Professional Documents
Culture Documents
I. INTRODUCCIN
El hombre desde sus inicios ha interactuado con su entorno y
gran parte de sus acciones han sido encaminadas a controlar o
modificarlo, con el fin de obtener beneficio. El control de
sistemas electromecnicos es un tema en constante desarrollo
debido a la creciente complejidad de los mismos, partiendo del
empleo de tcnicas clsicas de control, hasta llegar a las
tcnicas de control no lineal y tcnicas heursticas [1]. Dentro
de las tcnicas heursticas se encuentra una tratada en este
trabajo, las Redes Neuronales Artificiales (RNAs).
Como RNA se puede entender un sistema implementado,
ya sea mediante un sistema computacional u otro dispositivo
electrnico fsico, cuyo modelado est inspirado en la
habilidad y caracterstica de aprendizaje del sistema nervioso
biolgico [2]. Las RNA`s son mecanismos de auto aprendizaje
sujetos a un proceso de entrenamiento. En aplicaciones de
control no requiere definirse la ley que regir su
comportamiento, como debera de hacerse para disear un
controlador basado en su respuesta a la frecuencia o con
variables de estado [3]. A diferencia de la Lgica Difusa y de
los Sistemas Inteligentes, en los cuales el conocimiento previo
del comportamiento del sistema se emplea de manera explcita
en forma de reglas de decisin, las RNAs generan sus propias
reglas durante el proceso de entrenamiento y las integran de
manera codificada en la conformacin de su estructura [4]-[7].
Al contar con informacin previa del sistema y la respuesta
de control deseada ante dichas condiciones, se puede utilizar
un algoritmo de entrenamiento que permita a la RNA captar la
informacin disponible, y conformarse de manera estratgica,
de modo que presente una respuesta aceptable aun con datos
distintos a los presentados durante la etapa de entrenamiento.
Existen distintas arquitecturas de RNAs que han sido
empleadas de manera exitosa en el control de sistemas
electromecnicos [1], [8]-[10]. Dentro de estas se encuentra la
tipo retro propagacin (RNA BP por sus siglas en ingles),
empleada en este trabajo.
Para comprender la forma en que trabaja una RNA BP, en
este artculo se analizan las estructuras Perceptron y Filtro
Adaptativo (ADALINE), precursoras de la RNA BP [2].
Con el fin de comprobar que la RNA BP aprende y
desempea tareas de control en base a datos de
comportamiento del sistema, en este trabajo se emplean las
RNAs BP como sustitutas del controlador PID empleado
comnmente en el control del Pndulo Invertido Simple [3],
[11] y el estimador del regulador de par PI utilizado en el
control vectorial con flujo del rotor orientado de un motor de
induccin (VC-OFR) [12]-[13].
Para obtener los datos de entrenamiento a usar en las
Memoria Tcnica
u wj x j
( 1)
j 1
Donde:
Valor de la seal de salida de la neurona, regularmente se
.
considera igual al nivel de activacin de la neurona (0-1).
Peso
de la entrada j.
w
ut wo w j x j
(2)
j 1
Memoria Tcnica
I ml 2 mgl ml x
(4)
(5)
M m x b x ml u
(Donde u representa la seal de control o fuerza aplicada)
Una vez obtenidas las ecuaciones representativas del
sistema se puede disear el controladores PID adecuado para
la tarea de control. Para obtener datos de entrenamiento, que
correspondan al prototipo real es necesario implementar un
sistema de adquisicin de seales, la Figura 4 muestra de
manera esquemtica el sistema empleado en este caso.
Memoria Tcnica
Memoria Tcnica
C. Resultados
La RNA BP presento una tendencia a mantener la posicin
del PIS dentro de un valor limitado de ngulo de inclinacin y
una posicin de referencia lineal cercana al centro de la base
de desplazamiento. La Figura 12 muestra datos adquiridos del
PIS durante el proceso de control, en estas graficas se indica
con flechas la tendencia mencionada.
Ciclo
pocas
Fact. de
Aprendizaje
Valor MSE
Ultimo
1
2
3
4
1000
3000
4000
7000
0.01
0.0005
0.0003
0.0003
80.49
62.09
59.62
18.04
IV. AGRADECIMIENTOS
Memoria Tcnica
V. REFERENCIAS
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Cardoso, F.D.S., Martins J.F. y Pires V.F. (1998) "A Comparative Study
of a PI, Neural Network and Fuzzy Genetic Approach Controllers for an
AC-Drive", in procedings AMC COIMBRA International Workshop on
advanced Motion Control, pp. 375-380.
Freeman, J.A. and D.M. Skapura (1991). Neural Networks: algorithms,
applications, and programming techniques. 1 ed. Computation and
Neural Systems, ed. C. Koch. Vol. 1, California: Addison Wesley. pp.
45-124,341-371.
Ogata, K. (1998). "Ingeniera de control moderna", 2nd ed., Ed. Mexico:
Prentice-Hall pp. 669-702.
Miller III, W.T., R.S. Sutton, and P.J. Werbos (1991). Neural Networks
for Control, ed. N.S. Foundation, Vol. 1, University of New Hampshire.
pp. 123-170.
Haykin, S. (2004). Neural Networks A Comprehensive Foundation. ed.
IEEE, Computer Society Press. pp. 40-153.
Pedrycz, W. (1998). Computacional Intelligence: an introduction, 1 ed.
Computer Engineering, Florida USA: CRC PressLLC, pp. 7-35.
Konar, A. (2000), Artificial Intelligence and Soft Computing, 1 ed.
Boca Raton, Florida: CRC Press, p.p. 415-443.
Simoes, M.G., M.P. Almeida, and M.R. Meireles (2003). A
Comprehensive Review for Industrial Applicability of Artificial Neural
Networks. IEEE Transactions on Industrial Electronics, vol. 50, pp.
585-601.
Wang, D. and J. Huang (2001). "A Neural-Network-Based
Approximation Method for Discrete-Time Nonlinear Servomechanism
Problem," IEEE Transactions on Neural Networks,Vol. 12, pp. 591-597.
Cembrano, G. and G. Wells (1997). "Aplicaciones del Aprendizaje
Neuronal al Control de Robots", Inteligencia Artificial, pp. 34-40.
Anderson, C.W. (1989). "Learning to Control an Inverted Pendulum
Using Neural Networks," IEEE Control Systems Magazine, vol. 9, pp.
31-37.
Buja, G.S. and Kazmierkowski M.P. (2004). "Direct Torque Control of
PWM Inverter- Fed AC Motors- A Survey," IEEE Transactions on
Industrial Electronics, Vol. 51, pp. 744-758.
Briz del Blanco, F. (1995) "Control Vectorial del Motor de Induccin
con Identificacin y Adaptacin a los Parmetros de la Carga," Ph.D.
dissertation, Dep.. Ing. Elctrica, Electrnica, de Computadores y
Sistemas, Universidad de Oviedo: Oviedo.
Huerta, P.F., J.J. Rodriguez, and I.C. Torres (2006). "Modelo en
Simulink de una Red Neuronal Artificial de Retro propagacin para
Estimar la Resistencia del Rotor," 9 Congreso Nacional de Ingeniera
Electromecnica y de Sistemas, pp. 48-59.
MathWorks (2004). Getting Started whit Real-Time Worshop For Use
Whit Simulink, Version 6, Natick, MA: The Mathworks, Inc. pp. 1_13_51.
VI. BIOGRAFA
Csar Alejandro Frausto Dvila. Len, Guanajuato,
Mxico. 19 de Junio de 1974. En el 2005 obtuvo el
grado de Ingeniero Electromecnico en el Instituto
Tecnolgico de Len, Len, Guanajuato, Mxico. En
el 2008 obtuvo el grado de Maestro en Ciencias en
Ingeniera Elctrica en el Instituto Tecnolgico de la
Laguna, Torren, Coahuila, Mxico.
Dentro de su experiencia laboral ha colaborado
como consultor de uso de tecnologas y sistemas de automatizacin en
distintas empresas regionales. Desde 2009 colabora como profesor asociado
en el departamento de electromecnica del Instituto Tecnolgico Superior de
Irapuato, Pursima del Rincn, Guanajuato, Mxico. En los ltimos aos ha
trabajado en lneas de investigacin relacionadas con el uso de Redes
Neuronales y Lgica Difusa en aplicaciones de control en tiempo real.
El M.C. Frausto pertenece a la Red de Divulgacin Cientfica del Estado
de Guanajuato. Ha participado con ponencias en Congresos Nacionales de
Ingeniera, adems de reuniones regionales de cuerpos acadmicos en
Inteligencia Artificial.