Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ARMADAS ESPE-L
INGENIERA MECATRNICA
AUTOMATIZACIN INDUSTRIAL
Nombre:
Aroca Katherine
Escobar Luis
Loor Leopoldo
Curso:
Octavo
Departamento:
Energa y Mecnica
Docente:
Ing. Patricia Constante
NRC:
3308
Fecha de presentacin:
30/06/2016
INDICE
TEMA ................................................................................................................................ 3
OBJETIVOS ..................................................................................................................... 3
OBJETIVO PRINCIPAL ............................................................................................... 3
OBJETIVOS ESPECFICOS ........................................................................................ 3
MARCO TERICO ........................................................................................................... 3
RED NEURONAL ARTIFICIAL .................................................................................... 3
MODELO DE NEURONA ARTIFICIAL ....................................................................... 3
ARQUITECTURA DE LAS RNA .................................................................................. 4
APRENDIZAJE DE LAS RNA ..................................................................................... 4
PERCEPTRN ............................................................................................................. 5
APLICACIONES DEL PERCEPTRN ........................................................................ 6
MOTORES TAMIYA 70168 DOUBLE GEARBOX KIT ............................................... 6
LM741 ........................................................................................................................... 6
AMPLIFICADOR INVERSOR ...................................................................................... 7
AMPLIFICADOR NO INVERSOR ................................................................................ 8
SUMADOR INVERSOR ............................................................................................... 8
FOTORRESISTOR ....................................................................................................... 8
DESARROLLO Y RESULTADOS ................................................................................... 9
CONCLUSIONES ........................................................................................................... 10
RECOMENDACIONES .................................................................................................. 14
BIBLIOGRAFA .............................................................................................................. 14
ANEXOS ......................................................................................................................... 15
TEMA
CONTROL DE UN SEGUIDOR DE LUZ EN BASE AL ENTRENAMIENTO DE UN
GRUPO DE PERCEPTRONES.
OBJETIVOS
Objetivo principal
Implementar dos neuronas artificiales mediante amplificadores operacionales y
sensores de luz para el control de un carrito seguidor de luz.
Objetivos especficos
MARCO TERICO
Red neuronal artificial
Las redes neuronales artificiales (RNA) pueden estudiarse como aproximadores
universales, modelos matemticos basados en sistemas biolgicos, adaptados y
simulados en un sistema computacional. Los que se encuentran compuestos por un
nmero de unidades interconectadas. [1]
Modelo de neurona artificial
El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o
neurona artificial, como un dispositivo que, a partir de un conjunto de entradas, xi
(i=1...n) o vector x, genera una nica salida y. [2]
X1
X2
X3
W i1
W i2
W in
Figura 1 Modelo de Neurona Artificial.
Generalmente las conexiones se realizan entre neuronas de distintas capas, pero puede
haber conexiones intracapa o laterales y conexiones de realimentacin que siguen un
sentido contrario al de entrada-salida. [2]
Aprendizaje de las RNA
El aprendizaje es la clave de la flexibilidad de una red neuronal y es el proceso en el
que se adaptan las sinapsis, para que la red responda de un modo distinto a los
estmulos del medio. En una red neuronal toda la informacin adquirida se guarda en el
valor de cada peso sinptico. [3]
Hay tres conceptos fundamentales en el aprendizaje:
1. Paradigma de aprendizaje: informacin de la que dispone la red.
2. Regla de aprendizaje: principios que gobiernan el aprendizaje.
3. Algoritmo de aprendizaje: procedimiento numrico de ajuste de los pesos.
4
Entrenar una red para formar el tiempo pasado de los verbos en ingls, leer texto
en ingls y manuscrito.
El Perceptrn multicapa (MLP) puede ser usado para la prediccin de una serie
de datos en el tiempo como la medicin de la demanda de gas y electricidad,
adems de la prediccin de cambios en el valor de los instrumentos financieros.
Valor
Voltaje de operacin
3V
Opciones de reduccin
Velocidad
12300 rpm
Corriente
2100 mA
Torque
0.5 on-in3
LM741
El amplificador operacional LM741 necesita ser alimentado por una corriente continua,
independiente de la corriente que se desea amplificar, esta corriente continua es de 12V.
A continuacin, se presenta las partes de alimentacin de un amp-op y sus partes
inversoras y no inversoras, y tambin su salida.
Principales caractersticas
Alta impedancia (resistencia) de entrada: del orden de 1 MW, lo cual implica que
la intensidad de corriente por los terminales de entrada ser despreciable.
Baja impedancia de salida: del orden de 150 W, pudiendo atacar cualquier carga
(circuito) sin que su funcionamiento se modifique dependiendo del valor de sta.
Alta ganancia de tensin en lazo abierto (sin conectar ningn componente entre
la salida y cualquiera de las entradas) con pequeos valores de tensin en los
terminales de entrada se consiguen grandes tensiones de salida. [6]
Aplicaciones
Usado principalmente en seguidores de tensin de ganancia unidad, amplificadores
inversores integradores, amplificadores no inversores y diferenciadores.
Amplificador Inversor
La entrada positiva est a masa, y la seal se aplica a la entrada negativa a travs de
R1, con retroalimentacin desde la salida a travs de R 2. [6]
1 2
Amplificador no inversor
La entrada Vi se aplica a la entrada positiva, y una fraccin de la seal de salida, V out,
se aplica a la entrada negativa a travs del divisor de tensin R 1 y R2. La seal de salida
VO est en fase con la de entrada. [6]
(1 + 2 )
Sumador inversor
Permite sumar algebraicamente varias seales analgicas.
1 2 3
= ( +
+ )
1 2 3
Fotorresistor
Una fotorresistencia es un componente electrnico cuya resistencia disminuye con el
aumento de intensidad de luz incidente. Puede tambin ser llamado fotorresistor,
fotoconductor, clula fotoelctrica o resistor dependiente de la luz, cuyas siglas, LDR.
Su funcionamiento se basa en el efecto fotoelctrico. Un fotorresistor est hecho de un
semiconductor de alta resistencia como el sulfuro de cadmio, CdS. Si la luz que incide
en el dispositivo es de alta frecuencia, los fotones son absorbidos por las elasticidades
8
del semiconductor dando a los electrones la suficiente energa para saltar la banda de
conduccin. El electrn libre que resulta, y su hueco asociado, conducen la electricidad,
de tal modo que disminuye la resistencia. Los valores tpicos varan entre 1 M, o ms,
en la oscuridad y 100 con luz brillante.
DESARROLLO Y RESULTADOS
V1
V2
Salida
V1
V2
Salida
1 0
En cada uno de los casos se tiene un umbral = 2.
La inicializacin de los pesos de la neurona de velocidad fue:
1 = 1
2 = 1
= 1
Los pesos son:
1 = 0.55
2 = 0.45
= 1.14
Para poder implementar las neuronas por medio de amplificadores operacionales se
realiz el siguiente anlisis: sabemos que para un perceptrn el clculo de la salida
aplicado a nuestro caso se hace por medio de la siguiente ecuacin:
() = [1 1 + 2 2 ]
. 1.1.
Para cada una de las combinaciones de entrada tenemos un resultado que es el que se
evala en la funcin. Cabe mencionar que el 0 equivale a 0 V y el 1 a 5V.
Neurona para la direccin
Para el caso de la neurona de direccin:
00 0
= 1.2(2) = 2.4
01 0
= 0.5(5) 1.2(2) = 0.1
10 1
= 3(5) 1.2(2) = 12.6
101
= 3(5) + 0.5(5) 1.2(2) = 15.1
10
De acuerdo con la EC. 1.1, se hace la sumatoria de todos los pesos multiplicados por
sus respectivas entradas, esto por medio de amplificadores operacionales se logra con
un sumador inversor.
Los valores de las resistencias 2 y 3 se obtienen igual que en el caso del valor del
umbral. La resistencia se fi ja en 10 .
Para el caso de 1 .
= 10
= 5 ( 1 5)
= 15 ( = 3)
3 = 3.3
Para el caso de 2 .
= 10
= 5 ( 1 5)
= 2.5 ( = 0.5)
2 =
10
(5) = 20
=
(2.5)
2 = 20
11
2
10
=
(2)
(2.28)
2 = 8.7
Los valores de las resistencias 2 y 3 se obtienen igual que en el caso del valor del
umbral. La resistencia se fija en 10K.
Para el caso de V1.
= 10
= 5 ( 1 5)
= 2.75 ( = 0.55)
12
2 =
10
(5) = 18.181
=
(2.75)
2 = 18.181
Para el caso de 2
= 10
= 5 ( 1 5)
= 2.25 ( = 0.45)
2 =
10
(5) = 22.22
=
(2.25)
En ambos casos (tanto para la neurona de direccin como para la neurona de velocidad)
la salida del sumador es de signo contrario al que en realidad debe de tener, debido a
la configuracin inversora que se utiliz. Por ello se us un inversor de ganancia unitario
para cambiar el valor del voltaje de salida que tiene el sumador.
La salida se tiene que evaluar en una funcin, en nuestro caso esta evolucin se hace
por medio de un amplificador operacional que tiene la configuracin de comparador.
El valor que sale del ltimo inversor se compara con 2.5V, si el valor es mayor se va a
1 (5V) y si el valor es menor a 2.5V se va a 0 (0V).
13
Una vez que las neuronas se encuentran entrenadas y listas con los amplificadores
operacionales, se desarrolla la parte del controlador de los motores.
RECOMENDACIONES
Polarizar correctamente todos los elementos del seguidor de luz para el correcto
funcionamiento del mismo.
BIBLIOGRAFA
[1] Varios.
[En
lnea].
Available:
http://catarina.udlap.mx/u_dl_a/tales/documentos/lis/navarrete_g_j/capitulo2.pdf.
[ltimo acceso: 28 Junio 2016].
[2] J.
Avellano,
Redes
Neuronales,
[En
lnea].
Available:
14
[4] A.
Lezcano,
SlideShare,
[En
lnea].
Available:
http://es.slideshare.net/aerdna07/regla-de-aprendizaje-del-perceptrn-simple.
[ltimo acceso: 28 Junio 2016].
[5] Perceptron,
[En
lnea].
Available:
ANEXOS
15