TRABAJO PREVIO.

UNIDADES TECNOLGICAS DE SANTANDER

CONTROL NEURONAL
M.Sc. Hernando Gonzlez Acevedo
1. Presentar una breve descripcin de los algoritmos de entrenamiento que emplea la toolbox Neural
Network de Matlab para redes MPL.
2. Investigue los diferentes mtodos que presenta la toolbox Neural Network de Matlab para seleccionar
los datos de entrenamiento, validacin y test.
3. Realizar un resumen de las funciones de Matlab utilizadas para determinar modelos no lineales. Dar
un ejemplo de cada una, estableciendo las expresiones que representan el modelo dinmico.
PROCEDIMIENTO
4. Seleccione dos motores de corriente continua de baja potencia y acople los ejes; el objetivo es
energizar uno de los motores y sensar la tensin generada por el segundo motor. Disear un filtro
pasabajos pasivo de primer orden para eliminar el ruido en la tensin generada.
Nota. Si los datos registrados por la unidad de procesamiento digital presentan niveles de ruido alto,
disee e implemente un filtro digital.

1/0.017=58,82hz
1Hz

Frecuencia de muestreo
Frecuencia de corte
Funcin de transferencia del filtro
Ecuacin de diferencia

Gf (z )

0.003636*xn1+0.003636*xn2+1.876*
yn1-0.883*yn2

5. Registre en un archivo de Excel el comportamiento de la respuesta transitoria de la tensin del dnamo

para diferentes valores de la accin de control. Incluya entre los datos el mnimo y mximo valor de la
accin de control. Identifique este archivo como dat_identificacion.
Periodo de
muestreo

0.017 seg

Seal de PWM

Tensin del
dnamo

6. Registre otro conjunto de datos relacionados con el comportamiento dinmico del sistema y denomine
este archivo como dat_test.
Periodo de
muestreo

0.017 seg

Seal de PWM

Tensin del dnamo

7. A partir de la toolbox ident de Matlab identifique un modelo lineal del sistema.

Funcin de transferencia

G(s)

0.05325/(0.01823*s^2 + 0.27*s + 1)

Funcin de transferencia

G(z)

8. A partir de la funcinnarxnet de la toolbox Neural Network de Matlab, entrene una red neuronal de
forma que caracterice la respuesta transitoria del sistema (arquitectura serie paralelo), para lo cual
utilice el archivo dat_identificacion. Configure una funcin de activacin tipo sigmoidalpara la capa
oculta.

Parmetros de configuracin
logsig
Entradas a la red neuronal u[n-k] y y[n-k]
Nmero de neuronas de la capa oculta
Nmero de iteraciones
Error medio cuadrtico
Mnimo valor del gradiente de la funcin de optimizacin
Valor inicial de la taza de aprendizaje
Factor de decrecimiento de la taza de aprendizaje
Factor de crecimiento de la taza de aprendizaje
Mximo valor de la taza de aprendizaje
Mximo nmero de control de validacin
Mtodo para seleccionar los datos de entrenamiento y validacin
Porcentaje del nmero de datos de entrenamiento
Porcentaje del nmero de datos de validacin

d1 = [0:1]
d2 = [1:2]

5 (trainlm)
3000(62)
1e-5
1e-10

0.01
0.5
10

1e10
20

dividerand
70%
30%

Resultados de la etapa de entrenamiento

Error medio cuadrtico - Datos de entrenamiento
Error medio cuadrtico - Datos de validacin
Respuesta transitoria (Datos experimentales Modelo estimado)
9. Realice un test del modelo NARX con los datos del archivo dat_test.

8.0143e-04
0.0045

Respuesta transitoria
(Datos
experimentales
Modelo estimado)

error =
8.0143e-04
Error medio
cuadrtico (Datos de
test)

error =
0.0025

Nota. Si error medio cuadrtico de la etapa de testno es cercano al error medio cuadrtico definido
para la etapa de entrenamiento, repita el numeral siete.
10.Retroalimente la salida de la red neuronal utilizando la funcin closeloop de la toolbox Neural Network
de Matlab, como indica la figura 2.Determine las condiciones iniciales de cada uno de los estados del
modelo NARX de forma que ante una entrada cero de la accin de control el modelo indique tensin
cero.

NOTA:lo minimo que se acerco a cero de todas las simulaciones prestableciendo los valores de
los delays ante entrada cero.
Fig.1 Modelo NARX
11. A partir de la funcinnarxnet de la toolbox Neural Network de Matlab, entrene una red neuronal de
forma que caracterice la respuesta transitoria del sistema (arquitectura paralelo), para lo cual utilice el
archivo dat_identificacion. Configure una funcin de activacin tipo tangente hiperblica para la capa
oculta.

Parmetros de configuracin
Entradas a la red neuronal u[n-k] y y[n-k]
Nmero de neuronas de la capa oculta
Nmero de iteraciones
Error medio cuadrtico
Mnimo valor del gradiente de la funcin de optimizacin
Valor inicial de la taza de aprendizaje
Factor de decrecimiento de la taza de aprendizaje
Factor de crecimiento de la taza de aprendizaje
Mximo valor de la taza de aprendizaje
Mximo nmero de control de validacin
Mtodo para seleccionar los datos de entrenamiento y validacin
Porcentaje del nmero de datos de entrenamiento
Porcentaje del nmero de datos de validacin

d1 =[0:0];
d2 =[1:1];

1
3000(3000)
1e-3
1e-10
0.01
0.1
10
1e10
20
dividerand
0.8
0.2

Resultados de la etapa de entrenamiento

Error medio cuadrtico - Datos de entrenamiento
Error medio cuadrtico - Datos de validacin
Respuesta transitoria (Datos experimentales Modelo estimado)

Error=0.0022
Error=0.0021

12.Realice un test del modelo NARX con los datos del archivo dat_test.
Respuesta
transitoria (Datos
experimentales
Modelo estimado)

Error medio
cuadrtico (Datos
de test)

Error=0.0021

Nota. Si error medio cuadrtico de la etapa de testno es cercano al error medio cuadrtico definido
para la etapa de entrenamiento, repita el numeral once.
13.Determine las condiciones iniciales de cada uno de los estados del modelo NARX de forma que ante
una entrada cero de la accin de control el modelo indique tensin cero.

NOTA:lo minimo que se acerco a cero de todas las simulaciones prestableciendo los valores de
los delays ante entrada cero.
14.Compare la respuesta transitoria del modelo lineal y de los dos modelos no lineales, ante diferentes
valores de la seal de referencia. De acuerdo a los resultados, determine el mejor modelo que se
adapta a la dinmica del sistema.
PARALELO:

SERIE-PARALELO:

PID:

15.Disee un controlador neuronal para regular la tensin del dnamo.

Criterios de diseo
10%
4seg

Sobrepaso
Tiempo de establecimiento
Funcin de transferencia

Red neuronal
Retardos de la seal de referencia
Retardos de la accin de control
Retardos de la variable del proceso
Nmero de neuronas de la capa oculta
Nmero de iteraciones
Error medio cuadrtico
Mnimo valor del gradiente de la funcin de optimizacin
Valor inicial de la taza de aprendizaje
Factor de decrecimiento de la taza de aprendizaje
Factor de crecimiento de la taza de aprendizaje
Mximo valor de la taza de aprendizaje
Mximo nmero de control de validacin
Mtodo para seleccionar los datos de entrenamiento y validacin
Porcentaje del nmero de datos de entrenamiento
Porcentaje del nmero de datos de validacin
Datos de entrenamiento
Nmero de iteraciones
Arquitectura de la red neuronal

Resultados de la etapa de entrenamiento

Error medio cuadrtico - Datos de entrenamiento
Error medio cuadrtico - Datos de validacin
Respuesta transitoria (Datos experimentales Modelo estimado)
16.Implemente en un sistema de procesamiento digital el controlador neuronal. Evale la respuesta
transitoria de la variable del proceso y la accin de control para diferentes niveles de la seal de
referencia.
Setpoint Variable del proceso
Accin de control
17.Implemente el siguiente diagrama de bloques; fije como seal de referencia la utilizada en el numeral
anterior y compare la respuesta obtenida en la simulacin con los datos experimentales. . La dinmica
de la planta la representa un modelo NARX.

Variable del proceso

Respuesta transitoria (Experimental Simulacin)

Error medio cuadrtico

mse( y ^y )

Accin de control

Respuesta transitoria (Experimental Simulacin)

Error medio cuadrtico

mse(uu^ )

Fig.2Control neuronal& Modelo NARX

18.Disee un controlador PI o PID, para lo cual ubique los ceros y polos del regulador de forma que se
pueda cumplir con las condiciones de diseo: sobrepaso y tiempo de establecimiento.
Sobrepaso

Criterios de diseo

Tiempo de establecimiento

Funcin de transferencia del controlador

Gc ( z )=

K 1 z 2K 2 z + K 3
z ( z1)

Funcin de transferencia del controlador

Gc ( z )=K p +

KI
1z

+ K D ( 1z1)

Contantes antiwindup

KA

Respuesta transitoria

V out

Accin de control
19.Implemente en un sistema de procesamiento digital el controlador PI o PID. Evale la respuesta
transitoria de la variable del proceso y la accin de control para diferentes niveles de la seal de
referencia.
Setpoint Variable del proceso
Accin de control

20.Implemente el siguiente diagrama de bloques; fije como seal de referencia la utilizada en el numeral
anterior y compare la respuesta obtenida en la simulacin con los datos experimentales. La dinmica
de la planta la representa un modelo NARX.

Variable del proceso

Respuesta transitoria (Experimental Simulacin)

Error medio cuadrtico

Accin de control

mse( y ^y )

Respuesta transitoria (Experimental Simulacin)

Error medio cuadrtico

mse(uu^ )

Fig.3Control PID & Modelo NARX

21.Disee un controlador Fuzzy Sugeno, definiendo como seales de entrada el error y la razn de
cambio del error, como seal de salida la razn de cambio de la accin de control.
Conjuntos Difusos Variable Error
Conjuntos Difusos Variable Razn de cambio del Error
Funciones de membresa Variable Razn de cambio de la accin de
control
Base de reglas
Superficie de control
Constantes

K1 y

K2 .

22.Implemente en un sistema de procesamiento digital el controlador fuzzy sugeno. Evale la respuesta

transitoria de la variable del proceso y la accin de control para diferentes niveles de la seal de
referencia.

Setpoint Variable del proceso

Accin de control
23.Implemente el siguiente diagrama de bloques; fije como seal de referencia la utilizada en el numeral
anterior y compare la respuesta obtenida en la simulacin con los datos experimentales. . La dinmica
de la planta la representa un modelo NARX.

Variable del proceso

Respuesta transitoria (Experimental Simulacin)

Error medio cuadrtico

Accin de control

Respuesta transitoria (Experimental Simulacin)

Error medio cuadrtico

Fig.4Control Fuzzy & Modelo NARX

24.Conclusiones

mse( y ^y )

mse(uu^ )