ALGORITMO DE CONTROL PARA SISTEMAS DINAMICOS NO LINEALES APLICANDO REDES NEURONALES

AUTORES Edgar Bueno Hernndez y J. R. Benito Noriega Luna Centro de Investigaciones de Fsica de la Universidad de Sonora Rosales y Blvd. Luis Encinas CP 83000 Hermosillo, Sonora, Mxico

RESUMEN: La estructura de control propuesta en este trabajo es un control adaptivo con modelo neuronal de planta. La estructura es apropiada para aquellos sistemas dinmicos no lineales cuyo modelo matemtico se desconoce. La estructura consiste de un modelo neuronal del sistema y un control adaptivo basado en el algoritmo gradiente en descenso. La aplicacin de redes neuronales para la modelacin, permiten reducir la manipulacin de ecuaciones diferenciales complicadas. El modelo neuronal entrenado, contiene informacin de la dinmica no lineal del sistema en los pesos sinpticos de la red. El control adaptivo utiliza esta informacin para calcular la seal de control apropiada para regular el sistema. De acuerdo a los resultados obtenidos en la simulacin, la respuesta de la estructura de control propuesta es satisfactoria aunado a la simplicidad del mismo.

basado en el algoritmo gradiente en descenso. El control adaptivo requiere de un modelo neuronal del sistema a controlar, del cual se obtiene el gradiente del sistema necesario para calcular la seal de control. Para obtener el modelo neuronal del sistema es necesario tener un conocimiento previo de las variables del sistema y de someter a la red neuronal a un proceso de entrenamiento, en el cual la red aprende a relacionar las variables de entrada del sistema con l a respuesta dinmica no lineal del mismo. 2. CONTROL ADAPTIVO 2.1 Estructura de control La siguiente figura muestra la estructura de control aplicado en este proyecto:

1. INTRODUCCIN La automatizacin industrial requiere de la aplicacin de algoritmos de control que regulen las variables de los procesos. Estos por lo general son dinmicos y no lineales difciles de regular con tcnicas de control convencional. Las tcnicas de control moderno por su parte, son capaces de regular este tipo de procesos, sin embargo para calcular las seales de control es necesario contar con un modelo matemtico de la planta. La obtencin del modelo implica para estas tcnicas un anlisis matemtico de las variables de la planta que puede ser complejo y probablemente imprctico. Tcnicas como redes neuronales han sido utilizados satisfactoriamente para la modelacin y control de sistemas dinmicos no lineales[1][11]. La capacidad de las redes neuronales para aprender a generalizar y aproximar cualquier funcin no lineal [3], la hace apropiada para estos fines. En este trabajo se presenta un control adaptivo

Figura 3 Estructura de control adaptivo Las partes que forman la estructura de control son: Sistema a ser controlado, modelo neuronal del sistema y control adaptivo. 2.2 Modelo neuronal La modelacin con redes neuronales, nos permite reducir la manipulacin de ecuaciones diferenciales complicadas que describen el comportamiento de la planta. Si embargo las redes neuronales pueden ser consideradas como una funcin en trminos de pesos sinpticos y funciones de activacin. La respuesta dinmica de los sistemas puede ser aproximada por una

red ne uronal en funcin de las entradas y salidas, como se muestra en la siguiente ecuacin:
y ( t + 1) = f ( y( t ), y ( t 1),..., y (t n ), u( t ), u ( t 1),..., u( t m ))

2.3 Control adaptivo gradiente en descenso La funcin de costo a minimizar por el algoritmo de control es la siguiente:
J= 1 2 (Yd y )
2

(1) donde y(t), y(t -1),,y(t-n), u(t), u(t-1),,u(t -n) son las salidas y entradas del sistema, y ( t + 1) es la respuesta de salida estimada para la planta en el tiempo (t+1). La funcin f (...) representa la funcin no lineal, donde n y m indican el orden conocido del sistema. El modelo neuronal es obtenido con la estructura de modelacin directa, con una estructura de red neuronal de dos capas con funcin de activacin tangente hiperblica en la primer capa y lineal en la segunda. La estructura de modelacin y la estructura de la red neuronal se aprecian en la Figura 1:

(3) donde Yd es la respuesta de salida deseada en el sistema, y es la respuesta del sistema estimada por el modelo y Yd (t ) y ( t ) es el error de control. El control adaptivo calcula la seal de control con el algoritmo gradiente en descenso, la ecuacin es mostrada a continuacin:
u( t + 1) = u (t ) + J ( t ) u (t )

(4) donde :
u( t ) es la seal de control, es la

ganancia de paso donde ( > 0) y J u( t ) es el gradiente de la funcin de costo con respecto a la seal de control u ( t ) . De la funcin de costo para el controlador (Ec. 3) se determina el gradiente de la funcin de costo tal que:
J u( t ) = (Yd (t + 1) y ( t + 1)) y ( t + 1) u ( t )

Figura 1 Perceptron multicapas y estructura de modelacin de planta directa. Para entrenar a la red neuronal se utiliza el algoritmo de entrenamiento backpropagation. Para la estructura de modelacin directa, la funcin de costo a minimizar durante el entrenamiento es la siguiente:
J= 1 ( y i (t ) y i ( t )) 2 i
2

= ec (t + 1)

y ( t + 1) u ( t )

(5) el trmino y ( t + 1) / u (t ) es encontrado a partir de la ecuacin de salida del modelo neuronal el cual es expresa como:
y = wij tanh( wij Pm + b j ) + b j
[ 2] [1] [1] [ 2]

(6) por lo tanto

y ( t + 1) u (t ) = wij sec h ( w ij Pm + b j )
[ 2] 2 [1 ] [1 ]

(2) donde y i ( t ) es la salida del sistema y y i ( t ) es la salida estimada por el modelo neuronal.

Pm u ( t )

(7)

Donde Pm u( t ) es la derivada del vector de entrada para el modelo con respecto a la entrada u(t), considerando que el vector de entrada corresponde a:
Pm = [ y( t n),..., y ( t 1), y ( t ),
u( t m ),..., u( t 1), u ( t )]
T

Figura 4 Diagrama de flujo del algoritmo de control adaptivo

De forma heurstica se encontr una notable mejora al algoritmo descrito, al incluir un termino < 1 en la ecuacin (10), por lo que la ecuacin anterior es modificada a:
u( t + 1) = u ( t ) + e c y (t) u( t )

(8) entonces Pm
u( t ) (9)

(12)

= [ 0,...,0,0,0,..., 0,1]

Debe
[2 ]

hacerse
2 [1 ]

notar
[1]

es una u ( t ) multiplicacin de elemento por elemento y no una multiplicacin vectorial. Resumiendo lo anterior, la seal de control se calcula finalmente a partir de:
u( t + 1) = u( t ) + e c y u ( t )
2 [1 ] [1 ]

w ij sec h ( w ij Pm + b j )

que Pm

el

trmino

La ganancia de paso y en esta estructura de control, debe ser seleccionado por el diseador experimentalmente. La velocidad de respuesta y estabilidad del controlador depende de la seleccin apropiada de dichos valores.

3. RESULTADOS DEL ALGORITMO DE CONTROL El algoritmo de control fue probado bajo condiciones de simulacin en un sistema trmico no lineal como el mostrado en la siguiente figura:

(10)
Pm

y ( t + 1) u (t )

= wij sec h ( w ij Pm + b j )
[ 2]

u ( t ) (11)

El siguiente diagrama de flujo muestra el orden para la aplicacin del algoritmo, considerando que el modelo neuronal ha sido entrenado previamente: Figura 5 Sistema trmico La respuesta del sistema esta descrita por la siguiente ecuacin[2]:
dy dt = 1 V F (t ) y (t ) + 1 V F ( t )T (t ) + 60 RCV u( t )
2

(5) Donde t es el tiempo en minutos, V el volumen del depsito (lt), la densidad del liquido (kg/lt), C el calor especifico del fluido, F(t) la razn de flujo (lt/min), T(t) la temperatura de entrada (C), R la resistencia del elemento calefactor (ohms), u(t) el voltaje de entrada

(Volts) y finalmente y(t) la temperatura de salida (C). Las variables F(t) y T(t) provienen de un elemento externo y son consideradas como perturbaciones por no haber control sobre ellas. La seal de control para este sistema es el voltaje de entrada U(t) y la variable a controlar es la temperatura del fluido a la salida del sistema y(t). Las especificaciones fsicas de la planta son las siguientes V= 20 lt, F(t)= 1-5 lt/min, T(t)= 20-40 C, u(t)= 0120 V, R=0.5 ohms, y(t) max =100C, Fluido=Agua, =1 Kg/lt, C= 4187 J/KgC. Para esta planta se requiere un algoritmo de control que regule la temperatura de salida en un intervalo de temperatura de 50 a 95C. Para la modelacin de este sistema fue utilizada una estructura de red de dos capas con 5 neuronas y funcin de activacion sigmoidal (tanh) en la primer capa, 1 neurona y funcin de activacin lineal para la segunda capa. La siguiente figura ilustra las entradas y salidas de la red neuronal para el sistema termico.

Figura 7 Respuesta del algoritmo gradient e en descenso con factor La escala horizontal corresponde al tiempo en minutos. La escala vertical son los valores de las variables de entrada y salida. Esta escala sirve como parmetro de medicin para todas las variables. La temperatura de entrada T( t), la temperatura de salida y(t) y la estimacin del $ ( t ) (Salida de la red neuronal) se modelo y miden en grados centgrados, para el voltaje u(t) en Volts y para la razn de flujo en litros por minuto. Se sabe de acuerdo a las especificaciones que la razn de flujo toma valores aleatorios entre 1 y 5 lt/min. Para apreciacin grfica esta variable es multiplicada por 10, esto quiere decir que 10 lt/min en la grfica corresponde a 1 lt/min como entrada al sistema. 4. ESTABILIDAD DE LA ESTRUCTURA DE CONTROL La estabilidad de la estructura de control depende de los coeficientes y , estos valores son seleccionados experimentalmente por el ingeniero de control. 5. CONCLUSIONES El factor de multiplicacin es una modificacin del algoritmo de control gradiente en descenso. Esta mejora al algoritmo demostr

Figura 6 Informacin de entrada y salida de la red neuronal para el modelo.

Aplicando el algoritmo de control al sistema trmico con las constantes =0.7 y =400, los resultados de la simulacin para la respuesta transitoria a una temperatura deseada Yd(t) de 50C y 80C se ilustran en las siguientes figuras:

ser capaz de regular un sistema dinmico no lineal con resultados bastante satisfactorios, tal como se apreciara en las figuras 7(a) y 7 (b) . El algoritmo es sencillo, por lo que el procesamiento para calcular la seal de control es mnimo, solo es necesario encontrar experimentalmente para este algoritmo los valores de y de . 6. AGRADECIMIENTOS Los autores desean agradecer al CONACYT por el apoyo al proyecto #I28288-A que ha hecho posible el desarrollo de este trabajo. De igual manera se agradece al Centro de Investigacin en Fsica de la Universidad de Sonora, y al Instituto Tecnolgico de Sonora. 7. REFERENCIAS [1] Antsaklis Panos J., Neural Networks in Control Systems , IEEE Control Systems Magazine [2]Goodwin Graham C., Sin Kwai Sang, Adaptive Filtering Prediction and Control, Editorial Prentice Hall Information and System Sciences Series [3] Haykin Simon, Neural Networks A Comprehensive Foundation, Editorial Macmillan.

American Control Conference Seattle Junio 1995 [8] Ogata Katsuhiko, Ingeniera de Control Moderno , Editorial Prentice Hall [9] Peretto P., An Introduction to the Modeling of Neural Networks , Editorial Cambridge [10] Schiffmann Wolfram, Geffers H. Willi, Adaptive Control of Dinamic Systems by Bacpropagation Networks, Neural Networks Vol. 6 1993 [11] Widrow Bernard, Lehr Michael A., 30 Years of Adaptive Neural Networks: Perceptron, Madaline and Backpropagation., Proceedings of IEEE Vol. 78 No. 9 September 1990

[4] Kuschewiski John G., Hui Stefen, Zark Stanislaw H., Appication of Feedforward Neural Networks to Dynamical System Identification and Control , IEEE Transactions on Control Systems Technology, Vol. 1 No. 1 March 1993 [5] Narendra Kumpati S., Parthasarathy, Identification and Control of Dynamical Systems Using Neural Networks , IEEE Transactions on Neural Networks Vol. 1 No. 1 March 1990. [6] Noriega J. Rafael., Application of Artificial Neural Networks to the Control and Fault Diagnosis of Dynamic System,. Thesis Submitted University of Manchester Institute of Science and Technology for the degree of Doctor of Philosophy in The Departament Of Paper Science. [7] Noriega J. R., Wang H ., A Direct Adaptive Neural Network Control For Unknow Nonlinear Systems and its Application,