Professional Documents
Culture Documents
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
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
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%
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
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:
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
mse( y ^y )
Accin de control
mse(uu^ )
Criterios de diseo
Tiempo de establecimiento
Gc ( z )=
K 1 z 2K 2 z + K 3
z ( z1)
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.
Accin de control
mse( y ^y )
mse(uu^ )
K1 y
K2 .
Accin de control
mse( y ^y )
mse(uu^ )