Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
NEURONALES
1.
INTRODUCCIN
2. ANALISIS
2.1. Criterios de Eleccin de la Red Neuronal
Mecanismo
de
aprendizaje:
Aprendizaje
supervisado; mediante el cual es posible obtener los
parmetros de la planta ante seales de entradas y
salida conocidas. Se proporcionan parejas de
patrones Entrada-Salida y la Red Neuronal aprende a
asociarlos.
Profesor
Patrn de
Entrenamiento
w ijk +1 = w ijk + . j .y i + w ij (k )
Donde:
= Rata de aprendizaje
j= Gradiente local
yj = Entrada a la neurona mediante los pesos
= Momentum
Al utilizar el algoritmo se aplicaron en su iniciacin
los parmetros sugeridos en el programa y se obtuvo
un buen comportamiento. Se trabaj el algoritmo
que incluye rata de aprendizaje adaptable.
2.3 Identificacin Mediante Redes Neuronales y
Diseo de un Controlador PI por mtodos no
paramtricos.
Como se comento anteriormente, primero se
identific el proceso utilizando un modelo Neuronal,
el cual sirve para calcular los parmetros del
controlador; en este caso, la identificacin del
modelo se hizo off-line. Luego, se calcul el
controlador PI por mtodos no paramtricos.
Aprendizaje del
modelo [K,Q,P]
R(t)
C(t)
Controlador P
Planta
C(t)
'+ / 3 = t1
63.2%
'+ = t 2
K= C
m
28.2%
t
t1
Escaln de
Entrada
30% a 40%
T2
40% a 50%
50% a 60%
60% a 70%
70% a 80%
z e
WnT
20 57.33Wn T 1 2 60
Planta Continua
0.5798e 0.3635s
s +1
.
19452
0.9701e 0.3914 s
G ( s) =
2.3351s + 1
G ( s) =
e 0.4234 s
.
11212
2.216s + 1
e 0.2978 s
.
11590
G ( s) =
2.9070s + 1
1135
. e 0.3583s
G ( s) =
2.5175s + 1
G ( s) =
Planta Discretizada
z + 0.0781
01213
.
z 2 0.656z
z + 01246
.
.
01627
G( z) =
z 2 0.7039z
G ( z) =
G ( z) =
z + 0163
01837
.
.
z 2 0.6907 z
G ( z) =
z + 0.0943
.
01906
z 2 0.7542 z
G( z) =
z + 01254
01902
.
.
z 2 0.722 z
1.014e 0.5527 S
2.7127 S + 1
HG ( z ) =
Se asumi:
Luego:
0.22312 Z + 0.41432
Z( Z 0.739085)
= 0 .8
t S = 4 T = 0.82
Wn = 3.074
Z 2 0.987 Z + 0.050
3. ENTRENAMIENTO DE LA RED
Para entrenar la red se utiliz el Matlab 4.2c,
especficamente el Toolbox para Redes Neuronales.
X=1
Umbral
Error
Salida
Y
Salida
Deseada
Y
Y
Entradas
Pesos
U
U
R
Pesos
Fn de
Activacin
(sigmoidal)
(Z2+mZ+n)(Z+a) =0
Entradas
Por tanto:
Capas Ocultas
Salidas
z 3 + (q 0 R 1 P )z 2 + (q 0 Q + P + q 1 R )z + q 1 Q =
(z 2 + mz + n)(z + a)
En conclusin:
6. SIMULACIN Y RESULTADOS
(q0 R 1 P ) = a + m
(q0 Q + P + q1 R ) = n + a
q1Q = na
a =
( )
(n P )* 1 (m + 1 + P )* 1
Q
1 m * 1 + n * 1 * 1 * R
R
Q
Q Q
( )
( R)
q 0 = (a + m + 1 + P )* 1
q1 = na 1
Q
5. SISTEMA DE CONTROL
I
Conf. Pclab -718
Adq. Escalon, salidas
S1=[u,y][W1n]+B1n
(a)
Y1=sigmoidal(S1)
S2=[Y1][W2n]+B2n
[R,Q,P]=sigmoidal(S2)
E.deseada asig polos
Z2 + mZ + n (Z + a )
[qo,q1]=f(R,Q,P,m,n,a)
Ley de control
Mk=qo*ek+q1*ek1+p*Mk1
Fig. 9 Algoritmo para calculo del controlador
PI.
(b)
Fig. 10 Valores Reales (a) y Valores Simulados (b)
con escaln del 40%.
AGRADECIMIENTOS
El montaje practico para la realizacin de este trabajo
se hizo en la planta de etanol del Instituto Politcnico
Jaime Isaza Cadavid y fue parte del proyecto de
grado del estudiante Gianni Pezzotti. Los autores
agradecen al Instituto por su apoyo logstico.
BIBLIOGRAFA
[Amari,97]: Amari, S-I. "A theory of adaptive
pattern classifiers". IEEE Transactions on
Electronic Computers. 1967.
[Bruson, 69]:
Bryson, A. & Ho, Y. "Applied
Optimal Control". Blaisdell. New York. 1969.
(b)
Fig. 11 Valores Reales (a) y Valores Simulados (b)
con escaln del 50%.
CONCLUSIONES
Como era de esperarse, los resultados obtenidos,
ofrecen una gran posibilidad para el control de
procesos con caractersticas no lineales y promete ser
uno de los campos de trabajo e investigacin con
mayores opciones de ser desarrollados en gran
cantidad de procesos industriales.
Comparando los resultados obtenidos con los
simulados, se puede observar que es posible,
mediante una Red Neuronal bien entrenada, lograr
los mismos resultados que cuando se controla un
proceso por mtodos tradicionales. Este ultimo
demand muchos trabajos de investigacin y
desarrollo pues se hizo necesario identificar por
[Werbos, 74]:
Werbos, P. "Beyond regression:
New tools for prediction and analysis in the
behavioral sciences". Ph. D. Dissertation, Harvard
University. 1974.
[Parker, 85]: D. B. Parker Learning-Logic: casting
the cortex od the human brain in silicon,
technical report TR-47, center for computatinal
researchn in economics and Manegement science,
MIT, Cambridge, MA, 1985.
[Rumelhart, 86]: Rumelhart, D. Hinton, G. &
Williams, R. "Learning representations
backpropagation errors". Neture. 1986.
by