𝑘]

Contenido
>>Kp=dcgain(Gz); Análisis de Sistemas
Estabilidad
>>GzKv=(1/T)*tf([1 -1],[0 1], T)* Gz; Estabilidad (z-plane)
>>GzKv=minreal(GzKv,0.00001); Root Locus
>>Kv=dcgain(GzKv) Exactitud
>>GzKa=(1/T ^2)*tf([1 -2 1],[0 0 1],T)*Gz; Control Neuronal

Adaptativo
>>GzKa=minreal(GzKa,0.00001) Self Tunning
Modelo Indirrecto
>>Ka=dcgain(GzKa) Esquema MRAC
Modos Deslizantes
• minreal(Sys,Tol): Permite cancelar los términos comunes de Equilibrio y Estabilidad

una función de transferencia: Definición Intuitiva
Definición Formal
Sys: Es el sistema a estudiar. Equilibrios
Tol: Es un parámetro opcional. Bibliografía
Control de Sistemas
Dinámicos
Alejandro Peña P.
(Función de Lyapunov)
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Alejandro Peña P., PhD. Algoritmos de Aprendizaje
pfjapena@gmail.com Equilibrio y Estabilidad

Grupo de Investigación en Inteligencia Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Función de Lyapunov Dinámicos
Alejandro Peña P.
• Las funciones de Lyapunov, son funciones que demuestran la

estabilidad de cierto punto fijo en un sistema dinámico.
• Las funciones que pueden probar la estabilidad de un punto
cualquier de equilibrio son llamadas candidatas a funciones
Lyapunov.
Contenido
• Para los sistemas dinámicos (como los sistemas físicos) las Análisis de Sistemas
leyes de conservación proveen frecuentemente las funciones Estabilidad
de Lyapunov. Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Función de Lyapunov Dinámicos
Alejandro Peña P.
• Las funciones de Lyapunov, son funciones que demuestran la

estabilidad de cierto punto fijo en un sistema dinámico.
• Las funciones que pueden probar la estabilidad de un punto
cualquier de equilibrio son llamadas candidatas a funciones
Lyapunov.
Contenido
• Para los sistemas dinámicos (como los sistemas físicos) las Análisis de Sistemas
leyes de conservación proveen frecuentemente las funciones Estabilidad
de Lyapunov. Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Tomado de Wikipedia (Función de Lyapunov, 2008)
Control de Sistemas
Definición intuitiva función de Lyapunov Dinámicos
Alejandro Peña P.
• Un sistema dinámico requiere un estado inicial 𝑥𝑜 y una

función de evolución 𝐹 𝑥𝑜 , 𝑡 que indica la trayectoria de los
estados 𝑥 𝑡 futuros que tendrá el sistema.
• Una función de Lyapunov corresponde a una familia de
regiones espaciales , cada una de las cuales queda definida
Contenido
por una curva de nivel, o curva potencial 𝑉 𝑥 .
• Una vez que el estado 𝑥 𝑡 ha entrado en la regio de Estabilidad
Lyapunov, correspondiente a la curva de nivel 𝑉 𝑥𝑜 = 𝑉𝑜 , ya Estabilidad (z-plane)

Root Locus
no podrá salir de ella. Respuesta al Escaolón
Exactitud
• De este modo, a medida que el tiempo avanza, el sistema irá Control Neuronal
quedando atrapado en regiones de Lyapunov cada vez más Adaptativo
Self Tunning
pequeñas. Modelo Indirrecto
Esquema MRAC
• Es por esto que la función de Lyapunov, irá en decrecimiento Modos Deslizantes
al pasar el tiempo, lo que permite asegurar que el sistema Algoritmos de Aprendizaje
dinámico es estable. Equilibrio y Estabilidad

Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Definición de la función de Lyapunov Dinámicos
Alejandro Peña P.
• Sea la siguiente función escalar :

𝑉 𝑥 : 𝑅𝑛 → 𝑅
Una función candidata de Lyapunov, si es localmente (en 0)
definida positiva, o equivalentemente, si existe un entorno U
de 0 tal que:
Contenido
𝑉 0 = 0, 𝑉 𝑥 > 0 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ 𝑈 <> 0
• El segundo teorema de Lyapunov, se denota y define: Estabilidad
𝑥∗ = 0 Estabilidad (z-plane)
Root Locus
En donde un punto de equilibrio del sistema autonoma esta Exactitud
definido: Control Neuronal
𝑥=𝑓 𝑥 Adaptativo
Self Tunning
Y sea Modelo Indirrecto
𝜕𝑉 𝜕𝑥
Esquema MRAC
𝑉 𝑥 = = 𝛻𝑉𝑥 = 𝛻𝑉𝑓 𝑥 Modos Deslizantes

𝜕𝑥 𝜕𝑡 Algoritmos de Aprendizaje
Esta es la derivada respecto al tiempo de una función Función de Lyapunov
candidata de Lyapunov. Definición Intuitiva
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Equilibrios de Lyapunov Dinámicos
Alejandro Peña P.
• Equilibrio Estable:
Este equilibrio, se da cuando la derivada respecto al tiempo de
la función candidata de Lyapunov V y localmente semidefinida
negativa, esto es, si existe un entorno V de 0 tal que:
𝑉 𝑥 ≤ 0, 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ 𝐵 Contenido
Para algún entorno o vecindad B, entonces se dice que el Estabilidad
sistema tiene un equilibrio estable. Root Locus
• Equilibrio Localmente Atractivo: Exactitud
Si la derivada respecto al tiempo de la función candidata de Control Neuronal

Adaptativo
Lyapunov V esta localmente definida negativa, esto es si Self Tunning
Modelo Indirrecto
existe un entorno B de 0 tal que: Esquema MRAC
Modos Deslizantes
𝑉 𝑥 < 0, 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ 𝐵 Algoritmos de Aprendizaje
Entonces el equilibrio es localmente atractivo. Función de Lyapunov
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.
• Equilibrio Globalmente Atractivo:

Si las funciones candidatas de Lyapunov V estan definidas
como positiva sobre todo el dominio, y su derivada respecto al
tiempo es globalmente definida como negativa, esto es:
𝑉 𝑥 ≤ 0, 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ 𝑅𝑛 <> 0 Contenido
Entonces el equilibrio es globalmente atractivo. Estabilidad
• El control mediante la utilización de los principios de las redes Root Locus
neuronales, utiliza como elemento fundamental el error Exactitud
cuadrático medio, el cual se denota y define como: Control Neuronal
1 Adaptativo
𝑒 𝑘 = 𝑆𝑃𝑘 − 𝑦𝑟𝑘 2
2
Self Tunning
2 Modelo Indirrecto
Donde: Esquema MRAC
Modos Deslizantes
𝑒 2 𝑘 : Error cuadrático medio. Algoritmos de Aprendizaje
𝑆𝑃𝑘 : Set-Point o valor de referencia para el funcionamiento del Equilibrio y Estabilidad

sistema. Definición Intuitiva
Definición Formal
𝑦𝑟𝑘 : Respuesta del Sistema Dinámico. Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.
• Sea una red neuronal de tipo Madaline definida de la siguiente

manera:
𝑦𝑟𝑘 = 𝐶𝑗 𝑤𝑗𝑖 𝑋𝑖
De este modo, la actualización de los pesos teniendo en
cuenta la regla delta generalizada, tenemos lo siguiente: Contenido
𝜕𝑒𝑘 2
𝑤𝑗𝑖𝑘 =−∝ Análisis de Sistemas
𝜕𝑤𝑗𝑖𝑘 Estabilidad
𝑑𝑦 Estabilidad (z-plane)
𝑤𝑗𝑖𝑘+1 = 𝑤𝑗𝑖𝑘 + 𝛼𝑒𝑘 𝜑 𝑢𝑘 , 𝑤𝑗𝑖𝑘 Root Locus
𝑑𝑢 Respuesta al Escalón
Exactitud
Donde:
Control Neuronal
𝜑 𝑢𝑘 , 𝑤𝑗𝑖𝑘 : Sensibilidad del controlador con respecto a la Adaptativo
Self Tunning
actualización de los pesos 𝑤𝑗𝑖𝑘 . Modelo Indirrecto
𝜕𝑢𝑘 Esquema MRAC
𝜑 𝑢𝑘 , 𝑤𝑗𝑖𝑘 = Modos Deslizantes
𝜕𝑤𝑗𝑖𝑘 Algoritmos de Aprendizaje
𝑢𝑘 : Es el controlador obtenido a partir de la red neuronal de Equilibrio y Estabilidad

identificación. Definición Intuitiva
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.
• De acuerdo con lo anterior, la derivada del error cuadrático

medio en función del tiempo, se denota y define como:
𝑑𝑒 2 𝑡 𝜕𝑒 2 𝑡 𝜕𝑦 𝜕𝑢 𝜕𝑤𝑗𝑖
=
𝑑𝑡 𝜕𝑦 𝜕𝑢 𝜕𝑤𝑗𝑖 𝜕𝑡
Contenido
2
𝑑𝑒 2 𝑡 2
𝜕𝑦 Análisis de Sistemas
= −𝛼 𝜑 𝑢𝑘 , 𝑤𝑗𝑖𝑘 𝑒2 𝑡 Estabilidad
𝑑𝑡 𝜕𝑢 Estabilidad (z-plane)
Root Locus
Cuando 𝛼 > 0, entonces 𝑒 2 𝑡 ≤ 0 para todo 𝑡 > 0. De aquí se Exactitud
concluye que de la teoría de estabilidad de Lyapunov, la Control Neuronal
función del error esta decrementando a medida que el tiempo Adaptativo
Self Tunning
esta creciendo. Modelo Indirrecto
Esquema MRAC
• De esta manera, los parámetros de sintonización del modelo, Modos Deslizantes
son capaces de producir las entradas de control adaptables,
que son convenientes para que el sistema alcance la salida Equilibrio y Estabilidad
deseada 𝑦𝑟𝑘 . Función de Lyapunov
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Dinámicos
Estabilidad (Root Locus) Alejandro Peña P.
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Alejandro Peña P., PhD. Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Grupo de Investigación en Inteligencia Equilibrio y Estabilidad

Computacional y Robótica (GICR) Definición Intuitiva
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.
• De manera general, la estabilidad de un sistema realimentado,

esta directamente relacionada con la ubicación de los polos.
• Cuando el sistema posee una ganancia variable, la estabilidad
de un sistema depende del valor escogido para dicha
ganancia. Contenido
• El análisis root locus permite evaluar la estabilidad de un
sistema, en términos de observar el movimiento de los polos Estabilidad
en el plano complejo, de acuerdo con la variación de la Estabilidad (z-plane)
Root Locus
ganancia del sistema. Respuesta al Escaolón
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.
• Ejemplo: Analizar la estabilidad del siguiente sistema,

mediante la utilización del método root locus.
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Polos y Ceros Dinámicos
Alejandro Peña P.
• En los siguientes ejemplos, se muestra el comportamiento de

diferentes sistemas de acuerdo con la ubicación de sus polos
en el plano complejo.
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.

𝐾
𝐺 𝑠 =
𝑠 𝑠 + 0.5 𝑠 2 + 0.6𝑠 + 10
Contenido
• El diagrama en root locus se construye utilizando MATLAB de
la siguiente manera: Estabilidad
Root Locus
>>num=[1]; Respuesta al Escaolón
Exactitud
>>den=[1 1.1 10.3 5 0];
Control Neuronal
>>[r,K]=rlocus(num,den); Adaptativo
>>plot(r,’-’) Self Tunning
Modelo Indirrecto
>>axis(‘equal’); Esquema MRAC
Modos Deslizantes
>>V=[-4 4 -4 4]; Algoritmos de Aprendizaje
>>axis(v) Equilibrio y Estabilidad
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Alejandro Peña P.

z^4
−−−−−−−−−−−−−−−−−−−−−−−−−−−− −
z^4 − 1.5 z^3 + 0.38 z^2 + 0.128 z − 0.008
Contenido
• El diagrama en root locus en tiempo discreto se construye
utilizando MATLAB de la siguiente manera: Estabilidad
Root Locus
>>num=[1 0 0 0 0]; Respuesta al Escaolón
Exactitud
>>den=[1 -1.5 0.38 0.128 -0.008];
>>Gz=tf(num,den,[]); Control Neuronal
Adaptativo
>>Tz=feedback(Gz,1) Self Tunning
Modelo Indirrecto
>>rlocus(num,den); Esquema MRAC
Modos Deslizantes
>>[K,polos]=rlocfind(num,den); Algoritmos de Aprendizaje
>>axis([-1 1 -1 1]) Equilibrio y Estabilidad
>>K Definición Formal
Equilibrios
Este análisis permite determinar el valor de K para el cual
es modelo presenta estabilidad. Bibliografía
Control de Sistemas
Alejandro Peña P.
• Ahora para determinar la respuesta al escalón,, debemos

tener en cuenta el siguiente procedimiento:
>>[numcDz,dencDz]=cloop(K*num,den);
>>U=1; Contenido
>>[x]=dstep(U*numcDz,dencDz,201); Análisis de Sistemas
>>figura Estabilidad
>>t=0:0.5:10; Root Locus
>>stairs(t,x) Exactitud
>>grid Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Dinámicos
Control Neuronal Adaptativo Alejandro Peña P.
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Alejandro Peña P., PhD. Esquema MRAC
Modos Deslizantes
Grupo de Investigación en Inteligencia Función de Lyapunov
Computacional y Robótica (GICR) Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Control Adaptativo en Manufactura Dinámicos
Alejandro Peña P.
• En muchos casos, estos procesos y sistemas son muy

complejos, y en general son de tipo no lineal, multivariable y
sometidos a disturbios externos desconocidos.
• Para lograr grados de autonomía en dichos procesos, se
requiere del diseño de controladores que sean capaces de Contenido
adaptarse al continuo cambio de la dinámica de un proceso. Análisis de Sistemas
Estabilidad
• El objetivo del control adaptativo, es ajustar los parámetros de Estabilidad (z-plane)
control, para lograr la respuesta deseado en un sistema Root Locus
desconocido, o que varia con el tiempo. Exactitud
• Para el desarrollo de este tipo de controles, en muchos casos Control Neuronal

Adaptativo
no se cuenta con un modelo estimado del sistema, o un Self Tunning
modelo de referencia. Modelo Indirrecto
Esquema MRAC
• En general, el control adaptativo con redes neuronales puede Modos Deslizantes
categorizarse en tres diferentes técnicas de aprendizaje:
1. Aprendizaje Adaptativo – Self Tunning. Función de Lyapunov
Definición Formal
2. Aprendizaje Adaptativo Indirecto Equilibrios
3. Aprendizaje Adaptativo - MRAC Bibliografía

Control de Sistemas
Control Neuronal Adaptativo (Self Tunning) Dinámicos
Alejandro Peña P.
• En el aprendizaje general, En este tipo de esquema utiliza la

adaptación de los pesos basado en la regla delta
generalizada. Esta actualización se genera luego de que el
control ha enviado la señal de control al sistema o proceso.
• Este tipo de control se conoce como self tunning control, y se Contenido
denota y define de la siguiente manera (Dagli, 1994). Análisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Control Neuronal Adaptativo (Modelo Indirecto) Dinámicos
Alejandro Peña P.
• El modelo indirecto, se aproxima a la dinámica inversa local

del proceso, es decir, la dinámica inversa en una determinada
región de interés (Isazi, 2004).
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Control Neuronal Adaptativo (Modelo Indirecto) Dinámicos
Alejandro Peña P.
• De acuerdo con el esquema anterior, la red es el objetivo de

control, y la salida de la red es la acción de control que se
aplica al sistema dinámico. De acuerdo con esto, el objetivo
del control se denota y define de la siguiente manera:
1
𝑒𝑠 𝑘 + 1 = 𝑦𝑑 𝑘 + 1 − 𝑦 𝑘 + 1 2 Contenido
2
• Para poder llevar a cabo el aprendizaje del proceso, es Estabilidad
necesario conocer el jacobiano del proceso de la siguiente Estabilidad (z-plane)
Root Locus
manera: Respuesta al Escaolón
𝜕𝑦 𝜕𝑢 Exactitud
𝑤 𝑘 + 1 = 𝑤 𝑘 + 𝛼. 𝑒𝑠 𝑘 + 1
𝜕𝑢 𝜕𝑤 Control Neuronal
Adaptativo
• Para este tipo de aprendizaje, no se hace necesario disponer Self Tunning
Modelo Indirrecto
de un conjunto de patrones de entrenamiento, pues lo datos Esquema MRAC
para el aprendizaje proviene de la evolución directa del Modos Deslizantes
proceso.
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Control Neuronal Adaptativo (MRAC) Dinámicos
Alejandro Peña P.
• El aprendizaje especializado, el modelo requiere de un modelo

explicito de un proceso, y en donde los parámetros del control
son ajustados mediante la minimización del error entre el
modelo y la salida actual del sistema.
• Este modelo utiliza un modelo de referencia, el cual determina Contenido
la señal de control mediante la regla delta generalizada. Análisis de Sistemas
Estabilidad
• Este tipo de control se conoce como model reference Estabilidad (z-plane)
adaptative control (MRAC). Este modelo se denota y define Root Locus
de la siguiente manera (Dagli, 1994) Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control Modos Deslizantes
Control de Sistemas
Dinámicos
Alejandro Peña P.
Contenido
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Alejandro Peña P., PhD. Algoritmos de Aprendizaje
pfjapena@gmail.com Equilibrio y Estabilidad

Grupo de Investigación en Inteligencia Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Esquema de Control Dinámicos
Alejandro Peña P.
• El control por modos deslizantes, es un tipo de control

utilizado para plantas con parámetros variables,
incertidumbres en el modelo y perturbaciones externas.
• Para la implementación de este tipo de control, es necesario la
identificación del sistema, utilizando para ello el modelo
Contenido
neuronal de un paso adelante 𝑦𝑘+1.
• Este esquema de control, se denota y define de la siguiente Estabilidad
manera (Tomado: Giraldo and Hoyos, 2004): Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía
Control de Sistemas
Esquema de Control Dinámicos
Alejandro Peña P.
• El controlador (usualmente otra red neuronal) monitorea las

entradas y salidas de la planta, y manipula la entrada (señal
de control) para calcular la predicción de la salida.
• Para este esquema de control, se utiliza un modelo interno del
sistema como referencia, el cual fue identificado y almacenado
por la red neuronal como modelo de la planta un paso Contenido
adelante. Análisis de Sistemas

Estabilidad
• La adaptación del controlador, se hace mediante la utilización Estabilidad (z-plane)
Root Locus
de la regla delta generalizada, sobre la red neuronal un paso Respuesta al Escaolón
adelante que sirve de referencia a este esquema. Exactitud
𝜕𝑦𝑘+1
𝑢𝑘+1 = 𝑢𝑘 − 𝛼 Control Neuronal
𝜕𝑢𝑘 Adaptativo
Self Tunning
• El error de mando o de comando virtual, se denota y define: Modelo Indirrecto
Esquema MRAC
𝜕𝑦𝑘+1 Modos Deslizantes
𝑒𝑢 𝑘 + 1 = 𝑒
𝜕𝑢𝑘 𝑘+1
Donde: Equilibrio y Estabilidad

𝑒𝑘+1 = 𝑦𝑑𝑘+1 − 𝑦𝑟𝑘+1 Definición Intuitiva
Definición Formal
Equilibrios
𝜕𝑦𝑘+1
: Jacobiano del Sistema.
𝜕𝑢𝑘 Bibliografía
Control de Sistemas
Algoritmo de Aprendizaje Dinámicos
Alejandro Peña P.
• El diseño de control por modos deslizantes, se divide en dos

fases:
 En la primera, una superficie deslizante se define para
producir un comportamiento entrada/salida. Esta es la
adaptación sobre el modelo un paso adelante, el cual se
denota y define: Contenido
𝑆𝑚 = 𝑒𝑚 + 𝛾1 𝑒𝑚 , 𝛾1 > 0. Análisis de Sistemas

Estabilidad
Donde: Estabilidad (z-plane)
Root Locus
𝑒𝑚 = 𝑒𝑘+1: Error del modelo con respecto al setpoint. Respuesta al Escaolón
Exactitud
𝑒𝑚 = 𝑒𝑘 : Error del modelo con respecto a la respuesta del Control Neuronal
sistema. Adaptativo
Self Tunning
 En la segunda, los pesos son actualizados de forma que Modelo Indirrecto
Esquema MRAC
satisfacen las condiciones de seguimiento de la Modos Deslizantes
superficie deslizante.
𝑆𝑐 = 𝑒𝑢 + 𝛾2 𝑒𝑢 , 𝛾2 > 0. Equilibrio y Estabilidad
De acuerdo con lo anterior, estos errores son similares a Definición Intuitiva
Definición Formal
los errores del modelo, ya que el controlador se deriva de Equilibrios
este.
Bibliografía
Control de Sistemas
Bibliografía Dinámicos
Alejandro Peña P.
ISAZI, P. Redes de Neuronas Artificiales.

Ed. Prentice Hall Latinoamérica, Primera Edición, México, 2.002
HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José.

Redes neuronales artificiales: fundamentos, modelos y
Contenido
aplicaciones. España: Rama, 1995. 390 p.
Estabilidad
García, B. Patricio, Introducción a las Redes Neuronales y su Estabilidad (z-plane)
Aplicación a la Investigación en Astrofísica Universidad de Gran Root Locus
Canarias, España, 2009. Exactitud
Control Neuronal
Navarro, Rina Ingeniería de Control Analógica y Digital, Mc. Graw Adaptativo
Hill, México, 2004. ISBN: 970-10-4677-3. Self Tunning
Modelo Indirrecto
Esquema MRAC
Nise, Norman. Control System Engineering John Wiley & Sons, Modos Deslizantes
Fifth Edition, 2007. ISBN: 978-0471-79475-2.
Hernández B. E. Noriega, L., B. Algoritmo de Control para Definición Intuitiva
Definición Formal
Sistemas Dinámicos No Lineales Aplicando Redes Neuronales Equilibrios
Completar
Bibliografía
Control de Sistemas
Bibliografía Dinámicos
Alejandro Peña P.
Díaz, J.G. Peraza, C. Castellanos, J. et al. Comprobación de la

controlabilidad de un sistemas no lineal mediante ANFIS
Universidad de Carabobo, Ingeniería UC (13-003), Valencia,
Venezuela, 2006.
Kuo, B. Sistemas de Control Automático Ed. Prentice Hall, «da. Contenido
Edición, 1996.
Estabilidad
Dagly, Chan Artificial Neural Networks for Intelligent Estabilidad (z-plane)
Manufcaturing Ed. Chapman & Hall, London, 1994 ISBN: 0-412- Root Locus
48050-6. Exactitud
Giraldo B., D. Hoyos, J.G. Control Adaptativo con Red Neuronal Control Neuronal
Adaptativo
de Elman y Modos Deslizantes Scientia et Technica, Vol.X, Num. Self Tunning
24, pp. 49-53 ISSN: 0122-01701 Modelo Indirrecto
Esquema MRAC
Sedano, F. J. Alonso A., A. Villar F., J.R. Identificación de Modos Deslizantes
Sistemas No Lineales mediante Redes Neuronales Artificiales
Técnica Industrial, pp.45-53. ISSN: 0040-1838 Función de Lyapunov
Mejía, A. Caso de control adaptable para sistemas multivariados Definición Formal
Tesis de Grado, Universidad Nacional de Colombia (Sede Equilibrios
Medellín), 2009 Bibliografía

Control de Sistemas
Dinámicos
Alejandro Peña P.
Contenido
Estabilidad
Muchas Gracias Estabilidad (z-plane)

Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Definición Formal
Equilibrios
Bibliografía

Control Inteligente

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Inteligente

Uploaded by

Copyright:

Available Formats

Control de Sistemas

Grupo de Investigación en Inteligencia Bibliografía

Computacional y Robótica (GICR)

• Cualquiera de la representaciones matemáticas de un

• De acuerdo con esto, un modelo sujeto a un set point (Entrada

tipo de sistema se le conoce como control en lazo cerrado o Control Sistemas

• El problema fundamental del control, está asociado con la

• Si el conjunto de destino es variante con el tiempo, Control Sistemas

fundamentales como son: controlabilidad y observabilidad. Control Neuronal

• La observabilidad se enfoca en el problema de determinar el

• De la mano de los conceptos anteriores, aparece el concepto Control Sistemas

inicial 𝑥[0]. Introducción

• La controlabilidad de un sistema, responde a la siguiente

• Estas características del sistema pueden ser contestadas Control Neuronal

entre entrada y estado, y se les conoce como el par de Bibliografía

• La matriz de controlabilidad se construye de la siguiente Control Neuronal

controlable, es necesario y suficiente que la matriz 𝐶𝑛𝑥(𝑛.𝑟) de Bibliografía

controlabilidad, sea de rango igual a n.

• Para calcular la matriz de observabilidad:

• Para llevar a cabo la simulación de un sistema SISO en tiempo

>>y3=step(G,k); Control Neuronal

• El incremento de las demandas tecnológicas, ha generado

• Las áreas donde se esta trabajando alrededor del control

• El objetivo del control inteligente, al igual que el control

• La diversidad de los métodos o estrategias de control, radica Control Neuronal

Regla Delta Generalizada, de manera que los parámetros del Bibliografía

• En aplicaciones industriales, lo más relevante del uso de

• Las redes neuronales artificiales, ocupan un lugar importante

• Los esquemas más utilizados en el control con redes

Grupo de Investigación en Inteligencia

• El esquema de control inverso, consiste en aproximar

• En este caso, la red neuronal se entrena para que aprenda la

(Regla Delta Generalizada)

• El modelo neuronal para este tipo de aprendizaje, es obtenido

• El control por la regla delta generalizada, se denota y define

u[k]: Representan la señal de control. Control Sistemas

Grupo de Investigación en Inteligencia Equilibrio y Estabilidad

Computacional y Robótica (GICR) Definición Intuitiva

• Es una de las características más importantes del control, ya

por lo menos paralela a la señal de entrada. Análisis de Sistemas

plano s. Control Neuronal

• Para calcular la estabilidad de un sistema en tiempo discreto,

>> rm=max(abs(r)); Control Neuronal

• De manera general, la estabilidad de un sistema realimentado,

• Ejemplo: Considerar un sistema en lazo cerrado el cual tiene

• Ejemplo: Considerar un sistema en lazo cerrado el cual tiene

• Ahora para determinar la respuesta al escalón, debemos tener

• La exactitud de error (static or steady state error), se refiere a

sin error. Control Neuronal

• Para evaluar la estabilidad y la exactitud de un sistemas de

Donde: Equilibrio y Estabilidad

entrada como: Escalón, Rampa y Parábola. Bibliografía

• Para este caso en particular, la función que representa el

• Para este caso en particular, la función que representa la

• Para este caso en particular, la función que representa la

• Ejemplo: Evaluar la estabilidad de un sistema, obtenido

𝑥 𝑘 − 0.5𝑥 𝑘 − 1 + 0.12𝑥 𝑘 − 2 − 0.008𝑥 𝑘 − 3 = 𝑢[𝑘]

>>GzKa=(1/T ^2)*tf([1 -2 1],[0 0 1],T)*Gz; Control Neuronal

• minreal(Sys,Tol): Permite cancelar los términos comunes de Equilibrio y Estabilidad

pfjapena@gmail.com Equilibrio y Estabilidad

• Las funciones de Lyapunov, son funciones que demuestran la

• Las funciones de Lyapunov, son funciones que demuestran la

• Un sistema dinámico requiere un estado inicial 𝑥𝑜 y una

Lyapunov, correspondiente a la curva de nivel 𝑉 𝑥𝑜 = 𝑉𝑜 , ya Estabilidad (z-plane)

>>GzKa=(1/T ^2)tf([1 -2 1],[0 0 1],T)Gz; Control Neuronal